技术领域
[0001] 本
发明涉及金融服务领域，具体为一种金融服务方法及金融服务终端。
背景技术
[0002] 金融知识服务是金融知识与金融服务的融合，将金融数据、信息转化为知识，以互联网、财经媒体等平台为载体为用户提供服务。随着国民生活
水平和投资意识的不断提高，对金融知识服务的需求也越来越高，逐渐向着多样化、个性化的方向发展。近几年，随着互联网的飞速发展和普及，互联网已经成为金融知识服务的最主要数据来源和载体。面向网络的金融知识服务也出现了前所未有的机遇和挑战，还存在以下不足之处：
[0003] 例如，
申请号为201510763272.1，
专利名称为一种金融服务方法的发明专利：
[0004] 其金融服务终端将POS机的便民服务功能与ATM机的取款功能进行集成，能够实现便民服务与取款，并可进行广泛分布，提高金融服务终端使用的便捷性，给用户提供方便。
[0005] 但是，现有的金融服务方法及金融服务终端存在以下
缺陷：
[0006] (1)在金融知识服务领域，随着金融市场日益激烈的竞争及海量金融信息的涌现，人们对金融知识服务的要求越来越高，随之而来的问题应运而生，如何提高基于互联网的
信息检索准确率，尤其针对金融领域特有的时间敏感性，为异构信息获取提供准确可用的数据源；如何提高特征自动
抽取的准确性，实现自动、高效的信息预处理，为进一步
文本分析、
数据挖掘提供
基础数据等；
[0007] (2)大型金融服务系统是一种复杂信息系统，其安全
风险具有发生概率小、破坏程度大、评估困难等持点，当前信息安全领域现有的安全风险评估方法，要么过于简单而无法完全反映复杂信息系统的特点，要么过于理论化而导致无法在实际的业务系统中实施落地，因此在面对大型金飄服务系统时往往缺乏适用的风险评估方法，无法对大型金融服务系统的安全风险进行较为准确评估分析。
发明内容
[0008] 为了克服
现有技术方案的不足，本发明提供一种金融服务方法及金融服务终端，能有效的解决背景技术提出的问题。
[0009] 本发明解决其技术问题所采用的技术方案是：
[0010] 一种金融服务方法，包括如下步骤：
[0011] 步骤100、异构信息自动获取，从互联网、财经媒体和上市公司等数据源自动获取各种结构的数据以及文本信息；
[0012] 步骤200、信息处理，对自动获取的异构信息进行半结构化处理，提供给用户实时行情数据、热点资讯、
证券收益数据等基础数据，同时为用户提供专业分析师或者机构投资者发布的行业分析报告、预测数据等；
[0013] 步骤300、构建判断矩阵，对项目层中多个因素指标进行两两比较，采用层次分析法，确定其权重，构建判断矩阵；
[0014] 步骤400、信息验证，根据权重计算结果，对金融异构信息处理结果进行验证，保证数据的准确性及金融知识服务的有效性。
[0015] 进一步地，所述步骤100中，还包括：
[0016] 首先，构建
力领域文本，通过对描述本体的OWL文件进行解析，获取抽取规则，将概念、关系、层次结构等解析出来存入
数据库；
[0017] 然后，利用字典编辑器记录、编辑概念、关系对应的关键字，对抽取规则进行完善；
[0018] 再对获取的Web信息进行预处理；
[0019] 最后，通过句式转换去掉句子中的无用成分。
[0020] 进一步地，所述步骤100中Web信息进行预处理的方法为：
[0021] 步骤101、采用信息安全风险的修正权重值，以反映信息安全风险的传导效应；
[0022] 步骤102、假设资产A由m个功能模
块构成，分别为A1、A2、A3…Am，其中Ai为资产A的第i个功能模块，同理，假设资产B由n个功能模块构成，分别为B1、B2、B3…Bm，其中Bj为资产B的第j个功能模块；
[0023] 步骤103、利用A上的某功能模块Ai对资产B上某功能模块Bj的
访问关系，攻击资产B；
[0024] 步骤104、根据Ai和Bj之间的依赖关系形成模块Ai到模块Bj的风险传导RC，记为RCAi：Bj；
[0025] 步骤105、RCAi：Bj的风险信息用
六元组来表示，其中，P表示利用该风险传导模型计算的安全事件的发生概率，也成为权值，P∈[0，1]；W表示一个功能模块对另一个功能模块的影响程度，W∈[0，+∞]。[0026] 进一步地，所述步骤200还包括：
[0028] 设有n个样本的训练集D＝{(xi，yi)}，x∈Rn，i＝1，2，3...n，y∈[-1，1]，该训练D可以被某
超平面完全正确的分开，且使得两类样本与超平面之间的距离最大化；
[0029] 其次，根据相似度将数据对象划分为簇，对簇均有的特点进行深入分析和概括：
[0030] 给定新闻集合X＝{x1，x2，...xn}，对于每个文本xi包含m个特征f，则xi＝{fi1，fi2，...fim}，i＝1，2，...，n，通过特征计算相似度，并根据聚类决策标准得到聚类结果C＝{c1，c2，...，ck}，且聚类结果满足：ci∩cj， 其中，i≠j，i，j＝1，2，...，n；
[0031] 最后，根据历史记录建立反映时间系列中数据间的动态相互依存关系模型，通过该模型对未来趋势进行预测。
[0032] 进一步地，所述步骤300还包括：
[0033] 步骤301、计算判断矩阵A每一行元素的乘积Mi；
[0034] 步骤302、计算Mi的n次方根Wi；
[0035] 步骤303、对所得的相量W＝{W1，W2，W3}进行规范化，使∑Wi＝1(i＝1，2，3)，则W即为所求的权重。
[0036] 进一步地，所述步骤400中还包括：
[0037] 步骤401、引入RI指标，计算判断矩阵的最大特征值
[0038] 步骤402、计算随机一致性指标CI，
[0039] 步骤403、计算随机一致性比率CR，
[0040] 进一步地，所述步骤400中需要找到每个子阶段的最优状态序列：
[0041] 首先，计算增益网络
节点基于初始资本的增益率，每个分合增益过程获得的增益量为 初始资本为 则分合增益网络中的节点Sij相对于初始资本的增益率为设在增益路径中节点Sij的权值为Δωij，则
[0042] 其次，确定独立单元作为子阶段；
[0043] 再次，计算子阶段的最优路径，每个节点的状态为三维向量Si(ΔSi，ti，θi)，其中ti是在节点Si派发的时间，θi是对应的增益回收时间，通过类Dijkstra
算法计算子阶段的最优路径；
[0044] 再者，记录每个节点增益量 对应的增益返回时间θi，通过上述步骤获得最优路径 和最优状态序列 根据增益返回时间θi计算出子阶段的最优增益量
[0045]
[0046] 最后，通过上述步骤再搜索下一个独立子阶段并计算增益量，直到增益时间终止，结束循环。
[0047] 另外本发明还提供了一种用于
权利要求1所述方法的金融服务终端，包括金融服务平台、企业数据库和工作站；
[0048] 所述工作站的
信号端通过服务子系统建立金融服务异构信息库，并通过无线网络与金融服务平台相连接，所述金融服务平台的数据端与企业数控库交互连接；
[0049] 所述金融服务平台用于提取金融信息发布以及法律条规条例信息进行解析处理，在从企业数据库中提取信息进行重合匹配，得到匹配结果；
[0050] 所述工作站的数据端连接有个人计算机，所述个人计算机的数据端通过无线网络连接有知识服务定制端，所述知识服务定制端的内部设置有服务类型定义模块；
[0051] 所述知识服务定制端的信号端通过知识服务解析算法连接有
服务器。
[0052] 与现有技术相比，本发明的有益效果是：
[0053] (1)本发明的金融服务终端，将互联网异构信息处理技术应用于金融知识服务，将金融知识服务过程模型化；利用提出的分合增益模型实现了新股投资收益分析；利用时间序列
预测模型实现了封闭式基金的实时净值估值，并提高了时间序列预测的准确率；利用基于互联网的检索结果评估模型、构建金融领域本体等实现了企业债券知识服务平台的自适应性；利用信息自动验证方法保证了提供数据的准确性；
[0054] (2)本发明的金融服务终端，采用基于风险传导的大型金融服务系统安全风险评估模型和测试驱动的大型金融服务系统安全风险评估规范两个方面，形成一套适用于大型金融服务系统的安全风险评估方法，对于大型金融服务系统的信息安全风险评估研巧将具有一定的借鉴意义，对于大型金融服务系统的信息安全风险评估实施工作将具有一定的指导意义，对于大型金融服务系统的其它管理领域也将具有很好的参考意义。
附图说明
具体实施方式
[0057] 下面将结合本发明
实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0058] 如图2所示，本发明提供了一种金融服务终端，包括金融服务平台、企业数据库和工作站；所述工作站的信号端通过服务子系统建立金融服务异构信息库，并通过无线网络与金融服务平台相连接，所述金融服务平台的数据端与企业数控库交互连接；所述金融服务平台用于提取金融信息发布以及法律条规条例信息进行解析处理，在从企业数据库中提取信息进行重合匹配，得到匹配结果；所述工作站的数据端连接有个人计算机，所述个人计算机的数据端通过无线网络连接有知识服务定制端，所述知识服务定制端的内部设置有服务类型定义模块；所述知识服务定制端的信号端通过知识服务解析算法连接有服务器。
[0059] 本实施例中，提出了互联网金融异构信息处理方法，对异构信息自动获取、信息处理方法及自动验证的方法进行分析和总结，建立金融异构信息处理
框架，将基于异构信息处理的金融知识服务各个阶段，模块化，为金融领域异构信息处理及金融知识服务提供参考，建立了金融知识服务平台，为用户提供及时、准确的金融信息服务及个性化支持。
[0060] 本实施例中，将互联网中的网页、图、表等异构金融信息获取后，抽取、处理为半结构化数据，进一步利用分类、聚类、时间序列分析等方法挖掘、发现数据、文本变化关系，形成结构化数据提供给用户，通过信息验证方法对信息进行直接和间接的验证，以便进一步完善信息处理方法。
[0061] 本实施例中，各类金融信息、法规条例信息通过互联网与系统连通，相关数据通过
接口进入系统，企业内部的客户信息和业务交易在企业内部网络中直接与系统连通，以构建一个完整的企业信息技术服务系统，在服务的发布和最终用户的互动上，可以由理财服务人员直接通过柜台终端，或者作上
门服务时通过互联网与系统连通；也可由客户通过互联网连接服务平台，直接与系统互动，为保证系统的安全性，在服务发布和用户互动时，在系统和互联网中架设一道
防火墙。
[0062] 在本实施方式中，如图1所示，金融服务方法包括如下步骤：
[0063] 步骤100、异构信息自动获取，从互联网、财经媒体和上市公司等数据源自动获取各种结构的数据以及文本信息；
[0064] 步骤200、信息处理，对自动获取的异构信息进行半结构化处理，提供给用户实时行情数据、热点资讯、证券收益数据等基础数据，同时为用户提供专业分析师或者机构投资者发布的行业分析报告、预测数据等；
[0065] 步骤300、构建判断矩阵，对项目层中多个因素指标进行两两比较，采用层次分析法，确定其权重，构建判断矩阵；
[0066] 步骤400、信息验证，根据权重计算结果，对金融异构信息处理结果进行验证，保证数据的准确性及金融知识服务的有效性。
[0067] 本实施例中，步骤100中的异构信息自动获取分为两部分：信息自动获取和信息抽取，获取异构信息并进行预处理后，将自动获取的信息经过信息抽取、特征提取等处理，得到结构化的有用信息。
[0068] 所述步骤100中，还包括：
[0069] 首先，构建力领域文本，通过对描述本体的OWL文件进行解析，获取抽取规则，将概念、关系、层次结构等解析出来存入数据库；
[0070] 然后，利用字典编辑器记录、编辑概念、关系对应的关键字，对抽取规则进行完善；
[0071] 再对获取的Web信息进行预处理；
[0072] 最后，通过句式转换去掉句子中的无用成分。
[0073] 所述步骤100中Web信息进行预处理的方法为：
[0074] 步骤101、采用信息安全风险的修正权重值，以反映信息安全风险的传导效应；
[0075] 步骤102、假设资产A由m个功能模块构成，分别为A1、A2、A3…Am，其中Ai为资产A的第i个功能模块，同理，假设资产B由n个功能模块构成，分别为B1、B2、B3…Bm，其中Bj为资产B的第j个功能模块；
[0076] 步骤103、利用A上的某功能模块Ai对资产B上某功能模块Bj的访问关系，攻击资产B；
[0077] 步骤104、根据Ai和Bj之间的依赖关系形成模块Ai到模块Bj的风险传导RC，记为RCAi：Bj；
[0078] 步骤105、RCAi：Bj的风险信息用
六元组来表示，其中，P表示利用该风险传导模型计算的安全事件的发生概率，也成为权值，P∈[0，1]；W表示一个功能模块对另一个功能模块的影响程度，W∈[0，+∞]。[0079] 本实施例中，对金融服务系统的安全风险的最终目标是输出量化的安全风险值，为此就需要对安全风陰传导效应进行量化研究，其主要工作包括两个方面：一是针对金融服务系统资产依赖关系的实例化分析，在平行、序列和赖合三种依赖关系的基础上，信息技术领域所习惯使用的设备连接和功能模块方式，对资产存在的依赖关系进行细化描迷和逻辑对照；二是在实例化的资产依赖关系基础上，采用专家打分法确定各种依赖关系中的风险传导系数值，以量化描述安全风险的传导效应。
[0080] 本实施例中，步骤100中Web信息进行预处理，可根据待抽取信息的领域特点、规模、信息异构程度等等进行选择，实现信息抽取，基本实现了非结构信息的结构化过程，就可实现对数据和文本的关系发现与挖掘。
[0081] 所述步骤200还包括：
[0082] 首先，对异构信息进行文本分类：
[0083] 设有n个样本的训练集D＝{(xi，yi)}，x∈Rn，i＝1，2，3...n，y∈[-1，1]，该训练D可以被某超平面完全正确的分开，且使得两类样本与超平面之间的距离最大化；
[0084] 其次，根据相似度将数据对象划分为簇，对簇均有的特点进行深入分析和概括：
[0085] 给定新闻集合X＝{x1，x2，...xn}，对于每个文本xi包含m个特征f，则xi＝{fi1，fi2，...fim}，i＝1，2，...，n，通过特征计算相似度，并根据聚类决策标准得到聚类结果C＝{c1，c2，...，ck}，且聚类结果满足：ci∩cj， 其中，i≠j，i，j＝1，2，...，n；
[0086] 最后，根据历史记录建立反映时间系列中数据间的动态相互依存关系模型，通过该模型对未来趋势进行预测。
[0087] 本实施例中，利用
聚类算法可以通过异动金融数据找到相关新闻事件，分析异动原因，并利用在线聚类算法对重要新闻、时间进行话题追踪，从而进一步分析文本将会对数据产生的影响，在对新闻进行聚类前，时间短语的规范化及话题
时间窗确定也是重要的预处理过程，也会直接影响聚类效果。
[0088] 所述步骤300还包括：
[0089] 步骤301、计算判断矩阵A每一行元素的乘积Mi；
[0090] 步骤302、计算Mi的n次方根Wi；
[0091] 步骤303、对所得的相量W＝{W1，W2，W3}进行规范化，使∑Wi＝1(i＝1，2，3)，则W即为所求的权重。
[0092] 所述步骤400中还包括：
[0093] 步骤401、引入RI指标，计算判断矩阵的最大特征值
[0094] 步骤402、计算随机一致性指标CI，
[0095] 步骤403、计算随机一致性比率CR，
[0096] 所述步骤400中需要找到每个子阶段的最优状态序列：
[0097] 首先，计算增益网络节点基于初始资本的增益率，每个分合增益过程获得的增益量为 初始资本为 则分合增益网络中的节点Sij相对于初始资本的增益率为设在增益路径中节点Sij的权值为Δωij，则
[0098] 其次，确定独立单元作为子阶段；
[0099] 再次，计算子阶段的最优路径，每个节点的状态为三维向量Si(ΔSi，ti，θi)，其中ti是在节点Si派发的时间，θi是对应的增益回收时间，通过类Dijkstra算法计算子阶段的最优路径；
[0100] 再者，记录每个节点增益量 对应的增益返回时间θi，通过上述步骤获得最优路径 和最优状态序列 根据增益返回时间θi计算出子阶段的最优增益量
[0101]
[0102] 最后，通过上述步骤再搜索下一个独立子阶段并计算增益量，直到增益时间终止，结束循环。
[0103] 本实施例中，根据分合增益网络中节点派发在时间上的独立性，将一个NDUGP划分为多个子阶段，首先，找到每个子阶段的最优状态序列，然后，根据每个子过程的相似性采用递归算法解决整个NDUGP。
[0104] 本实施例中，当根据最优状态序列计算增益量时，例如在并继增益模型中，由于派发和回收时间有交集，已获得的最优状态序列S*中包含
截止时间点前已派发未获得增益的节点，因此，需要对计算给定期间
临界点增益量的方法进行分类，设增益过程对应的时间序列为t1，t2，…tk且tk为临界点，则从t1到tk的增益量ΔS计算方法可以分为以下三类：
[0105] (1)在tk时刻没有增益量返回或忽略tk时刻之后返回的增益量：
[0106]
[0107] (2)将tk时刻之后返回的增益量以平均增益的方式计入ΔS：
[0108]
[0109] 其中，L为tk时刻之后返回的增益个数；
[0110] (3)将tk时刻之后返回的增益量计入ΔS：
[0111]
[0112] 其中，ΔStδ为在tk时刻之前派发出去的子集获得增益后在tδ时刻之前(包括tδ时刻)返回的增益量。
[0113] 本实施例中，通过上述步骤获得最优增益路径，并通过临界点增益算法计算出整个增益过程的增益量，最后，通过GEC对实际增益量进行评价，以解决整个N元分合增益问题。
[0114] 本实施例中，信息自动验证可以分为直接验证和间接验证，对金融服务平台的基本信息、实时行情数据等，可以通过与证券交易所官网、主流财经
网站等公布的数据直接进行对比验证；而对于收益率等信息可以通过构造特征函数进行间接验证，例如，通过现价、利率等计算收益率的特征构建特征函数，通过对函数中特征的验证间接验证收益率。
[0115] 对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
