基于大数据和人工智能的金融风控系统的制作方法

本发明涉及金融数据处理，具体为基于大数据和人工智能的金融风控系统。

背景技术：

1、金融风控领域长期面临异构数据融合处理的难题，现有技术主要依赖单一模态数据的规则引擎或传统统计模型，难以有效整合财务报表文本、交易流水时序以及供应链关系图谱等跨模态信息。这些系统通常将文本分析、时序检测和图谱挖掘作为独立任务分别执行，导致不同数据源之间的隐含关联被忽略，风险信号在割裂的处理流程中衰减或丢失。当面对隐蔽性强、跨实体传导的复杂金融风险时，孤立的数据处理方式无法捕捉风险在多模态数据中的协同演变规律，容易产生滞后预警和误报。现有方法在处理时序依赖关系方面存在明显缺陷。常规的风控模型多采用固定时间窗口的聚合统计或简单的移动平均计算，缺乏对风险状态随时间非线性演化过程的精细化建模能力。交易流水的局部异常波动与财务报表文本中的负面语义线索往往存在时间差，但现有系统无法动态权衡不同时间步上多模态信息的贡献程度，导致模型要么对短期扰动过于敏感，要么对渐进式累积的风险趋势反应迟钝。同时，供应链图谱中的风险传导路径通常被简化为静态拓扑分析，忽略了节点状态在时序上下文中的迭代更新需求，使得跨企业的连锁违约风险难以被提前识别。

2、为解决上述问题，本发明聚焦于如何在对齐跨模态语义与时间戳的基础上实现供应链图谱节点表示的自适应增强，以及如何通过动态阈值机制对时序演化中的风险状态进行稳健判断。前一个问题涉及财务报表文本单元与交易数值单元在时间维度上的精确语义映射，并利用这种映射驱动图注意力网络捕捉节点间的风险传播强度；后一个问题关乎克服固定阈值无法适应风险环境变化的局限，使预警机制能够根据历史风险门控值的分布特征自主调节判别边界，从而在不依赖人工调参的前提下平衡预警的灵敏度与鲁棒性。

技术实现思路

1、本发明旨在提供一种基于大数据和人工智能的金融风控系统，解决跨模态金融数据难以有效融合及风险时序演化状态难以被稳健判别的问题，实现对复杂金融风险的精准捕捉与自适应预警。

2、为了实现上述目的，本发明提供如下技术方案：本发明提供了一种基于大数据和人工智能的金融风控系统，该系统通过多源异构金融数据的深度融合与时序演化建模，实现对金融风险的精准感知和动态预警。

3、在本发明中，数据获取模块获取包括财务报表文本序列、交易记录时序序列及供应链关联图谱的异构金融数据，保证了风险分析所依据信息的全面性与多维性。模态对齐模块对异构金融数据执行模态对齐操作，将财务报表文本序列中的每个文本单元与交易记录时序序列中具有相同时间戳的数值单元进行语义映射，生成多模态嵌入向量。该映射机制使得文本语义信息与交易数值信息在时间节点上精确匹配，消除了模态间的语义鸿沟，所生成的多模态嵌入向量能够更紧凑地表达企业在同一时点下的财务描述与资金行为的协同关系。

4、图注意模块将多模态嵌入向量输入至图注意网络的第一层，计算供应链关联图谱中任意两个相邻节点的注意力系数，并根据注意力系数更新每个节点的初始表示，得到风险增强节点表示。该过程使得系统能够自适应地发掘供应链网络中不同企业之间风险传导的强度差异，对高关联度的节点赋予更高关注，从而在节点表示中有效注入了图谱结构蕴含的风险传播信息。残差融合模块将风险增强节点表示与多模态嵌入向量在图注意网络的第二层进行残差拼接，得到融合风险特征。通过残差拼接，既保留了原始多模态信息的完整性，又融入了经过图注意力增强后的网络关系特征，使得融合后的特征同时具备企业内在属性与外部关联的双重风险判别能力。

5、门控循环模块将融合风险特征输入至门控循环单元，门控循环单元按照时间步迭代更新隐藏状态，并在每个时间步输出一个风险门控值。门控循环单元对融合风险特征的时序演化进行连续建模，其输出的风险门控值实时量化了当前时间步的系统性风险程度。风险预警模块在风险门控值超过动态阈值时触发风险预警，并将触发时刻的隐藏状态作为风险锚点向量存储。通过动态阈值的设定，系统能够根据历史风险波动水平自适应调整预警灵敏度，降低误报率；而存储的风险锚点向量则为风险归因与后续趋势推演提供了高价值的状态快照。

6、作为本发明的一个技术方案，在模态对齐操作中，系统提取财务报表文本序列中每个文本单元的语义特征向量，同时提取交易记录时序序列中每个数值单元的分布特征向量；计算语义特征向量与分布特征向量之间的余弦相似度矩阵，并从该矩阵中选取每一行最大值对应的列索引，将该列索引所代表的时间戳确定为文本单元的匹配时间戳；将文本单元的语义特征向量与匹配时间戳对应的数值单元的分布特征向量进行向量拼接，得到多模态嵌入向量。采用基于相似度最大化的自动匹配策略，实现文本语义与数值分布的跨模态时间对齐，有效克服了传统人工对齐方式的低效与不一致问题。优选的，当余弦相似度矩阵的某一行的最大值低于预设相似度阈值时，将该文本单元对应的多模态嵌入向量设置为零向量，避免了低置信度匹配对后续模型的干扰。

7、作为本发明的一个技术方案，在图注意力计算中，系统将供应链关联图谱中的每个节点初始化为多模态嵌入向量中与该节点对应的向量片段；对于任意一条边连接的第一节点和第二节点，将两者的当前向量拼接后输入至单层前馈神经网络，输出原始注意力值；对原始注意力值应用归一化指数函数，得到归一化注意力系数；将第一节点的所有相邻节点的归一化注意力系数分别乘以对应相邻节点的当前向量并求和，输入至非线性激活函数后输出第一节点的新表示；将所有节点的新表示堆叠得到风险增强节点表示。单层前馈神经网络优选使用leakyrelu激活函数对原始注意力值进行非线性变换，以增强模型对细微风险差异的辨识能力。

8、作为本发明的一个技术方案，在残差融合过程中，系统将风险增强节点表示与多模态嵌入向量按照对应节点位置进行逐元素相加，得到第一残差中间结果；将第一残差中间结果输入至第一线性变换层得到第一线性变换向量，并将多模态嵌入向量输入至第二线性变换层得到第二线性变换向量；将两个线性变换向量在特征维度上进行拼接，再经由批量归一化层输出归一化拼接向量作为融合风险特征。该设计利用双路线性变换和特征拼接，对不同来源的特征进行选择性增强与规范，保证融合风险特征数值分布的稳定性，加速后续模型的收敛。

9、作为本发明的一个技术方案，在门控循环处理中，系统将融合风险特征按时间步拆分为多个时间切片；在第t个时间步，获取前一隐藏状态和当前时间切片的融合风险特征子集，将其拼接后输入至重置门，输出重置门向量；将重置门向量与前一隐藏状态逐元素相乘，得到重置后的隐藏状态，并将其与当前时间切片拼接后输入至候选隐藏状态计算单元，得到候选隐藏状态；同时，将前一隐藏状态与当前时间切片拼接后输入至更新门，输出更新门向量；根据更新门向量对前一隐藏状态和候选隐藏状态进行线性插值，得到当前隐藏状态；最终将当前隐藏状态输入至风险门控输出层，得到风险门控值。门控机制的设计使得系统能够选择性遗忘历史冗余信息并吸纳当前有价值风险信号，实现风险状态的平滑递推。优选的，风险门控输出层使用sigmoid激活函数将当前隐藏状态映射至标准区间，使输出的风险门控值具备直观的概率化解释。

10、作为本发明的一个技术方案，在动态阈值预警机制中，系统初始化一个固定窗口大小的滑动窗口队列，存储最近预设数量的历史风险门控值；计算队列中所有历史风险门控值的算术平均值，并乘以预设的松弛系数得到动态阈值；实时比较当前风险门控值与动态阈值，若超出则生成风险触发标志位；响应于该标志位，提取并存储当前隐藏状态作为风险锚点向量，将其与标志位关联存储至风险事件日志中，并清空滑动窗口队列。动态阈值能够随近期风险水平平稳波动，避免了固定阈值带来的迟报或过敏感问题；窗口队列的清空机制保证了一次风险事件触发的独立性，防止连续震荡。优选的，预设的松弛系数可根据历史风险事件的发生频率自适应调整，进一步提升阈值对环境变化的适应性。

11、作为本发明的一个技术方案，生成多模态嵌入向量之后，系统还可将其输入至时序卷积网络，采用扩张卷积核对时间维度进行卷积操作，得到多尺度时序特征图；将该特征图输入至通道注意力模块，依次进行全局平均池化、全局最大池化和共享多层感知机处理，得到通道注意力权重并与特征图逐通道相乘，获得加权时序特征；利用该加权时序特征与多模态嵌入向量的残差连接，生成增强多模态嵌入向量以替代原始向量输入至图注意网络。此举从多时间尺度捕获交易行为的长期趋势与短期突变，并通过通道注意力自动增强对风险敏感的特征通道，使后续图注意模块能够基于更具辨别力的特征进行建模。

12、作为本发明的一个技术方案，得到风险增强节点表示之后，系统还可将其输入至图池化层，通过可训练投影向量计算出每个节点的得分；根据得分降序选取得分最高的前k个节点作为保留节点，在原始图谱中查找保留节点的一阶邻居，若该邻居亦为保留节点则建立连接关系，生成池化后的子图结构；将子图中所有保留节点的风险增强节点表示按得分加权求和，得到图级别风险摘要向量，再与融合风险特征拼接后输入门控循环单元。该方案通过可学习的节点选择机制，聚焦供应链中风险承载能力最核心的子结构，以图级别摘要向量辅助门控循环单元在高层次上进行风险判别，增强了系统对全局风险态势的把控。

13、作为本发明的一个技术方案，在触发风险预警后，系统将风险锚点向量输入至反向注意力模块，计算门控循环单元在触发时刻之前每个历史时间步的历史隐藏状态与风险锚点向量的反向注意力权重；对历史隐藏状态按权重加权求和，得到贡献特征向量；将该贡献特征向量输入至解释生成模块，依次执行离散化操作和风险解释词表映射，得到风险解释短语，最终按时间顺序拼接生成风险预警解释文本并关联存储。这一过程实现了从风险锚点向量到可读文本解释的自动回溯，清晰揭示了导致风险触发的关键时序事件和影响因子，为风控决策人员的理解与处置提供了坚实依据。

14、作为本发明的一个技术方案，在存储风险锚点向量之后，系统获取历史多次风险预警存储的多个风险锚点向量，计算各锚点向量间的欧氏距离平均值作为聚类特征值；升序排序后选取聚类特征值最小的锚点向量作为参考锚点，计算其余锚点向量与该参考锚点的差分向量，并输入至自编码器的编码部分得到潜在演化向量；将该潜在演化向量输入趋势预测层，输出未来时间窗内的预测风险门控序列；最后依据预测序列中是否存在超阈值情况，确定是否生成提前预警信号。该方案立足于历史风险状态点在潜在空间中的演化轨迹，实现了对未来风险趋势的前瞻性预判，使系统具备从被动响应向主动防御延伸的能力。

15、在上述技术方案中，本发明提供的技术效果和优点：

16、通过模态对齐模块提取财务报表文本序列中每个文本单元的语义特征向量与交易记录时序序列中每个数值单元的分布特征向量，并计算两个特征向量之间的余弦相似度矩阵，从矩阵中选取每行最大值对应的列索引作为文本单元的匹配时间戳，将语义特征向量与匹配时间戳对应的分布特征向量进行拼接形成多模态嵌入向量。该方案使得文本中非结构化的风险语义描述能够精准锚定到同时间戳的交易数值特征上，避免了模态间信息孤立导致的关联信号丢失问题，增强了模型对“账实不符”等细微风险线索的捕获能力。利用图注意网络基于多模态嵌入向量计算供应链关联图谱中相邻节点的注意力系数并更新节点表示，生成风险增强节点表示，再与原始多模态嵌入向量进行残差拼接，将拼接结果送入门控循环单元按时间步迭代更新隐藏状态并输出风险门控值。这种设计使图谱中节点间的风险传导强度能够在注意力加权下得到动态强化，同时残差结构保留了原始多模态信息不被深层网络淹没，门控循环单元则进一步对风险状态在时间维度上的非线性演化过程进行连续建模，捕捉到风险累积由量变到质变的完整轨迹。

17、风险预警模块通过维护固定窗口大小的滑动窗口队列存储历史风险门控值，计算队列内所有门控值的算术平均值并与松弛系数相乘得到动态阈值，实时比较当前风险门控值与动态阈值以判定是否触发预警。该机制允许判别边界随风险环境的整体波动而自适应迁移，在低风险时期收紧阈值以减少误报，在高风险时期适度放松阈值以避免漏报，解决了固定阈值在不同市场条件下适应性不足的问题。