一种大宗商品产业链高风险节点识别方法及系统
本发明涉及大宗商品价格风险监测和复杂网络数据处理，具体涉及一种大宗商品产业链高风险节点识别方法及系统。
背景技术：
1、大宗商品产业链中不同产品价格之间存在具有方向性的风险传递关系。通过将产品作为节点、将产品间风险溢出关系作为有向加权边，可以形成用于风险监测的网络数据结构，并据此计算入强度、出强度、介数、pagerank、k-core和聚类系数等节点拓扑指标。
2、现有关键节点识别方法通常选取一个网络拓扑指标，或者采用固定权重、熵权法等方式融合多个指标。单一指标只能反映节点风险传播结构的一个方面；固定权重不能随网络结构变化；仅依据全部节点取值的离散程度确定权重时，某一指标即使在一般节点之间产生较多细小差异，也未必能够将真正需要重点监测的头部风险节点从其余节点中分离出来。
3、另一方面，滚动时间窗口得到的风险网络受到窗口新旧、样本扰动和模型估计误差影响。若直接平均不同窗口的节点评分，较早窗口和排序不稳定窗口可能对最终评分产生不适当贡献。因此，需要一种能够同时评价网络拓扑指标的节点辨识能力和滚动窗口风险排序可靠性的高风险节点识别方法。
4、例如，公告号为cn114462095b的专利《一种提升大宗商品交易数据区块链存证可信度的方法》存在的问题是：大宗商品交易存证数据易造假，可信溯源能力不足。
5、公告号为cn114820173b的专利《大宗商品交易市场中的交易主体违约风险评估方法》存在的问题是：大宗商品交易传统评估仅看个体，忽略交易网络风险溢出效应。
6、公告号为cn119338485b的专利《一种基于大宗商品贸易平台的溯源管控方法及系统》存在的问题是：大宗商品交易中心化溯源存在数据孤岛，易遭篡改造假。
7、本发明要解决的技术问题是：在动态有向加权风险网络中，如何降低拓扑指标辨识能力差异、头部节点不易分离以及滚动窗口排序不稳定对高风险节点识别结果的影响，并输出可供风险监测系统使用的高风险产品节点集合及排序。
技术实现思路
1、本发明的总体构思是：首先基于多个滚动时间窗口逐窗口构建经时序因果检验稀疏化的有向加权风险网络，形成动态网络序列；在每一个窗口内部，对每一个网络拓扑指标同时计算反映其在全部节点上分布差异的“整体区分度”和反映其拉开头部节点与其余节点差距能力的“头部拓扑分离度”，以二者的组合值归一化生成指标权重，进而得到该窗口的窗口风险评分与窗口风险排序，构成第一层（指标层）赋权；随后，对每一个窗口执行多次保留时序结构与跨节点同期关系的分块重采样，每次重采样都完整重构网络并重走指标赋权与排序全流程，以原始排序与各次重采样排序之间的秩相关性量化“窗口重采样稳定性”，再将其与按指数衰减刻画窗口新旧的“时间接近系数”组合、归一化生成窗口权重，构成第二层（窗口层）赋权；最后按窗口权重融合各节点在多窗口下的窗口风险评分，得到最终风险评分并输出高风险产品节点集合及其排序。
2、上述双层赋权相互协同：指标层保证“只有同时具备整体离散性和头部可分离性的指标才获得高权重”，窗口层保证“只有同时具备时间新近性和重采样稳定性的窗口才获得高权重”，两层归一化权重相互独立又逐级传递，使最终评分同时聚焦高辨识指标与高可靠窗口。
3、本发明提供了一种大宗商品产业链高风险节点识别方法，由计算设备执行，包括：
4、s1，获取大宗商品产业链中多个产品节点的价格时间序列，划分多个滚动时间窗口，逐窗口生成对应的有向加权风险网络，得到动态有向加权风险网络序列；
5、s2，针对每一有向加权风险网络，计算各产品节点的多个网络拓扑指标并进行同向无量纲化，得到节点指标标准化值；
6、s3，针对各滚动时间窗口内的各网络拓扑指标，根据节点指标标准化值在全部产品节点分布计算整体区分度，根据网络拓扑指标排序靠前的头部与其余产品节点的指标差值计算头部拓扑分离度，二者组合归一化得到滚动时间窗口内各网络拓扑指标的指标权重；
7、s4，按指标权重对同一产品节点的多个节点指标标准化值加权融合，得到各产品节点在各滚动时间窗口内的窗口风险评分和窗口风险排序；
8、s5，对各滚动时间窗口执行多次分块重采样，每次重采样后重构有向加权风险网络、重算网络拓扑指标、指标权重、窗口风险评分和重采样风险排序，根据原始窗口风险排序与多次重采样风险排序的秩相关性计算窗口重采样稳定性；
9、s6，根据各滚动时间窗口距最新滚动时间窗口的距离计算时间接近系数，将所述系数与窗口重采样稳定性组合并归一化，得到各滚动时间窗口的窗口权重；
10、s7，按窗口权重对同一产品节点在多窗口内的窗口风险评分加权融合，得到最终风险评分，输出高风险产品节点集合及其排序。
11、优选地，步骤s1中，所述逐窗口生成对应的有向加权风险网络，包括：对严格为正的价格时间序列计算对数收益率序列；针对每一滚动时间窗口内的收益率序列建立向量自回归模型，根据广义预测误差方差分解生成方向性溢出矩阵；针对有序产品节点对执行格兰杰因果检验，生成时序因果筛选矩阵；将所述方向性溢出矩阵与所述时序因果筛选矩阵进行同位置乘积运算，使未通过格兰杰因果检验的方向性溢出边的边权置零，并将自环边权置零，得到所述有向加权风险网络。
12、优选地，步骤s2中，所述多个网络拓扑指标包括加权出强度、加权入强度、加权介数中心性、风险传播pagerank、加权k-core和节点局部加权聚类系数中的至少三种；其中，所述网络拓扑指标均被设置为数值越大表示产品节点的风险传播重要程度越高。
13、优选地，步骤s3中，计算所述整体区分度，包括：将同一滚动时间窗口内同一网络拓扑指标对应的各节点指标标准化值转换为节点占比；根据各节点占比计算归一化信息熵；以1减去所述归一化信息熵得到所述整体区分度。
14、优选地，步骤s3中，计算所述头部拓扑分离度，包括：按照预设头部比例和产品节点总数确定头部产品节点数量，并使头部产品节点数量不小于1且小于产品节点总数；按照节点指标标准化值从高到低排序，将排序靠前的所述头部产品节点数量个产品节点确定为头部产品节点集合；分别计算头部产品节点集合与其余产品节点集合的指标均值，将两个指标均值之差除以所述网络拓扑指标的非零极差，得到所述头部拓扑分离度。
15、优选地，步骤s3中，所述二者组合归一化得到滚动时间窗口内各网络拓扑指标的指标权重，包括：将同一滚动时间窗口内同一网络拓扑指标的整体区分度与所述头部拓扑分离度相乘，得到该网络拓扑指标的原始指标权重得分；将各网络拓扑指标的原始指标权重得分除以同一滚动时间窗口内全部网络拓扑指标的原始指标权重得分之和，得到各网络拓扑指标的所述指标权重，且同一滚动时间窗口内全部网络拓扑指标的指标权重之和为1；其中，当所述整体区分度与所述头部拓扑分离度中的任一者为零时，对应网络拓扑指标的原始指标权重得分为零，该网络拓扑指标不参与所述窗口风险评分的加权融合。
16、优选地，步骤s5中，所述窗口重采样稳定性为多次有效重采样对应的稳定性分量的均值；每次稳定性分量由原始窗口风险排序与对应重采样风险排序的kendall tau-b秩相关系数经区间映射得到；所述分块重采样为移动分块重采样或循环分块重采样，并对全部产品节点的收益率序列同步采用相同的时间块索引，以保留窗口内局部时序相关结构和产品节点之间的同期关系。
17、优选地，步骤s6中，所述时间接近系数按照滚动时间窗口与最新滚动时间窗口之间采用统一时间单位表示的距离进行指数衰减；同一有效窗口内的指标权重之和为1，全部有效窗口的窗口权重之和为1；当同一滚动时间窗口内各网络拓扑指标的整体区分度与头部拓扑分离度的组合值之和为0时，将该滚动时间窗口标记为指标无效窗口；当窗口重采样稳定性低于预设稳定性阈值时，将对应滚动时间窗口标记为低可靠窗口，并降低该滚动时间窗口参与最终风险评分计算的权重。
18、优选地，步骤s6中，所述将所述系数与窗口重采样稳定性组合并归一化，得到各滚动时间窗口的窗口权重，包括：将同一滚动时间窗口的所述时间接近系数与所述窗口重采样稳定性相乘，得到该滚动时间窗口的原始窗口权重得分；为每一滚动时间窗口设置有效性指示值，其中被标记为指标无效窗口或重采样无效窗口的滚动时间窗口的有效性指示值为0，其余滚动时间窗口的有效性指示值为1；将各滚动时间窗口的所述原始窗口权重得分与其有效性指示值之积，除以全部滚动时间窗口的所述原始窗口权重得分与其有效性指示值之积的总和，得到各滚动时间窗口的所述窗口权重，且全部滚动时间窗口的窗口权重之和为1。
19、本发明还提供一种大宗商品产业链高风险节点识别系统，运用于计算设备中，用于实现上述的方法，系统包括：
20、动态网络生成模块，用于获取大宗商品产业链中多个产品节点的价格时间序列，划分多个滚动时间窗口，逐窗口生成对应的有向加权风险网络，得到动态有向加权风险网络序列；
21、拓扑指标计算模块，用于针对每一有向加权风险网络，计算各产品节点的多个网络拓扑指标并进行同向无量纲化，得到节点指标标准化值；
22、指标赋权模块，用于针对各滚动时间窗口内的各网络拓扑指标，根据节点指标标准化值在全部产品节点分布计算整体区分度，根据网络拓扑指标排序靠前的头部与其余产品节点的指标差值计算头部拓扑分离度，二者组合归一化得到滚动时间窗口内各网络拓扑指标的指标权重；
23、窗口风险计算模块，用于按指标权重对同一产品节点的多个节点指标标准化值加权融合，得到各产品节点在各滚动时间窗口内的窗口风险评分和窗口风险排序；
24、稳定性计算模块，用于对各滚动时间窗口执行多次分块重采样，每次重采样后重构有向加权风险网络、重算网络拓扑指标、指标权重、窗口风险评分和重采样风险排序，根据原始窗口风险排序与多次重采样风险排序的秩相关性计算窗口重采样稳定性；
25、窗口赋权模块，用于根据各滚动时间窗口距最新滚动时间窗口的距离计算时间接近系数，将所述系数与窗口重采样稳定性组合并归一化，得到各滚动时间窗口的窗口权重；
26、以及风险节点输出模块，用于按窗口权重对同一产品节点在多窗口内的窗口风险评分加权融合，得到最终风险评分，输出高风险产品节点集合及其排序。
27、本发明的一种大宗商品产业链高风险节点识别方法及系统，相比于现有技术，具有以下有益效果：
28、整体区分度与头部拓扑分离度共同参与指标赋权，使仅具有一般离散性但不能拉开头部节点差距的指标获得较低权重。
29、分块重采样后完整重构网络和节点排序，使窗口权重反映从原始时间序列、网络边估计到节点排序的全流程稳定性，而非仅反映单个中间参数的波动。
30、时间接近系数与窗口重采样稳定性协同控制跨窗口融合，使较新且排序可靠的窗口产生较大贡献。
31、两层权重均进行归一化，并设置指标无效窗口和低可靠窗口处理规则，可减少指标数量、窗口数量和退化分母对最终评分量级的影响。
32、同位置乘积运算将未通过时序因果检验的方向性溢出边的边权置零，使原本稠密的方向性溢出矩阵转换为稀疏有向加权风险邻接矩阵。相对于直接对稠密矩阵执行拓扑指标计算，稀疏化后需要存储和遍历的非零边数量显著减少，从而降低加权介数中心性的最短路径搜索、风险传播pagerank的迭代、加权k-core的剥离以及局部加权聚类系数的三角枚举所需的运算次数与内存占用。由于步骤s5需要针对每一滚动时间窗口执行多次分块重采样，并在每次重采样后完整重构网络并重算全部网络拓扑指标，上述单次运算量的降低在整个动态网络序列上被重采样次数与窗口数量成倍放大，使计算设备在同等计算资源下能够处理更长的价格时间序列、更多的产品节点和更多的重采样次数。
33、此外，指标无效窗口、重采样无效窗口与低可靠窗口的判定规则，使计算设备在检测到指标退化、模型估计失败或排序不可靠的滚动时间窗口时，能够提前终止该滚动时间窗口的后续拓扑指标计算与跨窗口融合运算，避免在无效数据上继续消耗计算资源，进一步减少动态网络序列整体的无效计算开销。