1证券交易风险评估原理
1．1属性数学模型证券交易风险评估方法
证券交易风险评估，需要统计各种不同证券的相关参数，利用基础属性数学模型，对证券风险进行评估。其具体步骤如下所述:1)设置δj是第j种证券交易形式的利润量属性和成本量属性的冲突系数，建立不同证券交易形式的矩阵X=x11x12…x1px21x22…x2pxn1xn2…xnp，其中xjk是需要进行风险评估的第k种证券交易形式第j天的市场价值。2)利用下述公式计算第j种证券交易形式的增长系数:ηj=xjk×j2－槡1δj(1)3)利用下述公式能够计算证券交易风险评估误差系数:φj=Xjk{fj1×1+fj2×(1+2)+…+fjp×[(p－1)+]j}2×(ej1+ej2+…+ejp)×T×ηj(2)其中，fjk是对应证券交易形式的权值系数，ejk是对应证券的收益率参数，T是证券交易风险评估时间。
1．2传统方法存在的缺陷
在证券交易风险分析评估挖掘过程中，需要统计各种不同证券形式的相关数据，利用基础属性数学模型，对证券交易进行评估。假设在评估过程中，利润量属性和成本量属性发生冲突，将造成评估模型稳定性降低的缺陷，导致证券交易风险分析挖掘的准确性较差。根据式(1)能够得知，一旦证券利润量属性和成本量属性的冲突系数增大，将导致第j种证券交易形式增长系数降低。根据式(2)能够得知，第j种证券交易形式增长系数降低，将造成证券交易风险评估误差系数增大。
2证券交易风险分析评估挖掘方法
证券交易风险分析评估挖掘，是金融领域研究的核心问题。利用传统算法进行证券交易风险分析评估挖掘，无法避免由于利润量属性和成本量属性冲突造成的评估模型稳定性较差的缺陷，导致证券交易风险分析评估挖掘的准确性降低。因此，提出了一种基于模糊支持向量机算法的证券交易风险评估方法。3．1建立模糊支持向量机评估模型证券交易风险分析评估挖掘主要包括建立模糊支持向量机评估模型和对评估过程中造成的误差进行补偿两个主要的部分。评估模型质量与证券交易风险评估结果关系密切。利用模糊支持向量机的方法进行证券交易风险评估，需要对全部证券特征建立映射联系，通过运算获取理想的分类平面，从而建立模糊支持向量机评估模型。根据全部证券交易相关数据，能够描述不同证券之间的相关性。其公式如下所述:L(y，z)=e1Lq(y，z)+e2LS(y，z)(3)其中，Lq是证券相关数据多项式核函数，LS是基函数。上述公式需要符合下述条件:e1+e2=1根据核函数相关理论能够得知，对符合Mercer条件的核函数进行求和处理，得到的结果仍然符合Mercer的条件。对证券交易相关参数进行优化处理，能够提高核函数的训练能力和泛化能力。设置证券信息能够用Tj(1＜j＜p)进行描述，将其作为证券交易风险分析评估挖掘的基础数据，将其风险分为两种不同的类别sj(sj∈{1，－1})，那么证券交易风险分析评估挖掘样本构成的数据集合是{(tj，sj)，j=1，2，…，p}，假设tj∈S(s)，那么该证券样本数据属于第一个类别，用sj=1表示，否则，则属于第二个类别，用sj=－1表示。假设样本是一个线性数据集合，那么可以利用下述公式计算分类平面:ltj+n=0(4)其中，l是证券相关参数权值系数，n是样本分类衡量标准，利用这个分类平面，能够将线性数据集合中的样本进行有效分类。假设样本是非线性数据集合，则不能用上述方法进行分类，需要引入松弛系数εj和惩罚系数j，那么利用下述公式能够对样本数据进行分类:minγ(tj)=12l2∑pj=1εj，tj(lsj+n)－1+j(5)假设样本数据集合是非线性的，那么需要利用非线性函数α=φ(sj)，对样本数据sj进行映射处理，从而获取线性特征空间，则可以在该特征空间中获取理想分类平面，从而实现评估决策。利用下述公式能够描述该线性特征空间的分类平面:lφ(tj)+n=0(6)该线性特征空间的决策函数如下所示:g(sj)=sign(lγ(sj)+n)(7)根据模糊支持向量机相关理论和上述决策函数，可以利用下述公式建立模糊支持向量机评估模型:maxME=∑mj=1χj－12∑pj=1∑pk=1χjχksjskL(tj，tk)(8)其中，0＜χj＜，∑pj=1χjsj=0。根据上面阐述的方法，能够建立模糊支持向量机模型，对证券交易的风险进行评估。3．2证券风险评估误差补偿利用模糊支持向量机评估模型进行证券交易风险评估的过程中，会出现一定程度的误差。因此，需要对这些误差进行补偿，从而准确完成证券交易风险评估。通过模糊支持向量机评估模型，可以获取证券初始数据序列如下:Z(0)(v)={z0(1)，z0(2)，…，z0(q)}(9)利用下述公式，可以得到误差参数:η=(z(0)(1)－wc)gc(10)将证券交易样本数据分为q个状态，通过下面的公式能够实现样本数据状态转移:λk=［λ1k，λ2k］，λjk∈λk，k=1，2，…，q(11)式中，λ1k和λ2k的值会根据证券交易走势发生变化。通过下述公式能够获取证券交易风险分析评估挖掘过程中产生误差的概率:Pkl(m)=Pkl(m)Pk(12)所以，可以获取证券交易风险分析评估挖掘过程中产生的误差构成的矩阵:P(m)=P11(m)P12(m)…P1q(m)P21(m)P22(m)…P2q(m)Pq1(m)Pq2(m)…Pqq(m)(13)式中，Pkl(m)是证券交易数据变化系数，λk是进行m次迭代处理后的变换系数，λl是证券交易数据集合的数量。按照上述矩阵，可以通过运算获取证券交易风险分析评估挖掘过程中产生的误差，从而进行补偿。通过上面阐述的方式，能够利用模糊支持向量机方法，对证券交易中的风险进行评估，利用误差补偿方法，对评估过程中产生的误差进行补偿，从而完成证券交易风险评估。
3仿真结果分析
在证券交易的过程中，证券交易的风险容易受到政策、市场、地域分布等多方面因素的影响，造成证券交易中的利润量属性与成本量属性出现较大程度的冲突，从而造成对证券交易的评估出现较大的误差。一旦利润量属性和成本量属性出现冲突，将造成传统评估模型稳定性降低的缺陷，导致证券交易风险分析评估挖掘的准确性降低。为此，提出了一种基于模糊支持向量机算法的证券交易风险评估方法。利用模糊支持向量机方法，对证券交易中的风险进行评估，利用误差补偿方法，对评估过程中产生的误差进行补偿，从而实现证券交易风险评估。
3．1证券交易风险分析评估挖掘数据
对证券交易风险分析评估的初始数据进行整理，从中选取不同风险等级的样本，获取的600个样本数据如下表1所示。在实验过程中，需要将这些样本数据分为训练数据集合和测试数据集合，其中训练数据集合中包括500个训练样本，测试数据集合中包括100个测试样本。
3．2计算不同证券交易形式权值系数
对证券交易进行风险分析评估挖掘，需要计算不同证券交易形式的权值系数，对不同证券交易形式的权值系数进行整理，能够得到表2。
3.3实验结果分析
为了验证本文算法的有效性，需要进行一次实验，分别采用线性评估模型算法、基础属性数学模型算法、回归模型算法和模糊支持向量机算法进行证券交易风险分析评估挖
4结束语
本文提出了一种基于模糊支持向量机算法的证券交易风险评估方法。利用模糊支持向量机方法，对证券交易中的风险进行评估，利用误差补偿方法，对评估过程中产生的误差进行补偿，从而实现证券交易风险评估。实验结果表明，这种算法能够提高证券交易风险分析评估挖掘的准确性。
作者：陈海英 单位：华中农业大学楚天学院
