动态信息融合法

三、动态信息融合法

高海燕（1999）从动态决策的角度出发尝试建立金融风险动态预警系统的动态信息融合方法，应用信息融合的技术给出动态预警的过程。其基本观点如下：

（一）三级信息融合

动态信息融合法是从系统工程的角度出发，首先在市场经济体系中建立一定数量的各类经济金融指标的监控子系统，设为m个，如信用风险监控子系统，市场风险监控子系统等，并要求各监控子系统具有相对的独立性。监控子系统在每一时刻（日、周、月、季、年等）提供的监控报告中包含多项特征量值。因此，首先必须对各子系统提供的监控报告分别进行特征量的融合，并给出特征融合结果。第二步是对同一时刻m个监控站的特征融合结果进行再融合，这一级融合称之为决策级融合。第三步则是将这一时刻决策级融合结果与下一时刻决策级融合结果进行动态再融合，由此连续不断地给出风险动态融合曲线。将此曲线与给定的阈值线进行比较，若超出风险阈值线，则预警系统启动；若风险动态融合曲线正处于不断上升过程中，此时给出预警系统的提醒防御信息。

在上述三级信息融合中，基础是各监控子系统所提供的监控报告。第一级融合是各子系统分别对各自的监控报告中所提供的实时信息进行融合，并给出相应的实时融合结果，这一级融合称为特征级融合。所谓特征融合有两方面含义：一是对子系统监控报告中的各特征量进行有效的融合分析处理；二是各子系统本身也是市场金融体系的一个方面的特征表示。特征级融合给出的结果是一对时变数字结果（a_k1（1），a_k2（t）），其中ak₁（t）≥0，0表示t时刻，k1监控子系统风险发生的概率。a_k2（t）≥0，表示t时刻k监控子系统不发生风险的概率。

有：a_k2（t）＝1－a_k1（t）。

特征级融合采用人工神经网络的技术，这一融合技术由于具有自学习的功能，因此在实际过程中作为前端融合技术非常有效。特征级融合结果a_k1（t），a_k2（t）从不同的方面，从不同的指标系统反映了金融风险的某种量化程度。但由于各结论是从各自的角度出发的，故带有一定的片面性，因此需要对各子系统的特征融合结果进行再融合。融合方法采用人工智能中的不精确推理算法。由于不精确推理算法具有人脑的模仿能力，因而具有较高的可靠性。

设R表示金融风险，R为其逆，

Ek（t）为t时刻k监控子系统监控结果。则有：

k个监控子系统中当获得t时刻的监控报告时，金融风险发生的可能性为：

O（R／Ek（t））＝P（Ek（t）／R）／P（Ek（t）／－R）·O（R）

其中：O（R）－P（R）／（1－P（R））为金融风险发生的可能性。

由此可获得t时刻决策级的信息融合结果为：

t时刻决策融合结果给出后，随着时间的推移，t＋1时刻的决策融合结果亦可得到，但注意到实际市场金融体系中，前后时刻的融合结果具有一定的内在联系，如何将这种内在联系表示出来，我们采用动态时序的信息融合方法。

设E（t）E₁（t）…E_m（t）为t时刻所有监控子系统的监控结果。

即定义金融风险动态融合曲线为

由此，我们可得到随时刻t变化的一条金融风险动态融合曲线，将该曲线与所给金融风险门限值a画在同一坐标系中，若A（t）上穿a线，则预警系统启动，另外，若A（t）呈不断上升趋势亦引起警惕。网络结构如图2—5^[3]所示：

图2—5　三层BP网络

（二）仿真结果

利用历史数据，我们用蒙特卡罗方法对三级监控系统进行了仿真。第一级主要考虑银行信贷能力，包括资金流、速流率和资产；第二级子系统主要是运作能力，包括两项主要因素；第三级是回报率，我们用了包括八个隐层的BP网络。采用多目标决策中的理想点方法采样。图2—6^[4]给出了特征级融合结果；图2—7^[5]给出了最后的金融风险动态预警曲线。从图2—7我们可以看出，最大的风险在1992年，其次是1995年。

图2—6　特征级融合结果

图2—7　金融风险动态预警曲线