基于大数据的金融和信息推荐系统特征演化动力学研究

In previous study, the features of financial and information recommender system are mostly investigated statically in a fixed time scale. In fact, the evolution of such systems is always nonequilibrium. In different time periods, the system characteristics are also different. In this project, based on big data of financial and information recommender systems, we investigate the feature dynamics at different short time scales, to find out the universal or unique law, phase transition, and critical phenomena. We would dig out the important features during the system evolution, and study their dynamics and impacts on the whole system in the process of propagation across the system. Further, how different features affect the financial correlation prediction and user interest prediction is also investigated, and a deep restricted Boltzmann learning model is constructed based on real data, to study the time evolution rule of market features. The main innovation of the project is emphasizing the feature study during the dynamical evolution of system, and incorporating the statistical physics methods and new methods from information science. The research of the project, on the one hand, can develop the application field of nonequilibrium statistical physics; on the other hand, provides new theoretical evidence for financial and information systems, therefore has a significant scientific sense and potential application value.

过去对金融和信息推荐系统多在一个固定的时间尺度下静态地研究其特征。事实上，这些系统的演化多为非平衡态，在不同的时间窗口，系统的特征亦千差万别。本项目拟基于金融和信息推荐系统大数据，研究系统在不同的短间隔时间尺度下的特征演化，寻找其中普遍性或独特性的规律、相变或临界现象。并挖掘其中重要特征，探讨重要特征动力学演化及其在系统的传播中对整体系统演化的影响。进一步研究两类系统中不同的特征分别对金融关联预测和用户兴趣预测的影响，并构建基于实证数据的深度受限玻尔兹曼机金融模型来探讨市场特征的时间演化规律。项目的主要创新之处在于强调系统动态演化过程中的特征研究，并从方法上结合统计物理学方法和信息科学的新方法。本项目的研究一方面可拓展非平衡态统计物理的应用范畴，另一方面为金融和信息系统研究提供新的理论依据，因而具有重要的科学意义和潜在的应用价值。

本项目基于金融和推荐系统数据，探讨了金融和信息推荐系统特征演化动力学。基于金融市场实证数据，通过将系统划分为不同的短时时间窗口，我们研究了每个时间窗口的特征值和特征向量，寻找到持续重要的股票和结构。研究发现，这部分股票所构成的市场结构在板块模式上具有更好的结构可持续性，而整体市场结构在市场模式上表现出更好的稳定性。相对于整体市场，持续重要股票之间具有更强的相关性，且呈现出板块效应。基于推荐系统数据，我们将数据按时间排序并划分成多个短时窗口，研究了短时信息对个性化推荐的影响。研究表明，近期数据对于提高推荐准确度具有重要意义。并探讨了仅使用近期的短时数据作为训练集的情况下，如何选择算法的问题。进一步，基于金融数据，研究了具有重要社会影响的欧洲联盟事件对金融动力学的影响。通过相关性分析、去趋势交叉关联分析以及偏相关性分析发现，欧洲联盟对早期加入欧盟的股票市场（F-EU）之间的关联具有较强的影响，而对后期（L-EU）以及未加入欧盟的股票市场（N-EU）之间的关联影响较小。相对于L-EU和N-EU股票市场，F-EU股票市场以及美国股票市场对欧洲Eurostoxx50指数有着更强的影响，而亚洲股票市场对Eurostoxx50指数的影响较弱。此外，研究了推荐系统中的评分特征对算法的推荐性能的影响。基于六种协同过滤算法，我们发现高分的评分对于算法的优化更为重要，并考虑了对象特征，提出了改进的二值化优化算法，取得了更好的评分预测效果。进一步，基于推荐系统，我们通过挖掘系统中的潜在特征，提出了两类一般性的推荐算法改进形式。研究表明，改进的算法能更好地预测用户的兴趣，在推荐准确度和多样性方面都有较好的改善。此外，研究了基于用户度特征的用户兴趣预测方案。最后，基于实证数据进行特征提取，研究了特征融合的深度学习评分预测的改进算法。研究结果表明，改进的算法能够取得更好的评分预测效果。