基于机器学习的数字货币风险知识获取模型
大数据情景下的数字货币风险不仅在于数字货币本身，而且在于复杂异构的交易平台以及对于投资者的风险知识难以获取。以前景理论和行为金融理论为支撑，基于知识管理的视角，论文从交易平台和投资者两个方面获取数字货币风险知识。为获取投资者在进行数字货币交易时的行为特征，爬取数字货币论坛上投资者的评论数据，使用谷歌提出的自然语言处理模型BERT对评论作情感分类，基于注意力机制得到权重较高的特征词，用AUC作为情感分类的评价指标；其次用训练好的BERT+LDA对评论内容进行主题以及相应关键词的提取，分析投资者在进行数字货币交易时的行为特征。针对数字货币交易平台的风险特征，从非小号、bitcointalk.org和BitcoinWiki网站上爬取交易平台的相关特征和交易平台的风险事件数据，用XGBoost对数据进行学习识别高风险交易平台，得出数字货币交易平台的风险特征重要性排序，以AUC为评价指标，验证数字货币交易平台重要风险特征的可靠性。基于知识管理的框架，即数据-信息-知识-智慧的范式，从投资者行为特征和交易平台特征中总结提炼出知识，并从人、组织、技术三个维度对获取的知识进行分类。论文的贡献如下，从基于信息论的知识管理出发，获取更细粒度的数字货币交易风险知识，填补了数字货币风险研究理论上的空缺，而且对投资者进行数字货币交易具有指导意义。论文设计的基于BERT+LDA的投资者风险知识获取模型获取了新的知识，基于BERT+LDA模型的KL最大值为8.98，大于Lda2vec的KL最大值8.32；相比Lda2vec模型，论文所提出的模型从投资者评论中识别了技术讨论这个新的主题，可见对数字货币技术的关注对数字货币交易风险存在影响，技术讨论主题下的关键词可以为投资者提供智库建议。基于XGBoost的交易平台风险特征识别模型能够更好的识别高风险交易平台，其AUC值为0.83，高于其他分类算法，交易平台被黑客攻击的次数、活跃程度和每日交易量是投资者选择交易平台应重点关注的特征。
数字货币;机器学习;知识管理;风险控制
武汉纺织大学
硕士
管理科学与工程
夏火松
2021
中文
F821;TP181
2021-10-13（万方平台首次上网日期，不代表论文的发表时间）