基于集成機器學習的數據資產定價模型及系統設計

任建宇

（重慶交通大學 經濟與管理學院，重慶 400000）

0 引言

當今社會背景下，經濟蓬勃發展，數據體量不斷增長。我國政府始終密切關注數據發展，高度重視數據資產挖掘帶來的價值，并出臺多項專門政策支持數據資產應用于各大領域，由此，數據挖掘與應用領域迎來了悄無聲息卻影響深遠的革新。表1 是近年來我國出臺的關于數據發展的部分政策，筆者發現了相關政策對數據資產定價的有效指引，認識到有效發掘數據資產價值、快速實現數據資產交易已逐漸成為市場創造價值和促進決策的熱點。

表1 關于數據發展的部分政策文件統計

數據資產交易雖逐漸成為熱點，但目前市場數據資產的有效挖掘仍存在諸多難點和限制。數據資產是一種全新的無形資產，也因此具備無形資產的屬性特點，即無實體形態，具有不確定性、時效性、非競爭性等。同時，數據的價值會受到數據容量、用途、規模等因素直接或間接的影響。筆者針對以上情況，在對大數據資產的應用場景及價值影響因素進行界定的基礎上，應用集成機器學習的算法來評估數據資產價值，從而對數據資產進行更準確的價值評估。

1 文獻綜述

目前，不少學者通過改進傳統研究方法建立定價模型，進行價值評估。其中，成本法、市場法和收益法是傳統資產評估方法的代表。成本法作為反映企業經營情況最基本的方法，在市場不活躍的情況下更為適用，相較于收益法和市場法具有較大優勢。市場法是指對市場上相同或相似資產的近期交易價格通過直接或者間接對比，分析其中的差異，估算數據資產的價值。劉琦等人提出了運用“市場法”評估數據資產價值的基本思路，在對技術水平、價值密度、數據容量等差異因素進行量化調整的基礎上，評估同一類型的大數據資產的價值。收益法是評估大數據資產價值的首要方法。收益法在國際企業價值評估中的地位愈發突出，其使用前提是已知數據預期收益、折現率和效益期限。陳媛將收益法運用于房地產估價中，從多個維度進行深度思考。黃樂等人借鑒同樣作為無形資產的品牌價值評估的主流辦法，將收益法、成本法和市場法結合已有的數據資產評估模型，創造性地將平臺活躍系數等參數引入平臺式數據資產價值評估模型。左文進和劉麗君則在傳統數據資產評估方法的基礎上引入Shapley 值法和破產分配法，從而構建大數據資產價值評估模型。

由此可見，數據資產價值評估仍處于發展探索階段，學術界對于數據資產價值評估缺乏統一的評判標準。另外，傳統算法前期需要繁復的特征工程，效率低下，模型精確度很大程度上會受到特征工程的干擾。因此，構建相對完善的評估系統、選擇客觀正確的衡量標準對于健全當前數據資產評估體系具有積極意義。

2 數據資產定價模型的建立

數據資產評估特征多、特征復雜且冗余度高，使得如何尋找評估分類器的最優評估特征集成為難點。鑒于此，筆者通過建立一個模型，有效處理樣本缺失值，降低特征工程的難度，提高精度。

在建立本數據資產定價模型時，筆者使用了多種模型和算法幫助系統功能的實現，包括引入詞向量的概念，將文本數據轉化為可供機器識別的數字數據，即對原始數據進行數字化預處理。另外，筆者利用爬蟲抓取網絡數據后生成原始數據表，該數據表將表格作為載體，在對數據表進行詞向量化后生成詞向量矩陣，將表中的文本數據轉化為能被機器識別且與文本相對應的數字數據。除此之外，將以下模型和算法運用于整個系統的建立與運行過程中，這是本定價模型和系統的核心。①CBOW 模型（Continuous Bag-Of-Words Model）主要用于實現系統中詞預測的功能，設定某個中心詞的前后選取范圍，通過范圍內連續詞來計算該中心詞出現的概率。②長短期記憶神經網絡（Long Short-Term Memory LSTM）相較于無法處理長距離依賴問題的循環神經網絡，其細胞的結構和運算存在變化。其細胞狀態能夠傳遞序列處理過程中的信息，在訓練過程中通過“門”結構不斷學習保存或遺忘來實現添加和移除信息。③XGBoost 算法運用于預測結果的全過程，首先采用CART 回歸樹對數據進行擬合，每個樣本可得到相應預測分數，將所有分數相加,可得到該樣本在此模型下的分數。

從數據形態的角度來看，本系統基于以上算法和模型將原始數據進行數次分析轉化，得出評估數據價值的結果。原始數據利用爬蟲獲取的文本數據在CBOW 模型的作用下轉化為可供機器識別的數據，并建立數據矩陣生成三維詞向量，在LSTM 神經網絡的作用下使詞向量二維化，最后利用XGBoost 算法進行回歸分析，預測數據的價值。

3 系統設計及運行流程

3.1 系統功能實現

在建立數據資產評估模型的基礎上，數據資產評估系統可以做到以下幾點。首先，界定數據資產的使用場景。數據具有多維使用的特性，不同應用場景下的數據資產價值不盡相同，因此在定價前要分析數據資產標題的文本相似度，根據應用場景將其劃分為不同類別。其次，推進數據資產定價合理化。根據現有數據資產交易平臺上的交易相關信息構建恰當的指標體系，形成系統框架；根據可比交易的歷史數據構建基于市場法的數據資產估值定價模型，為數據資產交易定價的公平合理提供更多、更易于被廣泛接受的實踐依據，同時支持實時數據估值計算。在對數據資產特征進行研究的基礎上，使用機器學習相關算法，建立數據資產實時估值系統，通過模型參數的調優提高估值效率。數據估值系統的組成部分主要包括數據采集器、數據處理器、交互模塊和數據估值模型。

3.2 系統模塊設計

3.2.1 數據輸入接口模塊

數據輸入接口模塊能夠反映數據資產交易信息特征類型多的特點。該模塊分為兩個子模塊：一是數據輸入模塊。此模塊測試數據包括數據大小、數據類型、字段數量、數據條數、采集時間等自變量數據。二是數據分類模塊。此模塊按照產業經濟、金融征信、輿情監測、科研技術等應用場景，利用文本相似度將數據輸入模塊中，劃分為不同的可比案例集。

3.2.2 數據采集模塊

數據資產具備量大、高維、數據類型多樣等特點，本系統有針對性地組建數據采集模塊，借助Python對數據資產交易平臺作最大限度的信息獲取，信息類型包括塊數據和數據資產標題、數據大小、數據條數、交易價格等。

3.2.3 異常數據預處理模塊

針對歷史交易數據存在數據類型繁雜、數據源不唯一、數據存在缺失等問題，本系統組建異常數據預處理模塊，以提高數據質量。在實現數據采集和存儲后，將若干條數據資產歷史交易信息數據輸入該模塊，進行一致性檢驗、缺失數據處理和回歸分析等預處理操作。

3.2.4 特征工程構建模塊

在特征工程構建模塊輸入若干條數據資產交易歷史信息數據，輸出對應模型的特征數據，具體實現以下3 方面功能。①文本情感分析。將數據資產標題的文本轉化為詞向量，再利用詞向量平均模型將其轉化為句向量，通過卷積神經網絡實現特征降維。②One-Hot編碼。對于商品類別和數據類型這兩類分類特征，將離散特征的取值擴展到歐式空間，優化特征之間的距離計算，使其更具合理性。③對于數據大小、采集時間、字段數量、字段條數等變量采用歸一化和標準化處理方式，消除量綱級影響。

3.2.5 估值定價模塊

在估值定價模塊輸入特征工程提取的特征信息，輸出待估數據資產的參考定價，具體實現以下兩方面功能。一是輸入可比實例與數據資產特征數據，通過編碼完成匹配后形成特征價格矩陣，作為可比基礎。二是根據輸入可比實例的特征數據，利用XGBoost 等多種機器學習算法訓練數據，輸入得到的可比案例至模型中，準確計算待估數據資產的市場價值并輸出參考價格。

3.3 系統運行流程

系統運行流程如圖1 所示。首先利用Python 爬蟲技術在數據資產交易平臺上收集數據資產交易歷史信息數據，在數據輸入模塊輸入數據，其中包括數據大小、類型、字段數量、數據條數、采集時間等；隨后進行數據處理，針對數據類型繁雜、數據源不唯一、數據缺失等問題對數據進行一致性檢驗、缺失數據處理和回歸分析等預處理操作；將經過預處理的數據輸入對應模型的特征數據，對數據資產標題進行文本情感分析、One-Hot 編碼與數據的歸一化和標準化處理；最后輸入可比實例的特征數據，利用神經網絡等多種機器學習算法對數據進行訓練，將得到的可比案例輸入模型，準確計算待估數據資產的市場價值，并輸出參考價格。

圖1 系統運行流程

4 系統運行效果與展望

本系統已開發成功，可進行多個對象的預測，應用人工智能對數據資產特征進行系統分析、提取與量化。在完善評估系統后，評估系統部署于阿里云服務器，便于外部基本用戶使用。本系統基于集成人工智能算法，有效解決了數據資產交易歷史數據特征多、特征復雜、冗余度高的問題，相對于一般的機器學習算法具有更好的泛化能力和模型精度。系統可操作性強，可服務于數據資產估價機構及各大數據交易網站，具有強推廣性和自主成長能力。

本系統將順應時代發展不斷更新。筆者認為，此定價模型及系統能適用更優化的模型和算法，從系統的預測精度和速度兩個維度進行提升，利用體量更大、質量更好的數據不斷訓練優化模型，并持續更新數據，以滿足系統的時效性要求。