1.基于大数据的数字金融风险管理系统，其特征在于，包括以下部分：

数据收集模块、时域转换模块、信用评估模块、数据分片模块、权重计算模块、模型优化模块、资源分配模块、金融数据库；

所述时域转换模块，用于捕捉数据中的短期与长期变化，以及非线性关系，使用转换函数对收集的数据进行非线性转换，时域转换模块通过数据传输的方式与信用评估模块相连；

所述信用评估模块，用于构建信用评估神经网络模型，该模块从输入层开始，经过维度扩展层、映射层、评分层，并最终在输出层得到用户的信用评分，信用评估模块通过数据传输的方式与金融数据库相连；

所述数据分片模块，用于将大数据分为小的数据块，在云计算环境中进行并行处理，数据分片模块通过数据传输的方式与信用评估模块、权重计算模块相连；

所述权重计算模块，用于确保信息量较大的数据片得到更多的计算资源，使用熵和信息增益的概念来定义数据片的权重，权重计算模块通过数据传输的方式与模型优化模块相连；

所述模型优化模块，用于使用分布式梯度下降方法，对每个数据片定义局部误差函数和局部梯度，然后计算全局梯度，以优化和更新模型参数，模型优化模块通过数据传输的方式与信用评估模块、资源分配模块相连；所述资源分配模块，用于定义一个资源需求函数，该函数考虑数据密度、数据片大小和处理时间，动态分配计算资源，资源分配模块通过数据传输的方式与信用评估模块相连。

2.如权利要求1所述的基于大数据的数字金融风险管理系统的管理方法，其特征在于，包括以下步骤：S100：获取用户金融数据，对数据进行预处理与时域转换；

S200：构建信用评估神经网络模型，包括输入层、维度扩展层、映射层、评分层和输出层；

S300：对用户金融数据进行分片处理，将大数据分为小的数据块，并分发到不同的计算节点上；

S400：在并行计算方面，开发在云计算环境中进行数字金融风险评估的高级框架，动态地分配计算资源。

3.如权利要求2所述的基于大数据的数字金融风险管理系统的管理方法，其特征在于，所述步骤S100具体包括：采用非线性变换函数，捕捉数据中的短期与长期变化，以及非线性关系，定义转换函数，由于模型参数决定了数据如何被转换，为了从数据中提取有效的结构特性，给出模型参数的计算公式。

4.如权利要求2所述的基于大数据的数字金融风险管理系统的管理方法，其特征在于，所述步骤S200具体包括：信用评估神经网络模型，将经过预处理和转换后的数据作为神经网络模型的输入，经过神经网络的训练，最终输出用户的信用评分。

5.如权利要求2所述的基于大数据的数字金融风险管理系统的管理方法，其特征在于，所述步骤S200具体包括：输入层将数据传递给维度扩展层，为了进一步提取数据的特性，维度扩展层引入数据维度扩展与空间变换技术。

6.如权利要求5所述的基于大数据的数字金融风险管理系统的管理方法，其特征在于，所述步骤S200具体包括：维度扩展层将扩展后的数据传递给映射层，所述映射层为金融数据提供一个复杂的非线性映射，将维度扩展后的数据映射到核心风险评估空间，计算核心风险评分；映射层将核心风险评分值传递给评分层，评分层给出用户的风险评分，通过多层次的信用评估神经网络模型构建，实现了对用户信用风险的深入、精确评估。

7.如权利要求2所述的基于大数据的数字金融风险管理系统的管理方法，其特征在于，所述步骤S300具体包括：对获取的用户金融数据进行分片处理，将大数据分为小的数据块，并分发到不同的计算节点上；采用核密度估计法确定数据的非均匀系数，从而更精确地划分数据，并确保每个数据片都有足够的信息量。

8.如权利要求7所述的基于大数据的数字金融风险管理系统的管理方法，其特征在于，所述步骤S300具体包括：定义数据的分片函数，根据分配函数确定数据分片的数量M，确定分片边界，使用分片边界，将数据集划分为M个子集；将每个数据子集发送到云计算环境中的一个计算节点进行处理，每个节点都独立地应用信用评分模型于其所分配的数据子集。

9.如权利要求2所述的基于大数据的数字金融风险管理方法，其特征在于，所述步骤S400具体包括：在并行计算方面，引入了熵和信息增益的概念来定义权重，确保信息量较大的数据片得到更多的计算资源，从而提高整体的计算效率；

考虑到风险评估模型的训练，使用了分布式梯度下降方法，为每个数据片定义一个局部误差函数和局部梯度，全局梯度则定义为所有局部梯度的加权平均。

10.如权利要求9所述的基于大数据的数字金融风险管理方法，其特征在于，所述步骤S400具体包括：为了动态地分配计算资源，定义了一个资源需求函数，这个函数不仅考虑了数据的密度，还考虑了数据片的大小和处理时间。