CN102129651A - 一种智能确定离群点和优化显示方式的财务预测方法 - Google Patents
一种智能确定离群点和优化显示方式的财务预测方法 Download PDFInfo
- Publication number
- CN102129651A CN102129651A CN2011100348586A CN201110034858A CN102129651A CN 102129651 A CN102129651 A CN 102129651A CN 2011100348586 A CN2011100348586 A CN 2011100348586A CN 201110034858 A CN201110034858 A CN 201110034858A CN 102129651 A CN102129651 A CN 102129651A
- Authority
- CN
- China
- Prior art keywords
- data
- adopt
- curve
- sample data
- financial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000009499 grossing Methods 0.000 claims abstract description 15
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000007405 data analysis Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 230000001932 seasonal effect Effects 0.000 abstract 2
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能检查离群点(奇异点)和优化显示方式的财务预测方法,采用数据分析和智能的方法,样本数据离群点的检测;采用回归加季节平滑模型进行财务预测;采用Dundas技术展示其预测结果和可信范围,本发明的预处理模块采用数据分析技术,自动确定时间序列样本数据中的离群点;财务预测模块采用回归加季节平滑模型预测;显示方式采用Dundas技术展现预测结果和可信范围。
Description
技术领域
本发明涉及一种计算机应用技术,具体地说是一种智能检查离群点(奇异点)和优化显示方式的财务预测系统,特别是对样本数据的离群点(奇异点)提供一系列自动检测方案,对财务核心业务与财务三表采用不同方法预测,可同时显示预测结果和不同置信度下的可信范围。
背景技术
由于企业信息化过程近几年发展较快,企业对生产经营愈来愈精细化,企业在生产经营管理中的许多问题需要进行预测,包括销售量预测、库存量预测、市场行情预测、价格指数预测、薪酬水平预测以及企业或行业发展景气预测等,同时,销售收入直接影响流动资产、流动负债、现金流量等财务指标。预测指标准确的前提是能对样本数据进行有效的清洗,能够有效去除由于手工录入或其它原因引起的财务数据失真点,即离群点;采用历史数据对未来进行预测本身就有不确定性,同时显示预测的结果和此时预测结果的可能上限和下限,应该更具有指导意义。
发明内容
本发明的目的是提供一种智能检查离群点(也叫奇异点)和优化显示方式的财务预测方法。
本发明的目的是按以下方式实现的,采用数据分析和智能的方法,样本数据离群点的检测;采用回归加季节平滑模型进行财务预测;采用Dundas技术展示其预测结果和可信范围,样本数据离群点的检测步骤如下:
1)检测与整体样本的均值之比大于100和小于0.01的数据;
2)采用数据平滑法,检测出处理后的数据与原始值之比大于2.5和小于0.4的数据;
3)采用回归技术,得到预测结果和原始数据的绝对误差和均方差,对样本数据依据绝对误差从小到大排序,检测出占样本总量第98%-100%的数据;检测出绝对误差与均方差之比大于5的数据;对检测出的数据进行亮显,由人工修订;
4)采用数据平滑法为五点二次平滑法和七点三次平滑法,处理后的数据为采用五点二次平滑法和七点三次平滑法计算出结果的均值;
5)首先分析样本数据的规律,如果样本数据的环比增长速度大致相同,采用指数曲线进行回归分析,否则采用一元三次进行回归分析;
6)对财务中的主营业务收入采用首先分析样本数据的规律,如果样本数据的环比增长速度大致相同,采用指数曲线进行回归分析;若样本数据对数一次差的环比速度大致相同,采用Gompertz曲线;若样本数据倒数一次差的环比速度大致相同,可配合罗古斯蒂曲线;否则采用一元三次进行回归分析;再加上季节平滑模型进行修正,得到主营业务收入的预测曲线;
7)利用主营业务收入与财务的现金流量表、损益表、资产负债表三表中的财务指标计算线性回归和相关关系,分别以紧密相关、比较相关、一般相关和微相关表征相关程度,用相关系数R确定相关程度,紧密相关为R≥0.8、比较相关0.8>R≥0.5、一般相关0.5>R≥0.3和微相关0.3>R≥0.1
8)当财务的现金流量表、损益表、资产负债表三表中的财务指标的相关关系R≥0.5时,用权利4已经预测出的主营业务收入和权利5得到的线性回归结果计算财务指标;当财务三表中的财务指标的相关关系R<0.5时,采用步骤5要求主营业务收入预测的方式预测相应财务指标:如果样本数据的环比增长速度大致相同,采用指数曲线进行回归分析;若样本数据对数一次差的环比速度大致相同,采用Gompertz曲线;若样本数据倒数一次差的环比速度大致相同,可配合罗古斯蒂曲线;否则采用一元三次进行回归分析;再加上季节平滑模型进行修正;
9)采用Dundas技术显示步骤5得到预测数据的曲线,根据预测结果和原始数据计算绝对误差,对绝对误差进行统计分析,得到基于正态分布的期望和方差σ,然后根据不同的置信区间确定方差值,用实际的预测数据加上和减去此方差值,得到预测结果可能的上限和下限,与预测结果一起展现出来;
10)所设置的置信区间为0.95、0.997、0.99994,分别对应方差值为2σ、3σ和4σ。
本发明的优异效果:预处理模块采用数据分析技术,自动确定时间序列样本数据中的离群点;财务预测模块采用回归加季节平滑模型预测;显示方式采用Dundas技术展现预测结果和可信范围。
附图说明
图1是样本数据预处理流程示意图;
图2是预测某个核心业务指标的基本步骤流程示意图;
图3是预测财务三表中的财务指标的具体步骤流程示意图。
图4是预测结果和可信范围具体坐标曲线图。
具体实施方式
参照说明书附图对本发明的方法作以下详细地说明。
具有对财务的核心业务和财务三表(现金流量表、损益表、资产负债表)预测的功能。预测指标的结果能够应用到许多领域,比如筹资预测决策模块,包括优化资本结构的智能模型和优化筹资结构的智能决策模型。投资预测决策模块,包括投资计划编制、投资项目选择和投资项目评价等主要智能决策模型。生产预测决策模块,包括优化产品生产组合、新品种决策分析、差量分析、零件自制与外购分析决策模型。存货预测决策模块,包括库存结构分析、库存预警、库存盘点分析等主要智能决策模型。
预测指标准确的前提是能对样本数据进行有效的清洗,剔除可能出现的离群点,具体清洗过程如下:首先检测与整体样本的均值之比大于100和小于0.01的数据;采用数据平滑法,检测出处理后的数据与原始值之比大于2.5和小于0.4的数据。采用回归技术,得到预测结果和原始数据的绝对误差和均方差,对样本数据依据绝对误差从小到大排序,检测出占样本总量第98%-100%的数据;检测出绝对误差与均方差之比大于5的数据。
应选用准确的方法判断要预测的时间序列样本数据属于那种曲线,如果样本数据的环比增长速度大致相同,采用指数曲线进行回归分析;若样本数据对数一次差的环比速度大致相同,采用Gompertz曲线;若样本数据倒数一次差的环比速度大致相同,可配合罗古斯蒂曲线;否则采用一元三次进行回归分析。
采用上述方法确定财务核心业务指标,如主营业务收入预测曲线以后,分析财务三表(现金流量表、损益表、资产负债表)中财务指标的特点,根据指标同主营业务收入之间的关系,分为不受主营业务收入的影响及随着主营业务收入的变动而成比例变动两类,随着主营业务收入的变动而变动的指标分析其相关系数,当R≥0.5时,根据主营业务收入的预测值及与主营业务收入相关关系,预测此财务指标;当R<0.5时,与不受主营业务收入影响的财务指标采用主营业务收入预测的方式预测。
根据预测结果和原始数据计算绝对误差,对绝对误差进行统计分析,得到基于正态分布的期望和方差(σ),然后根据不同的置信区间确定方差值,所设置的置信区间为0.95、0.997、0.99994,分别对应方差值为2σ、3σ和4σ。用实际的预测数据分别加上和减去此方差值,得到预测结果可能的上限和下限,与预测结果一起展现出来。
实施例
输入要预测的具有时间序列特征的具体财务指标数据库,首先启动数据的预处理过程,如果财务指标是0值,就把这一行删除,否则进行如图1流程对数据进行分析判断,达到离群点要求的就标红显示出来,然后要求预测的人员判断是否为正确数据,进行保留、删除、修改的操作。
数据清洗完后,进入预测环节,根据预测是某个核心业务指标还是所有财务三表分别处理。如果是某个核心业务指标,如主营业务收入,则根据样本数据的特征,选取合适的曲线预测,整个步骤如图2所示,具体选取和预测过程由软件自动完成。如果预测整个财务三表,首先分析核心业务指标与其它财务指标的相关关系,如果相关系数大于阀值,根据核心业务指标的预测值及与主营业务收入相关关系,预测此财务指标;当相关系数小于阀值时,采用核心业务指标预测的方式预测此财务指标,整个步骤如图3所示,具体预测过程由软件自动完成。
鉴于采用历史数据对未来进行预测本身具有随机性,对于预测出的核心业务指标数据需要有可信范围估计。根据预测结果和原始数据计算绝对误差,对绝对误差进行统计分析,得到基于正态分布的期望和方差(σ),然后根据不同的置信区间确定方差值,所设置的置信区间为0.95、0.997、0.99994,分别对应方差值为2σ、3σ和4σ。用实际的预测数据分别加上和减去此方差值,得到预测结果可能的上限和下限,具体计算过程由软件自动完成,使用者选取置信区间,与预测结果一起展现出来。如图4所示,黑线为预测结果,蓝线为可信范围。
除说明书所述的技术特征外,均为本专业技术人员的已知技术。
Claims (1)
1.一种智能确定离群点和优化显示方式的财务预测方法,其特征在于,采用数据分析和智能的方法,样本数据离群点的检测;采用回归加季节平滑模型进行财务预测;采用Dundas技术展示其预测结果和可信范围,样本数据离群点的检测步骤如下:
1)检测与整体样本的均值之比大于100和小于0.01的数据;
2)采用数据平滑法,检测出处理后的数据与原始值之比大于2.5和小于0.4的数据;
3)采用回归技术,得到预测结果和原始数据的绝对误差和均方差,对样本数据依据绝对误差从小到大排序,检测出占样本总量第98%-100%的数据;检测出绝对误差与均方差之比大于5的数据;对检测出的数据进行亮显,由人工修订;
4)采用数据平滑法为五点二次平滑法和七点三次平滑法,处理后的数据为采用五点二次平滑法和七点三次平滑法计算出结果的均值;
5)首先分析样本数据的规律,如果样本数据的环比增长速度大致相同,采用指数曲线进行回归分析,否则采用一元三次进行回归分析;
6)对财务中的主营业务收入采用首先分析样本数据的规律,如果样本数据的环比增长速度大致相同,采用指数曲线进行回归分析;若样本数据对数一次差的环比速度大致相同,采用Gompertz曲线;若样本数据倒数一次差的环比速度大致相同,可配合罗古斯蒂曲线;否则采用一元三次进行回归分析;再加上季节平滑模型进行修正,得到主营业务收入的预测曲线;
7)利用主营业务收入与财务的现金流量表、损益表、资产负债表三表中的财务指标计算线性回归和相关关系,分别以紧密相关、比较相关、一般相关和微相关表征相关程度,用相关系数R确定相关程度,紧密相关为R≥0.8、比较相关0.8>R≥0.5、一般相关0.5>R≥0.3和微相关0.3>R≥0.1
8)当财务的现金流量表、损益表、资产负债表三表中的财务指标的相关关系R≥0.5时,用权利4已经预测出的主营业务收入和权利5得到的线性回归结果计算财务指标;当财务三表中的财务指标的相关关系R<0.5时,采用步骤5要求主营业务收入预测的方式预测相应财务指标:如果样本数据的环比增长速度大致相同,采用指数曲线进行回归分析;若样本数据对数一次差的环比速度大致相同,采用Gompertz曲线;若样本数据倒数一次差的环比速度大致相同,可配合罗古斯蒂曲线;否则采用一元三次进行回归分析;再加上季节平滑模型进行修正;
9)采用Dundas技术显示步骤5得到预测数据的曲线,根据预测结果和原始数据计算绝对误差,对绝对误差进行统计分析,得到基于正态分布的期望和方差σ,然后根据不同的置信区间确定方差值,用实际的预测数据加上和减去此方差值,得到预测结果可能的上限和下限,与预测结果一起展现出来;
10)所设置的置信区间为0.95、0.997、0.99994,分别对应方差值为2σ、3σ和4σ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100348586A CN102129651A (zh) | 2011-02-09 | 2011-02-09 | 一种智能确定离群点和优化显示方式的财务预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100348586A CN102129651A (zh) | 2011-02-09 | 2011-02-09 | 一种智能确定离群点和优化显示方式的财务预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102129651A true CN102129651A (zh) | 2011-07-20 |
Family
ID=44267726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011100348586A Pending CN102129651A (zh) | 2011-02-09 | 2011-02-09 | 一种智能确定离群点和优化显示方式的财务预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102129651A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107357714A (zh) * | 2016-05-09 | 2017-11-17 | 腾讯科技(深圳)有限公司 | 一种基于监控平台的故障分析方法和装置 |
WO2023159115A1 (en) * | 2022-02-18 | 2023-08-24 | Kpmg Llp | System and method for aggregating and enriching data |
-
2011
- 2011-02-09 CN CN2011100348586A patent/CN102129651A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107357714A (zh) * | 2016-05-09 | 2017-11-17 | 腾讯科技(深圳)有限公司 | 一种基于监控平台的故障分析方法和装置 |
CN107357714B (zh) * | 2016-05-09 | 2020-09-08 | 腾讯科技(深圳)有限公司 | 一种基于监控平台的故障分析方法和装置 |
WO2023159115A1 (en) * | 2022-02-18 | 2023-08-24 | Kpmg Llp | System and method for aggregating and enriching data |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Papadopoulos et al. | Grading buildings on energy performance using city benchmarking data | |
Sebri | Forecasting urban water demand: A meta-regression analysis | |
EP2273431B1 (en) | Model determination system | |
Sharma | Exporting, access of foreign technology, and firms’ performance: Searching the link in Indian manufacturing | |
CN104657788A (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
US20120284086A1 (en) | Fuel store profit optimization | |
CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
Cuevas et al. | A factor analysis for the Spanish economy | |
CN108734567A (zh) | 一种基于大数据人工智能风控的资产管理系统及其评估方法 | |
CN106408325A (zh) | 基于用户支付信息的用户消费行为预测分析方法及系统 | |
CN103366091A (zh) | 基于多级阈值指数加权平均的异常报税数据检测方法 | |
CN111738504A (zh) | 企业财务指标资金量预测方法和装置、设备及存储介质 | |
CN103839176A (zh) | 一种基于层次分析法的新能源企业价值评估模型 | |
CN103353895A (zh) | 一种配电网线损数据的预处理方法 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN102129651A (zh) | 一种智能确定离群点和优化显示方式的财务预测方法 | |
Härting et al. | Cost-benefit considerations for data analytics-an SME-oriented framework enhanced by a management perspective and the process of idea generation | |
Salling et al. | Feasibility risk assessment of transport infrastructure projects: The CBA-DK decision support model | |
CN101635037A (zh) | 建筑业投标书的自动评审方法 | |
Fan | Data mining model for predicting the quality level and classification of construction projects | |
KR102543211B1 (ko) | 비정형 기업 데이터를 이용한 기업성장 예측 시스템 | |
CN114155072B (zh) | 基于大数据分析的财务预测模型构建方法及系统 | |
KR101334891B1 (ko) | SaaS 환경에서의 재무위험관리 서비스를 제공하기 위한 시스템 | |
CN115392591A (zh) | 任务处理方法、装置、设备及存储介质 | |
Chuantao et al. | Fuzzy comprehensive evaluation based on multi-attribute group decision making for business intelligence system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110720 |