CN109784779B - 财务风险预测方法、装置及存储介质 - Google Patents
财务风险预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109784779B CN109784779B CN201910160340.3A CN201910160340A CN109784779B CN 109784779 B CN109784779 B CN 109784779B CN 201910160340 A CN201910160340 A CN 201910160340A CN 109784779 B CN109784779 B CN 109784779B
- Authority
- CN
- China
- Prior art keywords
- risk
- financial
- calculating
- weight
- neural network
- 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.)
- Active
Links
Images
Abstract
本发明公开了一种财务风险预测方法,包括:获取采样客户的财务数据;根据财务数据计算采样客户的风险评价指标的功效系数值,通过熵权法计算各个风险评价指标的风险权重;根据风险评价指标的功效系数值和风险权重计算采样客户的财务风险评分,并定义风险等级;根据滑动周期、风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练,生成神经网络预测模型;将目标客户的当前财务风险指标输入该神经网络预测模型,得到目标客户的财务风险等级。本发明公开的一种财务风险预测方法,能够针对不同的风险评价指标进行权重划分,提高财务风险预测准确率。本发明还公开了一种财务风险预测装置和存储介质。
Description
技术领域
本发明涉及财务风险预测技术领域,尤其涉及一种财务风险预测方法、装置及存储介质。
背景技术
目前关于风险预警模型的对象大多数集中在上市公司,且大多采用多变量模型。
现有技术中,多变量模型有逻辑回归模型、多元线性判定模型、Z-score模型等。
本发明人在实施本发明的过程中发现,现有技术中存在以下技术问题:
上述模型均采用破产或者财务连续两年出现亏损定义为财务最严重的风险,风险判定指标较单一,未考虑到公司发展过程中的财务数据的影响,导致预测模型的准确率较低。
发明内容
本发明实施例提供一种财务风险预测方法,能够针对不同的风险评价指标进行权重划分,提高财务风险预测准确率。
本发明实施例一提供一种财务风险预测方法,包括:
获取采样客户的财务数据;
根据所述财务数据计算所述采样客户的风险评价指标的功效系数值,通过熵权法计算各个所述风险评价指标的风险权重;
根据所述风险评价指标的功效系数值和风险权重计算采样客户的财务风险评分,并定义风险等级;
根据滑动周期、所述风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练,生成神经网络预测模型;
将目标客户的当前财务风险指标输入该神经网络预测模型,得到所述目标客户的财务风险等级。
作为上述方案的改进,所述财务数据包括:年初人均产值预计值、实际人均产值、年初人均成本预计值和实际人均成本;
根据所述财务数据计算所述采样客户的风险评价指标,具体为:
根据所述年初人均产值预计值和实际人均产值计算人均产值功效系数值;
根据所述年初人均成本预计值和实际人均成本计算人均成本功效系数值;
其中,所述人均产值功效系数值如下式(1),所述人均成本功效系数值如下式(2);
作为上述方案的改进,通过熵权法计算各个所述风险评价指标的风险权重,具体为:
定义所述采样客户数量为n,风险评价指标数量为m,计算财务风险评价矩阵为X’=(xij’)n×m;其中,xij’表示第i个所述采样客户的第j个风险评价指标的功效系数值;
第j个风险评价指标的熵值ej如下式(3)所示,熵的冗余度hj如下式(4)所示:
hj=1-ej (4)
其中,k为常数;
风险评价指标j的熵权wj如下式(5)所示,
作为上述方案的改进,根据滑动周期、所述风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练,生成神经网络预测模型,具体为:
设定滑动周期,计算不同滑动周期内所述采样客户的风险评价指标的功效系数值、风险权重和风险等级;
选取不同滑动周期内风险权重稳定的风险评价指标作为稳定指标,并增加所述稳定指标的训练权重;
根据不同滑动周期内的所述风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练,生成对周期敏感的神经网络预测模型。
本发明实施例二对应提供了一种财务风险预测装置,包括:
数据获取单元,用于获取采样客户的财务数据;
权重计算单元,用于根据所述财务数据计算所述采样客户的风险评价指标的功效系数值,通过熵权法计算各个所述风险评价指标的风险权重;
风险等级定义单元,用于根据所述风险评价指标的功效系数值和风险权重计算采样客户的财务风险评分,并定义风险等级;
预测模型生成单元,用于根据滑动周期、所述风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练,生成神经网络预测模型;
财务风险预测单元,用于将目标客户的当前财务风险指标输入该神经网络预测模型,得到所述目标客户的财务风险等级。
本发明实施例三对应提供了一种财务风险预测装置,包括:处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例一所述的一种财务风险预测方法。
本发明实施例四对应提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如本发明实施例一所述的一种财务风险预测方法。
本发明实施例提供的一种财务风险预测方法,具有如下有益效果:
采用熵权客观评估影响财务风险的风险评价指标的功效系数值的权重,实现风险的量化;采用标准人均产值功效系数和标准人均成本功效系数界定财务风险,提高风险预测的准确性;通过定义风险等级,能够反映了客户的实际的运营情况,提供风险预警;通过设置滑动周期进行神经网络训练,能够反映不同时间段中,不同财务风险指标的所占权重;选择不同滑动周期内风险权重稳定的风险评价指标作为稳定指标,对稳定指标进行主要监控,能够进一步提高预测模型的准确率。
附图说明
图1是本发明实施例一提供的一种财务风险预测方法的流程示意图。
图2是本发明实施例二提供的一种财务风险预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,是本发明实施例一提供的一种财务风险预测方法的流程示意图,包括:
S101、获取采样客户的财务数据;
S102、根据财务数据计算采样客户的风险评价指标的功效系数值,通过熵权法计算各个风险评价指标的风险权重;
S103、根据风险评价指标的功效系数值和风险权重计算采样客户的财务风险评分,并定义风险等级;
S104、根据滑动周期、风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练,生成神经网络预测模型;
S105、将目标客户的当前财务风险指标输入该神经网络预测模型,得到目标客户的财务风险等级。
进一步的,财务数据包括:年初人均产值预计值、实际人均产值、年初人均成本预计值和实际人均成本;
根据财务数据计算采样客户的风险评价指标,具体为:
根据年初人均产值预计值和实际人均产值计算人均产值功效系数值;
根据年初人均成本预计值和实际人均成本计算人均成本功效系数值;
其中,人均产值功效系数值如下式(1),人均成本功效系数值如下式(2);
优选的,采用人均产值和人均成本的实际结果与预期结果的偏差来界定财务风险。
在具体的实施例中,采样用户为各个省分公司。由于各个省分公司的发展成熟度的差异性较大,本发明改进的功效系数法对产值和成本在各个省份的差异性体现出来,在一个相对公平的尺度下测量财务风险,具有实操性。
进一步的,通过熵权法计算各个风险评价指标的风险权重,具体为:
定义采样客户数量为n,风险评价指标数量为m,计算财务风险评价矩阵为X’=(xij’)n×m;其中,xij’表示第i个采样客户的第j个风险评价指标的功效系数值;
第j个风险评价指标的熵值ej如下式(3)所示,熵的冗余度hj如下式(4)所示:
hj=1-ej (4)
其中,k为常数;
风险评价指标j的熵权wj如下式(5)所示,
优选的,结合权重α和β,财务风险评分如下式:
财务风险评分=α×人均产值功效系数值+β×人均成本功效系数值
权重反映人均产值和人均成本在财务风险评定中的重要程度,也就是衡量人均产值和人均成本对财务风险的“贡献度”。
在具体的实施例中,在获得各指标权值的基础上,对每一年的分公司财务风险进行评分,对各分公司的评分值进行降序排名,根据二八原则,将排名前80%分公司的风险等级定义为正常,后20%分公司的风险等级定义为异常。
进一步的,根据滑动周期、风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练,生成神经网络预测模型,具体为:
设定滑动周期,计算不同滑动周期内采样客户的风险评价指标的功效系数值、风险权重和风险等级;
选取不同滑动周期内风险权重稳定的风险评价指标作为稳定指标,并增加稳定指标的训练权重;
根据不同滑动周期内的风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练,生成对周期敏感的神经网络预测模型。
优选的,将滑动周期加入神经网络的预警,可以让神经网络在训练过程中不断调整各个指标的权重,有效反映哪些权重的影响是持续且稳定的,哪些指标的影响是受到其他因素干扰较大,然后选稳定的指标作为监控的关键因素。
在具体的实施例中,滑动周期以3个月作为一个周期,可以跨季度训练或者每一个季度训练。
财务风险预警评估模型应关注在运营期间分公司在各个阶段的财务风险等级,财务风险指标能够在一定程度上反映了分公司实际的运营情况,是财务风险评估的主要基础数据源。财务风险等级日常监测是本文的重点,判决风险的规则应该在数据挖掘基础上有选择的进行,以期能够及早发现运营问题、反映财务风险。
优选的,对于财务风险预警指标的选择,除了采用以结果为导向的人均产值差异性和人均成本差异性的方法之外,还可采用以过程为导向的日常经营活动的财务指标。人均产值受到回款周期和人员流动的影响,一般在年底的回款进度相对快,人员流动性较低;在其他时期的回款进度相对慢,人员流动性较大。通信行业的特殊性说明以结果为导向的人均产值和人均成本风险等级的衡量不适用于滑动周期(以季度为单位)的风险监测。
本发明以整体把握分公司日常的运营活动为出发点,体现运营过程风险的全面把控,采用偿债能力、盈利能力、营运能力、发展能力、现金流能力等内容来分析财务风险指标。
偿债能力反映分公司偿还长短期债款的能力,其指标包括:流动比率、速动比率、资产负债率。
盈利能力反映分公司获取利润的能力,其指标包括:净资产收益率、净资产获现率、营业净利率。
营运能力反映分公司对现有资源创造效益的能力。其包括总资产周转率、流动资产周转率。
发展能力是指分公司未来生产经营活动的发展潜能。其包括营业收入增长率、净利润增长率。
现金流能力反映分公司各类现金流量之间的比例关系。其包括营业收入现金净含量、全部现金回收率。
在具体的实例中,根据近期多次的权重列表,对指标进行筛选。财务风险预警指标权值高且多次出现的,优先列入监控体系。同质化的指标或者具有包含关系的指标,可以选择主要指标,不监控子指标。互斥指标应同步检测,避免顾此失彼。
通过上述的分析,在具体的实施例中,初步得出的具有高影响力的财务风险预警指标有:资产负债率、营业净利率、总资产周转率、营业收入增长率、净利润增长率。
本发明实施例提供的一种财务风险预测方法,具有如下有益效果:
采用熵权客观评估影响财务风险的风险评价指标的功效系数值的权重,实现风险的量化;采用标准人均产值功效系数和标准人均成本功效系数界定财务风险,提高风险预测的准确性;通过定义风险等级,能够反映了客户的实际的运营情况,提供风险预警;通过设置滑动周期进行神经网络训练,能够反映不同时间段中,不同财务风险指标的所占权重;选择不同滑动周期内风险权重稳定的风险评价指标作为稳定指标,对稳定指标进行主要监控,能够进一步提高预测模型的准确率。
参见图2,是本发明实施例二提供的一种财务风险预测装置的结构示意图,包括:
数据获取单元201,用于获取采样客户的财务数据;
权重计算单元202,用于根据所述财务数据计算所述采样客户的风险评价指标的功效系数值,通过熵权法计算各个所述风险评价指标的风险权重;
风险等级定义单元203,用于根据所述风险评价指标的功效系数值和风险权重计算采样客户的财务风险评分,并定义风险等级;
预测模型生成单元204,用于根据滑动周期、所述风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练,生成神经网络预测模型;
财务风险预测单元205,用于将目标客户的当前财务风险指标输入该神经网络预测模型,得到所述目标客户的财务风险等级。
本发明实施例三对应提供了一种财务风险预测装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例一所述的财务风险预测方法。所述财务风险预测装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述财务风险预测装置可包括,但不仅限于,处理器、存储器。
本发明实施例四对应提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如本发明实施例一所述的财务风险预测方法。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述财务风险预测装置的控制中心,利用各种接口和线路连接整个财务风险预测装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述财务风险预测装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述财务风险预测装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (6)
1.一种财务风险预测方法,其特征在于,包括:
获取采样客户的财务数据;
根据所述财务数据计算所述采样客户的风险评价指标的功效系数值,通过熵权法计算各个所述风险评价指标的风险权重;
根据所述风险评价指标的功效系数值和风险权重计算采样客户的财务风险评分,并定义风险等级;
根据滑动周期、所述风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练,生成神经网络预测模型;
将目标客户的当前财务风险指标输入该神经网络预测模型,得到所述目标客户的财务风险等级;
其中,所述财务数据包括:年初人均产值预计值、实际人均产值、年初人均成本预计值和实际人均成本;
根据所述财务数据计算所述采样客户的风险评价指标,具体为:
根据所述年初人均产值预计值和实际人均产值计算人均产值功效系数值;
根据所述年初人均成本预计值和实际人均成本计算人均成本功效系数值;
根据滑动周期、所述风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练,生成神经网络预测模型,具体为:
设定滑动周期,计算不同滑动周期内所述采样客户的风险评价指标的功效系数值、风险权重和风险等级;
选取不同滑动周期内风险权重稳定的风险评价指标作为稳定指标,并增加所述稳定指标的训练权重;
根据不同滑动周期内的所述风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练,生成对周期敏感的神经网络预测模型。
4.一种财务风险预测装置,其特征在于,包括:
数据获取单元,用于获取采样客户的财务数据;
权重计算单元,用于根据所述财务数据计算所述采样客户的风险评价指标的功效系数值,通过熵权法计算各个所述风险评价指标的风险权重;
风险等级定义单元,用于根据所述风险评价指标的功效系数值和风险权重计算采样客户的财务风险评分,并定义风险等级;
预测模型生成单元,用于根据滑动周期、所述风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练,生成神经网络预测模型;
财务风险预测单元,用于将目标客户的当前财务风险指标输入该神经网络预测模型,得到所述目标客户的财务风险等级;
其中,所述财务数据包括:年初人均产值预计值、实际人均产值、年初人均成本预计值和实际人均成本;
根据所述财务数据计算所述采样客户的风险评价指标,具体为:
根据所述年初人均产值预计值和实际人均产值计算人均产值功效系数值;
根据所述年初人均成本预计值和实际人均成本计算人均成本功效系数值;
根据滑动周期、所述风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练,生成神经网络预测模型,具体为:
设定滑动周期,计算不同滑动周期内所述采样客户的风险评价指标的功效系数值、风险权重和风险等级;
选取不同滑动周期内风险权重稳定的风险评价指标作为稳定指标,并增加所述稳定指标的训练权重;
根据不同滑动周期内的所述风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练,生成对周期敏感的神经网络预测模型。
5.一种财务风险预测装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至3中任意一项所述的一种财务风险预测方法。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至3中任意一项所述的一种财务风险预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910160340.3A CN109784779B (zh) | 2019-03-04 | 2019-03-04 | 财务风险预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910160340.3A CN109784779B (zh) | 2019-03-04 | 2019-03-04 | 财务风险预测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109784779A CN109784779A (zh) | 2019-05-21 |
CN109784779B true CN109784779B (zh) | 2021-06-18 |
Family
ID=66486115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910160340.3A Active CN109784779B (zh) | 2019-03-04 | 2019-03-04 | 财务风险预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784779B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223137A (zh) * | 2019-05-22 | 2019-09-10 | 平安科技(深圳)有限公司 | 产品组合推荐方法、装置、计算机设备和存储介质 |
CN111292007A (zh) * | 2020-02-28 | 2020-06-16 | 中国工商银行股份有限公司 | 供应商财务风险预测方法及装置 |
CN111523997A (zh) * | 2020-04-21 | 2020-08-11 | 中国工商银行股份有限公司 | 客户风险评估方法和装置、以及电子设备和可读存储介质 |
CN111798123A (zh) * | 2020-06-30 | 2020-10-20 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的合规性评价方法、装置、设备及介质 |
CN112529433A (zh) * | 2020-12-16 | 2021-03-19 | 北京国网信通埃森哲信息技术有限公司 | 基于健康状态的企业财务评价管理方法、系统、设备及存储介质 |
CN112767167B (zh) * | 2021-02-07 | 2024-04-19 | 中国工商银行股份有限公司 | 一种基于集成学习的投资交易风险趋势预测方法及装置 |
CN113114489B (zh) * | 2021-03-29 | 2022-06-17 | 广州杰赛科技股份有限公司 | 一种网络安全态势评估方法、装置、设备及存储介质 |
CN115545872B (zh) * | 2022-11-28 | 2023-04-07 | 杭州工猫科技有限公司 | 一种基于ai的rpa财务机器人应用中的风险预警方法 |
CN117437040A (zh) * | 2023-12-21 | 2024-01-23 | 广州平云小匠科技股份有限公司 | 授信风险等级的更新方法、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915736A (zh) * | 2015-06-29 | 2015-09-16 | 东北电力大学 | 基于改进熵权法提高风电功率组合预测精度的方法 |
CN106651182A (zh) * | 2016-12-25 | 2017-05-10 | 北京工业大学 | 基于熵权重的轨道客流拥塞风险评价方法 |
CN108108877A (zh) * | 2017-11-29 | 2018-06-01 | 海南电网有限责任公司电力科学研究院 | 一种基于bp神经网络的输电线路雷害风险评估方法 |
CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
CN108550001A (zh) * | 2018-07-16 | 2018-09-18 | 鑫银科技集团股份有限公司 | 一种财务风险动态评估方法及装置 |
CN109002900A (zh) * | 2018-06-05 | 2018-12-14 | 平安科技(深圳)有限公司 | 预测投保风险概率的方法、装置、计算机设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894185A (zh) * | 2010-06-29 | 2010-11-24 | 北京航空航天大学 | 一种基于动态双极mpnn的小样本数据对象的寿命预测方法 |
-
2019
- 2019-03-04 CN CN201910160340.3A patent/CN109784779B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915736A (zh) * | 2015-06-29 | 2015-09-16 | 东北电力大学 | 基于改进熵权法提高风电功率组合预测精度的方法 |
CN106651182A (zh) * | 2016-12-25 | 2017-05-10 | 北京工业大学 | 基于熵权重的轨道客流拥塞风险评价方法 |
CN108108877A (zh) * | 2017-11-29 | 2018-06-01 | 海南电网有限责任公司电力科学研究院 | 一种基于bp神经网络的输电线路雷害风险评估方法 |
CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
CN109002900A (zh) * | 2018-06-05 | 2018-12-14 | 平安科技(深圳)有限公司 | 预测投保风险概率的方法、装置、计算机设备和存储介质 |
CN108550001A (zh) * | 2018-07-16 | 2018-09-18 | 鑫银科技集团股份有限公司 | 一种财务风险动态评估方法及装置 |
Non-Patent Citations (2)
Title |
---|
《基于熵值法和功效系数法的财务风险预警研究——以A公司为例》;李欣彤;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20170215;第J150-35页 * |
《我国电力企业财务风险评价与控制研究》;冯荣珍;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20110915;第J150-259页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109784779A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784779B (zh) | 财务风险预测方法、装置及存储介质 | |
Sheikh | The impact of market competition on the relation between CEO power and firm innovation | |
US7664693B1 (en) | Financial methodology for the examination and explanation of spread between analyst targets and market share prices | |
Bouoiyour et al. | Are Islamic stock markets efficient? A multifractal detrended fluctuation analysis | |
WO2013081283A1 (ko) | 기업성장단계를 표시하고, 이를 이용하여 주식의 저평가/고평가를 산출하는 주식정보 제공 방법 및 시스템 | |
CN107437227A (zh) | 股票投资分析装置与方法 | |
US20220027993A1 (en) | System and method for facilitating social trading | |
CN109859052A (zh) | 一种投资策略的智能推荐方法、装置、存储介质和服务器 | |
Eiamkanitchat et al. | Fundamental analysis and technical analysis integrated system for stock filtration | |
Du | Mean–variance portfolio optimization with deep learning based-forecasts for cointegrated stocks | |
Madani et al. | Is gold a hedge or safe haven against oil and currency market movements? A revisit using multifractal approach | |
Shah et al. | Principal component analysis based construction and evaluation of cryptocurrency index | |
CN110991936A (zh) | 企业评分评级方法、装置、设备及介质 | |
KR20220097005A (ko) | 기업정보를 이용한 기업 평가 시스템 | |
Hodula et al. | Debt management when monetary and fiscal policies clash: some empirical evidence | |
Li et al. | Take Bitcoin into your portfolio: a novel ensemble portfolio optimization framework for broad commodity assets | |
Murugan | Large-scale data-driven financial risk management & analysis using machine learning strategies | |
Zhou et al. | Dynamics of systemic risk in European gas and oil markets under the Russia–Ukraine conflict: A quantile regression neural network approach | |
Wang et al. | Trading rule discovery in the US stock market: An empirical study | |
Zhang et al. | Examining the Bidirectional Ripple Effects in the NFT markets: Risky Center or Hedging Center? | |
Proença et al. | Technological, healthcare and consumer funds efficiency: influence of COVID-19 | |
JP2010134840A (ja) | 将来財務予測システム、将来財務予測方法及び将来財務予測プログラム | |
Zelingher et al. | Forecasting global maize prices from regional productions | |
Jain et al. | A taxonomy for evaluation and comparison of financial performance of Indian IT companies | |
Niknya et al. | Financial distress prediction of Tehran Stock Exchange companies using support vector machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |