一种基于机器学习的企业风险量化评估和跟踪系统
技术领域
本发明涉及财务工具领域,特别是涉及一种基于机器学习的企业风险量化评估和跟踪系统。
背景技术
现状:
在金融行业,股权投资是最常见、普遍的一种商业活动。科学、专业的股权投资需要收集大量的宏观数据、行业数据、企业历年的财务数据和非财务数据,并由专业人员对所有数据进行评估、分析,再形成投资评估报告与结论。对企业股权投资管理,一般包括几个阶段:投前调查、投中评估和投后监控。
现行传统方法的弊端有:
1.准确性
目前的传统方法主要依靠机构内部专家的经验进信用风险判断,对于宏观、行业数据的时效性以及代表性要求较低,从而会导致评估结果与企业实际情况存在偏差
2.各个环节之间的孤立性
目前市场上通用的方式是投前、投中、投后由不同的人员负责,相互之间的信息不对称,导致各个环节之间的沟通成本过高,并且结果反馈不及时。
3.模型的固定性
现行机构的模型更多的是基于传统的银行风险评估模型建立,模型中因子的设定以及因子的参数均是由专家根据经验设立,不能根据实际情况进行调整,模型的灵活性和可用性较差。
发明内容
本发明的目的在于提供种基于机器学习的企业风险量化评估和跟踪系统,其投资风险管理系统是集风险因子识别、风险评估、风险跟踪及预警一体的系统,该系统最大的特点是系统基于原点参数大数据平台的数据,利用机器学习算法自动识别、判断标的企业可能存在的潜在风险因子,并通过对公司基本信息的分析自动调用适用于标的企业的风险评估模型,实现对标的企业的风险量化评估、实时跟踪预警,为投资者提供可靠实用的工具。
在本发明的一些实施例里,所述原点参数经济大数据模块包括宏观经济数据子模块、行业数据子模块、全球上市企业数据子模块、非上市企业子模块,各子模块之内包含了各类经济数据、工商司法数据、政策法规信息、企业历年财务数据、企业风险因子库。
在本发明的一些实施例里,所述知识库大数据模块通过学习宏观经济数据、行业数据、企业财务数据、企业非财务数据,以及数据之间的层级关系,计算每一项数据跟企业的相关性,对企业风险影响的正相关或负相关的程度进行评估。
在本发明的一些实施例里,所述风险量化评估系统进行风险等级的评估,基于基本的风险评估模型和多因子风险评估模型,
其中,基本风险评估模型可以表示为:
S(a)=∑Fi i∈(1,2,3……n),
基于多因子的风险评估模型可以表示为:
S(a)=a+∑Wi*Fi+εi i∈(1,2,3……n)E(εi)=0,
上式中,Wi:风险因子i的权重,Fi:风险因子i,a:常数。
在本发明的一些实施例里,所述的投资项目价值评估系统进行项目估值,其估值方法基于分为基于评估结果的估值和基于风险因子的估值,具体的:
基于评估结果的估值可以表示为:
E(Ri)=α+∑λi*Si+εi i∈(1,2,……,n),
基于风险因子的估值可以表示为:
E(Ri)=α+∑Wi*Fi+εi i∈(1,2,……,n),
上式中,α:基本收益率;λ:风险因子i系数;Si:i项目风险评估结果;Wi:风险因子i系数矩阵;Fi:风险因子i;ε:残差,E(εi)=0。
在本发明的一些实施例里,在投前阶段,所述系统提前收集识别标的企业风险初始信息,并根据企业的基本信息识别企业可能面临的风险因子,提前提示风险并给出初始风险分散或规避策略。
在本发明的一些实施例里,在投中阶段,所述风险量化评估系统内置的企业风险等级评估模块会根据企业的及信息判断企业的属性,上市企业直接采用风险评估模型进行风险等级评估,输出量化评估结果;非上企业则导入各种类型的财务报告文件,完成财报准则、语言转换后调用风险评估模型进行风险评估,然后输出标的企业的量化评估报告。
在本发明的一些实施例里,在投后阶段,所述的风险预警跟踪系统会根据远点参数的预警因子库实时的监控跟踪标的企业的风险情况,系统检测到有对应的预警因子被触发将及时提示用户风险可能发生,用户将根据预警因子进行合理的处理和采取相应的措施。
在本发明的一些实施例里,所述风险因子的设定基于COSO企业风险类别、巴塞尔协议风险类别、国资委央企全面风险管理指引的风险类别以及原点参数相关研究建立。
在本发明的一些实施例里,所述原点参数大数据模块通过机器学习深入的相关性分析进而添加新的风险因子,同时调整现有的因子库。
本发明实施例至少具有如下优点或有益效果:
1.新技术的运用
运用云计算、大数据、和机器学习(算法)等技术,与风险量化专家团队的结合,实现自动对企业风险进行评估和量化,全面提升业务能力。
2.更准确、客观
以历年全球的宏观经济数据,行业数据、历史数据为基础,结合新技术的运用,保证了评估结果更全面、更充分、更客观。
3.降低成本
整个转换过程由程序自动完成,大大降低业务成本。
4.效率高、简单易用
通过网络访问,将数据输入系统,选择转换国家,软件系统将自动输出转换后的财务数据报告。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本发明实施例原点参数投资风险评估系统模型结构图。
图2是本发明实施例风险量化评估流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中,需要说明的是,若出现术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,若出现术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明实施例的描述中,“多个”代表至少2个。
在本发明实施例的描述中,还需要说明的是,除非另有明确的规定和限定,若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
实施例1
如图1所示,提供一种基于机器学习的企业风险量化评估和跟踪系统,所述系统具体包括了风险量化评估系统、投资项目价值评估系统、债券风险量化评估系统和风险预警跟踪系统,基于原点参数大数据模块的数据,利用机器学习算法自动识别、判断标的企业可能存在的潜在风险因子,并通过对公司基本信息的分析自动调用适用于标的企业的风险评估模型,实现对标的企业的风险量化评估、实时跟踪预警。
在本发明的一些实施例里,所述原点参数经济大数据模块包括宏观经济数据子模块、行业数据子模块、全球上市企业数据子模块、非上市企业子模块,各子模块之内包含了各类经济数据、工商司法数据、政策法规信息、企业历年财务数据、企业风险因子库。
在本发明的一些实施例里,所述知识库大数据模块通过学习宏观经济数据、行业数据、企业财务数据、企业非财务数据,以及数据之间的层级关系,计算每一项数据跟企业的相关性,对企业风险影响的正相关或负相关的程度进行评估。
在本发明的一些实施例里,所述风险量化评估系统进行风险等级的评估,基于基本的风险评估模型和多因子风险评估模型,
其中,基本风险评估模型可以表示为:
S(a)=∑Fi i∈(1,2,3……n),
基于多因子的风险评估模型可以表示为:
S(a)=a+∑Wi*Fi+εi i∈(1,2,3……n)E(εi)=0,
上式中,Wi:风险因子i的权重,Fi:风险因子i,a:常数。
在本发明的一些实施例里,所述的投资项目价值评估系统进行项目估值,其估值方法基于分为基于评估结果的估值和基于风险因子的估值,具体的:
基于评估结果的估值可以表示为:
E(Ri)=α+∑λi*Si+εi i∈(1,2,……,n),
基于风险因子的估值可以表示为:
E(Ri)=α+∑Wi*Fi+εi i∈(1,2,……,n),
上式中,α:基本收益率;λ:风险因子i系数;Si:i项目风险评估结果;Wi:风险因子i系数矩阵;Fi:风险因子i;ε:残差,E(εi)=0。
在本发明的一些实施例里,投前阶段,所述系统提前收集识别标的企业风险初始信息,并根据企业的基本信息识别企业可能面临的风险因子,提前提示风险并给出初始风险分散或规避策略。
投中阶段,如图2所示,所述风险量化评估系统内置的企业风险等级评估模块会根据企业的及信息判断企业的属性,上市企业直接采用风险评估模型进行风险等级评估,输出量化评估结果;非上企业则导入各种类型的财务报告文件,完成财报准则、语言转换后调用风险评估模型进行风险评估,然后输出标的企业的量化评估报告。
投后阶段,所述的风险预警跟踪系统会根据远点参数的预警因子库实时的监控跟踪标的企业的风险情况,系统检测到有对应的预警因子被触发将及时提示用户风险可能发生,用户将根据预警因子进行合理的处理和采取相应的措施。
在本发明的一些实施例里,所述风险因子的设定基于COSO企业风险类别、巴塞尔协议风险类别、国资委央企全面风险管理指引的风险类别以及原点参数相关研究建立。
在本发明的一些实施例里,所述原点参数大数据模块通过机器学习深入的相关性分析进而添加新的风险因子,同时调整现有的因子库。其基本的原理是基于分层分析法,同时结合原点参数大数据资源实现各个行业定性定量风险因子的量化评估。
在数据处理与风险量化过程中,广泛运用自然语言处理、机器学习、数据挖掘和大数据等技术。对宏观经济、行业、公司治理等数百个定性因子进行研究、实现对相关指标值的定量化分析。
基于自有的“全球上市企业数据库”作为底层数据,开发投资风险管理系统、债券投资评估系统、大数据风险预警系统等。在这些系统的内核模型中,我们运用机器学习、大数据等技术量化定性因子,对传统方法进行技术革新。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。