CN111292007A - 供应商财务风险预测方法及装置 - Google Patents
供应商财务风险预测方法及装置 Download PDFInfo
- Publication number
- CN111292007A CN111292007A CN202010131432.1A CN202010131432A CN111292007A CN 111292007 A CN111292007 A CN 111292007A CN 202010131432 A CN202010131432 A CN 202010131432A CN 111292007 A CN111292007 A CN 111292007A
- Authority
- CN
- China
- Prior art keywords
- supplier
- financial risk
- index
- financial
- rate
- 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 69
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 122
- 230000007306 turnover Effects 0.000 claims description 68
- 238000012549 training Methods 0.000 claims description 53
- 238000011176 pooling Methods 0.000 claims description 37
- 238000012360 testing method Methods 0.000 claims description 32
- 230000000694 effects Effects 0.000 claims description 26
- 238000011161 development Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000011084 recovery Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 14
- 238000012550 audit Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 11
- 238000011160 research Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012954 risk control Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例提供一种供应商财务风险预测方法及装置,方法包括:获取目标供应商的财务风险指标数据;将所述财务风险指标数据输入预设的卷积神经网络模型,并将该卷积神经网络模型的输出作为所述目标供应商对应的财务风险预测结果;输出所述目标供应商对应的财务风险预测结果。本申请能够通过具有自我学习能力的深度学习卷积神经网络对供应商财务风险进行预测,并能够有效提高供应商财务风险预测的准确性,进而能够有效规避供应商潜在风险,保证自身企业的运转可靠性。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及供应商财务风险预测方法及装置。
背景技术
当前对供应商风险的研究主要集中对于供应链和供应商风险的风险指标筛选和优化上,较少注重风险指标体系理论研究,更多利用模糊综合评价,层次分析、灰色评价、SCOR模型、风险机制协调平衡等方法对风险评价和结论分析进行了系统综合归纳。神经网络模拟人类大脑的神经反射对机器进行训练,从而使得经过训练的神经网络可以对给定的输入值进行分析和判断,对输出值进行预测。
目前主要采用BP神经网络来构建供应商财务的风险预测模型,BP神经网络已经被广泛地应用于风险预警的研究当中。深度学习网络也属于人工神经网络的一种,但是与BP神经网络有着明显的区别。BP神经网络属于浅层网络,神经网络的层次很少,输入、隐含、输出一般各有一层,因此,BP模型存在收敛速度慢,繁殖能力差等不足,进而无法保证供应商财务风险预测的准确性。
发明内容
针对现有技术中的问题,本申请提供一种供应商财务风险预测方法及装置,能够通过具有自我学习能力的深度学习卷积神经网络对供应商财务风险进行预测,并能够有效提高供应商财务风险预测的准确性,进而能够有效规避供应商潜在风险,保证自身企业的运转可靠性。
为解决上述技术问题,本申请提供以下技术方案:
第一方面,本申请提供一种供应商财务风险预测方法,包括:
获取目标供应商的财务风险指标数据;
将所述财务风险指标数据输入预设的卷积神经网络模型,并将该卷积神经网络模型的输出作为所述目标供应商对应的财务风险预测结果;
输出所述目标供应商对应的财务风险预测结果。
进一步地,在所述获取目标供应商的财务风险指标数据之前,还包括:
获取各个所述供应商的历史财务风险指标数据;
应用各个所述供应商的历史财务风险指标数据训练卷积神经网络模型,以使该卷积神经网络模型用于预测供应商的财务风险。
进一步地,所述获取各个所述供应商的历史财务风险指标数据,包括:
设置用于反映供应商财务风险的指标体系;
自所述指标体系中筛选任意数量的指标作为供应商的财务风险指标;
基于所述供应商的财务风险指标获取各个所述供应商的历史财务风险指标数据。
进一步地,所述指标体系包括:多个一级指标以及各个所述一级指标各自对应的二级指标;
相对应的,所述目标供应商的财务风险指标数据为基于所述指标体系中的任意数量的指标提取而得。
进一步地,所述应用各个所述供应商的历史财务风险指标数据训练卷积神经网络模型,以使该卷积神经网络模型用于预测供应商的财务风险,包括:
将各个所述供应商的历史财务风险指标数据划分为训练集、测试集以及验证集;
应用所述训练集训练卷积神经网络模型;
根据所述测试集用于对训练得到的卷积神经网络模型进行测试,并基于对应的测试结果调整所述卷积神经网络模型的参数;
以及,基于所述验证集检测所述卷积神经网络模型的预测效果。
进一步地,所述卷积神经网络模型包括依次连接的输入层、隐含层和输出层;
所述隐含层包括多个卷积层和多个池化层;
所述输出层包括光栅化层和多层感知器。
进一步地,所述获取目标供应商的财务风险指标数据,包括:
获取目标供应商的财务风险指标数据对应的灰度图像数据。
进一步地,所述将所述财务风险指标数据输入预设的卷积神经网络模型,并将该卷积神经网络模型的输出作为所述目标供应商对应的财务风险预测结果,包括:
将目标供应商的财务风险指标数据对应的灰度图像数据输入预设的卷积神经网络模型的所述输入层,以使该输入层应用预设的RGB转换方式将所述灰度图像数据转化为RGB彩色图像对应的三张输入图像,并将三张所述输入图像输入所述卷积层进行特征提取,而后将所述卷积层输出的数据传入所述池化层进行特征选择和信息过滤,得到对应的下采样结果,并将所述下采样结果发送至所述输出层,得到该输出层输出的所述目标供应商对应的财务风险预测结果。
进一步地,所述一级指标包括:盈利能力指标、偿债能力指标、现金流量指标、营运能力指标、发展能力指标、风险水平指标和非财务指标;
所述盈利能力指标用于反映供应商的企业生产经营获利的能力;
所述偿债能力指标用于反映供应商的企业偿还到期债务的能力;
所述现金流量指标用于反映供应商的企业现金收支情况;
所述营运能力指标用于反映供应商的企业运营的效率;
所述发展能力指标用于反映供应商的企业扩大经营规模的能力;
所述风险水平指标用于反映供应商的企业财务风险水平;
所述非财务指标用于反映供应商的企业非财务风险水平。
进一步地,所述盈利能力指标的二级指标包括:净资产收益率、总资产报酬率、总资产净利率、营业利润率和每股收益;
所述偿债能力指标的二级指标包括:流动比率、速动比率、现金比率、资产负债率和利息保障倍数;
所述现金流量指标的二级指标包括:现金回收率、现金营运指数、营业收入现金净含量、净利润现金净含量和经营活动净流量增长率;
所述营运能力指标的二级指标包括:总资产周转率、流动资产周转率、存货周转率、应收账款周转率和固定资产周转率;
所述发展能力指标的二级指标包括:净利润增长率、总资产增长率、主营业务增长率和固定资产增长率;
所述风险水平指标的二级指标包括:财务杠杆和经营杠杆;
所述非财务指标的二级指标包括:第一大股东持股比例、股权集中度和审计意见。
进一步地,所述供应商的财务风险指标包括:净资产收益率、总资产报酬率、总资产净利率、营业利润率、每股收益、流动比率、速动比率、现金比率、资产负债率、现金回收率、现金营运指数、营业收入现金净含量、净利润现金净含量、经营活动净流量增长率、总资产周转率、存货周转率、应收账款周转率、净利润增长率、总资产增长率、财务杠杆、经营杠杆和第一大股东持股比例。
第二方面,本申请一种供应商财务风险预测装置,包括:
供应商数据获取模块,用于获取目标供应商的财务风险指标数据;
财务风险预测模块,用于将所述财务风险指标数据输入预设的卷积神经网络模型,并将该卷积神经网络模型的输出作为所述目标供应商对应的财务风险预测结果;
预测结果输出模块,用于输出所述目标供应商对应的财务风险预测结果。
进一步地,还包括:
历史数据获取模块,用于获取各个所述供应商的历史财务风险指标数据;
模型训练模块,用于应用各个所述供应商的历史财务风险指标数据训练卷积神经网络模型,以使该卷积神经网络模型用于预测供应商的财务风险。
进一步地,所述历史数据获取模块包括:
指标体系设置单元,用于设置用于反映供应商财务风险的指标体系;
财务风险指标筛选单元,用于自所述指标体系中筛选任意数量的指标作为供应商的财务风险指标;
历史财务风险指标数据获取单元,用于基于所述供应商的财务风险指标获取各个所述供应商的历史财务风险指标数据。
进一步地,所述指标体系包括:多个一级指标以及各个所述一级指标各自对应的二级指标;
相对应的,所述目标供应商的财务风险指标数据为基于所述指标体系中的任意数量的指标提取而得。
进一步地,所述模型训练模块包括:
数据集划分单元,用于将各个所述供应商的历史财务风险指标数据划分为训练集、测试集以及验证集;
训练单元,用于应用所述训练集训练卷积神经网络模型;
测试单元,用于根据所述测试集用于对训练得到的卷积神经网络模型进行测试,并基于对应的测试结果调整所述卷积神经网络模型的参数;
验证单元,用于基于所述验证集检测所述卷积神经网络模型的预测效果。
进一步地,所述卷积神经网络模型包括依次连接的输入层、隐含层和输出层;
所述隐含层包括多个卷积层和多个池化层;
所述输出层包括光栅化层和多层感知器。
进一步地,所述供应商数据获取模块包括:
图像数据获取单元,用于获取目标供应商的财务风险指标数据对应的灰度图像数据。
进一步地,所述财务风险预测模块包括:
财务风险预测单元,用于将目标供应商的财务风险指标数据对应的灰度图像数据输入预设的卷积神经网络模型的所述输入层,以使该输入层应用预设的RGB转换方式将所述灰度图像数据转化为RGB彩色图像对应的三张输入图像,并将三张所述输入图像输入所述卷积层进行特征提取,而后将所述卷积层输出的数据传入所述池化层进行特征选择和信息过滤,得到对应的下采样结果,并将所述下采样结果发送至所述输出层,得到该输出层输出的所述目标供应商对应的财务风险预测结果。
进一步地,所述一级指标包括:盈利能力指标、偿债能力指标、现金流量指标、营运能力指标、发展能力指标、风险水平指标和非财务指标;
所述盈利能力指标用于反映供应商的企业生产经营获利的能力;
所述偿债能力指标用于反映供应商的企业偿还到期债务的能力;
所述现金流量指标用于反映供应商的企业现金收支情况;
所述营运能力指标用于反映供应商的企业运营的效率;
所述发展能力指标用于反映供应商的企业扩大经营规模的能力;
所述风险水平指标用于反映供应商的企业财务风险水平;
所述非财务指标用于反映供应商的企业非财务风险水平。
进一步地,所述盈利能力指标的二级指标包括:净资产收益率、总资产报酬率、总资产净利率、营业利润率和每股收益;
所述偿债能力指标的二级指标包括:流动比率、速动比率、现金比率、资产负债率和利息保障倍数;
所述现金流量指标的二级指标包括:现金回收率、现金营运指数、营业收入现金净含量、净利润现金净含量和经营活动净流量增长率;
所述营运能力指标的二级指标包括:总资产周转率、流动资产周转率、存货周转率、应收账款周转率和固定资产周转率;
所述发展能力指标的二级指标包括:净利润增长率、总资产增长率、主营业务增长率和固定资产增长率;
所述风险水平指标的二级指标包括:财务杠杆和经营杠杆;
所述非财务指标的二级指标包括:第一大股东持股比例、股权集中度和审计意见。
进一步地,所述供应商的财务风险指标包括:净资产收益率、总资产报酬率、总资产净利率、营业利润率、每股收益、流动比率、速动比率、现金比率、资产负债率、现金回收率、现金营运指数、营业收入现金净含量、净利润现金净含量、经营活动净流量增长率、总资产周转率、存货周转率、应收账款周转率、净利润增长率、总资产增长率、财务杠杆、经营杠杆和第一大股东持股比例。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的供应商财务风险预测方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的供应商财务风险预测方法的步骤。
由上述技术方案可知,本申请提供的一种供应商财务风险预测方法及装置,方法包括:获取目标供应商的财务风险指标数据;将所述财务风险指标数据输入预设的卷积神经网络模型,并将该卷积神经网络模型的输出作为所述目标供应商对应的财务风险预测结果;输出所述目标供应商对应的财务风险预测结果,能够通过具有自我学习能力的深度学习卷积神经网络对供应商财务风险进行预测,卷积神经网络模型可以自动从数据中学习特征,与人工设计特征相比可以节省大量时间,并能够有效提高供应商财务风险预测的准确性,进而能够有效规避供应商潜在风险,保证自身企业的运转可靠性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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的附图。
图1是本申请实施例中的供应商财务风险预测方法的流程示意图。
图2是本申请实施例中的供应商财务风险预测方法中步骤010和步骤020的流程示意图。
图3是本申请实施例中的供应商财务风险预测方法中步骤010的具体流程示意图。
图4是本申请实施例中的供应商财务风险预测方法中步骤020的具体流程示意图。
图5是本申请实施例中的包含有步骤110和步骤210的供应商财务风险预测方法的具体流程示意图。
图6是本申请应用实例提供的供应商财务风险预测方法的设计流程图。
图7是本申请应用实例中的盈利能力指标相关二级指标示意图。
图8是本申请应用实例中的偿债能力指标相关二级指标示意图。
图9是本申请应用实例中的现金流量指标相关二级指标示意图。
图10是本申请应用实例中的营运能力指标相关二级指标示意图。
图11是本申请应用实例中的发展能力指标相关二级指标示意图。
图12是本申请应用实例中的风险水平指标相关二级指标示意图。
图13是本申请应用实例中的非财务指标相关二级指标示意图.
图14是本申请应用实例中的卷积神经网络模型的结构图。
图15是本申请应用实例中的训练集、验证集及测试集数据总量的示意图。
图16是本申请实施例中的供应商财务风险预测装置的第一种结构示意图。
图17是本申请实施例中的供应商财务风险预测装置的第二种结构示意图。
图18是本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请基于供应商财务风险评价指标理论研究,提供了一种具有自我学习能力的深度学习卷积神经网络的方法,能够更加准确的评估供应商风险。
深度学习的本质,是基于构建具有很多隐层的神经元机构,每层的神经元接受更低层的神经输入,并且逐层进行特征变换,用高层的抽象表示低层的特征组合,最后通过海量的训练数据,来优化各层权值参数,学习更有效的层次化特征,从而使预测正确率提升。深度学习可以利用大数据来进行模型训练,相比人工规则来描述、构造特征的技术,更能够描述出数据丰富内在信息。
卷积神经网络(Convolutional Neural Network,CNN)则是其中一种经典而广泛应用的网络结构。相比于一般的神经网络模型,卷积神经网络模型的非全连接以及权值共享的特性能够降低网络模型的复杂性,并且也能够减少权值的数量,以便提高模型预测的准确率。
财务风险是企业都要面临的风险,本申请从财务风险的角度利用深度学习卷积神经网络评估供应商风险。
为了有效提高供应商财务风险预测的准确性,进而能够有效规避供应商潜在风险,保证自身企业的运转可靠性,本申请提供一种供应商财务风险预测方法的实施例,参见图1,所述供应商财务风险预测方法具体包含有如下内容:
步骤100:获取目标供应商的财务风险指标数据。
步骤200:将所述财务风险指标数据输入预设的卷积神经网络模型,并将该卷积神经网络模型的输出作为所述目标供应商对应的财务风险预测结果。
可以理解的是,所述卷积神经网络模型包括依次连接的输入层、隐含层和输出层;所述隐含层包括多个卷积层和多个池化层;所述输出层包括光栅化层和多层感知器。卷积神经网络模型结构主要包括输入层、隐含层以及输出层这三个部分,卷积神经网络的隐含层主要包括三种常见结构:卷积层,池化层和全连接层。在在通常的构造中,卷积层和池化层对于卷积神经网络是特有的。
步骤300:输出所述目标供应商对应的财务风险预测结果。
在步骤300中,所述供应商财务风险预测装置可以将所述目标供应商对应的财务风险预测结果发送至对应的客户终端进行显示,以使用于能够根据该目标供应商对应的财务风险预测结果判断该目标供应商是否存在财务风险,若是,则将该目标供应商加入预设的供应商黑名单,并应有预设的风险控制方案对该目标供应商进行风险控制。
为了有效提高卷积神经网络模型应用的准确性及可靠性,在本申请的供应商财务风险预测方法中的一个实施例中,参见图2,所述供应商财务风险预测方法中的步骤100之前还具体包含有如下内容:
步骤010:获取各个所述供应商的历史财务风险指标数据。
步骤020:应用各个所述供应商的历史财务风险指标数据训练卷积神经网络模型,以使该卷积神经网络模型用于预测供应商的财务风险。
为了进一步地提高卷积神经网络模型的训练准确性,在本申请的供应商财务风险预测方法中的一个实施例中,参见图3,所述供应商财务风险预测方法中的步骤010还具体包含有如下内容:
步骤011:设置用于反映供应商财务风险的指标体系。
可以理解的是,所述指标体系包括:多个一级指标以及各个所述一级指标各自对应的二级指标;相对应的,所述目标供应商的财务风险指标数据为基于所述指标体系中的任意数量的指标提取而得。
步骤012:自所述指标体系中筛选任意数量的指标作为供应商的财务风险指标。
步骤013:基于所述供应商的财务风险指标获取各个所述供应商的历史财务风险指标数据。
其中,所述一级指标包括:盈利能力指标、偿债能力指标、现金流量指标、营运能力指标、发展能力指标、风险水平指标和非财务指标;
所述盈利能力指标用于反映供应商的企业生产经营获利的能力;
所述偿债能力指标用于反映供应商的企业偿还到期债务的能力;
所述现金流量指标用于反映供应商的企业现金收支情况;
所述营运能力指标用于反映供应商的企业运营的效率;
所述发展能力指标用于反映供应商的企业扩大经营规模的能力;
所述风险水平指标用于反映供应商的企业财务风险水平;
所述非财务指标用于反映供应商的企业非财务风险水平。
所述盈利能力指标的二级指标包括:净资产收益率、总资产报酬率、总资产净利率、营业利润率和每股收益;
所述偿债能力指标的二级指标包括:流动比率、速动比率、现金比率、资产负债率和利息保障倍数。
所述现金流量指标的二级指标包括:现金回收率、现金营运指数、营业收入现金净含量、净利润现金净含量和经营活动净流量增长率。
所述营运能力指标的二级指标包括:总资产周转率、流动资产周转率、存货周转率、应收账款周转率和固定资产周转率。
所述发展能力指标的二级指标包括:净利润增长率、总资产增长率、主营业务增长率和固定资产增长率。
所述风险水平指标的二级指标包括:财务杠杆和经营杠杆。
所述非财务指标的二级指标包括:第一大股东持股比例、股权集中度和审计意见。
相对应的,所述供应商的财务风险指标为从上述29个指标中筛选得到22个指标,具体包括:净资产收益率、总资产报酬率、总资产净利率、营业利润率、每股收益、流动比率、速动比率、现金比率、资产负债率、现金回收率、现金营运指数、营业收入现金净含量、净利润现金净含量、经营活动净流量增长率、总资产周转率、存货周转率、应收账款周转率、净利润增长率、总资产增长率、财务杠杆、经营杠杆和第一大股东持股比例。
为了进一步地提高卷积神经网络模型的训练准确性,在本申请的供应商财务风险预测方法中的一个实施例中,参见图4,所述供应商财务风险预测方法中的步骤020还具体包含有如下内容:
步骤021:将各个所述供应商的历史财务风险指标数据划分为训练集、测试集以及验证集。
步骤022:应用所述训练集训练卷积神经网络模型。
步骤023:根据所述测试集用于对训练得到的卷积神经网络模型进行测试,并基于对应的测试结果调整所述卷积神经网络模型的参数。
步骤024:基于所述验证集检测所述卷积神经网络模型的预测效果。
为了进一步地提高供应商财务风险预测的准确性,在本申请的供应商财务风险预测方法中的一个实施例中,参见图5,所述供应商财务风险预测方法中的步骤100具体包含有如下内容:
步骤110:获取目标供应商的财务风险指标数据对应的灰度图像数据。
为了进一步地提高供应商财务风险预测的准确性,在本申请的供应商财务风险预测方法中的一个实施例中,参见图5,所述供应商财务风险预测方法中的步骤200具体包含有如下内容:
步骤210:将目标供应商的财务风险指标数据对应的灰度图像数据输入预设的卷积神经网络模型的所述输入层,以使该输入层应用预设的RGB转换方式将所述灰度图像数据转化为RGB彩色图像对应的三张输入图像,并将三张所述输入图像输入所述卷积层进行特征提取,而后将所述卷积层输出的数据传入所述池化层进行特征选择和信息过滤,得到对应的下采样结果,并将所述下采样结果发送至所述输出层,得到该输出层输出的所述目标供应商对应的财务风险预测结果。
为进一步地说明本方案,本申请还提供一种供应商财务风险预测方法的具体应用实例,所述供应商财务风险预测方法具体包含有如下内容:
图6为本申请应用实例提供的供应商财务风险预测方法的设计流程图,包含:
步骤101:确定指标体系;
步骤102:深度学习卷积神经网络训练及测试;
步骤103:供应商风险评估。
步骤101至步骤103的具体说明如下:
(一)指标体系的确立
(1)指标选取原则
1)及时性
供应商风险评估需要指标具有及时性,选取的指标应该能灵敏反映企业财务风险的变化。因为财务风险预警是一个持续的过程,并且财务风险的变化可能发生在企业运营的任一时刻,所以选取的指标要能够及时反映企业财务风险状况,以便进行预测。
2)科学性
选取的指标的计算方式和代表的含义必须具有科学性,而不能够随意组合财务信息确定指标。科学的指标才能有效反映企业相关数据所代表的内涵。同时选取的指标应该避免重复,类似的指标过多会影响计算的效率。因此需要科学的选择指标,同时选取具有合理性的指标。
3)可操作性
选取指标进行分析,首先相关数据能够较容易的获得,否则工作量过大可能出现精力耗费在搜集和计算指标上,而没有放在研究重点上,造成不经济的情况。同时,选取的指标应该是完整的,所有样本均需要有相同的指标,才能进行对比分析。这要求选取的指标是被大家广泛使用的,并且易于获取。
4)系统性
由于,财务风险是由企业整体情况所决定,依靠某一方面的指标,例如偿债能力指标,并不能全面解释财务风险的变化情况。针对企业财务风险,需要我们选取系统性的指标,这些指标应该能系统地联系起来,进而反映供应商企业的整体状况,因此通过指标所构建的指标体系才能系统地反映供应商财务风险状况。
(2)选取指标
在阅读大量相关文献的基础上,本申请筛选七个一级指标,分别是:盈利能力指标、偿债能力指标、现金流量指标、营运能力指标、发展能力指标、风险水平指标和非财务指标。
参见图7,盈利能力指标用于反映供应商的企业生产经营获利的能力。企业盈利能力较强,抵御财务风险的能力也更强。盈利是企业的目的,是企业非常重要的指标。本申请选取净资产收益率、总资产报酬率、总资产净利率、营业利润率、每股收益五个指标来进行衡量。也即,盈利能力指标的二级指标包括:净资产收益率201、总资产报酬率202、总资产净利率203、营业利润率204和每股收益205。
(1)净资产收益率201:
该指标反映企业运营自有资产带来收益的能力。企业资产的来源有自有资产和负债形成的资产,在盈利能力分析中区别分析,可以分析的更加全面。
(2)总资产报酬率202:
总资产报酬率反映了企业利用全部资产获得收益的能力,全部资产包括权益形成的资产和负债形成的资产,如果总资产报酬率较高,则不容易受到财务风险的影响。
(3)总资产净利率203:
总资产净利率反映企业全部资产获得收益的能力,与总资产报酬率类似,不过是用企业的净利润来表示企业获利能力。
(4)营业利润率204:
营业利润率反映企业经营效率是高还是低。营业利润率越高则从收入中获得利润的能力越强,因此营业利润率的数值越高则越好,说明企业更不容易受到财务风险的影响。
(5)每股收益205:
每股收益反映企业股东可以享有的收益或亏损,也是反映企业整体经营效果的指标。该指标是评价盈利能力十分重要的一个指标,数值越大越好。
本申请针对财务风险预警的需要选取了这几个指标,企业盈利能力的高低会表明企业应对财务风险的能力。因此盈利能力指标应该作为财务风险预警指标体系的重要部分。
参见图8,偿债能力指标是财务分析应用很广泛的指标,反映了企业偿还到期债务的能力。众所周知,现代企业的经营主要采取负债经营方式,因为在一定的债务比例下,企业能够发展的更好。在负债经营的好处之外,也有其风险。如果企业不能合理的安排负债,经营上出现的问题将会导致无法偿还到期债务的情况,严重的资不抵债甚至会导致企业破产。对于研究财务风险预警,偿债能力必然是很重要的一部分内容。也即,偿债能力指标的二级指标包括:流动比率301、速动比率302、现金比率303、资产负债率304和利息保障倍数305。
(1)流动比率301:
该指标反映企业在短期债务到期时使用流动资产进行偿还的能力。这个指标越高反映企业偿还短期债务的能力越强,不过过高的流动比率也不一定是好事,也有可能反映了企业资金利用效率不高。
(2)速动比率302:
速动比率与流动比率类似,但是扣除了变现能力较弱的存货。存货作为流动资产,其账面价值和可变现净值可能存在差异,随着市场情况的变化,存货的市场价值变化,使用存货账面价值来判断可以偿还债务的资产就不够那么精确。因此本申请也选取了速动比率指标。
(3)现金比率303:
该指标表示企业总资产中借款形成的部分所占比例。资产负债率可以从整体水平反映企业资产和负债的情况,如果资产负债率超过1,就说明企业已经资不抵债,因此资产负债率也是一个很重要的指标。通过资产负债率也能反映企业经营是否稳健等情况。
(4)资产负债率304:
现金比率是衡量偿债能力更严苛的指标,反映了企业当前不进行流动资产的变现,直接偿付负债的能力,因此是最保守的偿债能力指标。
(5)利息保障倍数305:
企业借款经营,存在高额的利息费用,到期是否能偿还利息也是企业偿债能力的重要一方面。利息保障倍数越高说明企业偿还利息能力越强,财务危机发生的可能性相应降低。针对财务风险的分析,偿债能力指标是十分重要的,因为企业财务风险的一个表现方式就是资不抵债,而偿债能力能从一定程度上反映企业的财务风险水平。
参见图9,现金流量指标在财务风险预测中的应用越来越多,因为现金流量反映了现金收支情况,而企业的运营无不需要现金的支持,而且财务数据可能会有修饰的情况,现金流量指标则很难被修饰。因此,现金流量在财务风险预警中的重要性越来越高。
本申请选取现金回收率、现金营运指数、营业收入现金净含量、净利润现金净含量、经营活动净流量增长率这几个现金流量指标。也即,现金流量指标的二级指标包括:现金回收率401、现金营运指数402、营业收入现金净含量403、净利润现金净含量404和经营活动净流量增长率405。
(1)现金回收率401:
该指标评价了企业资产创造现金及等价物的能力,指标越高反映资产创造现金及等价物的能力越强。
(2)现金营运指数402:
现金营运指数反映了现金回收的质量,可以衡量企业现金风险,也属于企业财务风险的特征指标。
(3)营业收入现金净含量403:
该指标反映了从营业收入中获得现金的能力,也是有可能表示企业财务风险特征的一个指标。
(4)净利润现金净含量404:
从公式可以看出是经营活动现金流量和净利润的比值,反映了销售后回收现金的能力。但是如果指标会受预收款项的影响,因为预收款项不计收入但是收到了现金增加了净现金流入。
(5)经营活动净流量增长率405:
该指标是现金流量增长率指标,反映了企业经营活动净现金流量的变化趋势,属于代表企业财务风险特征的指标。
已有诸多研究证明,现金流量指标在财务风险预警领域的重要性。因为财务数据可能会被修饰,但是现金流量是真实确切的,能够实际的反映企业的现金流动,因此选取现金流量指标应该能够提高预测模型的容错性。
参见图10,营运能力指标可以反映企业运营的效率。也从侧面反映了企业运用存货等各种资产获利的效率。企业的财务危机产生很多情况是企业经营不善,因此营运能力也是反映财务风险的重要指标。也即,营运能力指标的二级指标包括:总资产周转率501、流动资产周转率502、存货周转率503、应收账款周转率504和固定资产周转率505。
(1)总资产周转率501:
总资产周转率可以反映企业总资产的周转情况,资产周转越快,则资产利用效率越要,说明企业运营的越好。
(2)流动资产周转率502:
流动资产与总资产周转率类似,不过是反映流动资产的周转速率。
(3)存货周转率503:
存货是企业经营十分重要的一个科目,属于流动资产中与经营活动非常相关的,对存货的周转情况进行分析也变得十分重要。
(4)应收账款周转率504:
现在赊销是很普遍的情况,企业的确认了收入,但是以应收账款存在的比例很大,并没有收回现金进行再生产,应收账款如果能够及时收回,那对企业的经营是十分有利的。
(5)固定资产周转率505:
该指标是从固定资产的角度,固定资产周转率和同行业相比可以看出企业的固定资产的利用情况。
本申请选取的这几个指标,基本上涵盖了企业经营中涉及周转的资产,因此希望能够很好的表述企业情况。
参见图11,发展能力指标可以反映企业扩大经营规模,不断变强的能力。一个发展势头较好的公司,抵御财务危机的能力也会更强。当然也不排除盲目过快发展导致经营后继无力等情况,因此需要辩证的去看待。也即,发展能力指标的二级指标包括:净利润增长率601、总资产增长率602、主营业务增长率603和固定资产增长率604。
(1)净利润增长率601:
净利润是企业支付利息和税金后的净流入,是企业确实增长的部分。因此,净利润的增长率越高,反映企业在连续期间经营业绩越好。
(2)总资产增长率602:
总资产增长率反映企业资本规模扩大的情况,总资产反映了企业全部可以带来收益的部分。公司规模的扩大是发展的一个显著指标。发展情况好的企业,资产一般可以保持稳定增长。
(3)主营业务增长率603:
主营业务收入增长率这个指标多用于判断企业产品生命周期情况,不同的区间增长率反映产品是否仍有发展潜力。公司的主营业务增长率可用来确定企业的发展能力是否足够。
(4)固定资产增长率604:
固定资产作为金额较大的资产,在生产经营过程中发挥重要作用,因此也可能对企业财务风险状况产生影响。
发展能力同样是财务风险预警的重要指标,因为企业发展的状况不同,处于不同生命周期的企业抵御财务风险的能力是不一样的。因此需要选取该类指标。
参见图12,目前已有一些风险水平指标可以用于衡量企业风险水平,本申请选取了财务杠杆和经营杠杆这两个指标作为衡量企业风险水平的指标。也即,风险水平指标的二级指标包括:财务杠杆701和经营杠杆702。
(1)财务杠杆701:
财务杠杆与财务风险是相关的,财务杠杆的大小反映了企业可能承受风险的大小,因此选取财务杠杆作为风险水平的指标。
(2)经营杠杆702:
经营杠杆的大小反映了企业的经营风险,经营杠杆大的时候,业务量下降,利润率会更大的程度下降,经营风险便会更高。因此选取经营杠杆来进行分析,作为反映企业财务风险水平的特征指标。
参见图13,目前已有很多学者进行研究,证明在财务风险预警当中引入非财务指标能取得不错的效果,因此本申请在参考前人研究的基础上,初选了第一大股东持股比例、十大股东集中度、审计意见这三个非财务指标进行分析。也即,非财务指标的二级指标包括:第一大股东持股比例801、十大股权集中度802和审计意见803。
(1)第一大股东持股比例801:
第一大股东持股比例可以看出企业控制权是否十分集中。由于企业经营的控制权代表了企业经营的一致性,所以本申请选取这个非财务指标作为一个分析变量。
(2)十大股东集中度802:
与第一个指标类似,该指标代表前十大股东的总体持股比例。
(3)审计意见803:
审计作为对财务报表的一种监督,审计意见从第三方的角度来衡量企业财务信息是否可信,因此也会对整体分析产生影响。
本申请应用实例选取29个二级指标,具体指标如图7-图13所示,这些指标是基于前人的研究筛选出来的有效指标,由于深度学习方法具有自我学习能力,因此本申请应用实例选取尽可能多的指标来对样本企业进行描述,希望能更全面的表现企业情况。但是,在进行数据搜集过程中有的指标不易获取,不符合指标选取可操作性的原则,因此也将其剔除。
最终的指标体系一共包括上述指标中的22个指标。剔除了偿债能力指标中的利息保障倍数、营运能力指标中的流动资产周转率和固定资产周转率、发展能力指标中的主营业务增长率和固定资产增长率、非财务指标中的股权集中指标和审计意见。
(二)深度学习卷积神经网络训练及测试
神经网络模型结构主要包括输入层、隐含层以及输出层这三个部分,卷积神经网络的隐含层主要包括三种常见结构:卷积层,池化层和全连接层。在在通常的构造中,卷积层和池化层对于卷积神经网络是特有的。如图14所示,建立卷积神经网络结构。
首先在步骤901的输入层中,输入对象I。由于降低模型复杂度的必要性,因此需要采用灰度图像。因此,在输入层中,需要将输入对象I转换为RGB彩色图像,在利用RGB图像时,会存在三个输入图像。在这之后将三个输入图像进行标准化处理。第二,在步骤902的卷积层和池化层中,可以存在着多个卷积层C(例如C1层及C2层)和多个下采样层S(例如S1层及S2层)。在卷积层中,将每一层的输出对象与每一层的权重进行卷积,经过卷积层之后,将上述卷积结果进行下采样操作,从而得到池化层。最后,在输出层中,卷积层和收集层的结果被步骤903中的光栅化层X以完全连接到传统的多层感知器。前一层的输出的每个像素顺序地扩展,排列,然后连接到步骤904传统的多层感知器N后由输出层O输出,且图14中的W1至W4均表示权重。
首先,对于卷积层来说,将输入数据导入到卷积层,卷积层能够从输入数据中提取特征,输入对象应该存在多个卷积核,而在这些卷积核中,构成卷积核所需要的每一个元素事实上都应该存在着与其相对应的权重系数和偏差量。在这样的卷积层中,存在多个神经元,其中的任何一个神经元都应该与靠近前一层的多个神经元相连接,卷积核的大小能够决定连接神经元的数量大小。当卷积核工作时,它将定期扫描输入特征,并通过感知域中的输入特征将矩阵元素相乘并叠加偏差。
式中的求和部分等价于求解一次交叉相关(cross-correlation),b为偏差量,Zl和Zl+1表示第l+1层的卷积输入和输出,也被称为特征图(feature map),Ll+1为Zl+1的尺寸,这里假设特征图长宽相同。Z(i,j)对应特征图的像素,K为特征图的通道数,f、s0和p是卷积层参数,对应卷积核大小、卷积步长(stride)和(padding)层数。
单位卷积核组成的卷积层也被称为网中网(Network-In-Network,NIN)或多层感知器卷积层(Multilayer Perceptron Convolution Layer)。单位卷积核可以在保持特征图尺寸的同时减少特征图的通道数从而降低卷积层的计算量。完全由单位卷积核构建的卷积神经网络是一个包含参数共享的多层感知器(Muti-Layer Perceptron,MLP)的系统,比传统的MLP具有泛化能力强的优势。
其次,当输入数据在经过卷积层的特征提取之后,卷积层的输出数据将会被传入池化层。在池化层中,将卷积层的输出数据进行特征选择和信息过滤,也就是进行下采样过程。在池化层中,输入数据会以和在卷积层中一样的方式选择池化区域,这一区域同样是由池化大小,步长和填充决定的。
最后,在卷积神经网络模型中,池化层和最后的多层感知器中间存在着一个连接层,这样的连接层和传统的神经网络中存在的隐藏层有相同的作用。在卷积神经网络模型中,连接层一般是连接在卷积神经网络中隐藏层的最后部分,而且能够将信号传入其他连接层,具有传导作用。在连接层中,输出的特征图会失去三维结构,转换为向量或者矩阵,并且通过激励函数传入多层感知器。
(三)供应商风险评估
本申请应用实例使用CNN这一深度学习方法对供应商财务风险进行有效预测。卷积神经网络结构如图14所示。
在训练过程中,首先要确定步骤901中的输入层的变量数,这是由指标体系所决定。在选取适量的变量指标后,设置训练集、测试集以及验证集,如图15所示。训练集样本用于训练学习,验证集样本用于参数调优,模型优化,测试集数据用于预测结果,检验预测效果。
其次,需要确定步骤902中的卷积层和池化层。这也是训练的一个难点,在第一卷积层中,选择64个大小为1×3的卷积核,以便提取每个供应商在不同时间点的行为的特征。卷积层之后是一个池化层,它充当二次提取特征,其每个神经元汇集本地接受的域。常用的池化方法是最大池化,随机池化和平均池化。在汇集层连接到第二卷积层之后,选择128个大小为1×3的卷积核。目的是进一步提取供应商在不同时间点的每个行为指标的特征。并同时提取供应商不同行为的特征。在第二卷积层之后还连接汇集层。
最后,将上述得到的结果经过步骤903中的光栅化最终预测出供应商是否存在财务风险。
综上所述,供应商面临的风险多样化,通过文献研究且结合目前实际情况,卷积神经网络模型对供应商财务风险指标体系的预测准确率明显高于其他模型,并且随着样本集数据量的增加,准备率进一步提高。卷积神经网络模型可以自动从数据中学习特征,与人工设计特征相比可以节省大量时间。因此,本申请设计的深度学习卷积神经网络在供应商风险评估领域具有更多优势。
从软件层面来说,为了有效提高供应商财务风险预测的准确性,进而能够有效规避供应商潜在风险,保证自身企业的运转可靠性,本申请提供一种用于实现所述供应商财务风险预测方法全部或部分内容的供应商财务风险预测装置的实施例,参见图16,所述供应商财务风险预测装置具体包含有如下内容:
供应商数据获取模块10,用于获取目标供应商的财务风险指标数据;
财务风险预测模块20,用于将所述财务风险指标数据输入预设的卷积神经网络模型,并将该卷积神经网络模型的输出作为所述目标供应商对应的财务风险预测结果;
预测结果输出模块30,用于输出所述目标供应商对应的财务风险预测结果。
为了有效提高卷积神经网络模型应用的准确性及可靠性,在本申请的供应商财务风险预测装置中的一个实施例中,参见图17,所述供应商财务风险预测装置还具体包含有如下内容:
历史数据获取模块01,用于获取各个所述供应商的历史财务风险指标数据;
模型训练模块02,用于应用各个所述供应商的历史财务风险指标数据训练卷积神经网络模型,以使该卷积神经网络模型用于预测供应商的财务风险。
为了进一步地提高卷积神经网络模型的训练准确性,在本申请的供应商财务风险预测装置中的一个实施例中,所述供应商财务风险预测装置中的历史数据获取模块01还具体包含有如下内容:
指标体系设置单元,用于设置用于反映供应商财务风险的指标体系;
财务风险指标筛选单元,用于自所述指标体系中筛选任意数量的指标作为供应商的财务风险指标;
历史财务风险指标数据获取单元,用于基于所述供应商的财务风险指标获取各个所述供应商的历史财务风险指标数据。
其中,所述指标体系包括:多个一级指标以及各个所述一级指标各自对应的二级指标;
相对应的,所述目标供应商的财务风险指标数据为基于所述指标体系中的任意数量的指标提取而得。
为了进一步地提高卷积神经网络模型的训练准确性,在本申请的供应商财务风险预测装置中的一个实施例中,所述供应商财务风险预测装置中的模型训练模块02还具体包含有如下内容:
数据集划分单元,用于将各个所述供应商的历史财务风险指标数据划分为训练集、测试集以及验证集;
训练单元,用于应用所述训练集训练卷积神经网络模型;
测试单元,用于根据所述测试集用于对训练得到的卷积神经网络模型进行测试,并基于对应的测试结果调整所述卷积神经网络模型的参数;
验证单元,用于基于所述验证集检测所述卷积神经网络模型的预测效果。
其中,所述卷积神经网络模型包括依次连接的输入层、隐含层和输出层;
所述隐含层包括多个卷积层和多个池化层;
所述输出层包括光栅化层和多层感知器。
为了进一步地提高供应商财务风险预测的准确性,在本申请的供应商财务风险预测装置中的一个实施例中,所述供应商财务风险预测装置中的供应商数据获取模块10具体包含有如下内容:
图像数据获取单元,用于获取目标供应商的财务风险指标数据对应的灰度图像数据。
为了进一步地提高供应商财务风险预测的准确性,在本申请的供应商财务风险预测装置中的一个实施例中,所述供应商财务风险预测装置中的财务风险预测模块20具体包含有如下内容:
财务风险预测单元,用于将目标供应商的财务风险指标数据对应的灰度图像数据输入预设的卷积神经网络模型的所述输入层,以使该输入层应用预设的RGB转换方式将所述灰度图像数据转化为RGB彩色图像对应的三张输入图像,并将三张所述输入图像输入所述卷积层进行特征提取,而后将所述卷积层输出的数据传入所述池化层进行特征选择和信息过滤,得到对应的下采样结果,并将所述下采样结果发送至所述输出层,得到该输出层输出的所述目标供应商对应的财务风险预测结果。
其中,所述一级指标包括:盈利能力指标、偿债能力指标、现金流量指标、营运能力指标、发展能力指标、风险水平指标和非财务指标;
所述盈利能力指标用于反映供应商的企业生产经营获利的能力;
所述偿债能力指标用于反映供应商的企业偿还到期债务的能力;
所述现金流量指标用于反映供应商的企业现金收支情况;
所述营运能力指标用于反映供应商的企业运营的效率;
所述发展能力指标用于反映供应商的企业扩大经营规模的能力;
所述风险水平指标用于反映供应商的企业财务风险水平;
所述非财务指标用于反映供应商的企业非财务风险水平。
所述盈利能力指标的二级指标包括:净资产收益率、总资产报酬率、总资产净利率、营业利润率和每股收益;
所述偿债能力指标的二级指标包括:流动比率、速动比率、现金比率、资产负债率和利息保障倍数;
所述现金流量指标的二级指标包括:现金回收率、现金营运指数、营业收入现金净含量、净利润现金净含量和经营活动净流量增长率;
所述营运能力指标的二级指标包括:总资产周转率、流动资产周转率、存货周转率、应收账款周转率和固定资产周转率;
所述发展能力指标的二级指标包括:净利润增长率、总资产增长率、主营业务增长率和固定资产增长率;
所述风险水平指标的二级指标包括:财务杠杆和经营杠杆;
所述非财务指标的二级指标包括:第一大股东持股比例、股权集中度和审计意见。
所述供应商的财务风险指标包括:净资产收益率、总资产报酬率、总资产净利率、营业利润率、每股收益、流动比率、速动比率、现金比率、资产负债率、现金回收率、现金营运指数、营业收入现金净含量、净利润现金净含量、经营活动净流量增长率、总资产周转率、存货周转率、应收账款周转率、净利润增长率、总资产增长率、财务杠杆、经营杠杆和第一大股东持股比例。
从硬件层面来说,为了能够有效提高供应商财务风险预测的准确性,进而能够有效规避供应商潜在风险,保证自身企业的运转可靠性,本申请提供一种用于实现所述供应商财务风险预测方法中的全部或部分内容的电子设备的实施例,所述电子设备具体包含有如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现电子设备与用户终端以及相关数据库等相关设备之间的信息传输;该电子设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该电子设备可以参照实施例中的供应商财务风险预测方法的实施例,以及,供应商财务风险预测装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
图18为本申请实施例的电子设备9600的系统构成的示意框图。如图18所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图18是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
在一实施例中,供应商财务风险预测功能可以被集成到中央处理器中。其中,中央处理器可以被配置为进行如下控制:
步骤100:获取目标供应商的财务风险指标数据。
步骤200:将所述财务风险指标数据输入预设的卷积神经网络模型,并将该卷积神经网络模型的输出作为所述目标供应商对应的财务风险预测结果。
可以理解的是,所述卷积神经网络模型包括依次连接的输入层、隐含层和输出层;所述隐含层包括多个卷积层和多个池化层;所述输出层包括光栅化层和多层感知器。卷积神经网络模型结构主要包括输入层、隐含层以及输出层这三个部分,卷积神经网络的隐含层主要包括三种常见结构:卷积层,池化层和全连接层。在在通常的构造中,卷积层和池化层对于卷积神经网络是特有的。
步骤300:输出所述目标供应商对应的财务风险预测结果。
在步骤300中,所述供应商财务风险预测装置可以将所述目标供应商对应的财务风险预测结果发送至对应的客户终端进行显示,以使用于能够根据该目标供应商对应的财务风险预测结果判断该目标供应商是否存在财务风险,若是,则将该目标供应商加入预设的供应商黑名单,并应有预设的风险控制方案对该目标供应商进行风险控制。
从上述描述可知,本申请实施例提供的电子设备,能够通过具有自我学习能力的深度学习卷积神经网络对供应商财务风险进行预测,卷积神经网络模型可以自动从数据中学习特征,与人工设计特征相比可以节省大量时间,并能够有效提高供应商财务风险预测的准确性,进而能够有效规避供应商潜在风险,保证自身企业的运转可靠性。
在另一个实施方式中,供应商财务风险预测装置可以与中央处理器9100分开配置,例如可以将供应商财务风险预测装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现供应商财务风险预测功能。
如图18所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图18中所示的所有部件;此外,电子设备9600还可以包括图18中没有示出的部件,可以参考现有技术。
如图18所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的供应商财务风险预测方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的供应商财务风险预测方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:获取目标供应商的财务风险指标数据。
步骤200:将所述财务风险指标数据输入预设的卷积神经网络模型,并将该卷积神经网络模型的输出作为所述目标供应商对应的财务风险预测结果。
可以理解的是,所述卷积神经网络模型包括依次连接的输入层、隐含层和输出层;所述隐含层包括多个卷积层和多个池化层;所述输出层包括光栅化层和多层感知器。卷积神经网络模型结构主要包括输入层、隐含层以及输出层这三个部分,卷积神经网络的隐含层主要包括三种常见结构:卷积层,池化层和全连接层。在在通常的构造中,卷积层和池化层对于卷积神经网络是特有的。
步骤300:输出所述目标供应商对应的财务风险预测结果。
在步骤300中,所述供应商财务风险预测装置可以将所述目标供应商对应的财务风险预测结果发送至对应的客户终端进行显示,以使用于能够根据该目标供应商对应的财务风险预测结果判断该目标供应商是否存在财务风险,若是,则将该目标供应商加入预设的供应商黑名单,并应有预设的风险控制方案对该目标供应商进行风险控制。
从上述描述可知,本申请实施例提供的计算机可读存储介质,能够通过具有自我学习能力的深度学习卷积神经网络对供应商财务风险进行预测,卷积神经网络模型可以自动从数据中学习特征,与人工设计特征相比可以节省大量时间,并能够有效提高供应商财务风险预测的准确性,进而能够有效规避供应商潜在风险,保证自身企业的运转可靠性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (24)
1.一种供应商财务风险预测方法,其特征在于,包括:
获取目标供应商的财务风险指标数据;
将所述财务风险指标数据输入预设的卷积神经网络模型,并将该卷积神经网络模型的输出作为所述目标供应商对应的财务风险预测结果;
输出所述目标供应商对应的财务风险预测结果。
2.根据权利要求1所述的供应商财务风险预测方法,其特征在于,在所述获取目标供应商的财务风险指标数据之前,还包括:
获取各个所述供应商的历史财务风险指标数据;
应用各个所述供应商的历史财务风险指标数据训练卷积神经网络模型,以使该卷积神经网络模型用于预测供应商的财务风险。
3.根据权利要求2所述的供应商财务风险预测方法,其特征在于,所述获取各个所述供应商的历史财务风险指标数据,包括:
设置用于反映供应商财务风险的指标体系;
自所述指标体系中筛选任意数量的指标作为供应商的财务风险指标;
基于所述供应商的财务风险指标获取各个所述供应商的历史财务风险指标数据。
4.根据权利要求3所述的供应商财务风险预测方法,其特征在于,所述指标体系包括:多个一级指标以及各个所述一级指标各自对应的二级指标;
相对应的,所述目标供应商的财务风险指标数据为基于所述指标体系中的任意数量的指标提取而得。
5.根据权利要求2所述的供应商财务风险预测方法,其特征在于,所述应用各个所述供应商的历史财务风险指标数据训练卷积神经网络模型,以使该卷积神经网络模型用于预测供应商的财务风险,包括:
将各个所述供应商的历史财务风险指标数据划分为训练集、测试集以及验证集;
应用所述训练集训练卷积神经网络模型;
根据所述测试集用于对训练得到的卷积神经网络模型进行测试,并基于对应的测试结果调整所述卷积神经网络模型的参数;
以及,基于所述验证集检测所述卷积神经网络模型的预测效果。
6.根据权利要求1至5任一项所述的供应商财务风险预测方法,其特征在于,所述卷积神经网络模型包括依次连接的输入层、隐含层和输出层;
所述隐含层包括多个卷积层和多个池化层;
所述输出层包括光栅化层和多层感知器。
7.根据权利要求6所述的供应商财务风险预测方法,其特征在于,所述获取目标供应商的财务风险指标数据,包括:
获取目标供应商的财务风险指标数据对应的灰度图像数据。
8.根据权利要求7所述的供应商财务风险预测方法,其特征在于,所述将所述财务风险指标数据输入预设的卷积神经网络模型,并将该卷积神经网络模型的输出作为所述目标供应商对应的财务风险预测结果,包括:
将目标供应商的财务风险指标数据对应的灰度图像数据输入预设的卷积神经网络模型的所述输入层,以使该输入层应用预设的RGB转换方式将所述灰度图像数据转化为RGB彩色图像对应的三张输入图像,并将三张所述输入图像输入所述卷积层进行特征提取,而后将所述卷积层输出的数据传入所述池化层进行特征选择和信息过滤,得到对应的下采样结果,并将所述下采样结果发送至所述输出层,得到该输出层输出的所述目标供应商对应的财务风险预测结果。
9.根据权利要求4所述的供应商财务风险预测方法,其特征在于,所述一级指标包括:盈利能力指标、偿债能力指标、现金流量指标、营运能力指标、发展能力指标、风险水平指标和非财务指标;
所述盈利能力指标用于反映供应商的企业生产经营获利的能力;
所述偿债能力指标用于反映供应商的企业偿还到期债务的能力;
所述现金流量指标用于反映供应商的企业现金收支情况;
所述营运能力指标用于反映供应商的企业运营的效率;
所述发展能力指标用于反映供应商的企业扩大经营规模的能力;
所述风险水平指标用于反映供应商的企业财务风险水平;
所述非财务指标用于反映供应商的企业非财务风险水平。
10.根据权利要求9所述的供应商财务风险预测方法,其特征在于,所述盈利能力指标的二级指标包括:净资产收益率、总资产报酬率、总资产净利率、营业利润率和每股收益;
所述偿债能力指标的二级指标包括:流动比率、速动比率、现金比率、资产负债率和利息保障倍数;
所述现金流量指标的二级指标包括:现金回收率、现金营运指数、营业收入现金净含量、净利润现金净含量和经营活动净流量增长率;
所述营运能力指标的二级指标包括:总资产周转率、流动资产周转率、存货周转率、应收账款周转率和固定资产周转率;
所述发展能力指标的二级指标包括:净利润增长率、总资产增长率、主营业务增长率和固定资产增长率;
所述风险水平指标的二级指标包括:财务杠杆和经营杠杆;
所述非财务指标的二级指标包括:第一大股东持股比例、股权集中度和审计意见。
11.根据权利要求9所述的供应商财务风险预测方法,其特征在于,所述供应商的财务风险指标包括:净资产收益率、总资产报酬率、总资产净利率、营业利润率、每股收益、流动比率、速动比率、现金比率、资产负债率、现金回收率、现金营运指数、营业收入现金净含量、净利润现金净含量、经营活动净流量增长率、总资产周转率、存货周转率、应收账款周转率、净利润增长率、总资产增长率、财务杠杆、经营杠杆和第一大股东持股比例。
12.一种供应商财务风险预测装置,其特征在于,包括:
供应商数据获取模块,用于获取目标供应商的财务风险指标数据;
财务风险预测模块,用于将所述财务风险指标数据输入预设的卷积神经网络模型,并将该卷积神经网络模型的输出作为所述目标供应商对应的财务风险预测结果;
预测结果输出模块,用于输出所述目标供应商对应的财务风险预测结果。
13.根据权利要求12所述的供应商财务风险预测装置,其特征在于,还包括:
历史数据获取模块,用于获取各个所述供应商的历史财务风险指标数据;
模型训练模块,用于应用各个所述供应商的历史财务风险指标数据训练卷积神经网络模型,以使该卷积神经网络模型用于预测供应商的财务风险。
14.根据权利要求13所述的供应商财务风险预测装置,其特征在于,所述历史数据获取模块包括:
指标体系设置单元,用于设置用于反映供应商财务风险的指标体系;
财务风险指标筛选单元,用于自所述指标体系中筛选任意数量的指标作为供应商的财务风险指标;
历史财务风险指标数据获取单元,用于基于所述供应商的财务风险指标获取各个所述供应商的历史财务风险指标数据。
15.根据权利要求14所述的供应商财务风险预测装置,其特征在于,所述指标体系包括:多个一级指标以及各个所述一级指标各自对应的二级指标;
相对应的,所述目标供应商的财务风险指标数据为基于所述指标体系中的任意数量的指标提取而得。
16.根据权利要求13所述的供应商财务风险预测装置,其特征在于,所述模型训练模块包括:
数据集划分单元,用于将各个所述供应商的历史财务风险指标数据划分为训练集、测试集以及验证集;
训练单元,用于应用所述训练集训练卷积神经网络模型;
测试单元,用于根据所述测试集用于对训练得到的卷积神经网络模型进行测试,并基于对应的测试结果调整所述卷积神经网络模型的参数;
验证单元,用于基于所述验证集检测所述卷积神经网络模型的预测效果。
17.根据权利要求12至16任一项所述的供应商财务风险预测装置,其特征在于,所述卷积神经网络模型包括依次连接的输入层、隐含层和输出层;
所述隐含层包括多个卷积层和多个池化层;
所述输出层包括光栅化层和多层感知器。
18.根据权利要求17所述的供应商财务风险预测装置,其特征在于,所述供应商数据获取模块包括:
图像数据获取单元,用于获取目标供应商的财务风险指标数据对应的灰度图像数据。
19.根据权利要求18所述的供应商财务风险预测装置,其特征在于,所述财务风险预测模块包括:
财务风险预测单元,用于将目标供应商的财务风险指标数据对应的灰度图像数据输入预设的卷积神经网络模型的所述输入层,以使该输入层应用预设的RGB转换方式将所述灰度图像数据转化为RGB彩色图像对应的三张输入图像,并将三张所述输入图像输入所述卷积层进行特征提取,而后将所述卷积层输出的数据传入所述池化层进行特征选择和信息过滤,得到对应的下采样结果,并将所述下采样结果发送至所述输出层,得到该输出层输出的所述目标供应商对应的财务风险预测结果。
20.根据权利要求15所述的供应商财务风险预测装置,其特征在于,所述一级指标包括:盈利能力指标、偿债能力指标、现金流量指标、营运能力指标、发展能力指标、风险水平指标和非财务指标;
所述盈利能力指标用于反映供应商的企业生产经营获利的能力;
所述偿债能力指标用于反映供应商的企业偿还到期债务的能力;
所述现金流量指标用于反映供应商的企业现金收支情况;
所述营运能力指标用于反映供应商的企业运营的效率;
所述发展能力指标用于反映供应商的企业扩大经营规模的能力;
所述风险水平指标用于反映供应商的企业财务风险水平;
所述非财务指标用于反映供应商的企业非财务风险水平。
21.根据权利要求20所述的供应商财务风险预测装置,其特征在于,所述盈利能力指标的二级指标包括:净资产收益率、总资产报酬率、总资产净利率、营业利润率和每股收益;
所述偿债能力指标的二级指标包括:流动比率、速动比率、现金比率、资产负债率和利息保障倍数;
所述现金流量指标的二级指标包括:现金回收率、现金营运指数、营业收入现金净含量、净利润现金净含量和经营活动净流量增长率;
所述营运能力指标的二级指标包括:总资产周转率、流动资产周转率、存货周转率、应收账款周转率和固定资产周转率;
所述发展能力指标的二级指标包括:净利润增长率、总资产增长率、主营业务增长率和固定资产增长率;
所述风险水平指标的二级指标包括:财务杠杆和经营杠杆;
所述非财务指标的二级指标包括:第一大股东持股比例、股权集中度和审计意见。
22.根据权利要求20所述的供应商财务风险预测装置,其特征在于,所述供应商的财务风险指标包括:净资产收益率、总资产报酬率、总资产净利率、营业利润率、每股收益、流动比率、速动比率、现金比率、资产负债率、现金回收率、现金营运指数、营业收入现金净含量、净利润现金净含量、经营活动净流量增长率、总资产周转率、存货周转率、应收账款周转率、净利润增长率、总资产增长率、财务杠杆、经营杠杆和第一大股东持股比例。
23.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至11任一项所述的供应商财务风险预测方法的步骤。
24.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至11任一项所述的供应商财务风险预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131432.1A CN111292007A (zh) | 2020-02-28 | 2020-02-28 | 供应商财务风险预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131432.1A CN111292007A (zh) | 2020-02-28 | 2020-02-28 | 供应商财务风险预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111292007A true CN111292007A (zh) | 2020-06-16 |
Family
ID=71025713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010131432.1A Pending CN111292007A (zh) | 2020-02-28 | 2020-02-28 | 供应商财务风险预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111292007A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798297A (zh) * | 2020-06-19 | 2020-10-20 | 中国经济信息社有限公司 | 一种财务风险预警分析的方法与装置 |
CN112184056A (zh) * | 2020-10-19 | 2021-01-05 | 中国工商银行股份有限公司 | 基于卷积神经网络的数据特征提取方法及系统 |
CN112434862A (zh) * | 2020-11-27 | 2021-03-02 | 中国人民大学 | 上市企业财务困境预测方法及装置 |
CN112488496A (zh) * | 2020-11-27 | 2021-03-12 | 山东浪潮通软信息科技有限公司 | 一种财务指标预测方法及装置 |
CN112488499A (zh) * | 2020-11-28 | 2021-03-12 | 广东电网有限责任公司 | 基于供应商规模的司法风险预警方法、装置、终端 |
CN112801456A (zh) * | 2020-12-30 | 2021-05-14 | 北京知因智慧科技有限公司 | 资金流动性风险预警方法、装置和电子设备 |
CN112950004A (zh) * | 2021-02-07 | 2021-06-11 | 成都工业职业技术学院 | 一种企业财务风险预警方法、装置及计算机可读存储介质 |
CN113129122A (zh) * | 2021-04-30 | 2021-07-16 | 国家电网有限公司 | 财务风险预警审计方法、装置、电子设备、及存储介质 |
CN113177733A (zh) * | 2021-05-20 | 2021-07-27 | 北京信息科技大学 | 基于卷积神经网络的中小微企业数据建模方法及系统 |
CN113362054A (zh) * | 2021-06-03 | 2021-09-07 | 八维通科技有限公司 | 基于人工智能的城市公共交通支付的数字清分结算系统 |
CN113408934A (zh) * | 2021-07-05 | 2021-09-17 | 中国工商银行股份有限公司 | 催收任务分配方法、装置、设备、存储介质、程序产品 |
CN114254916A (zh) * | 2021-12-20 | 2022-03-29 | 国网江苏省电力有限公司物资分公司 | 具有电网业务特色的多维度供应商风险实时预警方法 |
CN115330531A (zh) * | 2022-09-05 | 2022-11-11 | 南方电网数字电网研究院有限公司 | 一种基于用电变动周期的企业风险预测方法 |
US11556935B1 (en) | 2021-07-28 | 2023-01-17 | International Business Machines Corporation | Financial risk management based on transactions portrait |
CN117172381A (zh) * | 2023-09-05 | 2023-12-05 | 薪海科技(上海)有限公司 | 基于大数据的风险预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376319A (zh) * | 2018-03-14 | 2018-08-07 | 重庆金融资产交易所有限责任公司 | 企业综合实力评估方法、服务器及存储介质 |
CN109583682A (zh) * | 2018-10-11 | 2019-04-05 | 平安科技(深圳)有限公司 | 企业财务造假风险的识别方法、装置以及计算机设备 |
CN109784779A (zh) * | 2019-03-04 | 2019-05-21 | 广州杰赛科技股份有限公司 | 财务风险预测方法、装置及存储介质 |
CN110097252A (zh) * | 2019-03-29 | 2019-08-06 | 五渡(杭州)科技有限责任公司 | 一种用于供应链金融的风险识别系统及其方法 |
CN110264085A (zh) * | 2019-06-21 | 2019-09-20 | 黄河科技学院 | 一种工商管理企业风险评估及预警系统 |
CN110414709A (zh) * | 2019-06-18 | 2019-11-05 | 重庆金融资产交易所有限责任公司 | 债务风险智能预测方法、装置及计算机可读存储介质 |
-
2020
- 2020-02-28 CN CN202010131432.1A patent/CN111292007A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376319A (zh) * | 2018-03-14 | 2018-08-07 | 重庆金融资产交易所有限责任公司 | 企业综合实力评估方法、服务器及存储介质 |
CN109583682A (zh) * | 2018-10-11 | 2019-04-05 | 平安科技(深圳)有限公司 | 企业财务造假风险的识别方法、装置以及计算机设备 |
CN109784779A (zh) * | 2019-03-04 | 2019-05-21 | 广州杰赛科技股份有限公司 | 财务风险预测方法、装置及存储介质 |
CN110097252A (zh) * | 2019-03-29 | 2019-08-06 | 五渡(杭州)科技有限责任公司 | 一种用于供应链金融的风险识别系统及其方法 |
CN110414709A (zh) * | 2019-06-18 | 2019-11-05 | 重庆金融资产交易所有限责任公司 | 债务风险智能预测方法、装置及计算机可读存储介质 |
CN110264085A (zh) * | 2019-06-21 | 2019-09-20 | 黄河科技学院 | 一种工商管理企业风险评估及预警系统 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798297A (zh) * | 2020-06-19 | 2020-10-20 | 中国经济信息社有限公司 | 一种财务风险预警分析的方法与装置 |
CN111798297B (zh) * | 2020-06-19 | 2023-12-19 | 中国经济信息社有限公司 | 一种财务风险预警分析的方法与装置 |
CN112184056A (zh) * | 2020-10-19 | 2021-01-05 | 中国工商银行股份有限公司 | 基于卷积神经网络的数据特征提取方法及系统 |
CN112184056B (zh) * | 2020-10-19 | 2024-02-09 | 中国工商银行股份有限公司 | 基于卷积神经网络的数据特征提取方法及系统 |
CN112434862A (zh) * | 2020-11-27 | 2021-03-02 | 中国人民大学 | 上市企业财务困境预测方法及装置 |
CN112488496A (zh) * | 2020-11-27 | 2021-03-12 | 山东浪潮通软信息科技有限公司 | 一种财务指标预测方法及装置 |
CN112434862B (zh) * | 2020-11-27 | 2024-03-12 | 中国人民大学 | 上市企业财务困境预测方法及装置 |
CN112488499A (zh) * | 2020-11-28 | 2021-03-12 | 广东电网有限责任公司 | 基于供应商规模的司法风险预警方法、装置、终端 |
CN112801456A (zh) * | 2020-12-30 | 2021-05-14 | 北京知因智慧科技有限公司 | 资金流动性风险预警方法、装置和电子设备 |
CN112950004A (zh) * | 2021-02-07 | 2021-06-11 | 成都工业职业技术学院 | 一种企业财务风险预警方法、装置及计算机可读存储介质 |
CN113129122A (zh) * | 2021-04-30 | 2021-07-16 | 国家电网有限公司 | 财务风险预警审计方法、装置、电子设备、及存储介质 |
CN113177733A (zh) * | 2021-05-20 | 2021-07-27 | 北京信息科技大学 | 基于卷积神经网络的中小微企业数据建模方法及系统 |
CN113177733B (zh) * | 2021-05-20 | 2023-05-02 | 北京信息科技大学 | 基于卷积神经网络的中小微企业数据建模方法及系统 |
CN113362054A (zh) * | 2021-06-03 | 2021-09-07 | 八维通科技有限公司 | 基于人工智能的城市公共交通支付的数字清分结算系统 |
CN113408934A (zh) * | 2021-07-05 | 2021-09-17 | 中国工商银行股份有限公司 | 催收任务分配方法、装置、设备、存储介质、程序产品 |
US11556935B1 (en) | 2021-07-28 | 2023-01-17 | International Business Machines Corporation | Financial risk management based on transactions portrait |
CN114254916A (zh) * | 2021-12-20 | 2022-03-29 | 国网江苏省电力有限公司物资分公司 | 具有电网业务特色的多维度供应商风险实时预警方法 |
CN115330531B (zh) * | 2022-09-05 | 2023-12-22 | 南方电网数字电网研究院有限公司 | 一种基于用电变动周期的企业风险预测方法 |
CN115330531A (zh) * | 2022-09-05 | 2022-11-11 | 南方电网数字电网研究院有限公司 | 一种基于用电变动周期的企业风险预测方法 |
CN117172381A (zh) * | 2023-09-05 | 2023-12-05 | 薪海科技(上海)有限公司 | 基于大数据的风险预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292007A (zh) | 供应商财务风险预测方法及装置 | |
Fafaliou et al. | Firms’ ESG reputational risk and market longevity: A firm-level analysis for the United States | |
CN109389491A (zh) | 基于大数据的贷款产品筛选方法、装置、设备及存储介质 | |
Eiamkanitchat et al. | Fundamental analysis and technical analysis integrated system for stock filtration | |
Huang et al. | Deep reinforcement learning for portfolio management | |
Wang et al. | Exploring the bidirectional causality between green markets and economic policy: evidence from the time-varying Granger test | |
Banholzer et al. | Exploiting investor sentiment for portfolio optimization | |
Kaniovski et al. | Risk assessment for credit portfolios: a coupled Markov chain model | |
Biswas et al. | Automated credit assessment framework using ETL process and machine learning | |
Ruiz et al. | Micro-foundations and Methodology: A Complexity-Based Reconceptualization of the Debate | |
Lin et al. | A deep reinforcement learning framework for optimal trade execution | |
Bryleva et al. | The non-financial private firms’ sector of Spain in 2011–2017: the financial fragility hypothesis-based analysis | |
Maes | Modeling the term structure of interest rates: Where do we stand? | |
Hall et al. | Macro-econometric system modelling@ 75 | |
CN108256667A (zh) | 资产数据处理方法、装置、存储介质和计算机设备 | |
Zhou et al. | Evolution of high-frequency systematic trading: a performance-driven gradient boosting model | |
Poli et al. | WATTNet: learning to trade FX via hierarchical spatio-temporal representation of highly multivariate time series | |
Algeri et al. | Do spatial dependence and market power matter in the diversification of cooperative banks? | |
Chavan et al. | Intelligent Investment Portfolio Management using Time-Series Analytics and Deep Reinforcement Learning | |
Zhang et al. | Comparison between Autoregression model and Gaussian Process model on stock price prediction: a case study with the Microsoft stock | |
Pham et al. | Credit Rating Models for Firms in Vietnam Using Artificial Neural Networks (ANN) | |
CN116542353A (zh) | 隐含波动率预测方法、价格预测方法、装置、设备及介质 | |
Pazaj | The value-momentum correlation: An investment explanation | |
Luangluewut et al. | Forex Price Trend Prediction using Convolutional Neural Network | |
Abdool et al. | Islamic Finance in Canada Powered by Big Data: A Case Study |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200616 |
|
RJ01 | Rejection of invention patent application after publication |