CN111429286A - 财务可信度的评估方法、装置、设备和存储介质 - Google Patents

财务可信度的评估方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN111429286A
CN111429286A CN202010202052.2A CN202010202052A CN111429286A CN 111429286 A CN111429286 A CN 111429286A CN 202010202052 A CN202010202052 A CN 202010202052A CN 111429286 A CN111429286 A CN 111429286A
Authority
CN
China
Prior art keywords
data
financial
index data
enterprise
credibility
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
Application number
CN202010202052.2A
Other languages
English (en)
Inventor
陈晟杰
孙正烈
苏玺
苟甜
谢海多
李江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chives Investment Research Beijing Data Technology Co ltd
Original Assignee
Chives Investment Research Beijing Data Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chives Investment Research Beijing Data Technology Co ltd filed Critical Chives Investment Research Beijing Data Technology Co ltd
Priority to CN202010202052.2A priority Critical patent/CN111429286A/zh
Publication of CN111429286A publication Critical patent/CN111429286A/zh
Pending legal-status Critical Current

Links

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明实施例涉及金融技术领域，具体涉及一种可信度的评估方法、装置、设备和存储介质。本发明实施例公开了一种可信度的评估方法，包括：获取企业的财务数据；将所述财务数据输入到预先训练的财务检测模型中，得到所述企业的财务数据的可信度。本发明可以用机器学习的模型来确定出财务数据的可信度，从而为投资者带来参考。

Description

财务可信度的评估方法、装置、设备和存储介质
技术领域
本发明实施例涉及金融技术领域，具体涉及一种财务可信度的评估方法、 装置、设备和存储介质。
背景技术
上市公司的财报数据是投资者进行投资的主要参考数据，但是部分企业存 在伪造财报数据，从而使得投资者作出错误的投资决策。企业财报数据的可信 度是投资者经常考虑的一个潜在的因素；但是目前尚无确定企业财报数据可信 度的方法。
发明内容
为此，本发明实施例提供财务可信度的评估方法、装置、设备和存储介 质，以确定企业的财务数据可信度。
为了实现上述目的，本发明实施例提供如下技术方案：
根据本发明实施例的第一方面，一种财务可信度的评估方法，包括：
获取企业的财务数据；
将所述财务数据输入到预先训练的财务检测模型中，得到所述企业的财务 数据的可信度。
进一步地，预先训练财务检测模型，包括：
将样本数据输入到财务检测模型中，得到第一可信度；
将所述第一可信度与可信度的标准值进行比较得到误差值；
如果所述误差值小于预定的阈值，则确定所述第一可信度为最终的可信 度；
如果所属误差值大于或者等于预定的阈值，则调节模型的参数，直到得到 的可信度小于预定的阈值。
进一步地，获取企业的财务数据，包括：
获取所述企业的连续N年的原始的财务报表数据；其中，N为大于0的 正整数。
进一步地，获取企业的财务数据后，还包括：
根据所述原始的财务报表数据确定出去体量化指标数据；
根据所述去体量化指标数据确定出去行业特性化指标数据。
进一步地，根据所述原始财务报表数据确定出去体量化指标数据，包括：
所述原始财务报表数据包括：资产负债指标数据、现金流数据和利润数据；
对于任意的一个资产负债指标数据M，去体量化指标数据B＝M/总资产数 据；
对于任意的一个现金流数据或利润数据A，去体量化指标数据B＝A/总营 业收入。
进一步地，根据所述去体量化指标数据确定出去行业特性化指标数据，包 括：
对于任意一个企业的任意的一个去体量化指标数据B，
确定与所述企业同行业的预定数量的企业的相同指标的数据；
计算所述同行业的预定数量的企业的相同指标数据的平均值该指标数据 的行业平均值；
将所述去体量化指标数据B减去所述指标数据的行业平均值得到去行业 特性化指标数据。
进一步地，资产负债指标数据包括以下的一种或几种：流动资产、货币资 金、应收账款+应收票据、预付账款、存货、非流动资产、长期股权投资、固 定资产、在建工程、工程物资、无形资产、商誉、递延所得税资产、资产总计、 流动负债、应付账款、非流动负债、长期借款、负债总计和净资产总计；
现金流数据包括以下的一种或几种：销售商品、提供劳务收到的现金、支 付给职工以及为职工支付的现金、经营活动产生的现金流量净额、构建固定资 产、无形资产；
利润数据包括以下的一种或几种：营业收入、营业成本、毛利润、净利润、 营业费用、销售费用、管理费用、财务费用、营业利润、归属于母公司所有者 的净利润。
根据本发明实施例的第二方面，一种财务可信度的评估装置，包括：
获取模块，用于获取企业的财务数据；
处理模块，用于将所述财务数据输入到预先训练的财务检测模型，得到所 述企业的财务数据的可信度。
进一步地，处理模块还用于：将样本数据输入到财务检测模型中，得到第 一可信度；
将所述第一可信度与可信度的标准值进行比较得到误差值；
如果所述误差值小于预定的阈值，则确定所述第一可信度为最终的可信 度；
如果所属误差值大于或者等于预定的阈值，则调节模型的参数，直到得到 的可信度小于预定的阈值。
进一步地，处理模块还用于：获取所述企业的连续N年的原始的财务报 表数据；其中，N为大于0的正整数。
进一步地，处理模块还用于：根据所述原始的财务报表数据确定出去体 量化指标数据；
根据所述去体量化指标数据确定出去行业特性化指标数据。
进一步地，根据所述原始财务报表数据确定出去体量化指标数据，包括：
所述原始财务报表数据包括：资产负债指标数据、现金流数据和利润数据；
对于任意的一个资产负债指标数据M，去体量化指标数据B＝M/总资产数 据；
对于任意的一个现金流数据或利润数据A，去体量化指标数据B＝A/总营 业收入。
进一步地，处理模块还用于：对于任意一个企业的任意的一个去体量化指 标数据B，
确定与所述企业同行业的预定数量的企业的相同指标的数据；
计算所述同行业的预定数量的企业的相同指标数据的平均值该指标数据 的行业平均值；
将所述去体量化指标数据B减去所述指标数据的行业平均值得到去行业 特性化指标数据。
根据本发明实施例的第三方面，本申请还提出了一种财务可信度的评估 设备，包括：至少一个处理器和至少一个存储器；
所述存储器用于存储一个或多个程序指令；
所述处理器，用于运行一个或多个程序指令，用以执行以下步骤：
获取企业的财务数据；
将所述财务数据输入到预先训练的财务检测模型中，得到所述企业的财务 数据的可信度。
进一步地，所述处理器还用于：
将样本数据输入到财务检测模型中，得到第一可信度；
将所述第一可信度与可信度的标准值进行比较得到误差值；
如果所述误差值小于预定的阈值，则确定所述第一可信度为最终的可信 度；
如果所属误差值大于或者等于预定的阈值，则调节模型的参数，直到得到 的可信度小于预定的阈值。
进一步地，所述处理器还用于：
获取所述企业的连续N年的原始的财务报表数据；其中，N为大于0的 正整数。
进一步地，所述处理器还用于：
根据所述原始的财务报表数据确定出去体量化指标数据；
根据所述去体量化指标数据确定出去行业特性化指标数据。
进一步地，所述处理器还用于：
所述原始财务报表数据包括：资产负债指标数据、现金流数据和利润数据；
对于任意的一个资产负债指标数据M，去体量化指标数据B＝M/总资产数 据；
对于任意的一个现金流数据或利润数据A，去体量化指标数据B＝A/总营 业收入。
进一步地，所述处理器还用于：
对于任意一个企业的任意的一个去体量化指标数据B，
确定与所述企业同行业的预定数量的企业的相同指标的数据；
计算所述同行业的预定数量的企业的相同指标数据的平均值该指标数据 的行业平均值；
将所述去体量化指标数据B减去所述指标数据的行业平均值得到去行业 特性化指标数据。
根据本发明实施例的第四方面，一种计算机可读存储介质，所述计算机 存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行上 述任一项所述的方法。
本发明实施例具有如下优点：本发明通过获取企业的财务数据；将获取 到的财务数据输入到预先训练的财务检测模型中得到所述企业的财务数据的 可信度。提高了用户对于目标企业的财务的准确性的认知。可信度的确定可以 方便投资方对于企业进行更加准确地进行研判。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将 对实施方式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，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附 图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的 内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限 定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大 小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落 在本发明所揭示的技术内容能涵盖的范围内。
图1为本发明实施方式提供的财务可信度评估方法的流程图；
图2为本发明实施方式提供的财务可信度评估装置的结构示意图；
图3为本发明实施方式提供的财务可信度评估设备的结构示意图。
图中：21-获取模块；22-判断模块；31-处理器；32-存储器。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可 由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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。基于本发明中的 实施例，本领域普通技术人员在没有做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。
企业的财务数据是投资者对企业进行投资判断的极为重要的数据；在股票 市场，投资者可以根据企业的财务数据来研判是否买入或者卖出该公司的股 票。但是部分企业为了获得投资，往往存在着对财务数据进行改造，蒙骗投资 者，给投资者带来损失。
基于此，本申请提出了一种财务可信度评估的方法，参见附图1所示的 财务可信度评估的方法的流程图，该方法包括：
步骤S101，获取企业的财务数据；
其中，企业的财务数据包括：当前时间点之前的某一个目标企业的历史的 财务数据；历史期限可以为过去一年或者多年的时间；获取所述企业的连续N 年的原始的财务报表数据；其中，N为大于0的正整数。
步骤S102，将所述财务数据输入到预先训练的财务检测模型中，得到所 述企业的财务数据的可信度。
本发明的上述方法，通过经过预先训练得到的财务检测模型，来确定目标 企业的财务数据的可信度。极大地提高了投资者对于目标企业财务数据的信 心。有助于投资者作出正确的投资判断。
在一种实施方式中，预先训练财务检测模型，包括：
将样本数据输入到财务检测模型中，得到第一可信度；
将所述第一可信度与可信度的标准值进行比较得到误差值；
如果所述误差值小于预定的阈值，则确定所述第一可信度为最终的可信 度；
如果所属误差值大于或者等于预定的阈值，则调节模型的参数，直到得到 的可信度小于预定的阈值。
其中，样本数据的选择确定，包括以下的步骤：
以被明确行政处罚过的财务舞弊企业的财报数据为负样本X；
以经营业绩优秀且稳定，历史上没有重大负面舆情、违约记录、法律纠纷、 行政处罚企业的财报数据为正样本Y1；
优先选择国有股份占比较大的企业的财报数据为正样本Y2；
汇总Y1、Y2得到正样本Y；
对正负样本集X、Y分别进行上述特征处理过程得到相应的指标C，形成 数据训练集Train与测试集Test；
其中，训练集用来对模型进行训练；测试集用来对训练好的模型进行测试。 训练集和测试集的比例可以设置为0.8:0.2；也可以根据需要设定为其他的比例 值。
其中，机器学习分类算法包括以下的一种：如随机森林、朴素贝叶斯、 LGBM、XGBoost、逻辑回归评分卡、支持向量机SVM、神经网络来实现。
以逻辑回归为例，算法计算过程如下：
Figure BDA0002419723370000081
其中θ0θn为模型参数，x0至xn为样本的各项财务数据。通过函数Z使 用输入的特征矩阵X来输出一个预测变量。
然后通过公式，Sigmoid函数：
Figure RE-GDA0002520554870000081
由于函数性质，g(z)的值分布在(0,1)之间，g(z)即为企业的财务数据的造 假的概率值，越接近0越可信，越接近1造假概率越大；最后用1-g(z)得到 可信度的概率。
以神经网络为例说明，将一个企业的财务报表输入神经网络，神经网络输 出概率值，用来表示该企业的财务报表的可信度。卷积神经网络包括输入层、 多个卷积层和输出层；其中，输出层softmax二分类器实现，用来输出概率值。 卷积神经网络包括输入层、隐含层、输出层。输入层输入的是企业的财务数据 值，输出层输出预测的可信度。其中财务数据包括现金流数据；资产负债数据 和利润数据；通过该企业的大量的财务的数据对卷积神经网络模型进行训练， 对模型进行调整；用损失函数来对模型进行迭代，优化，采用反向传播算法和 梯度下降策略迭代调节并修改神经网络的权重参数；直到损失函数达到预定的 范围则停止优化迭代。
获取企业的原始的财务数据之后，在根据财务数据进行预测之前，需要对 财务数据进行预处理，预处理主要包括：去除体量化和去除行业特性化两个方 面。所以在一种实施方式中，获取企业的财务数据后，还包括：
根据所述原始的财务报表数据确定出去体量化指标数据；
根据所述去体量化指标数据确定出去行业特性化指标数据。
为了去除体量化，在一种实施方式中，根据所述原始财务报表数据确定出 去体量化指标数据，包括：
所述原始财务报表数据包括：资产负债指标数据、现金流数据和利润数据；
对于任意的一个资产负债指标数据M，去体量化指标数据B＝M/总资产数 据；
对于任意的一个现金流数据或利润数据A，去体量化指标数据B＝A/总营 业收入。
为了去除行业特性化，在一种实施方式中，根据所述去体量化指标数据确 定出去行业特性化指标数据，包括：
对于任意一个企业的任意的一个去体量化指标数据B；
确定与所述企业同行业的预定数量的企业的相同指标的数据；
计算所述同行业的预定数量的企业的相同指标数据的平均值该指标数据 的行业平均值；
将所述去体量化指标数据B减去所述指标数据的行业平均值得到去行业 特性化指标数据。
举例说明，企业A的一个指标数据为“固定资产”；假设该行业包括200 多家公司；则计算出200个企业的该指标数据“固定资产”的平均值；企业A 的固定资产的值减去整个行业的固定资产的平均值，得到去行业特性化指标数 据。
在一种实施方式中，上述的资产负债指标数据包括以下的一种或几种：流 动资产、货币资金、应收账款+应收票据、预付账款、存货、非流动资产、长 期股权投资、固定资产、在建工程、工程物资、无形资产、商誉、递延所得税 资产、资产总计、流动负债、应付账款、非流动负债、长期借款、负债总计和 净资产总计；
上述的现金流数据包括以下的一种或几种：销售商品、提供劳务收到的现 金、支付给职工以及为职工支付的现金、经营活动产生的现金流量净额、构建 固定资产、无形资产；
上述的利润数据包括以下的一种或几种：营业收入、营业成本、毛利润、 净利润、营业费用、销售费用、管理费用、财务费用、营业利润、归属于母公 司所有者的净利润。
本申请还提出了一种财务可信度的评估装置，参见附图2所示的一种财 务可信度的评估装置结构示意图，该装置包括：
获取模块21，用于获取企业的财务数据；
处理模块22，用于将所述财务数据输入到预先训练的财务检测模型，得 到所述企业的财务数据的可信度。
进一步地，处理模块22还用于：将样本数据输入到财务检测模型中，得 到第一可信度；
将所述第一可信度与可信度的标准值进行比较得到误差值；
如果所述误差值小于预定的阈值，则确定所述第一可信度为最终的可信 度；
如果所属误差值大于或者等于预定的阈值，则调节模型的参数，直到得到 的可信度小于预定的阈值。
进一步地，处理模块22还用于：获取所述企业的连续N年的原始的财务 报表数据；其中，N为大于0的正整数。
进一步地，处理模块22还用于：根据所述原始的财务报表数据确定出去 体量化指标数据；
根据所述去体量化指标数据确定出去行业特性化指标数据。
进一步地，根据所述原始财务报表数据确定出去体量化指标数据，包括：
所述原始财务报表数据包括：资产负债指标数据、现金流数据和利润数据；
对于任意的一个资产负债指标数据M，去体量化指标数据B＝M/总资产数 据；
对于任意的一个现金流数据或利润数据A，去体量化指标数据B＝A/总营 业收入。
进一步地，处理模块22还用于：对于任意一个企业的任意的一个去体量 化指标数据B，
确定与所述企业同行业的预定数量的企业的相同指标的数据；
计算所述同行业的预定数量的企业的相同指标数据的平均值该指标数据 的行业平均值；
将所述去体量化指标数据B减去所述指标数据的行业平均值得到去行业 特性化指标数据。
本申请还提出了一种财务可信度的评估设备，参见附图3所示的财务可 信度的评估设备的结构示意图，该设备包括：处理器31和存储器32，所述存 储器32存储有程序代码，当所述程序代码被所述处理器31执行时，使得所述 处理器31执行以下步骤：
获取企业的财务数据；
将所述财务数据输入到预先训练的财务检测模型中，得到所述企业的财务 数据的可信度。
进一步地，所述处理器31还用于：将样本数据输入到财务检测模型中， 得到第一可信度；
将所述第一可信度与可信度的标准值进行比较得到误差值；
如果所述误差值小于预定的阈值，则确定所述第一可信度为最终的可信 度；
如果所属误差值大于或者等于预定的阈值，则调节模型的参数，直到得到 的可信度小于预定的阈值。
进一步地，所述处理器31还用于：获取所述企业的连续N年的原始的财 务报表数据；其中，N为大于0的正整数。
进一步地，所述处理器31还用于：根据所述原始的财务报表数据确定出 去体量化指标数据；
根据所述去体量化指标数据确定出去行业特性化指标数据。
进一步地，所述处理器31还用于：所述原始财务报表数据包括：资产负 债指标数据、现金流数据和利润数据；
对于任意的一个资产负债指标数据M，去体量化指标数据B＝M/总资产数 据；
对于任意的一个现金流数据或利润数据A，去体量化指标数据B＝A/总营 业收入。
进一步地，所述处理器31还用于：对于任意一个企业的任意的一个去体 量化指标数据B，
确定与所述企业同行业的预定数量的企业的相同指标的数据；
计算所述同行业的预定数量的企业的相同指标数据的平均值该指标数据 的行业平均值；
将所述去体量化指标数据B减去所述指标数据的行业平均值得到去行业 特性化指标数据。
本发明所公开的实施例提供一种计算机可读存储介质，所述计算机可读 存储介质中存储有计算机程序指令，当所述计算机程序指令在计算机上运行 时，使得计算机执行上述的方法。
在本发明实施例中，处理器可以是一种集成电路芯片，具有信号的处理能 力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，简 称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、 现场可编程门阵列(FieldProgrammable Gate Array，简称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。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本 发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或 者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存 储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄 存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件 完成上述方法的步骤。
存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或 可包括易失性和非易失性存储器两者。
其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称 ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编 程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器 (Electrically EPROM，简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory，简称 RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的 RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机 存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器 (Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储 器(Double Data RateSDRAM，简称DDRSDRAM)、增强型同步动态随机存 取存储器(Enhanced SDRAM，简称ESDRAM)、同步连接动态随机存取存储 器(Synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器 (DirectRambus RAM，简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类 型的存储器。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描 述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储 在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进 行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括 便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通 用或专用计算机能够存取的任何可用介质。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了 进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已， 并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的 任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (10)

1.一种财务可信度的评估方法，其特征在于，包括：
获取企业的财务数据；
将所述财务数据输入到预先训练的财务检测模型中，得到所述企业的财务数据的可信度。
2.如权利要求1所述的财务可信度的评估方法，其特征在于，
预先训练财务检测模型，包括：
将样本数据输入到财务检测模型中，得到第一可信度；
将所述第一可信度与可信度的标准值进行比较得到误差值；
如果所述误差值小于预定的阈值，则确定所述第一可信度为最终的可信度；
如果所属误差值大于或者等于预定的阈值，则调节模型的参数，直到得到的可信度小于预定的阈值。
3.如权利要求1所述的财务可信度的评估方法，其特征在于，
获取企业的财务数据，包括：
获取所述企业的连续N年的原始的财务报表数据；其中，N为大于0的正整数。
4.如权利要求3所述的财务可信度的评估方法，其特征在于，获取企业的财务数据后，还包括：
根据所述原始的财务报表数据确定出去体量化指标数据；
根据所述去体量化指标数据确定出去行业特性化指标数据。
5.如权利要求4所述的财务可信度的评估方法，其特征在于，
根据所述原始财务报表数据确定出去体量化指标数据，包括：
所述原始财务报表数据包括：资产负债指标数据、现金流数据和利润数据；
对于任意的一个资产负债指标数据M，去体量化指标数据B＝M/总资产数据；
对于任意的一个现金流数据或利润数据A，去体量化指标数据B＝A/总营业收入。
6.如权利要求5所述的财务可信度的评估方法，其特征在于，
根据所述去体量化指标数据确定出去行业特性化指标数据，包括：
对于任意一个企业的任意的一个去体量化指标数据B，
确定与所述企业同行业的预定数量的企业的相同指标的数据；
计算所述同行业的预定数量的企业的相同指标数据的平均值该指标数据的行业平均值；
将所述去体量化指标数据B减去所述指标数据的行业平均值得到去行业特性化指标数据。
7.如权利要求5所述的财务可信度的评估方法，其特征在于，
资产负债指标数据包括以下的一种或几种：流动资产、货币资金、应收账款+应收票据、预付账款、存货、非流动资产、长期股权投资、固定资产、在建工程、工程物资、无形资产、商誉、递延所得税资产、资产总计、流动负债、应付账款、非流动负债、长期借款、负债总计和净资产总计；
现金流数据包括以下的一种或几种：销售商品、提供劳务收到的现金、支付给职工以及为职工支付的现金、经营活动产生的现金流量净额、构建固定资产、无形资产；
利润数据包括以下的一种或几种：营业收入、营业成本、毛利润、净利润、营业费用、销售费用、管理费用、财务费用、营业利润、归属于母公司所有者的净利润。
8.一种财务可信度的评估装置，其特征在于，包括：
获取模块，用于获取企业的财务数据；
处理模块，用于将所述财务数据输入到预先训练的财务检测模型，得到所述企业的财务数据的可信度。
9.一种财务可信度的评估设备，包括：至少一个处理器和至少一个存储器；
所述存储器用于存储一个或多个程序指令；
所述处理器，用于运行一个或多个程序指令，用以执行如权利要求1至7任一项权利要求所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行如权利要求1-7任一项所述的方法。
CN202010202052.2A 2020-03-20 2020-03-20 财务可信度的评估方法、装置、设备和存储介质 Pending CN111429286A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010202052.2A CN111429286A (zh) 2020-03-20 2020-03-20 财务可信度的评估方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010202052.2A CN111429286A (zh) 2020-03-20 2020-03-20 财务可信度的评估方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN111429286A true CN111429286A (zh) 2020-07-17

Family

ID=71548418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010202052.2A Pending CN111429286A (zh) 2020-03-20 2020-03-20 财务可信度的评估方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN111429286A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801529A (zh) * 2021-02-05 2021-05-14 北京同邦卓益科技有限公司 财务数据分析方法及装置、电子设备及介质
CN113988651A (zh) * 2021-10-29 2022-01-28 深圳壹账通智能科技有限公司 一种评分卡模型的评价方法、系统、设备及介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801529A (zh) * 2021-02-05 2021-05-14 北京同邦卓益科技有限公司 财务数据分析方法及装置、电子设备及介质
CN112801529B (zh) * 2021-02-05 2024-05-17 北京同邦卓益科技有限公司 财务数据分析方法及装置、电子设备及介质
CN113988651A (zh) * 2021-10-29 2022-01-28 深圳壹账通智能科技有限公司 一种评分卡模型的评价方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
US11599939B2 (en) System, method and computer program for underwriting and processing of loans using machine learning
Gobat et al. The net stable funding ratio: Impact and issues for consideration
Damodaran Valuing financial services firms
CN110458693A (zh) 一种企业贷款自动审批方法、装置、存储介质及电子设备
CN112801529B (zh) 财务数据分析方法及装置、电子设备及介质
CN111260189B (zh) 一种风险控制方法、装置、计算机系统及可读存储介质
Loudis et al. CECL and the Credit Cycle
CN111429286A (zh) 财务可信度的评估方法、装置、设备和存储介质
Kaltofen Retail loans & Basel II: using portfolio segmentation to reduce capital requirements
Bazzana et al. The role of covenants in bond issue. The case of Russian companies
Ingermann et al. The recovery rate for retail and commercial customers in Germany: a look at collateral and its adjusted market values
Fontaine et al. Measuring limits of arbitrage in fixed‐income markets
García et al. Credit risk management at retail in Mexico: An econometric improvement in the selection of variables and changes in their characteristics
CN114418776A (zh) 一种数据处理方法、装置、终端设备及介质
Zhang et al. Agency MBS Prepayment Model Using Neural Networks
Locatelli et al. Artificial Intelligence and Credit Risk: The Use of Alternative Data and Methods in Internal Credit Rating
Iren et al. The Applicability Of The Prudence Principle To Bank Companies In The Vision Of Ias 37
Yhip et al. Credit Analysis and Credit Management
CN112163942B (zh) 一种会计信息可靠性测定的方法及其系统
Marchesi The Revaluation Decision for Fixed Assets After the Covid-19 Crisis: The Italian Case
Orlando et al. Non-Performing Loans: Logit Model Applications
Huang et al. Estimating Case‐based Individual and Social Learning in Corporate Tax Avoidance
Liu Research on Credit Risk Assessment of Small and Medium-sized Enterprises by COVID-19 and Supply Chain Finance
CN116308590A (zh) 票据产品推送方法、装置及系统
Sticca Effects of the exchange rate on the adoption of hedge accounting: evidence from Brasil

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
CB02 Change of applicant information

Address after: 100195 113, floor 1, unit 9, building 25, No. 1, Shangdi Fourth Street, Haidian District, Beijing

Applicant after: Ruibo (Beijing) Artificial Intelligence Technology Co.,Ltd.

Address before: 100195 113, floor 1, unit 9, building 25, No. 1, Shangdi Fourth Street, Haidian District, Beijing

Applicant before: Chives Investment Research (Beijing) data Technology Co.,Ltd.

CB02 Change of applicant information
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200717

WD01 Invention patent application deemed withdrawn after publication