CN111738504A - 企业财务指标资金量预测方法和装置、设备及存储介质 - Google Patents

企业财务指标资金量预测方法和装置、设备及存储介质 Download PDF

Info

Publication number
CN111738504A
CN111738504A CN202010563319.0A CN202010563319A CN111738504A CN 111738504 A CN111738504 A CN 111738504A CN 202010563319 A CN202010563319 A CN 202010563319A CN 111738504 A CN111738504 A CN 111738504A
Authority
CN
China
Prior art keywords
data
enterprise
model
prediction
financial index
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
CN202010563319.0A
Other languages
English (en)
Inventor
杜姗
王亚新
周远侠
蔡为彬
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202010563319.0A priority Critical patent/CN111738504A/zh
Publication of CN111738504A publication Critical patent/CN111738504A/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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)

Abstract

本发明提供一种企业财务指标资金量预测方法和装置、设备及存储介质，该方法包括：获取一现金中心的交易数据和辅助数据；对该交易数据和该辅助数据进行特征提取以得到特征数据；将该特征数据分别输入预训练的多个单体预测模型中以得到对应的预测值；采用带精英策略的非支配排序遗传算法对各单体预测模型的预测值进行处理得到现金库存用量预测结果；其中，单体预测模型为岭回归模型、分类回归树模型、极端随机回归树模型、LightGBM回归模型或卷积神经网络模型，可以精确预测企业未来一段时间各项指标的预算结果，从而实现企业对未来各项财务指标的资金量预算最优化配置，帮助企业提高管理效率。

Description

企业财务指标资金量预测方法和装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种企业财务指标资金量预测方法和装置、电子设备及存储介质。
背景技术
财务指标是指企业总结和评价财务状况和经营成果的相对指标，企业的财务指标包括：偿债能力指标、营运能力指标、盈利能力指标等，偿债能力指标包括资产负债率、流动比率、速动比率等；营运能力指标包括应收账款周转率、存货周转率等；盈利能力指标包括资本金利润率、销售利润率(营业收入利税率)、成本费用利润率等。
企业进行财务指标的精准预测可以帮助企业降低财务预算不确定性，使财务计划与企业未来发展趋势保持一致，为企业经营决策和合理安排收支，提高资金使用效益提供帮助。通常企业财务预测包括定性预测和定量预测两类方法，传统预测方法的管理效率和预测准度低，不能满足企业需求。
发明内容
针对现有技术中的问题，本发明提供一种企业财务指标资金量预测方法和装置、设备及介质，能够至少部分地解决现有技术中存在的问题。
为了实现上述目的，本发明采用如下技术方案：
第一方面，提供一种企业财务指标资金量预测方法，包括：
获取一财务指标的流水数据和辅助数据；
根据所述财务指标的流水数据和所述辅助数据进行特征提取得到特征数据；
将所述特征数据分别输入预训练的多个单体预测模型中以得到对应的预测值；
采用带精英策略的非支配排序遗传算法对各单体预测模型的预测值进行处理得到企业财务指标资金量预测结果；
其中，所述单体预测模型为线性回归模型、逐步回归模型、Prophet回归模型、随机森林回归模型或遗传算法模型。
进一步地，还包括：
利用均方根误差评估预训练的多个单体预测模型的效果；
根据评估结果选取部分单体预测模型用于企业财务指标资金量预测。
进一步地，所述辅助数据包括：企业内部事件信息、企业关联外部事件信息以及行业政策信息。
进一步地，提取的特征为利用主成分分析业务属性特征、关联序列特征、统计序列特征得到。
进一步地，所述业务属性特征包括：业务周期特征、事件特征。
进一步地，所述统计序列特征包括：变化率特征、均值特征、极值特征。
第二方面，提供一种企业财务指标资金量预测装置，包括：
原始数据获取模块，获取一财务指标的流水数据和辅助数据；
特征提取模块，根据所述财务指标的流水数据和所述辅助数据进行特征提取得到特征数据；
预测模块，将所述特征数据分别输入预训练的多个单体预测模型中以得到对应的预测值；
最优解计算模块，采用带精英策略的非支配排序遗传算法对各单体预测模型的预测值进行处理得到企业财务指标资金量预测结果；
其中，所述单体预测模型为线性回归模型、逐步回归模型、Prophet回归模型、随机森林回归模型或遗传算法模型。
进一步地，还包括：
模型效果评估模块，利用均方根误差评估预训练的多个单体预测模型的效果；
模型优选模块，根据评估结果选取部分单体预测模型用于企业财务指标资金量预测。
第三方面，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上述的企业财务指标资金量预测方法的步骤。
第四方面，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上述的企业财务指标资金量预测方法的步骤。
本发明提供的企业财务指标资金量预测方法和装置、设备及介质，该方法包括：获取一财务指标的流水数据和辅助数据；根据所述财务指标的流水数据和所述辅助数据进行特征提取得到特征数据；将所述特征数据分别输入预训练的多个单体预测模型中以得到对应的预测值；采用带精英策略的非支配排序遗传算法对各单体预测模型的预测值进行处理得到企业财务指标资金量预测结果；其中，所述单体预测模型为线性回归模型、逐步回归模型、Prophet回归模型、随机森林回归模型或遗传算法模型。可以精确预测企业未来一段时间各项指标的预算结果，从而实现企业对未来各项财务指标的资金量预算最优化配置，帮助企业提高管理效率。
为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
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。在附图中：
图1是本发明实施例中的企业财务指标资金量预测方法的流程示意图一；
图2是本发明实施例中的企业财务指标资金量预测方法的流程示意图二；
图3是本发明实施例中的企业财务指标资金量预测装置的结构框图；
图4示出了本发明实施例中一种财务指标资金量精准预测系统结构图；
图5示出了本发明实施例中一种财务指标资金量精准预测系统中数据处理装置的结构图；
图6示出了本发明实施例中一种财务指标资金量精准预测系统中特征工程装置的结构图；
图7示出了本发明实施例中一种财务指标资金量精准预测系统中建模装置的结构图；
图8示出了本发明实施例中一种财务指标资金量精准预测系统中预测装置4的结构图；
图9示出了本发明实施例中一种财务指标资金量精准预测系统中数据处理装置1的流程图；
图10示出了本发明实施例中一种财务指标资金量精准预测系统中特征工程装置2的流程图；
图11示出了本发明实施例中一种财务指标资金量精准预测系统中建模装置3的流程图；
图12示出了本发明实施例中一种财务指标资金量精准预测系统中预测装置4的流程图；
图13为本发明实施例电子设备的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
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、系统、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。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明实施例提供了一种企业财务指标资金量预测技术，综合运用网络爬虫、数据清洗、特征工程、机器学习等手段，完成对企业各项财务指标未来一段周期资金流量精准预测的任务，帮助企业规划未来一段时间各项财务指标预算，使企业在未来财务活动及重大财务决策时，可以参考通过科学方法和客观历史数据进行未来推算的预测结果依据，提高企业经营管理水平和经济效益。
图1是本发明实施例中的企业财务指标资金量预测方法的流程示意图一；如图1所示，该企业财务指标资金量预测方法可以包括以下内容：
步骤S1000：获取一财务指标的流水数据和辅助数据；
其中，所述辅助数据包括：企业内部事件信息、企业关联外部事件信息以及行业政策信息，比如重大客户破产、行业助力等。
值得说明的是，流水数据是指当前周期的数据、历史同期的数据等。
步骤S2000：根据所述财务指标的流水数据和所述辅助数据进行特征提取得到特征数据；
具体地，提取与财务指标资金量息息相关的参数作为特征参数。
步骤S3000：将所述特征数据分别输入预训练的多个单体预测模型中以得到对应的预测值；
具体地，多个单体预测模型为不同的机器学习模型，比如线性回归模型、逐步回归模型、Prophet回归模型、随机森林回归模型、遗传算法模型等。
步骤S4000：采用带精英策略的非支配排序遗传算法对各单体预测模型的预测值进行处理得到企业财务指标资金量预测结果。
具体地，采用带精英策略的非支配排序遗传算法(简称NSGAΠ)来对各单体预测模型的生成的模型预测值求pareto解，得到最终的预测结果。
通过采用如上技术方案，利用多种机器模型的不同特性，分别进行预测，然后采用带精英策略的非支配排序遗传算法对各单体预测模型的预测值进行多目标优化，即将多个单体预测模型的结果动态组合，有效利用不同机器学习模型的特性，准确预测一个企业未来一段时间各项财务指标的资金量，帮助企业明确未来一段时间各项指标的预算结果，从而实现企业对未来各项财务指标的资金量预算最优化配置。
在一个可选的实施例中，参见图2，该企业财务指标资金量预测方法还可以包括以下内容：
步骤S5000：利用均方根误差评估预训练的多个单体预测模型的效果。
具体地，使用均方根误差即RMSE方法来对模型效果进行评估。在测试集上求所有模型的RMSE值分为两步，首先对测试集中的每个样本数据计算其在所有模型上的预测结果，并在数据库中保存该预测结果；然后，当所有测试集样本的预测结果计算完毕后，根据RMSE的公式分别求每个模型在测试集上的预测值和真实值的RMSE值，取值越小代表效果越好。
步骤S6000：根据评估结果选取部分单体预测模型用于企业财务指标资金量预测。
具体地，对模型RMSE取值按照从小到大排序后，选择排名靠前的预设数量的模型作为可用模型。
通过采用上述技术方案，能够优选用于预测的单体预测模型，进一步提高预测的准确性。
在一个可选的实施例中，提取的特征为利用主成分分析业务属性特征、关联序列特征、统计序列特征得到。
具体地，业务属性特征主要是从过去十年企业财务指标数据中，提取与业务特性相关的特征得到，包括：业务周期特征、事件特征等。
其中，业务周期特征可以包括：上半年、下半年；事件特征可以包括：过去半年内部是否有一类事件、过去半年内部是否有二类事件、过去半年内部是否有三类事件、未来半年内部是否有一类事件、未来半年内部是否有二类事件、未来半年内部是否有三类事件、过去半年外部是否有一类事件、过去半年外部是否有二类事件、过去半年外部是否有三类事件、未来半年外部是否有一类事件、未来半年外部是否有二类事件、未来半年外部是否有三类事件、过去半年是否有重大公共事件、未来半年是否有重大公共事件。
另外，关联序列特征主要是从过去十年企业财务指标数据中，提取有关联的单列数据作为关联特征，包括上个周期资金量、前第二个周期资金量、前第三个周期资金量、前第四个周期资金量、前第五个周期资金量等。
再者，统计序列特征主要从过去十年企业财务指标数据中，提取有关联的多列数据统计值作为统计特征，包括：变化率特征、均值特征、极值特征等。
其中，变化率特征可以包括：计算出每类指标资金量相对于前一个周期的变化率、前两个周期的变化率、前三个周期的变化率、前四个周期的变化率，从中挑选出最近5个周期期的20个变化率作为特征；均值特征可以包括：过去两个周期均值、过去三个周期均值、过去四个周期均值、过去五个周期均值、前平移两个周期计算过去两个周期均值、前平移三个周期计算过去两个周期均值、前平移四个周期计算过去两个周期均值、前平移五个周期计算过去两个周期均值；极值特征可以包括：过去5个周期最小值、过去5个周期最大值、过去5个周期中位值。
对上述特征进行主成分分析以得到特征数据。具体地，采用主成分分析法(PCA)对上述特征进行主成分分析，选择累积方差大于预设阈值的主成分来表示企业各项财务指标的特征数据。
值得说明的是，利用主成分分析确定特征的步骤是在建模之前执行的，利用提取的特征表征数据，使机器学习模型学习到各特征与企业财务指标之间的关联关系，最终实现模型预测的功能。
通过采用上述技术方案，能够实现降维，将复杂问题简单化的同时，也可以剔除构建的特征间的相关信息。
在一个可选的实施例中，该企业财务指标资金量预测方法还可以包括以下内容：
步骤I：获取该企业各项财务指标的历史流水数据和辅助数据；
步骤II：根据历史流水数据和辅助数据进行特征提取以得到历史特征数据；
步骤IV：将历史特征数据作为训练样本和测试样本，对预建立的各单体预测模型进行训练和测试，直至测试结果满足预设要求，得到训练完成的单体预测模型，用于企业财务指标资金量预测。
具体地，将历史特征数据按照日期从大到小排序，按预设比例拆分为训练集和测试集。
其中，训练过程为：将训练样本输入预建立的单体预测模型，将单体预测模型的输出结果与训练样本的标签进行比较，基于比较结果反向调整单体预测模型的参数，实现模型训练。
测试过程包括：将测试样本输入训练后的单体预测模型中，将该测试样本的标签与模型的输出进行比对，判断是否符合预设要求，若是，则训练成功，若否，则对当前模型进行优化和/或应用更新后的训练样本集重新进行模型训练。
本领域技术人员可以理解的是，该企业财务指标资金量预测方法还可以包括：构建单体预测模型的步骤。
具体地，构建单体预测模型是对机器学习算法进行一定改造，包装成标准化接口、统一输入和输出。主要包括：一、输入数据格式、定义每个机器学习算法参数范围；二、给每个机器学习算法添加网格搜索、随机搜索或者、贝叶斯优化等方法，实现机器学习方法自动调参；三是输出模型文件格式和内容。
另外，使用单个机器学习算法建模，具体可以在Python中调用。
在一个可选的实施例中，该企业财务指标资金量预测方法还可以包括：
对当前的流水数据和辅助数据或历史流水数据和辅助数据的质量进行评价的步骤。
具体地，通过对当前的流水数据和辅助数据或历史流水数据和辅助数据的质量好坏进行评价，若评价结果为差，则表明该数据不宜用于预测或训练样本。
举例来说，评估方式可为：首先，判断最近企业年报、半年报数据是否缺失，如果缺失，则质量评价为差。然后，计算企业各项财务指标数据总体缺失比例，如果缺失比例小于等于20％，则数据质量评价为好；如果缺失比例大于20％，则去除最远一个年度的指标数据后重新计算缺失比例，直至缺失比例小于等于20％或者企业剩下的指标数据所属年份小于两年，此时如还未满足缺少比例小于20％，则评价企业历史账务指标数据质量为差，不进行建模。
在一个可选的实施例中，该企业财务指标资金量预测方法还可以包括：
对当前的流水数据和辅助数据或历史流水数据和辅助数据进行清洗的步骤。
具体地，数据清洗包括：去掉重复数据、缺失数据补充和标记、噪声数据平滑和标记、离群数据修复和标记等。
其中，缺失数据补充和标记：在填充缺失值时，选择同类指标数据前后四个周期的均值、前后四个周期的中位数这两种方式中的一种来进行填充，如前后四个周期无法获取到则递减周期数量重新获取，直到得到结果。处理后的数据打上标记。
值得说明的是，噪声数据是指数据集中的干扰数据，在企业财务各类指标数据中数值为负即为噪声数据。此外，判断噪声数据时采用正态分布3σ原则，将三倍于数据集的标准差的点设为噪声数据。采用smoothdata方法对噪声数据进行平滑处理，并对平滑处理后的数据打上标记。
再者，离群数据修复和标记：通过箱线图的上下边缘来确定离群数据，然后根据离群点前后周期数据变化幅度大小，选择采取前后四个周期均值、前后四个周期中位数这两种方式中的一种来进行修复,如前后四个周期无法获取到则递减周期数量重新获取，直到得到结果。修复后的数据需要打上标记。
在一个可选的实施例中，该企业财务指标资金量预测方法还可以包括：
对当前的流水数据和辅助数据或历史流水数据和辅助数据进行预处理的步骤。
具体地，该预处理可以包括：数据集成、数据规约和数据变换。
其中，由于系统获取的数据来源不一，存在代表同一概念的属性在不同数据源中可能会有不同的名字或单位，会导致不一致性和冗余，在该发明中采用相关性分析的方法对数据进行集成。
另外，通过归约技术得到数据的简化表示，简化后的数据占用空间会变小，但是能产生近乎相同的分析结果，可以提高整个系统的效率。
再者，通过数据变换使得数据更适用于系统进行数据挖掘。比如同一类别使用同一个数字表示，这样文本数据就变换成为离散的数值数据。
通过采用上述技术方案，能够通过更科学高效的方法实现对未来一段时间资金流量等需求等精准预测，利于企业未来财务预算科学管理，从而提高企业管理水平，指导企业经营决策。其中，通过引入人工智能相关技术对企业账务各项指标历史数据变化规律进行挖掘，推理出未来一段时间企业各项财务指标的资金量，然后根据业务规则进行加工后，输出企业未来一段时间各项财务指标金额的合理预估结果，提升企业财务预算工作的效率和准度。
基于同一发明构思，本申请实施例还提供了一种企业财务指标资金量预测装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于企业财务指标资金量预测装置解决问题的原理与上述方法相似，因此企业财务指标资金量预测装置的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图3是本发明实施例中的企业财务指标资金量预测装置的结构框图。如图3所示，该企业财务指标资金量预测装置具体包括：原始数据获取模块1a、特征提取模块1b、预测模块1c以及最优解计算模块1d。
原始数据获取模块1a获取一财务指标的流水数据和辅助数据；
特征提取模块1b根据所述财务指标的流水数据和所述辅助数据进行特征提取得到特征数据；
预测模块1c将所述特征数据分别输入预训练的多个单体预测模型中以得到对应的预测值；
最优解计算模块1d采用带精英策略的非支配排序遗传算法对各单体预测模型的预测值进行处理得到企业财务指标资金量预测结果；
其中，所述单体预测模型为线性回归模型、逐步回归模型、Prophet回归模型、随机森林回归模型、遗传算法模型。
通过采用如上技术方案，利用多种机器模型的不同特性，分别进行预测，然后采用带精英策略的非支配排序遗传算法对各单体预测模型的预测值进行多目标优化，即将多个单体预测模型的结果动态组合，有效利用不同机器学习模型的特性，准确预测一个企业未来一段时间各项财务指标的资金量，帮助企业明确未来一段时间各项指标的预算结果，从而实现企业对未来各项财务指标的资金量预算最优化配置。
为使本领域技术人员更好地理解本发明，下面举例对本发明的步骤进行具体说明：
图4示出了本发明实施例中一种财务指标资金量精准预测系统结构图，如图4所示，基于机器学习的财务指标资金量精准预测系统包括数据处理装置1、特征工程装置2、建模装置3、预测装置4，其中，数据处理装置1与特征工程装置2建立连接，特征工程装置2与建模装置3相连接，建模装置3与预测装置4相连接。
具体来说：
数据处理装置1，负责获取企业各项财务指标的历史资金量数据以及辅助数据等原始数据，并对获取的数据进行预处理，主要包括：获取原始数据、数据质量评价、数据清洗、数据归约。经过数据处理装置1后，可以获得具备准确性、完整性和一致性的高质量数据。
特征工程装置2，最大限度地从数据处理装置1得到的原始数据中提取特征以供算法和模型使用，主要包括：特征构建、特征提取。经过特征工程装置2后，可以获得机器学习算法可识别、可用于训练的数据，以便获取更好的训练数据特征，提升机器学习模型性能。
建模装置3，负责训练和挑选出预测效果较好的几种机器学习模型。该装置主要包括：构建机器学习算法池、训练单个机器学习算法模型、评估模型预测效果。
其中，该建模装置3负责用特征数据自适应地查找合适的机器学习模型参数，使得在某个参数组合下该机器学习模型既能够很好地拟合资金量变化规律，也不会出现过拟合的情况。
预测装置4，使用训练好的模型对企业未来一段时间内各项财务指标的资金量进行动态组合预测。使用从建模装置3中获取的预测效果较好的3种单个模型对未来资金量进行预测；然后，对单个模型预测值使用带精英策略的非支配排序遗传算法(简称NSGAΠ)对预测结果求pareto解，即为财务指标资金量最终组合模型预测结果。
图5示出了本发明实施例中一种财务指标资金量精准预测系统中数据处理装置的结构图，如图5所示，数据处理装置1包含：原始数据获取单元11、数据质量评价单元12、数据清洗单元13、数据预处理单元14，其中：
原始数据获取单元11负责获取所有企业的各项财务指标最近十年来每半年资金量数据、内部重大事件、外部环境事件、行业政策变化等数据。
数据质量评价单元12负责对企业原始数据(主要是各项财务指标历史数据)质量好坏进行评估，若企业数据质量评估结果为差，表明该企业不宜建模。
数据清洗单元13负责对企业原始数据进行清洗，包括：去掉重复数据、补充缺失数据、光滑噪声点、修复离群点。
数据预处理单元14负责对原始数据进行预处理，处理方式主要包括：数据集成、数据归约和数据变换。
图6示出了本发明实施例中一种财务指标资金量精准预测系统中特征工程装置的结构图，如图6所示，特征工程装置包含：特征构建单元21、特征提取单元22，其中：
特征构建单元21用于从企业各项财务指标历史数据、企业内外部事件数据、行业政策变化等数据等中挖掘出特征数据。
特征提取单元22负责对特征构建单元21构建出的特征空间进行映射得到一个新的特征空间，降低特征维度，提高计算效率。
图7示出了本发明实施例中一种财务指标资金量精准预测系统中建模装置的结构图，如图7所示，建模装置包含：构建机器学习算法池单元31、单个机器学习算法建模单元32、单个算法模型效果评估单元33，其中：
构建机器学习算法池单元31，在本系统中封装以下机器学习算法组成算法池：线性回归(Linear Regression)、逐步回归(Stepwise Regression)算法、Prophet回归算法、随机森林(RandomForest)回归算法、遗传算法(Genetic Algorithm，GA)，用来提供系统对所有企业建模时可选单个机器学习算法。
单个机器学习算法建模单元32，负责使用算法池中的算法对特征工程装置2输出的特征数据进行训练，得到单个机器学习算法模型。
单个算法模型效果评估单元33，负责对单个机器学习算法建模单元32训练的模型效果进行评估，选择出预测效果最好的3个算法模型。
图8示出了本发明实施例中一种财务指标资金量精准预测系统中预测装置4的结构图，如图8所示，预测装置包含：当日特征生成单元41、单个模型预测单元42、组合模型预测单元43，其中：
当日特征生成单元41，负责生成预测企业未来一段时间各项财务指标所需资金量的特征数据。
单个模型预测单元42，分别用建模装置挑选出来的3个算法模型对企业未来一段时间各项财务指标所需资金量进行预测，可以得到3个模型预测值。
组合模型预测单元43，负责使用多目标优化算法对单个模型预测单元42生成的3个模型预测值进行加权平均，得到最终的预测结果。
图9示出了本发明实施例中一种财务指标资金量精准预测系统中数据处理装置1的流程图，具体步骤包括：
步骤S101：获取原始数据。
首先，通过企业信息系统获取最近十年企业财报每半年各项财务指标数据、企业内部事件数据；然后，网上爬虫获取最近十年国家颁布相关政策信息、企业关联外部事件信息。
步骤S102：数据质量评估。
评估企业各项财务指标最近十年每半年的流水数据以及相关内外部事件信息数据的质量好坏，对质量好的可以进行建模，质量差的企业不进行建模。评估方式为：首先，判断最近企业年报、半年报数据是否缺失，如果缺失，则质量评价为差。然后，计算企业各项财务指标数据总体缺失比例，如果缺失比例小于等于20％，则数据质量评价为好；如果缺失比例大于20％，则去除最远一个年度的指标数据后重新计算缺失比例，直至缺失比例小于等于20％或者企业剩下的指标数据所属年份小于两年，此时如还未满足缺少比例小于20％，则评价企业历史账务指标数据质量为差，不进行建模。
步骤S103：缺失数据补充和标记。
在填充缺失值时，选择同类指标数据前后四个周期的均值、前后四个周期的中位数这两种方式中的一种来进行填充，如前后四个周期无法获取到则递减周期数量重新获取，直到得到结果。处理后的数据打上标记。
步骤S104：噪声数据平滑和标记。
噪声数据是指数据集中的干扰数据，在企业财务各类指标数据中数值为负即为噪声数据。此外，判断噪声数据时采用正态分布3σ原则，将三倍于数据集的标准差的点设为噪声数据。采用smoothdata方法对噪声数据进行平滑处理，并对平滑处理后的数据打上标记。
步骤S105：离群数据修复和标记。
通过箱线图的上下边缘来确定离群数据，然后根据离群点前后周期数据变化幅度大小，选择采取前后四个周期均值、前后四个周期中位数这两种方式中的一种来进行修复,如前后四个周期无法获取到则递减周期数量重新获取，直到得到结果。修复后的数据需要打上标记。
步骤S106：数据集成。
由于系统获取的数据来源不一，存在代表同一概念的属性在不同数据源中可能会有不同的名字或单位，会导致不一致性和冗余，在该发明中采用相关性分析的方法对数据进行集成。
步骤S107：数据归约。
通过归约技术得到数据的简化表示，简化后的数据占用空间会变小，但是能产生近乎相同的分析结果，可以提高整个系统的效率。
步骤S108：数据变换。
通过数据变换使得数据更适用于系统进行数据挖掘。比如同一类别使用同一个数字表示，这样文本数据就变换成为离散的数值数据。
图10示出了本发明实施例中一种财务指标资金量精准预测系统中特征工程装置2的流程图，具体步骤包括：
步骤S201：特征构建之业务属性特征。
主要是从过去十年企业财务指标数据中，提取与业务特性相关的特征，包括业务周期特征：上半年、下半年；事件特征：过去半年内部是否有一类事件、过去半年内部是否有二类事件、过去半年内部是否有三类事件、未来半年内部是否有一类事件、未来半年内部是否有二类事件、未来半年内部是否有三类事件、过去半年外部是否有一类事件、过去半年外部是否有二类事件、过去半年外部是否有三类事件、未来半年外部是否有一类事件、未来半年外部是否有二类事件、未来半年外部是否有三类事件、过去半年是否有重大公共事件、未来半年是否有重大公共事件。
步骤S202：特征构建之关联序列特征。
主要是从过去十年企业财务指标数据中，提取有关联的单列数据做为关联特征，包括上个周期资金量、前第二个周期资金量、前第三个周期资金量、前第四个周期资金量、前第五个周期资金量。
步骤S203：特征构建之统计序列特征。
主要从过去十年企业财务指标数据中，提取有关联的多列数据统计值做为统计特征，包括变化率统计：计算出每类指标资金量相对于前一个周期的变化率、前两个周期的变化率、前三个周期的变化率、前四个周期的变化率，从中挑选出最近5个周期期的20个变化率作为特征；均值统计：过去两个周期均值、过去三个周期均值、过去四个周期均值、过去五个周期均值、前平移两个周期计算过去两个周期均值、前平移三个周期计算过去两个周期均值、前平移四个周期计算过去两个周期均值、前平移五个周期计算过去两个周期均值；极值统计：过去5个周期最小值、过去5个周期最大值、过去5个周期中位值。
步骤S204：特征提取。
采用主成分分析法(PCA)对步骤S201-S203构建的特征数据进行主成分分析，选择累积方差大于85％的主成分来表示企业各项财务指标的特征数据，这样在实现降维，将复杂问题简单化的同时，也可以剔除构建的特征间的相关信息。
图11示出了本发明实施例中一种财务指标资金量精准预测系统中建模装置3的流程图，具体步骤包括：
步骤S301：将数据集拆分为训练集和测试集。
将特征工程装置3生成的特征数据按照日期从大到小排序，拆分为4:1的训练集和测试集。
步骤S302：构建机器学习算法池。
对本系统提供的机器学习算法进行一定改造，包装成标准化接口，统一输入和输出。主要改造：一是输入数据格式；二是定义每个机器学习算法参数范围，然后给每个机器学习算法添加网格搜索、随机搜索或者贝叶斯优化等方法，实现机器学习方法自动调参；三是输出模型文件格式和内容。
步骤S303：使用单个机器学习算法建模。
采用步骤S302构建的机器学习算法池中的算法对步骤S301中拆分的训练集进行模型训练，可以得到每个算法的模型。
步骤S304：评估单个机器学习算法模型效果。
使用均方根误差即RMSE方法来对模型效果进行评估。在测试集上求所有模型的RMSE值分为两步，首先对测试集中的每个样本数据计算其在所有模型上的预测结果，并在数据库中保存该预测结果；然后，当所有测试集样本的预测结果计算完毕后，根据RMSE的公式分别求每个模型在测试集上的预测值和真实值的RMSE值，取值越小代表效果越好。最后，对模型RMSE取值按照从小到大排序后，选择前3个模型作为可用模型。
图12示出了本发明实施例中一种银行财务指标资金量精准预测系统中预测装置4的流程图，具体步骤包括：
步骤S401：生成当日特征数据。
调用特征工程装置生成当日特征数据，用于预测未来资金量。
步骤S402：使用单个模型预测。
具体地，使用单个机器学习模型预测未来资金量。
调用建模装置挑选出的3个机器学习模型预测企业各项财务指标未来资金量，那么每类财务指标未来一段周期每天有3个预测结果。
步骤S403：对单个模型预测结果进行组合。
本发明选择采用带精英策略的非支配排序遗传算法(简称NSGAΠ)来对3个机器学习模型的预测结果求pareto解，即为单个模型预测结果动态组合的结果。
上述实施例阐明的装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为电子设备，具体的，电子设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
在一个典型的实例中电子设备具体包括存储器、处理器以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上述预测步骤：
下面参考图13，其示出了适于用来实现本申请实施例的电子设备600的结构示意图。
如图13所示，电子设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中，还存储有系统600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡，调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括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上述方法步骤。
在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、设备(系统)、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。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种企业财务指标资金量预测方法，其特征在于，包括：
获取一财务指标的流水数据和辅助数据；
根据所述财务指标的流水数据和所述辅助数据进行特征提取得到特征数据；
将所述特征数据分别输入预训练的多个单体预测模型中以得到对应的预测值；
采用带精英策略的非支配排序遗传算法对各单体预测模型的预测值进行处理得到企业财务指标资金量预测结果；
其中，所述单体预测模型为线性回归模型、逐步回归模型、Prophet回归模型、随机森林回归模型或遗传算法模型。
2.根据权利要求1所述的企业财务指标资金量预测方法，其特征在于，还包括：
利用均方根误差评估预训练的多个单体预测模型的效果；
根据评估结果选取部分单体预测模型用于企业财务指标资金量预测。
3.根据权利要求1所述的企业财务指标资金量预测方法，其特征在于，所述辅助数据包括：企业内部事件信息、企业关联外部事件信息以及行业政策信息。
4.根据权利要求1所述的企业财务指标资金量预测方法，其特征在于，提取的特征为利用主成分分析业务属性特征、关联序列特征、统计序列特征得到。
5.根据权利要求4所述的企业财务指标资金量预测方法，其特征在于，所述业务属性特征包括：业务周期特征、事件特征。
6.根据权利要求5所述的企业财务指标资金量预测方法，其特征在于，所述统计序列特征包括：变化率特征、均值特征、极值特征。
7.一种企业财务指标资金量预测装置，其特征在于，包括：
原始数据获取模块，获取一财务指标的流水数据和辅助数据；
特征提取模块，根据所述财务指标的流水数据和所述辅助数据进行特征提取得到特征数据；
预测模块，将所述特征数据分别输入预训练的多个单体预测模型中以得到对应的预测值；
最优解计算模块，采用带精英策略的非支配排序遗传算法对各单体预测模型的预测值进行处理得到企业财务指标资金量预测结果；
其中，所述单体预测模型为线性回归模型、逐步回归模型、Prophet回归模型、随机森林回归模型或遗传算法模型。
8.根据权利要求7所述的企业财务指标资金量预测装置，其特征在于，还包括：
模型效果评估模块，利用均方根误差评估预训练的多个单体预测模型的效果；
模型优选模块，根据评估结果选取部分单体预测模型用于企业财务指标资金量预测。
9.一种电子设备，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6任一项所述的企业财务指标资金量预测方法的步骤。
10.一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6任一项所述的企业财务指标资金量预测方法的步骤。
CN202010563319.0A 2020-06-19 2020-06-19 企业财务指标资金量预测方法和装置、设备及存储介质 Pending CN111738504A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010563319.0A CN111738504A (zh) 2020-06-19 2020-06-19 企业财务指标资金量预测方法和装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010563319.0A CN111738504A (zh) 2020-06-19 2020-06-19 企业财务指标资金量预测方法和装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111738504A true CN111738504A (zh) 2020-10-02

Family

ID=72650164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010563319.0A Pending CN111738504A (zh) 2020-06-19 2020-06-19 企业财务指标资金量预测方法和装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111738504A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183906A (zh) * 2020-12-02 2021-01-05 北京蒙帕信创科技有限公司 一种基于多模型组合模型的机房环境预测方法及系统
CN112419030A (zh) * 2020-11-30 2021-02-26 北京安九信息技术有限公司 财务舞弊风险评估的方法、系统及设备
CN113988461A (zh) * 2021-11-11 2022-01-28 中国工商银行股份有限公司 头寸的预测方法、装置、存储介质和电子设备
CN115454988A (zh) * 2022-09-27 2022-12-09 哈尔滨工业大学 基于随机森林网络的卫星电源系统缺失数据补全方法
CN117853254A (zh) * 2024-03-07 2024-04-09 盛业信息科技服务(深圳)有限公司 账务平台的测试方法、装置、设备及存储介质
CN118095815A (zh) * 2024-04-29 2024-05-28 厦门国际银行股份有限公司 一种银行人员的智能排班方法、装置以及设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016057001A1 (en) * 2014-10-09 2016-04-14 Cloudradigm Pte. Ltd. A computer implemented method and system for automatically modelling a problem and orchestrating candidate algorithms to solve the problem
CN109829818A (zh) * 2019-02-03 2019-05-31 中国银行股份有限公司 现金需求量预测方法、装置、电子设备及可读存储介质
CN109840637A (zh) * 2019-02-20 2019-06-04 中国银行股份有限公司 现金需求量预测方法、装置和设备
CN110363357A (zh) * 2019-07-17 2019-10-22 中国银行股份有限公司 一种智能配钞方法及系统
WO2019201001A1 (zh) * 2018-04-20 2019-10-24 阿里巴巴集团控股有限公司 一种资金的预测方法、装置及电子设备
CN110400021A (zh) * 2019-07-31 2019-11-01 中国工商银行股份有限公司 银行网点现金用量预测方法及装置
CN110400022A (zh) * 2019-07-31 2019-11-01 中国工商银行股份有限公司 自助柜员机现金用量预测方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016057001A1 (en) * 2014-10-09 2016-04-14 Cloudradigm Pte. Ltd. A computer implemented method and system for automatically modelling a problem and orchestrating candidate algorithms to solve the problem
WO2019201001A1 (zh) * 2018-04-20 2019-10-24 阿里巴巴集团控股有限公司 一种资金的预测方法、装置及电子设备
CN109829818A (zh) * 2019-02-03 2019-05-31 中国银行股份有限公司 现金需求量预测方法、装置、电子设备及可读存储介质
CN109840637A (zh) * 2019-02-20 2019-06-04 中国银行股份有限公司 现金需求量预测方法、装置和设备
CN110363357A (zh) * 2019-07-17 2019-10-22 中国银行股份有限公司 一种智能配钞方法及系统
CN110400021A (zh) * 2019-07-31 2019-11-01 中国工商银行股份有限公司 银行网点现金用量预测方法及装置
CN110400022A (zh) * 2019-07-31 2019-11-01 中国工商银行股份有限公司 自助柜员机现金用量预测方法及装置

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419030A (zh) * 2020-11-30 2021-02-26 北京安九信息技术有限公司 财务舞弊风险评估的方法、系统及设备
CN112419030B (zh) * 2020-11-30 2023-06-27 北京安九信息技术有限公司 财务舞弊风险评估的方法、系统及设备
CN112183906A (zh) * 2020-12-02 2021-01-05 北京蒙帕信创科技有限公司 一种基于多模型组合模型的机房环境预测方法及系统
CN113988461A (zh) * 2021-11-11 2022-01-28 中国工商银行股份有限公司 头寸的预测方法、装置、存储介质和电子设备
CN115454988A (zh) * 2022-09-27 2022-12-09 哈尔滨工业大学 基于随机森林网络的卫星电源系统缺失数据补全方法
CN117853254A (zh) * 2024-03-07 2024-04-09 盛业信息科技服务(深圳)有限公司 账务平台的测试方法、装置、设备及存储介质
CN117853254B (zh) * 2024-03-07 2024-05-28 盛业信息科技服务(深圳)有限公司 账务平台的测试方法、装置、设备及存储介质
CN118095815A (zh) * 2024-04-29 2024-05-28 厦门国际银行股份有限公司 一种银行人员的智能排班方法、装置以及设备
CN118095815B (zh) * 2024-04-29 2024-08-27 厦门国际银行股份有限公司 一种银行人员的智能排班方法、装置以及设备

Similar Documents

Publication Publication Date Title
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
CN110400022B (zh) 自助柜员机现金用量预测方法及装置
US11645522B2 (en) Method and system using machine learning for prediction of stocks and/or other market instruments price volatility, movements and future pricing by applying random forest based techniques
CN110400021B (zh) 银行网点现金用量预测方法及装置
CN110880051A (zh) 企业价值评估云服务系统
CN110738564A (zh) 贷后风险评估方法及装置、存储介质
Karminsky et al. Extended modeling of banks’ credit ratings
CN111738505A (zh) 银行网点工作量预测方法和装置、电子设备及存储介质
CN111738506A (zh) 现金中心现金库存用量预测方法和装置、电子设备及介质
CN114048436A (zh) 一种预测企业财务数据模型构建方法及构建装置
CN111738507A (zh) 银行清算头寸资金备付量预测方法和装置、设备及介质
Korol Fuzzy logic in financial management
US20240346531A1 (en) Systems and methods for business analytics model scoring and selection
Chikunov et al. Financial risks of Russian oil companies in conditions of volatility of global oil prices
CN112862182A (zh) 一种投资预测方法、装置、电子设备及存储介质
CN117853238A (zh) 基于多数据源融合的电力交易辅助决策系统
CN111738508A (zh) 银行网点空白凭证库存用量预测方法和装置、设备和介质
CN113421014A (zh) 一种目标企业确定方法、装置、设备和存储介质
Goldmann et al. A new ordinal mixed-data sampling model with an application to corporate credit rating levels
Berteloot et al. A novel credit rating migration modeling approach using macroeconomic indicators
Pant et al. Forecasting of nifty 50 index volatility using seasonal ARIMA model
Lapishko et al. Immatious-automatic simulation of processes in insurance activities
Ezeibekwe Stock market development and economic growth: Empirical evidence from Nigeria
Dănilă Credit risk assessment under Basel accords
Laitinen Financial failure of a startup: a simulation approach

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: 20201002