CN111798297B - 一种财务风险预警分析的方法与装置 - Google Patents
一种财务风险预警分析的方法与装置 Download PDFInfo
- Publication number
- CN111798297B CN111798297B CN202010563243.1A CN202010563243A CN111798297B CN 111798297 B CN111798297 B CN 111798297B CN 202010563243 A CN202010563243 A CN 202010563243A CN 111798297 B CN111798297 B CN 111798297B
- Authority
- CN
- China
- Prior art keywords
- index
- financial
- early warning
- group
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims description 72
- 238000004364 calculation method Methods 0.000 claims abstract description 122
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000015572 biosynthetic process Effects 0.000 claims description 30
- 238000003786 synthesis reaction Methods 0.000 claims description 30
- 238000012216 screening Methods 0.000 claims description 25
- 238000007621 cluster analysis Methods 0.000 claims description 17
- 230000010354 integration Effects 0.000 claims description 14
- 230000000875 corresponding effect Effects 0.000 description 25
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000009286 beneficial effect Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 11
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000009833 condensation Methods 0.000 description 2
- 230000005494 condensation Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000007473 univariate analysis Methods 0.000 description 1
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
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种财务风险预警分析的方法和装置,所述方法包括:获取企业录入的资产负债表、利润表与现金流量表原始的财务报表数据;基于企业的资产负债表、利润表与现金流量表原始的财务报表数据,根据预先配置的指标计算规则,计算财务指标;根据财务指标以及行业的财务数据,对企业的财务进行风险预警的计算,并生成风险预警的信号,以及风险预警的文字描述;将财务指标、风险预警信号和风险预警文字描述信息通过风险预警报告进行展示。所述装置包括:原始财务报表数据获取模块、财务指标计算模块、风险预警信号和文字描述计算模块和风险预警报告展示模块。
Description
技术领域
本发明涉及计算机应用技术与财务分析领域,特别涉及一种自动化进行企业财务风险预警分析领域。
背景技术
财务预警作为识别财务危机并为企业投资人、债权人及管理者提供预警信号的风险管理工具,对于投资和风险管理具有重要的作用。
目前业界主要的分析方法包括定性和定量的方法。其中定性的分析方法包括标准化调查法、四阶段症状分析法、资金周转表分析法、管理评分法等方法,这些方法需要依赖于人工经验针对企业进行细致深入的调查进行评估,从信息的收集到分析和评价,难以量化企业的财务风险。定量的分析方法包括单变量分析方法、多元线性判别模型、Logistic回归模型、Probit财务危机预警模型、神经网络分析模型等模型,定量的分析方法通过对财务数据的分析,提炼财务指标进行分析,构建预警评分模型对财务风险进行预警分析,该类模型缺乏财务分析的逻辑,无法直观的掌握企业存在的财务风险点。目前的财务风险预警主要针对单个指标设定阈值进行分析,并输出风险预警信号,无法捕捉个财务指标之间的联动关系。
针对现有技术单指标风险阈值预警方法或统计方法的不足,本发明提出了一种财务风险预警分析的装置与方法,能够自动化的针对企业的财务风险进行多维度的交叉分析,利用财务指标之间的联动逻辑,发现企业财务发展过程中的风险异常,并构建多维度的风险预警指标体系,构建自动化财务风险交叉分析的规则,对财务风险进行自动预警的装置和方法。
发明内容
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
一种财务风险预警分析的方法,包括:
获取企业录入的资产负债表、利润表与现金流量表原始的财务报表数据;
基于企业的资产负债表、利润表与现金流量表原始的财务报表数据,根据预先配置的指标计算规则,计算财务指标;
根据财务指标以及行业的财务数据,对企业的财务进行风险预警的计算,并生成风险预警信号,以及风险预警文字描述;
将所述财务指标、所述风险预警信号和所述风险预警文字描述信息通过风险预警报告进行展示。
优选地,所述根据财务指标以及行业的财务数据,对企业的财务进行风险预警的计算,并生成风险预警的信号,以及风险预警的文字描述,包括:
根据预先配置财务分析的指标计算规则,设置风险预警的多个维度的交叉计算规则以及自动化财务风险描述的合成规则;
根据行业的财务数据批量计算行业的财务指标基准值。
优选地,所述基于企业的资产负债表、利润表与现金流量表原始的财务报表数据,根据预先配置的指标计算规则,计算财务指标,包括:
通过下面公式计算财务指标系数θ的大小:
当θ>0时,说明所述财务指标处于正失衡状态;
当θ<0时,说明所述财务指标处于负失衡状态;
当θ=0时,说明所述财务指标处于合理范围内;
当θ不等于0时,说明所述财务指标没有处于合理范围内,对财务指标发出警报信息;
当θ等于0时,无需对财务指标进行任何操作;
其中:θ为财务指标系数,xi为财务指标的实际值,xi1为所述财务指标处于合理范围内的最小值,xi2为所述财务指标处于合理范围内的最大值。
优选地,所述根据所述预先配置财务分析的指标计算规则,设置风险预警的多个维度的交叉计算规则以及自动化财务风险描述的合成规则,包括:
将财务指标进行第一次分组获得多个第一指标组,并在所述第一指标组内部计算指标间的斯皮尔曼相关系数;
根据所述斯皮尔曼相关系数对所述第一指标组进行聚类分析,对所述第一指标组进行第二次分组获得多个第二指标组;
对所述第二指标组进行筛选,筛选出符合预设规则的所述第二指标组作为第三指标组;
对所述第三指标组进行五分段划分,对照预设的第一风险预警表获取第一初始预警信号和第一初始预警描述;
当所述第三指标组的数量大于等于三时,将所述第三指标组进行交叉组合,获得多个第一组合;
基于所述第一组合,对照预设的第二风险预警表获取第二初始预警信号和第二初始预警描述;
基于所述第一初始预警信号和所述第二初始预警信号,根据预设第一判断规则,获得所述风险预警信号;
基于所述第一初始预警描述和所述第二初始预警描述,根据预设整合规则,获得所述风险预警文字描述。
优选地,所述根据所述斯皮尔曼相关系数对所述第一指标组进行聚类分析,对所述第一指标组进行第二次分组获得多个第二指标组;包括:
任意指定所述第一指标组中的一个指标数据为第一代表指标数据;
基于所述第一代表指标数据与所述第一指标组中其余的指标数据之间的斯皮尔曼相关系数,若所述斯皮尔曼相关系数为正值时,将所述第一代表指标数据与所述指标数据集合,生成第一集合组,将所述第一集合组作为一个第二指标组;
判断所述第一指标组中不属于所述第一集合组的第一剩余指标数据的个数,当所述指标数据的个数为零时,则第二指标组即为第一集合组,当所述第一剩余指标数据的个数不为零时,则从所述第一剩余指标数据中任意挑选一个指标数据作为第二代表指标数据;否则,从所述第一剩余指标数据中,任意挑选一个指标数据作为第二代表指标数据;
基于所述第二代表指标数据与不属于第二代表指标数据的第一剩余指标数据的所有指标数据进行斯皮尔曼相关系数的计算;
若所述斯皮尔曼相关系数为负值时,将所述第二代表指标数据与所述指标数据进行集合,生成第二集合组,所述第二集合组为又一个第二指标组;
判断所述第一指标组中不属于所述第一集合组和第二集合组的第二剩余指标数据的个数,当所述指标数据的个数为零时,则第二指标组即为第一集合组和第二集合组;否则,从所述第二剩余指标数据为第三集合组,所述第三集合组为再一个第二指标组。
优选地,一种财务风险预警分析的装置,包括:
原始财务报表数据获取模块,用于获取企业录入的资产负债表、利润表与现金流量表等原始的财务报表数据;
财务指标计算模块,用于基于企业的资产负债表、利润表与现金流量表原始的财务报表数据,根据预先配置的指标计算规则,计算财务指标;
风险预警信号和文字描述计算模块,用于根据财务指标以及行业的财务数据,对企业的财务进行风险预警的计算,并生成风险预警的信号,以及风险预警的文字描述;
风险预警报告展示模块,用于将财务指标、风险预警信号、风险预警文字描述等信息通过风险预警报告进行展示。
优选地,所述风险预警信号和文字描述计算模块,包括:
多维度交叉计算规则和合成规则设置子模块,用于根据预先配置财务分析的指标计算规则,设置风险预警的多个维度的交叉计算规则以及自动化财务风险描述的合成规则;
财务指标基准值批量计算和存储子模块,用于根据行业的财务数据批量计算行业的财务指标基准值。
优选地,所述财务指标计算模块,包括:
通过下面公式计算财务指标系数θ的大小:
当θ>0时,说明所述财务指标处于正失衡状态;
当θ<0时,说明所述财务指标处于负失衡状态;
当θ=0时,说明所述财务指标处于合理范围内;
当θ不等于0时,说明所述财务指标没有处于合理范围内,对财务指标发出警报信息;
当θ等于0时,无需对财务指标进行任何操作;
其中:θ为财务指标系数,xi为财务指标的实际值,xi1为所述财务指标处于合理范围内的最小值,xi2为所述财务指标处于合理范围内的最大值。
优选地,所述多维度交叉计算规则和合成规则设置子模块,包括:
第一指标组分组单元,用于将财务指标进行第一次分组获得多个第一指标组,并在所述第一指标组内部计算指标间的斯皮尔曼相关系数;
第二指标组分组单元,用于根据所述斯皮尔曼相关系数对所述第一指标组进行聚类分析,对所述第一指标组进行第二次分组获得多个第二指标组;
预设规则筛选单元,用于对所述第二指标组进行筛选,筛选出符合预设规则的所述第二指标组作为第三指标组;
第三指标组五分段划分单元,用于对所述第三指标组进行五分段划分,对照预设的第一风险预警表获取第一初始预警信号和第一初始预警描述;
第一组合获得单元,用于当所述第三指标组的数量大于等于三时,将所述第三指标组进行交叉组合,获得多个第一组合;
第二初始预警信号和第二初始预警描述单元,用于基于所述第一组合,对照预设的第二风险预警表获取第二初始预警信号和第二初始预警描述;
风险预警信号获得单元,用于基于所述第一初始预警信号和所述第二初始预警信号,根据预设第一判断规则,获得所述风险预警信号;
风险预警文字描述获得单元,用于基于所述第一初始预警描述和所述第二初始预警描述,根据预设整合规则,获得所述风险预警文字描述。
优选地,所述相关系数的聚类分析和自动分组单元,包括:
第一代表指标数据指定子单元,用于任意指定所述第一指标组中的一个指标数据为第一代表指标数据;
第一集合组生成子单元,用于基于所述第一代表指标数据与所述第一指标组中其余的指标数据之间的斯皮尔曼相关系数,若所述斯皮尔曼相关系数为正值时,将所述第一代表指标数据与所述指标数据集合,生成第一集合组,将所述第一集合组作为一个第二指标组;
第一指标组判断子单元,用于判断所述第一指标组中不属于所述第一集合组的第一剩余指标数据的个数,当所述指标数据的个数为零时,则第二指标组即为第一集合组,当所述第一剩余指标数据的个数不为零时,则从所述第一剩余指标数据中任意挑选一个指标数据作为第二代表指标数据;否则,从所述第一剩余指标数据中,任意挑选一个指标数据作为第二代表指标数据;
第一剩余指标数据计算子单元,用于基于所述第二代表指标数据与不属于第二代表指标数据的第一剩余指标数据的所有指标数据进行斯皮尔曼相关系数的计算;
第二集合组生成子单元,用于当所述斯皮尔曼相关系数为负值时,将所述第二代表指标数据与所述指标数据进行集合,生成第二集合组,所述第二集合组为又一个第二指标组;
第二剩余指标数据判断子单元,用于判断所述第一指标组中不属于所述第一集合组和第二集合组的第二剩余指标数据的个数,当所述指标数据的个数为零时,则第二指标组即为第一集合组和第二集合组;否则,从所述第二剩余指标数据为第三集合组,所述第三集合组为再一个第二指标组。
本发明有益效果为:
本发明提供了一种财务风险预警分析的方法和装置,本发明的财务风险预警分析报告并不需要人工的分析和干预,能够自动化的采用大数据对单个企业的财务风险进行分析,提升了财务风险预警的精确度与可理解程度。能够自动化地针对企业的财务风险进行多维度的交叉分析,利用财务指标之间的联动逻辑,发现企业财务发展过程中的风险异常,并构建多维度的风险预警指标体系,构建自动化财务风险交叉分析的规则,对财务风险进行自动预警。同时包含一种基于相关系数财务数据中挖掘风险预警指标组的方法,提高了挖掘风险预警指标信号组合的效率。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为一种财务风险预警分析的方法流程示意图;
图2为又一种财务风险预警分析的方法流程示意图;
图3为一种财务风险预警分析的装置示意图;
图4为发明所述一种财务风险预警分析的报告示意图;
图5为又一种财务风险预警分析装置的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提供了一种财务风险预警分析的方法,如图1所示,包括:
获取企业录入的资产负债表、利润表与现金流量表原始的财务报表数据;
基于企业的资产负债表、利润表与现金流量表原始的财务报表数据,根据预先配置的指标计算规则,计算财务指标;
根据财务指标以及行业的财务数据,对企业的财务进行风险预警的计算,并生成风险预警的信号,以及风险预警的文字描述;
将财务指标、风险预警信号和风险预警文字描述信息通过风险预警报告进行展示。
上述技术方案的工作原理为:
先获取企业录入的资产负债表、利润表与现金流量表原始的财务报表数据,基于所述的财务报表数据,根据预先配置的指标计算规则,例如:资产负债率=(负债总额÷资产总额)×100%,利润总额=营业利润+营业外收入-营业外支出,净现金流量=现金流入量-现金流出量,计算出资产负债率、利润总额、净现金流量等财务指标,通过企业的财务指标和行业的财务数据对比,对企业的财务进行风险预警的计算,生成风险预警的信号和风险预警的文字描述,其中,行业的财务数据是所述企业行业的财务平均水平,即行业财务指标的基准值。通过所述企业的财务指标、风险预警信号和风险预警文字描述信息汇总成风险预警报告进行展示,对所述企业的财务进行风险预警分析。
上述技术方案的有益效果为:
本发明所述财务风险预警分析的方法,通过企业财务的资产负债表、利润表与现金流量表原始的财务报表数据,与行业的财务数据比较,自动对所述企业的财务进行风险预警计算,生成风险预警报告,所述风险预警报告不需要人工的分析和干预,由计算机自动生成,对企业采用大数据进行财务风险的分析,比人工干预的方法更加及时,在财务刚出现问题时就能生成风险预警报告,及时减少了许多经济损失,且提升了财务风险预警的准确度和可理解度。
在一个实施例中,所述根据财务指标以及行业的财务数据,对企业的财务进行风险预警的计算,并生成风险预警的信号,以及风险预警的文字描述,包括:
根据预先配置财务分析的指标计算规则,设置风险预警的多个维度的交叉计算规则以及自动化财务风险描述的合成规则;
根据行业的财务数据批量计算行业的财务指标基准值。
上述技术方案的工作原理为:
根据预先配置的财务分析的指标计算规则,例如:资产负债率=(负债总额÷资产总额)×100%,利润总额=营业利润+营业外收入-营业外支出,净现金流量=现金流入量-现金流出量,计算出资产负债率、利润总额、净现金流量等财务指标,同时从企业的销售活性、财务激进度、融资合理性等角度,设置风险预警的多个维度的交叉计算规则以及自动化财务风险描述的合成规则,再根据行业的财务数据批量计算行业的财务指标基准值,设置财务指标基准值,用于将企业的财务指标和行业的财务数据,以及行业的财务指标基准值比较,对企业的财务进行风险预警计算,其中计算公式为预设的计算公式,生成风险预警信号和文字描述。
上述技术方案的有益效果为:
从企业的销售活性、财务激进度、融资合理性等不同角度设置风险预警的多个维度的交叉计算规则以及自动化财务风险描述的合成规则,与行业的财务指标基准值进行比较,对企业的财务进行不同维度的预警信号强度以及相应的风险信息描述,对于风险预警更为具体,能够形成多个维度的风险预警的信号和文字描述,能够从不同方面对企业进行风险预警,范围更广。
在一个实施例中,所述根据财务指标的计算公式,预先配置财务分析的指标计算规则,包括:
通过下面公式计算财务指标系数xi的大小:
当θ>0时,说明所述财务指标处于正失衡状态;
当θ<0时,说明所述财务指标处于负失衡状态;
当θ=0时,说明所述财务指标处于合理范围内;
当θ不等于0时,说明所述财务指标没有处于合理范围内,对财务指标发出警报信息;
当θ等于0时,无需对财务指标进行任何操作;
其中:θ为财务指标系数,xi为财务指标的实际值,xi1为所述财务指标处于合理范围内的最小值,xi2为所述财务指标处于合理范围内的最大值。
上述技术方案的工作原理为:
通过财务指标系数的计算,预先配置指标计算的规则,包括:
当θ不等于0时,说明所述财务指标没有处于合理范围内,对财务指标发出警报信息;
当θ等于0时,无需对财务指标进行任何操作。
上述技术方案的有益效果为:
通过计算所述财务指标系数的大小,对于所述财务指标未在合理范围内进行报警信息的发送,可以在财务状况出现异常的时候及时发现并对财务进行风险预警处理,企业通过警报信息及时采取相应的控制措施,对所述财务指标进行第一道风险预警,有效避免之后因为所述财务指标的异常情况造成更大的经济损失。
在一个实施例中,所述根据所述预先配置财务分析的指标计算规则,设置风险预警的多个维度的交叉计算规则以及自动化财务风险描述的合成规则,包括:
将财务指标进行第一次分组获得多个第一指标组,并在所述第一指标组内部计算指标间的斯皮尔曼相关系数;
根据所述斯皮尔曼相关系数对所述第一指标组进行聚类分析,对所述第一指标组进行第二次分组获得多个第二指标组;
对所述第二指标组进行筛选,筛选出符合预设规则的所述第二指标组作为第三指标组;
对所述第三指标组进行五分段划分,对照预设的第一风险预警表获取第一初始预警信号和第一初始预警描述;
当所述第三指标组的数量大于等于三时,将所述第三指标组进行交叉组合,获得多个第一组合;
基于所述第一组合,对照预设的第二风险预警表获取第二初始预警信号和第二初始预警描述;
基于所述第一初始预警信号和所述第二初始预警信号,根据预设第一判断规则,获得所述风险预警信号,
基于所述一初始预警描述和所述第二初始预警描述,根据预设整合规则,获得所述风险预警文字描述。
上述技术方案的工作原理为:
将财务指标从企业的销售活性、财务激进度、融资合理性等角度进行第一次分组,获得多个第一指标组,并在所述第一指标组内部计算指标间的斯皮尔曼相关系数;根据所述斯皮尔曼相关系数对所述第一指标组进行聚类分析,对所述第二指标组进行分组,获得多个第二指标组,其中,斯皮尔曼相关系数是用来估计两个计算指标X和Y之间的相关性,如果两个计算指标间没有重复值,并且当两个计算指标完全单调相关时,所述斯皮尔曼相关系数则为+1或者-1,如果当X增加时,Y趋向于增加,斯皮尔曼相关系数则为正。如果当X增加时,Y趋向于减少,斯皮尔曼相关系数则为负。斯皮尔曼相关系数为零表明当X增加时Y没有任何趋向性。通过相关系数进行类聚分析,聚类分析是一种机器学习算法,主要用于对数据集进行分组。相同的组中的数据之间有相近的属性,能够自动将相关的高的指标划分为一类。具体的聚类分析算法包括:K均值算法、均值漂移聚类算法、基于密度的聚类算法、最大期望聚类算法、凝聚聚类算法等算法。具体实施方式由下一实施例具体描述;对所述第二指标组进行筛选,筛选出符合预设规则的第二指标组作为第三指标组,对这些自动划分的指标组,其中,筛选符合预设规则的第二指标组的筛选原则是挑选具有经济含义的分析指标组合,挑选的原则主要是两个指标具有明确的经济逻辑的相关性,比如企业的营业收入增长率和应收账款增长率,就具有明确的经济逻辑关系,营业收入的增长率与应收账款增长率具有高度的相关性;对所述第三指标组进行五分段划分,分别从销售获利、经营杠杆、财务杠杆、债务结构和融资合理性方面进行划分,对照预设的第一风险预警表获取第一初始预警信号和第一初始预警描述,例如,第一风险预警表包括:对应于销售获利情况的预设的第一初始预警信号和第一初始预警描述;对应经营杠杆情况的预设的第一初始预警信号和第一初始预警描述;对应财务杠杆情况的预设的第一初始预警信号和第一初始预警描述;对应债务机构的预设的第一初始预警信号和第一初始预警描述;对应融资合理性的预设的第一初始预警信号和第一初始预警描述;其中,对应销售获利情况有不及格、及格、良好、佳和极佳;不及格对应着亏损、及格对应获利在十万以内,良好对应获利在十万至百万;佳对应获利在百万至千万,极佳对应获利在千万以上;对应销售获利这五种情况的第一初始预警信号和第一初始预警描述都不相同,例如第一初始预警信号包括:关注、预警以及关注加预警,例如第一初始预警描述包括:该企业在过去3年内,有三次净经营现金流/销售小于5%、销售及行政费用的属性更偏向于固定成本、但从此类比率来看并未呈现所述的特征等。当所述第三指标组的数量大于等于三时,将所述第三指标组进行交叉组合,获得多个第一组合;基于所述第一组合,对照预设的第二风险预警表获取第二初始预警信号和第二初始预警描述,例如,第一组合为两个第三指标组组合而成,第一个第三指标组中存在财务指标A、财务指标B;第二个第三指标组存在财务指标C、财务指标D,则预设的第二风险预警表包括,与财务指标A、财务指标B、财务指标C和财务指标D都对应的第二初始预警信号及第二初始预警描述;基于所述第一初始预警信号和所述第二初始预警信号,根据预设第一判断规则,获得所述风险预警信号,其中预设第一判断规则例如是第一初始预警信号和第二初始预警信号中超出预设值一定范围后,生成风险预警信号;基于所述第一初始预警描述和所述第二初始预警描述,根据预设整合规则,例如,第一初始预警描述:“该企业在过去3年内,有3次净经营现金流/销售小于5%”与第二初始预警描述:“此情况的发生通常是企业通过激进的营运资本和牺牲经营现金流来扩大销售(市场份额)”的整合,形成所述获得所述风险预警文字描述。
上述技术方案的有益效果为:
将所述财务指标经过多次分组和筛选,以及通过各种方式的整合,对所述财务指标进行多维度的划分,得到更加准确的描述。对财务指标进行交叉组合以及根据预设的整合规则进行整合形成的风险预警文字描述更加全面,能够获得更加全面具体的预警信号和预警描述,当财务出现风险时,能够更好地进行预警,减少财务上的损失。
在一个实施例中,所述根据所述斯皮尔曼相关系数对所述第一指标组进行聚类分析,对所述第一指标组进行第二次分组获得多个第二指标组;包括:
任意指定所述第一指标组中的一个指标数据为第一代表指标数据;
基于所述第一代表指标数据与所述第一指标组中其余的指标数据之间的斯皮尔曼相关系数,若所述斯皮尔曼相关系数为正值时,将所述第一代表指标数据与所述指标数据集合,生成第一集合组,将所述第一集合组作为一个第二指标组;
判断所述第一指标组中不属于所述第一集合组的第一剩余指标数据的个数,当所述指标数据的个数为零时,则第二指标组即为第一集合组,当所述第一剩余指标数据的个数不为零时,则从所述第一剩余指标数据中任意挑选一个指标数据作为第二代表指标数据;否则,从所述第一剩余指标数据中,任意挑选一个指标数据作为第二代表指标数据;
基于所述第二代表指标数据与不属于第二代表指标数据的第一剩余指标数据的所有指标数据进行斯皮尔曼相关系数的计算;
若所述斯皮尔曼相关系数为负值时,将所述第二代表指标数据与所述指标数据进行集合,生成第二集合组,所述第二集合组为又一个第二指标组;
判断所述第一指标组中不属于所述第一集合组和第二集合组的第二剩余指标数据的个数,当所述指标数据的个数为零时,则第二指标组即为第一集合组和第二集合组;否则,从所述第二剩余指标数据为第三集合组,所述第三集合组为再一个第二指标组。
上述技术方案的工作原理为:
从所述第一指标组中任意指定一个指标数据为第一代表指标数据;基于所述第一代表指标数据与所述第一指标组中其余的指标数据之间的斯皮尔曼相关系数,若所述斯皮尔曼相关系数为正值时,将所述第一代表指标数据与所述指标数据集合,生成第一集合组,将所述第一集合组作为一个第二指标组;判断所述第一指标组中不属于所述第一集合组的第一剩余指标数据的个数,当所述指标数据的个数为零时,则第二指标组即为第一集合组,当所述第一剩余指标数据的个数不为零时,则从所述第一剩余指标数据中任意挑选一个指标数据作为第二代表指标数据;否则,从所述第一剩余指标数据中,任意挑选一个指标数据作为第二代表指标数据;基于所述第二代表指标数据与不属于第二代表指标数据的第一剩余指标数据的所有指标数据进行斯皮尔曼相关系数的计算;若所述斯皮尔曼相关系数为负值时,将所述第二代表指标数据与所述指标数据进行集合,生成第二集合组,所述第二集合组为又一个第二指标组;判断所述第一指标组中不属于所述第一集合组和第二集合组的第二剩余指标数据的个数,当所述指标数据的个数为零时,则第二指标组即为第一集合组和第二集合组;否则,从所述第二剩余指标数据为第三集合组,所述第三集合组为再一个第二指标组。
上述技术方案的有益效果为:
本发明实施例采用斯皮尔曼相关系数进行聚类分析,根据相似程度的远近进行划分与结合,方便少量样本的指标数据的聚类,使指标数据之间的相似程度更加明显和直观。根据相关系数进行聚类分析,可以对指标进行自动分组,无需人为操作,通过计算机分类代替人工分类,避免了繁琐的分类工作造成的数据失误,同时节约时间,比人工分组的精确度更高,效率更高。
在又一种财务风险预警分析的方法,如图2所示,包括:
S1、根据财务指标的计算公式,预先配置财务分析的指标计算规则;
S2、根据财务风险预警的规则,从企业的销售活性、财务激进度、融资合理性等角度,设置风险预警的多个维度的交叉计算规则,以及自动化财务风险描述的合成规则;
S3、获取行业的财务数据,根据行业的财务数据批量计算行业的财务指标基准值,并进行存储;
S4、录入企业的资产负债表、利润表与现金流量表等原始的财务报表数据;
S5、根据预先配置的指标计算规则,计算财务指标;
S6、根据风险预警的计算规则,进行风险预警的计算,并生成风险预警的信号,以及风险预警的文字描述;
S7、将财务指标、风险预警信号、风险预警文字描述等信息通过风险预警报告进行展示。
上述技术方案的工作原理为:
根据预设的财务指标的计算公式,预先配置财务分析的指标计算规则;通过财务风险预警的规则,从企业的销售活性、财务激进度、融资合理性等角度,设置风险预警的多个维度的交叉计算规则,以及自动化财务风险描述的合成规则;通过交叉计算规则和合成规则,获取行业的财务数据,根据行业的财务数据,批量计算和存储财务指标基准值;之后录入录入企业的资产负债表、利润表与现金流量表等原始的财务报表数据;根据预先配置的指标计算规则,计算财务指标;根据风险预警的计算规则,进行风险预警的计算,并生成风险预警的信号,以及风险预警的文字描述;最后将财务指标、风险预警信号、风险预警文字描述等信息通过风险预警报告进行展示。
上述技术方案的有益效果为:
本发明所述财务风险预警分析的方法,能够自动化地针对企业的财务风险进行多维度的交叉分析,通过财务指标之间的关系,发现企业财务中的风险状况,对财务风险起到自动预警的作用。
在一个实施例中,一种财务风险预警分析的装置,如图3-4所示,包括:
原始财务报表数据获取模块,用于获取企业录入的资产负债表、利润表与现金流量表等原始的财务报表数据;
财务指标计算模块,用于基于企业的资产负债表、利润表与现金流量表原始的财务报表数据,根据预先配置的指标计算规则,计算财务指标;
风险预警信号和文字描述计算模块,用于根据财务指标以及行业的财务数据,对企业的财务进行风险预警的计算,并生成风险预警的信号,以及风险预警的文字描述;
风险预警报告展示模块,用于将财务指标、风险预警信号、风险预警文字描述等信息通过风险预警报告进行展示。
上述技术方案的工作原理为:
一种财务风险预警分析的装置,包括:原始财务报表数据获取模块、财务指标计算模块、风险预警信号和文字描述计算模块以及风险预警报告展示模块。所述原始财务报表数据获取模块,用于获取企业录入的资产负债表、利润表与现金流量表原始的财务报表数据,所述财务指标计算模块,用于基于所述的财务报表数据,根据预先配置的指标计算规则,例如:资产负债率=(负债总额÷资产总额)×100%,利润总额=营业利润+营业外收入-营业外支出,净现金流量=现金流入量-现金流出量,计算出资产负债率、利润总额、净现金流量等财务指标;所述风险预警信号和文字描述计算模块,用于通过企业的财务指标和行业的财务数据对比,对企业的财务进行风险预警的计算,生成风险预警的信号和风险预警的文字描述,其中,行业的财务数据是所述企业行业的财务平均水平,即行业财务指标的基准值。所述风险预警报告展示模块,用于通过所述企业的财务指标、风险预警信号和风险预警文字描述信息汇总成风险预警报告进行展示,对所述企业的财务进行风险预警分析。
上述技术方案的有益效果为:
本发明所述财务风险预警分析的装置,通过企业财务的资产负债表、利润表与现金流量表原始的财务报表数据,与行业的财务数据比较,自动对所述企业的财务进行风险预警计算,生成风险预警报告,所述风险预警报告不需要人工的分析和干预,由计算机自动生成,对企业采用大数据进行财务风险的分析,比人工干预更加及时,在财务刚出现问题时就能生成风险预警报告,及时减少了许多经济损失,且提升了财务风险预警的准确度和可理解度。
在一个实施例中,所述风险预警信号和文字描述计算模块,包括:
多维度交叉计算规则和合成规则设置子模块,用于根据预先配置财务分析的指标计算规则,设置风险预警的多个维度的交叉计算规则以及自动化财务风险描述的合成规则;
财务指标基准值批量计算和存储子模块,用于根据行业的财务数据批量计算行业的财务指标基准值。
上述技术方案的工作原理为:
所述风险预警信号和文字描述计算模块包括:多维度交叉计算规则和合成规则设置子模块以及财务指标基准值批量计算和存储子模块。所述多维度交叉计算规则和合成规则设置子模块,用于根据预先配置的财务分析的指标计算规则,例如:资产负债率=(负债总额÷资产总额)×100%,利润总额=营业利润+营业外收入-营业外支出,净现金流量=现金流入量-现金流出量,计算出资产负债率、利润总额、净现金流量等财务指标,同时从企业的销售活性、财务激进度、融资合理性等角度,设置风险预警的多个维度的交叉计算规则以及自动化财务风险描述的合成规则;所述财务指标基准值批量计算和存储子模块,用于根据行业的财务数据批量计算行业的财务指标基准值,设置财务指标基准值,将企业的财务指标和行业的财务数据,以及行业的财务指标基准值比较,对企业的财务进行风险预警计算,其中计算公式为预设的计算公式,生成风险预警信号和文字描述。
上述技术方案的有益效果为:
从企业的销售活性、财务激进度、融资合理性等不同角度设置风险预警的多个维度的交叉计算规则以及自动化财务风险描述的合成规则,与行业的财务指标基准值进行比较,对企业的财务进行不同维度的预警信号强度以及相应的风险信息描述,对于风险预警更为具体,能够形成多个维度的风险预警的信号和文字描述,能够从不同方面对企业进行风险预警,范围更广。
在一个实施例中,所述财务指标计算模块,包括:
通过下面公式计算财务指标系数θ的大小:
当θ>0时,说明所述财务指标处于正失衡状态;
当θ<0时,说明所述财务指标处于负失衡状态;
当θ=0时,说明所述财务指标处于合理范围内;
当θ不等于0时,说明所述财务指标没有处于合理范围内,对财务指标发出警报信息;
当θ等于0时,无需对财务指标进行任何操作;
其中:θ为财务指标系数,xi为财务指标的实际值,xi1为所述财务指标处于合理范围内的最小值,xi2为所述财务指标处于合理范围内的最大值。
上述技术方案的工作原理为:
通过财务指标系数的计算,预先配置指标计算的规则,包括:
当θ不等于0时,说明所述财务指标没有处于合理范围内,对财务指标发出警报信息;
当θ等于0时,无需对财务指标进行任何操作。
上述技术方案的有益效果为:
通过计算所述财务指标系数的大小,对于所述财务指标未在合理范围内进行报警信息的发送,可以在财务状况出现异常的时候及时发现并对财务进行风险预警处理,企业通过警报信息及时采取相应的控制措施,对所述财务指标进行第一道风险预警,有效避免之后因为所述财务指标的异常情况造成更大的经济损失。
在一个实施例中,所述多维度交叉计算规则和合成规则设置子模块,包括:
第一指标组分组单元,用于将财务指标进行第一次分组获得多个第一指标组,并在所述第一指标组内部计算指标间的斯皮尔曼相关系数;
第二指标组分组单元,用于根据所述斯皮尔曼相关系数对所述第一指标组进行聚类分析,对所述第一指标组进行第二次分组获得多个第二指标组;
预设规则筛选单元,用于对所述第二指标组进行筛选,筛选出符合预设规则的所述第二指标组作为第三指标组;
第三指标组五分段划分单元,用于对所述第三指标组进行五分段划分,对照预设的第一风险预警表获取第一初始预警信号和第一初始预警描述;
第一组合获得单元,用于当所述第三指标组的数量大于等于三时,将所述第三指标组进行交叉组合,获得多个第一组合;
第二初始预警信号和第二初始预警描述单元,用于基于所述第一组合,对照预设的第二风险预警表获取第二初始预警信号和第二初始预警描述;
风险预警信号获得单元,用于基于所述第一初始预警信号和所述第二初始预警信号,根据预设第一判断规则,获得所述风险预警信号;
风险预警文字描述获得单元,用于基于所述第一初始预警描述和所述第二初始预警描述,根据预设整合规则,获得所述风险预警文字描述。
将财务指标从企业的销售活性、财务激进度、融资合理性等角度进行第一次分组,获得多个第一指标组,并在所述第一指标组内部计算指标间的斯皮尔曼相关系数;根据所述斯皮尔曼相关系数对所述第一指标组进行聚类分析,对所述第二指标组进行分组,获得多个第二指标组,其中,斯皮尔曼相关系数是用来估计两个计算指标X和Y之间的相关性,如果两个计算指标间没有重复值,并且当两个计算指标完全单调相关时,所述斯皮尔曼相关系数则为+1或者-1,如果当X增加时,Y趋向于增加,斯皮尔曼相关系数则为正。如果当X增加时,Y趋向于减少,斯皮尔曼相关系数则为负。斯皮尔曼相关系数为零表明当X增加时Y没有任何趋向性。通过相关系数进行类聚分析,聚类分析是一种机器学习算法,主要用于对数据集进行分组。相同的组中的数据之间有相近的属性,能够自动将相关的高的指标划分为一类。具体的聚类分析算法包括:K均值算法、均值漂移聚类算法、基于密度的聚类算法、最大期望聚类算法、凝聚聚类算法等算法。具体实施方式由下一实施例具体描述;对所述第二指标组进行筛选,筛选出符合预设规则的第二指标组作为第三指标组,对这些自动划分的指标组,其中,筛选符合预设规则的第二指标组的筛选原则是挑选具有经济含义的分析指标组合,挑选的原则主要是两个指标具有明确的经济逻辑的相关性,比如企业的营业收入增长率和应收账款增长率,就具有明确的经济逻辑关系,营业收入的增长率与应收账款增长率具有高度的相关性;对所述第三指标组进行五分段划分,分别从销售获利、经营杠杆、财务杠杆、债务结构和融资合理性方面进行划分,对照预设的第一风险预警表获取第一初始预警信号和第一初始预警描述,例如,第一风险预警表包括:对应于销售获利情况的预设的第一初始预警信号和第一初始预警描述;对应经营杠杆情况的预设的第一初始预警信号和第一初始预警描述;对应财务杠杆情况的预设的第一初始预警信号和第一初始预警描述;对应债务机构的预设的第一初始预警信号和第一初始预警描述;对应融资合理性的预设的第一初始预警信号和第一初始预警描述;其中,对应销售获利情况有不及格、及格、良好、佳和极佳;不及格对应着亏损、及格对应获利在十万以内,良好对应获利在十万至百万;佳对应获利在百万至千万,极佳对应获利在千万以上;对应销售获利这五种情况的第一初始预警信号和第一初始预警描述都不相同,例如第一初始预警信号包括:关注、预警以及关注加预警,例如第一初始预警描述包括:该企业在过去3年内,有三次净经营现金流/销售小于5%、销售及行政费用的属性更偏向于固定成本、但从此类比率来看并未呈现所述的特征等。当所述第三指标组的数量大于等于三时,将所述第三指标组进行交叉组合,获得多个第一组合;基于所述第一组合,对照预设的第二风险预警表获取第二初始预警信号和第二初始预警描述,例如,第一组合为两个第三指标组组合而成,第一个第三指标组中存在财务指标A、财务指标B;第二个第三指标组存在财务指标C、财务指标D,则预设的第二风险预警表包括,与财务指标A、财务指标B、财务指标C和财务指标D都对应的第二初始预警信号及第二初始预警描述;基于所述第一初始预警信号和所述第二初始预警信号,根据预设第一判断规则,获得所述风险预警信号,其中预设第一判断规则例如是第一初始预警信号和第二初始预警信号中超出预设值一定范围后,生成风险预警信号;基于所述第一初始预警描述和所述第二初始预警描述,根据预设整合规则,例如,第一初始预警描述:“该企业在过去3年内,有3次净经营现金流/销售小于5%”与第二初始预警描述:“此情况的发生通常是企业通过激进的营运资本和牺牲经营现金流来扩大销售(市场份额)”的整合,形成所述获得所述风险预警文字描述。
上述技术方案的有益效果为:
将所述财务指标经过多次分组和筛选,以及通过各种方式的整合,对所述财务指标进行多维度的划分,得到更加准确的描述。对财务指标进行交叉组合以及根据预设的整合规则进行整合形成的风险预警文字描述更加全面,能够获得更加全面具体的预警信号和预警描述,当财务出现风险时,能够更好地进行预警,减少财务上的损失。
在一个实施例中,所述相关系数的聚类分析和自动分组单元,包括:
第一代表指标数据指定子单元,用于任意指定所述第一指标组中的一个指标数据为第一代表指标数据;
第一集合组生成子单元,用于基于所述第一代表指标数据与所述第一指标组中其余的指标数据之间的斯皮尔曼相关系数,若所述斯皮尔曼相关系数为正值时,将所述第一代表指标数据与所述指标数据集合,生成第一集合组,将所述第一集合组作为一个第二指标组;
第一指标组判断子单元,用于判断所述第一指标组中不属于所述第一集合组的第一剩余指标数据的个数,当所述指标数据的个数为零时,则第二指标组即为第一集合组,当所述第一剩余指标数据的个数不为零时,则从所述第一剩余指标数据中任意挑选一个指标数据作为第二代表指标数据;否则,从所述第一剩余指标数据中,任意挑选一个指标数据作为第二代表指标数据;
第一剩余指标数据计算子单元,用于基于所述第二代表指标数据与不属于第二代表指标数据的第一剩余指标数据的所有指标数据进行斯皮尔曼相关系数的计算;
第二集合组生成子单元,用于当所述斯皮尔曼相关系数为负值时,将所述第二代表指标数据与所述指标数据进行集合,生成第二集合组,所述第二集合组为又一个第二指标组;
第二剩余指标数据判断子单元,用于判断所述第一指标组中不属于所述第一集合组和第二集合组的第二剩余指标数据的个数,当所述指标数据的个数为零时,则第二指标组即为第一集合组和第二集合组;否则,从所述第二剩余指标数据为第三集合组,所述第三集合组为再一个第二指标组。
上述技术方案的工作原理为:
从所述第一指标组中任意指定一个指标数据为第一代表指标数据;基于所述第一代表指标数据与所述第一指标组中其余的指标数据之间的斯皮尔曼相关系数,若所述斯皮尔曼相关系数为正值时,将所述第一代表指标数据与所述指标数据集合,生成第一集合组,将所述第一集合组作为一个第二指标组;判断所述第一指标组中不属于所述第一集合组的第一剩余指标数据的个数,当所述指标数据的个数为零时,则第二指标组即为第一集合组,当所述第一剩余指标数据的个数不为零时,则从所述第一剩余指标数据中任意挑选一个指标数据作为第二代表指标数据;否则,从所述第一剩余指标数据中,任意挑选一个指标数据作为第二代表指标数据;基于所述第二代表指标数据与不属于第二代表指标数据的第一剩余指标数据的所有指标数据进行斯皮尔曼相关系数的计算;若所述斯皮尔曼相关系数为负值时,将所述第二代表指标数据与所述指标数据进行集合,生成第二集合组,所述第二集合组为又一个第二指标组;判断所述第一指标组中不属于所述第一集合组和第二集合组的第二剩余指标数据的个数,当所述指标数据的个数为零时,则第二指标组即为第一集合组和第二集合组;否则,从所述第二剩余指标数据为第三集合组,所述第三集合组为再一个第二指标组。
上述技术方案的有益效果为:
本发明实施例采用斯皮尔曼相关系数进行聚类分析,根据相似程度的远近进行划分与结合,方便少量样本的指标数据的聚类,使指标数据之间的相似程度更加明显和直观。根据相关系数进行聚类分析,可以对指标进行自动分组,无需人为操作,通过计算机分类代替人工分类,避免了繁琐的分类工作造成的数据失误,同时节约时间,比人工分组的精确度更高,效率更高。
在一个实施例中,又一种财务风险预警分析的装置,如图5所示,包括:
财务指标计算规则预先配置模块,用于根据财务指标的计算公式,预先配置财务分析的指标计算规则;
多维度交叉计算规则和合成规则设置模块,用于根据财务风险预警的规则,从企业的销售活性、财务激进度、融资合理性等角度,设置风险预警的多个维度的交叉计算规则,以及自动化财务风险描述的合成规则;
财务指标基准值批量计算和存储模块,用于获取行业的财务数据,根据行业的财务数据批量计算行业的财务指标基准值,并进行存储;
原始财务报表数据录入模块,用于录入企业的资产负债表、利润表与现金流量表等原始的财务报表数据;
财务指标计算模块,用于根据预先配置的指标计算规则,计算财务指标;
风险预警信号和文字描述计算模块,用于根据风险预警的计算规则,进行风险预警的计算,并生成风险预警的信号,以及风险预警的文字描述;
风险预警报告展示模块,用于将财务指标、风险预警信号、风险预警文字描述等信息通过风险预警报告进行展示。
上述技术方案的工作原理为:
本实施例中,一种财务风险预警分析的装置,包括:财务指标计算规则预先配置模块、多维度交叉计算规则和合成规则设置模块、财务指标基准值批量计算和存储模块、原始财务报表数据录入模块、财务指标计算模块以及风险预警信号和文字描述计算模块。
所述财务指标计算规则预先配置模块,用于根据预设的财务指标的计算公式,例如:财务负债率=负债总额/资产总额,反映债权人提供的资本占全部资本的比例;盈利能力指标分析中主营业务利润率=主营业务利润/主营业务收入净额,所述主营业务利润率指标越高,表明企业主营业务市场竞争力越强,发展潜力越大,盈利能力越强,预先配置财务分析的指标计算规则;所述多维度交叉计算规则和合成规则设置模块用于通过财务风险预警的规则,从企业的销售活性、财务激进度、融资合理性等角度,设置风险预警的多个维度的交叉计算规则,以及自动化财务风险描述的合成规则;所述财务指标基准值批量计算和存储模块用于通过交叉计算规则和合成规则,获取行业的财务数据,根据行业的财务数据,批量计算和存储财务指标基准值;所述原始财务报表数据录入模块,用于录入企业的资产负债表、利润表与现金流量表等原始的财务报表数据;所述风险预警信号和文字描述计算模块,用于根据预先配置的指标计算规则,计算财务指标;所述财务指标计算模块,用于根据风险预警的计算规则,进行风险预警的计算,并生成风险预警的信号,以及风险预警的文字描述;所述风险预警报告展示模块,如图4所示,用于将财务指标、风险预警信号、风险预警文字描述等信息通过风险预警报告进行展示,涵盖企业的销售活性、财务激进程度、融资合理性等不同维度的预警信号强度及相应的风险信息描述。
上述技术方案的有益效果为:
本发明所述财务风险预警分析的装置,能够自动化地针对企业的财务风险进行多维度的交叉分析,通过财务指标之间的关系,发现企业财务中的风险状况,对财务风险起到自动预警的作用。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种财务风险预警分析的方法,其特征在于,所述财务风险预警分析的方法,通过企业财务的资产负债表、利润表与现金流量表原始的财务报表数据,与行业的财务数据比较,自动对企业的财务进行风险预警计算,生成风险预警报告,风险预警报告由计算机自动生成,对企业采用大数据进行财务风险的分析;具体包括:
获取企业录入的资产负债表、利润表与现金流量表原始的财务报表数据;
基于企业的资产负债表、利润表与现金流量表原始的财务报表数据,根据预先配置的指标计算规则,计算财务指标;
根据财务指标以及行业的财务数据,对企业的财务进行风险预警的计算,并生成风险预警信号,以及风险预警文字描述;
将所述财务指标、所述风险预警信号和所述风险预警文字描述信息通过风险预警报告进行展示;
所述根据财务指标以及行业的财务数据,对企业的财务进行风险预警的计算,并生成风险预警的信号,以及风险预警的文字描述,包括:
根据预先配置财务分析的指标计算规则,设置风险预警的多个维度的交叉计算规则以及自动化财务风险描述的合成规则;
根据行业的财务数据批量计算行业的财务指标基准值;
所述根据所述预先配置财务分析的指标计算规则,设置风险预警的多个维度的交叉计算规则以及自动化财务风险描述的合成规则,包括:
将财务指标进行第一次分组获得多个第一指标组,并在所述第一指标组内部计算指标间的斯皮尔曼相关系数;
根据所述斯皮尔曼相关系数对所述第一指标组进行聚类分析,对所述第一指标组进行第二次分组获得多个第二指标组;
对所述第二指标组进行筛选,筛选出符合预设规则的所述第二指标组作为第三指标组;
对所述第三指标组进行五分段划分,对照预设的第一风险预警表获取第一初始预警信号和第一初始预警描述;
当所述第三指标组的数量大于等于三时,将所述第三指标组进行交叉组合,获得多个第一组合;
基于所述第一组合,对照预设的第二风险预警表获取第二初始预警信号和第二初始预警描述;
基于所述第一初始预警信号和所述第二初始预警信号,根据预设第一判断规则,获得所述风险预警信号;
基于所述第一初始预警描述和所述第二初始预警描述,根据预设整合规则,获得所述风险预警文字描述;
所述根据所述斯皮尔曼相关系数对所述第一指标组进行聚类分析,对所述第一指标组进行第二次分组获得多个第二指标组;包括:
任意指定所述第一指标组中的一个指标数据为第一代表指标数据;
基于所述第一代表指标数据与所述第一指标组中其余的指标数据之间的斯皮尔曼相关系数,若所述斯皮尔曼相关系数为正值时,将所述第一代表指标数据与所述指标数据集合,生成第一集合组,将所述第一集合组作为一个第二指标组;
判断所述第一指标组中不属于所述第一集合组的第一剩余指标数据的个数,当所述指标数据的个数为零时,则第二指标组即为第一集合组,当所述第一剩余指标数据的个数不为零时,则从所述第一剩余指标数据中任意挑选一个指标数据作为第二代表指标数据;否则,从所述第一剩余指标数据中,任意挑选一个指标数据作为第二代表指标数据;
基于所述第二代表指标数据与不属于第二代表指标数据的第一剩余指标数据的所有指标数据进行斯皮尔曼相关系数的计算;
若所述斯皮尔曼相关系数为负值时,将所述第二代表指标数据与所述指标数据进行集合,生成第二集合组,所述第二集合组为又一个第二指标组;
判断所述第一指标组中不属于所述第一集合组和第二集合组的第二剩余指标数据的个数,当所述指标数据的个数为零时,则第二指标组即为第一集合组和第二集合组;否则,从所述第二剩余指标数据为第三集合组,所述第三集合组为再一个第二指标组。
2.根据权利要求1所述方法,其特征在于,所述基于企业的资产负债表、利润表与现金流量表原始的财务报表数据,根据预先配置的指标计算规则,计算财务指标,包括:
通过下面公式计算财务指标系数θ的大小:
当θ>0时,说明所述财务指标处于正失衡状态;
当θ<0时,说明所述财务指标处于负失衡状态;
当θ=0时,说明所述财务指标处于合理范围内;
当θ不等于0时,说明所述财务指标没有处于合理范围内,对财务指标发出警报信息;
当θ等于0时,无需对财务指标进行任何操作;
其中:θ为财务指标系数,xi为财务指标的实际值,xi1为所述财务指标处于合理范围内的最小值,xi2为所述财务指标处于合理范围内的最大值。
3.一种财务风险预警分析的装置,其特征在于,所述财务风险预警分析的装置,通过企业财务的资产负债表、利润表与现金流量表原始的财务报表数据,与行业的财务数据比较,自动对企业的财务进行风险预警计算,生成风险预警报告,风险预警报告由计算机自动生成,对企业采用大数据进行财务风险的分析;具体包括:
原始财务报表数据获取模块,用于获取企业录入的资产负债表、利润表与现金流量表原始的财务报表数据;
财务指标计算模块,用于基于企业的资产负债表、利润表与现金流量表原始的财务报表数据,根据预先配置的指标计算规则,计算财务指标;
风险预警信号和文字描述计算模块,用于根据财务指标以及行业的财务数据,对企业的财务进行风险预警的计算,并生成风险预警的信号,以及风险预警的文字描述;
风险预警报告展示模块,用于将财务指标、风险预警信号、风险预警文字描述信息通过风险预警报告进行展示;
所述风险预警信号和文字描述计算模块,包括:
多维度交叉计算规则和合成规则设置子模块,用于根据预先配置财务分析的指标计算规则,设置风险预警的多个维度的交叉计算规则以及自动化财务风险描述的合成规则;
财务指标基准值批量计算和存储子模块,用于根据行业的财务数据批量计算行业的财务指标基准值;
所述多维度交叉计算规则和合成规则设置子模块,包括:
第一指标组分组单元,用于将财务指标进行第一次分组获得多个第一指标组,并在所述第一指标组内部计算指标间的斯皮尔曼相关系数;
第二指标组分组单元,用于根据所述斯皮尔曼相关系数对所述第一指标组进行聚类分析,对所述第一指标组进行第二次分组获得多个第二指标组;
预设规则筛选单元,用于对所述第二指标组进行筛选,筛选出符合预设规则的所述第二指标组作为第三指标组;
第三指标组五分段划分单元,用于对所述第三指标组进行五分段划分,对照预设的第一风险预警表获取第一初始预警信号和第一初始预警描述;
第一组合获得单元,用于当所述第三指标组的数量大于等于三时,将所述第三指标组进行交叉组合,获得多个第一组合;
第二初始预警信号和第二初始预警描述单元,用于基于所述第一组合,对照预设的第二风险预警表获取第二初始预警信号和第二初始预警描述;
风险预警信号获得单元,用于基于所述第一初始预警信号和所述第二初始预警信号,根据预设第一判断规则,获得所述风险预警信号;
风险预警文字描述获得单元,用于基于所述第一初始预警描述和所述第二初始预警描述,根据预设整合规则,获得所述风险预警文字描述;
所述相关系数的聚类分析和自动分组单元,包括:
第一代表指标数据指定子单元,用于任意指定所述第一指标组中的一个指标数据为第一代表指标数据;
第一集合组生成子单元,用于基于所述第一代表指标数据与所述第一指标组中其余的指标数据之间的斯皮尔曼相关系数,若所述斯皮尔曼相关系数为正值时,将所述第一代表指标数据与所述指标数据集合,生成第一集合组,将所述第一集合组作为一个第二指标组;
第一指标组判断子单元,用于判断所述第一指标组中不属于所述第一集合组的第一剩余指标数据的个数,当所述指标数据的个数为零时,则第二指标组即为第一集合组,当所述第一剩余指标数据的个数不为零时,则从所述第一剩余指标数据中任意挑选一个指标数据作为第二代表指标数据;否则,从所述第一剩余指标数据中,任意挑选一个指标数据作为第二代表指标数据;
第一剩余指标数据计算子单元,用于基于所述第二代表指标数据与不属于第二代表指标数据的第一剩余指标数据的所有指标数据进行斯皮尔曼相关系数的计算;
第二集合组生成子单元,用于当所述斯皮尔曼相关系数为负值时,将所述第二代表指标数据与所述指标数据进行集合,生成第二集合组,所述第二集合组为又一个第二指标组;
第二剩余指标数据判断子单元,用于判断所述第一指标组中不属于所述第一集合组和第二集合组的第二剩余指标数据的个数,当所述指标数据的个数为零时,则第二指标组即为第一集合组和第二集合组;否则,从所述第二剩余指标数据为第三集合组,所述第三集合组为再一个第二指标组。
4.根据权利要求3所述装置,其特征在于,所述财务指标计算模块,包括:
通过下面公式计算财务指标系数θ的大小:
当θ>0时,说明所述财务指标处于正失衡状态;
当θ<0时,说明所述财务指标处于负失衡状态;
当θ=0时,说明所述财务指标处于合理范围内;
当θ不等于0时,说明所述财务指标没有处于合理范围内,对财务指标发出警报信息;
当θ等于0时,无需对财务指标进行任何操作;
其中:θ为财务指标系数,xi为财务指标的实际值,xi1为所述财务指标处于合理范围内的最小值,xi2为所述财务指标处于合理范围内的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010563243.1A CN111798297B (zh) | 2020-06-19 | 2020-06-19 | 一种财务风险预警分析的方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010563243.1A CN111798297B (zh) | 2020-06-19 | 2020-06-19 | 一种财务风险预警分析的方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111798297A CN111798297A (zh) | 2020-10-20 |
CN111798297B true CN111798297B (zh) | 2023-12-19 |
Family
ID=72803585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010563243.1A Active CN111798297B (zh) | 2020-06-19 | 2020-06-19 | 一种财务风险预警分析的方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798297B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113052670A (zh) * | 2021-04-20 | 2021-06-29 | 中国工商银行股份有限公司 | 财务报表处理方法及系统 |
CN113487398A (zh) * | 2021-05-17 | 2021-10-08 | 广州城建职业学院 | 一种基于大数据的财务风险智能分析方法 |
CN113610168B (zh) * | 2021-08-11 | 2024-05-14 | 平安科技(深圳)有限公司 | 数据处理方法、装置、设备及介质 |
CN113643114A (zh) * | 2021-08-16 | 2021-11-12 | 肖歆桐 | 一种财务风险预警监控方法及系统 |
CN117952483B (zh) * | 2024-03-27 | 2024-06-11 | 中国汽车技术研究中心有限公司 | 基于数字化平台的收支平衡指标监测方法、系统及其介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003006430A (ja) * | 2001-06-20 | 2003-01-10 | Daido Life Insurance Co | 格付け推定装置及び格付け推定方法、並びに記憶媒体 |
CN108550001A (zh) * | 2018-07-16 | 2018-09-18 | 鑫银科技集团股份有限公司 | 一种财务风险动态评估方法及装置 |
CN111062597A (zh) * | 2019-12-06 | 2020-04-24 | 柯力 | 一种上市公司财务报表粉饰嫌疑检测方法及装置 |
CN111292007A (zh) * | 2020-02-28 | 2020-06-16 | 中国工商银行股份有限公司 | 供应商财务风险预测方法及装置 |
-
2020
- 2020-06-19 CN CN202010563243.1A patent/CN111798297B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003006430A (ja) * | 2001-06-20 | 2003-01-10 | Daido Life Insurance Co | 格付け推定装置及び格付け推定方法、並びに記憶媒体 |
CN108550001A (zh) * | 2018-07-16 | 2018-09-18 | 鑫银科技集团股份有限公司 | 一种财务风险动态评估方法及装置 |
CN111062597A (zh) * | 2019-12-06 | 2020-04-24 | 柯力 | 一种上市公司财务报表粉饰嫌疑检测方法及装置 |
CN111292007A (zh) * | 2020-02-28 | 2020-06-16 | 中国工商银行股份有限公司 | 供应商财务风险预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
中国农业上市公司财务预警模型构建与评价研究;黄美霞;侯军岐;马承君;;北京农学院学报(第02期);第85-91页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111798297A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798297B (zh) | 一种财务风险预警分析的方法与装置 | |
JP4358475B2 (ja) | 信用評価システム | |
Keramati et al. | A proposed classification of data mining techniques in credit scoring | |
KR100914307B1 (ko) | 신용 위험 모형 구축 시스템, 신용 위험 모형 구축을 통한 신용 위험 관리 방법 및 이를 기록한 기록매체 | |
CN109657721A (zh) | 一种结合模糊集和随机森林树的多类别决策方法 | |
AU2019100968A4 (en) | A Credit Reporting Evaluation System Based on Mixed Machine Learning | |
US8285616B2 (en) | Method and system for dynamically producing detailed trade payment experience for enhancing credit evaluation | |
CN109299252A (zh) | 基于机器学习的股票评论的观点极性分类方法和装置 | |
Nurcan et al. | Determination of financial failure indicators by gray relational analysis and application of data envelopment analysis and logistic regression analysis in BIST 100 Index | |
Pérez-Pons et al. | Evaluation metrics and dimensional reduction for binary classification algorithms: a case study on bankruptcy prediction | |
Gupta et al. | Identifying the risk culture of banks using machine learning | |
Šarlija et al. | Logistic regression modelling: procedures and pitfalls in developing and interpreting prediction models | |
Fieberg et al. | Machine learning in accounting research | |
CN117333012A (zh) | 基于数据挖掘的金融风险跟踪管理系统、装置和存储介质 | |
Chye Koh et al. | Probit Prediction of Going and Non‐going Concerns | |
CN111046947A (zh) | 分类器的训练系统及方法、异常样本的识别方法 | |
JPH11175602A (ja) | 信用リスク計測装置 | |
Yip | Business failure prediction: a case-based reasoning approach | |
Liu et al. | RETRACTED ARTICLE: Company financial path analysis using fuzzy c-means and its application in financial failure prediction | |
Guan et al. | Improving accuracy of financial distress prediction by considering volatility: an interval-data-based discriminant model | |
Nurdiani et al. | The Impact of Data Volume and Analytical Complexity in Big Data Technology on Financial Performance Prediction in Financial Companies in Indonesia | |
AlSaif | Large scale data mining for banking credit risk prediction | |
CN117787816B (zh) | 用于工业企业的物料数据质量检测方法及系统 | |
JP7194077B2 (ja) | 経営分析支援システム、及び経営分析支援方法 | |
Carmody et al. | Predicting credit risks. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |