CN111915218A - 基于lstm-cnn的财务造假识别方法及系统 - Google Patents
基于lstm-cnn的财务造假识别方法及系统 Download PDFInfo
- Publication number
- CN111915218A CN111915218A CN202010821322.8A CN202010821322A CN111915218A CN 111915218 A CN111915218 A CN 111915218A CN 202010821322 A CN202010821322 A CN 202010821322A CN 111915218 A CN111915218 A CN 111915218A
- Authority
- CN
- China
- Prior art keywords
- data
- index
- lstm
- cnn
- financial
- 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
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
- G06Q10/0639—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Technology Law (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于LSTM‑CNN的财务造假识别方法及系统,所述方法包括:对连续时间点的财务数据根据预设多个指标进行数据提取得到多个指标数据;通过预设LSTM‑CNN模型对所述多个指标数据进行基于指标的特征提取得到指标特征信息,对所述多个指标数据进行基于时间的特征提取得到时间特征信息,根据所述指标特征信息和时间特征信息得到待检测信息;通过预设检测模型对所述待检测信息进行检测以确定所述财务数据是否造假,本发明可对财务数据造假进行准确识别。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于LSTM-CNN的财务造假识别方法及系统。
背景技术
近年来,企业财务造假问题频发。传统商业银行等金融机构在贷款环节中会对企业进行风险审计工作,但是由于识别风险的方法和手段有限,对识别人员的专业程度要求较高,导致一些企业能通过财务造假来掩盖自身的经营危机从而获得贷款。而如何准确识别企业财务造假,提升银行的风险识别能力,及时发现企业的经营危机和财务危机,进行提前预警从而保全银行授信资产的安全是目前财务数据分析的难点。
发明内容
本发明的一个目的在于提供一种基于LSTM-CNN的财务造假识别方法,以对财务数据造假进行准确识别。本发明的另一个目的在于提供一种基于LSTM-CNN的财务造假识别系统。本发明的再一个目的在于提供一种计算机设备。本发明的还一个目的在于提供一种可读介质。
为了达到以上目的,本发明一方面公开了一种基于LSTM-CNN的财务造假识别方法,包括:
对连续时间点的财务数据根据预设多个指标进行数据提取得到多个指标数据;
通过预设LSTM-CNN模型对所述多个指标数据进行基于指标的特征提取得到指标特征信息,对所述多个指标数据进行基于时间的特征提取得到时间特征信息,根据所述指标特征信息和时间特征信息得到待检测信息;
通过预设检测模型对所述待检测信息进行检测以确定所述财务数据是否造假。
优选的,所述通过预设LSTM-CNN模型对所述多个指标数据进行基于指标的特征提取得到指标特征信息,对所述多个指标数据进行基于时间的特征提取得到时间特征信息具体包括:
通过预设CNN对所述多个指标数据进行指标关联特征提取得到指标特征信息;
通过预设LSTM对所述多个指标数据进行时间关联分析得到时间特征信息;
通过全连接层根据所述指标特征信息和所述时间特征信息拼接得到所述待检测信息。
优选的,进一步包括预先得到所述LSTM-CNN模型和检测模型的步骤:
获取连续时间点的多个历史财务数据,根据所述多个历史财务数据形成训练数据,所述训练数据包括正常财务数据和虚假财务数据;
设置LSTM-CNN模型的CNN、LSTM和全连接层各层以及预设分类器的算法;
通过所述训练数据对所述CNN、LSTM和全连接层进行训练得到所述LSTM-CNN模型,对分类器进行训练得到所述检测模型。
优选的,所述根据所述多个历史财务数据形成训练数据具体包括:
对多个历史财务数据进行归一化数据处理得到训练数据。
优选的,所述通过预设CNN对所述多个指标数据进行关联特征提取得到指标特征信息具体包括:
通过预设多个指标对训练数据进行指标提取得到每个财务训练数据基于时间和指标两个维度的二维训练数据;
通过至少一层CNN层对所述二维训练数据中同一时间不同指标维度的训练数据进行卷积得到指标卷积数据;
通过LSTM层对不同时间的指标卷积数据进行基于时间的特征提取得到指标特征信息。
优选的,所述通过预设LSTM对所述多个指标数据进行时间关联分析得到时间特征信息具体包括:
通过预设多个指标对训练数据进行指标提取得到每个财务训练数据基于时间和指标两个维度的二维训练数据;
通过至少一个双向LSTM层依次对所述二维训练数据进行基于双向时间的特征提取得到时间特征信息。
本发明还公开了一种基于LSTM-CNN的财务造假识别系统,包括:
财务数据处理模块,用于对连续时间点的财务数据根据预设多个指标进行数据提取得到多个指标数据;
特征信息提取模块,用于通过预设LSTM-CNN模型对所述多个指标数据进行基于指标的特征提取得到指标特征信息,对所述多个指标数据进行基于时间的特征提取得到时间特征信息,根据所述指标特征信息和时间特征信息得到待检测信息;
财务数据检测模块,用于通过预设检测模型对所述待检测信息进行检测以确定所述财务数据是否造假。
优选的,所述LSTM-CNN模型包括CNN、LSTM和全连接层;
CNN用于对所述多个指标数据进行指标关联特征提取得到指标特征信息;
LSTM用于对所述多个指标数据进行时间关联分析得到时间特征信息;
全连接层用于根据所述指标特征信息和所述时间特征信息拼接得到所述待检测信息。
优选的,进一步包括模型构建模块,模型构建模块包括:
训练数据设置单元,用于预先获取连续时间点的多个历史财务数据,根据所述多个历史财务数据形成训练数据,所述训练数据包括正常财务数据和虚假财务数据;
模型构建单元,用于设置LSTM-CNN模型的CNN、LSTM和全连接层各层以及预设分类器的算法;
模型训练单元,用于通过所述训练数据对所述CNN、LSTM和全连接层进行训练得到所述LSTM-CNN模型,对分类器进行训练得到所述检测模型。
优选的,所述训练数据设置单元具体用于对多个历史财务数据进行归一化数据处理得到训练数据。
优选的,所述CNN具体用于通过预设多个指标对训练数据进行指标提取得到每个财务训练数据基于时间和指标两个维度的二维训练数据,通过至少一层CNN层对所述二维训练数据中同一时间不同指标维度的训练数据进行卷积得到指标卷积数据,通过LSTM层对不同时间的指标卷积数据进行基于时间的特征提取得到指标特征信息。
优选的,所述LSTM具体用于通过预设多个指标对训练数据进行指标提取得到每个财务训练数据基于时间和指标两个维度的二维训练数据,通过至少一个双向LSTM层依次对所述二维训练数据进行基于双向时间的特征提取得到时间特征信息。
本发明还公开了一种计算机设备,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如上所述方法。
本发明还公开了一种计算机可读介质,其上存储有计算机程序,
该程序被处理器执行时实现如上所述方法。
本发明首先获取得到连续时间点的财务数据,得到形成时间连接的财务数据。然后对按时间点获取的财务数据根据预设的多个指标进行数据提取得到多个指标数据。基于预设的LSTM-CNN模型对所述多个指标数据进行基于指标和时间的特征提取得到指标特征信息和时间特征信息,进一步根据所述指标特征信息和时间特征信息得到待检测信息。最后通过预设检测模型对提取得到的待检测信息进行智能检测确定财务数据是否造假。本发明从指标和时间两个方面对财务数据进行分析,并通过根据深度学习技术得到的LSTM-CNN模型对提取的待检测信息进行造假识别,从而极大的提高了财务数据造假识别的准确度。
附图说明
为了更清楚地说明本发明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,下面描述中的附图仅仅是本发明的一些实施例,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示出本发明基于LSTM-CNN的财务造假识别方法一个具体实施例的流程图;
图2示出本发明基于LSTM-CNN的财务造假识别方法一个具体实施例S200的流程图;
图3示出本发明基于LSTM-CNN的财务造假识别方法一个具体实施例S000的流程图;
图4示出本发明基于LSTM-CNN的财务造假识别方法一个具体实施例S210的流程图;
图5示出本发明基于LSTM-CNN的财务造假识别方法一个具体实施例LSTM-CNN模型的结构图;
图6示出本发明基于LSTM-CNN的财务造假识别方法一个具体实施例S220的流程图;
图7示出本发明基于LSTM-CNN的财务造假识别方法一个具体实施例LSTM单元的结构图;
图8示出本发明基于LSTM-CNN的财务造假识别系统一个具体实施例的结构图;
图9示出本发明基于LSTM-CNN的财务造假识别系统一个具体实施例包括模型构建模块的结构图;
图10示出本发明基于LSTM-CNN的财务造假识别系统一个具体实施例模型构建模块的结构图;
图11示出适于用来实现本发明实施例的计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
目前,在识别企业财务造假方面,被广泛应用和认识的风险识别方法很多,例如评分法、神经网络法和KMV模型等。传统的财务造假识别通常使用单变量分析法,即选择35个财务指标对企业的信息进行对比分析,发现现金流占债务比率、资产收益率以及资产占负债比率最能体现企业发生经营危机的可能性。随着识别方法的不断提升,在单变量的基础上发展出选择多个指标进行多变量统计识别财务造假的方案,如多元判别分析法和Logistic回归模型等。当然,这些方法和模型在实际应用中都具有局限性,当前多数方法和模型仅针对各个财务指标的财务数据进行信息挖掘确定财务数据是否造假,识别角度单一,容易导致财务造假识别不准确的问题。本发明提出了一种基于LSTM-CNN的财务造假识别方案,有效利用财务报表等财务数据所拥有的时序相关性,从指标关联和时序关联两个维度进行双向挖掘,结合深度学习方法和多变量统计法,考虑了财务数据本身具有指标相关性以及季度连续性,构造LSTM-CN网络模型对财务数据是否造假进行识别,从多方面、多角度准确判断企业是否可能存在财务造假问题,提高财务数据造假识别的准确度。
根据本发明的一个方面,本实施例公开了一种基于LSTM-CNN的财务造假识别方法。如图1所示,本实施例中,所述方法包括:
S100:对连续时间点的财务数据根据预设多个指标进行数据提取得到多个指标数据。
S200:通过预设LSTM-CNN模型对所述多个指标数据进行基于指标的特征提取得到指标特征信息,对所述多个指标数据进行基于时间的特征提取得到时间特征信息,根据所述指标特征信息和时间特征信息得到待检测信息。
S300:通过预设检测模型对所述待检测信息进行检测以确定所述财务数据是否造假。
本发明首先获取得到连续时间点的财务数据,得到形成时间连接的财务数据。然后对按时间点获取的财务数据根据预设的多个指标进行数据提取得到多个指标数据。基于预设的LSTM-CNN模型对所述多个指标数据进行基于指标和时间的特征提取得到指标特征信息和时间特征信息,进一步根据所述指标特征信息和时间特征信息得到待检测信息。最后通过预设检测模型对提取得到的待检测信息进行智能检测确定财务数据是否造假。本发明从指标和时间两个方面对财务数据进行分析,并通过根据深度学习技术得到的LSTM-CNN模型对提取的待检测信息进行造假识别,从而极大的提高了财务数据造假识别的准确度。
在优选的实施方式中,可通过T检验确定预设的多个指标。例如,在一个具体例子中,为了更加全面细致地了解企业的实际财务状况,提高LSTM-CNN模型和检测模型的判别准确性,需要对财务数据中与财务造假相关性较高的财务指标进行选择。优选的,可选择资产结构、现金流量、偿债能力、盈利能力和财务杠杆五个方面的指标,对该五个方面的多个指标进行单变量T检验可得到与财务造假相关性较高的多个指标。本实施例中,最终确定资产周转率、资产收益率、资产负债率、应收账款占比、应收账款变动率、其他应收账款占比、其他应收账款变动率、存货占比、存货变动率、现金销售率和自由现金流变动11个具有显著性差异的指标作为主要财务指标输入。其中,11个指标的计算方法如表1所示。在其他实施方式中,也可以通过其他方式确定相关的预设指标,本发明对此并不作限定。
表1
在优选的实施方式中,如图2所示,所述S200中通过预设LSTM-CNN模型对所述多个指标数据进行基于指标的特征提取得到指标特征信息,对所述多个指标数据进行基于时间的特征提取得到时间特征信息具体包括:
S210:通过预设CNN对所述多个指标数据进行指标关联特征提取得到指标特征信息。
S220:通过预设LSTM对所述多个指标数据进行时间关联分析得到时间特征信息。
S230:通过全连接层根据所述指标特征信息和所述时间特征信息拼接得到所述待检测信息。
其中,本发明通过构造LSTM-CNN模型,根据与财务造假相关性较高的指标,通过卷积神经网络(Convolutional Neural Networks,CNN)提取指标间静态特征,应用长短期记忆网络(Long Short-Term Memory,LSTM)提取连续性特征,对财务数据进行静态金融特征分析和时间维度分析,最后通过检测模型最终评估财务造假情况。其中,LSTM通过控制单元状态来实现对前期信息的持续传递记忆或更新。本发明所采用的指标数据是以季度为单位组成的连续时间序列,符合LSTM所需要的时间特性,能达到良好的特征提取效果。本发明通过构造的LSTM-CNN深度学习网络结构提取财务数据的指标和时间双维度特征,对公司财务数据是否造假进行预测识别,该网络结构进一步提高了深度学习模型在财务造假方向上的预测准确率,为银行信贷和投资活动提供较为可靠的参考。
在优选的实施方式中,如图3所示,所述方法进一步包括预先得到所述LSTM-CNN模型和检测模型的步骤S000:
S010:获取连续时间点的多个历史财务数据,根据所述多个历史财务数据形成训练数据,所述训练数据包括正常财务数据和虚假财务数据。
S020:设置LSTM-CNN模型的CNN、LSTM和全连接层各层以及预设分类器的算法。
S030:通过所述训练数据对所述CNN、LSTM和全连接层进行训练得到所述LSTM-CNN模型,对分类器进行训练得到所述检测模型。
其中,可以理解的是,可通过现有数据库,例如锐思数据库,收集不同企业在一定时间内的历史财务数据,用于形成训练数据。例如,在一个具体例子中,收集了2015-2019年的360家国内上市公司的每期财务数据,其中120家为被财政部、证券交易所和中国证监会判定为财务造假。则为该120家被财政部、证券交易所和中国证监会判定为财务造假的历史财务数据设置虚假财务数据的标签,其他未被认定为财务造假的财务数据的标签为正常财务数据,从而训练数据中包含正常财务数据和虚假财务数据。其中,被财政部、证券交易所和中国证监会出具为无法表示意见或否定意见的财务数据均被认为财务造假,用0表示虚假财务数据的标签,而被出具为有保留意见,带解释性说明的无保留意见的财务数据样本均为删除,剩下为正常财务报告样本,用1表示正常财务数据的标识。考虑到行业类型、资产规模,优选的将正常财务数据和虚假财务数据的数量之比控制为2:1。
更优选的,可选择部分训练数据进行模型训练,而其他训练数据用于对训练好的模型进行测试,根据测试结果和训练数据的标签确定训练好的LSTM-CNN模型和检测模型的预测准确度,并确定该预测准确度是否达到预期的预测准确度。若否,继续对LSTM-CNN模型和检测模型进行训练直至训练后的LSTM-CNN模型和检测模型可满足预期的预测准确度要求。其中,对于得到的训练数据,优选的可选择训练数据中30%的数据用于训练LSTM-CNN模型,剩下30%的训练数据用于对训练好的模型进行测试。
在优选的实施方式中,S010中所述根据所述多个历史财务数据形成训练数据具体包括:
S011:对多个历史财务数据进行归一化处理得到训练数据。
具体的,可以理解的是,在将财务数据输入LSTM-CNN模型中之前,预先对财务数据进行预处理,实现训练数据的去中心化。在一个具体例子中,可先求出每个历史财务数据的样本平均值,然后将每个历史财务数据的原始财务数据减去该平均值,完成历史财务数据作为训练样本的去中心化操作。具体的,对于一个具有时间和指标两个维度的历史财务数据,可定义每个时间点对应的所有指标数据为一个样本,则假设所有样本的数据矩阵为:
其中,Xnm为指标数据,n为样本数量,m为指标数量。需要说明的是,该X矩阵中每行的指标数据分别表示一个时间点所有指标的指标数据,每列的指标数据分别表示一个指标下不同时间点的指标数据。
每个指标的样本平均值为:
其中,i为样本编号,j为指标编号,而样本去中心化后的数据值为:
然后,对去中心化后的数据进行标准化处理得到xij。
通过上述公式可知,通过标准化处理后,样本数据矩阵每列平均值为0,方差为1。
在优选的实施方式中,如图4所示,所述S210中通过预设CNN对所述多个指标数据进行关联特征提取得到指标特征信息具体包括:
S211:通过预设多个指标对训练数据进行指标提取得到每个财务训练数据基于时间和指标两个维度的二维训练数据。
S212:通过至少一层CNN层对所述二维训练数据中同一时间不同指标维度的训练数据进行卷积得到指标卷积数据。
S213:通过LSTM层对不同时间的指标卷积数据进行基于时间的特征提取得到指标特征信息。
其中,可以理解的是,LSTM-CNN模型包括CNN、LSTM和全连接层。其中,CNN网络能够有效处理与空间相关的问题,企业在一段时间内的财务数据能够反映当时的公司经营状态,CNN能够对公司的财务特征进行有效的提取。在该优选的实施方式中,CNN包括4层CNN网络和1层LSTM网络。其中,CNN网络结构如图5所示,通过4层CNN网络可提取单样本数据间的静态关联特征,对经过数据预处理后的样本指标数据进行卷积操作,该卷积操作仅局限于指标维度,对的时间维度不做处理,得到保留时间连续性特征的三维数据。即对于数据矩阵X仅针对以列为单位的指标数据间进行卷积操作表示各指标间关联特征的三维数据。然后,可将三维数据中卷积得到的各层二维数据拼接得到二维的指标卷积数据。
进一步的,由于经过CNN网络提取的数据在时间序列上也具有一定联系,LSTM层就可以通过对时间序列的分析提取数据的动态特性。因此,将拼接得到的二维的指标卷积数据输入进行LSTM层处理,LSTM层可根据指标卷积数据在时间维度上进行处理提取得到指标卷积数据在时间维度上的动态特征信息,即得到一维的指标特征信息。
在优选的实施方式中,如图6所示,所述S220中所述通过预设LSTM对所述多个指标数据进行时间关联分析得到时间特征信息具体包括:
S221:通过预设多个指标对训练数据进行指标提取得到每个财务训练数据基于时间和指标两个维度的二维训练数据。
S222:通过至少一个双向LSTM层依次对所述二维训练数据进行基于双向时间的特征提取得到时间特征信息。
具体的,由于财务数据本身具有前后两个方向的时间特性,因此,在该优选的实施方式中,选择至少一个双向LSTM层对指标数据的前后两个时间方向上的动态特征进行提取,从而提高识别准确率。优选的,LSTM可包括3层双向LSTM层,每层双向LSTM层包含了一个前向长短时记忆层和一个后向长短时记忆层。将财务数据按照时间顺序排列形成一个序列,例如可将连续12个季度的数据组成一个序列,通过前向长短时记忆层得到前一个季度到后一个季度中连续时间序列间的特征,通过后向长短时记忆层将后一个季度的特征作为基础回顾补充前一个季度的特征。在一个具体例子中,全连接层共3层,前两层采用Dropout方法随机断开部分连接单元,以避免过拟合问题,以elu作为激活函数,将学到的特征表示映射到样本的标记空间;最后一层采用sigmoid分类器,回归得到最终的检测结果。
如图7所示,LSTM属于门控循环单元,每个双向LSTM层包括多个LSTM单元。每个LSTM单元内包含3个门,分别是遗忘门、更新门和输出门。这些单元能够很好地提取指标数据的深度信息,可以实现一段时间内前期信息的持续记忆和更新,是一种选择性信息通过的方式,可以对有效信息进行保留并遗忘无用信息。其中,可采用(x<t>,c<t-1>,h<t-1>)表示输入层,(c<t>,h<t>)表示输出层,(c<t-1>,h<t-1>)表示上一层双向LSTM层的输出。其中,x<t>为当前时刻的输入值(例如,财务指标值),c<t-1>为前一时刻的记忆单元状态,h<t-1>为前一时刻的输出值,c<t>为当前时刻的记忆单元状态,h<t>为当前时刻的输出值。
在时刻t,Gf,Gu和Go分别表示遗忘门,更新门和输出门。首先通过(5)遗忘门过滤无用信息。
Gf=σ(wifx<t>+bif+whfh<t-1>+bhf) (5)
其中,σ是激活函数,可选用sigmoid函数,(Wif,bif)和(Whf,bhf)分别代表输入层和隐藏层映射到遗忘门的权重矩阵和偏差项。
然后,通过更新门输入有效信息。
g<t>=tanh(Wigx<t>+big+Whgh<t-1>+bhg) (6)
Gu=σ(Wiix<t>+bii+Whih<t-1>+bhi) (7)
其中,g<t>为保留下来的新信息,作为输出值c<t>的候选值。(Wig,big)和(Whg,bhg)分别表示输入层和隐藏层映射到细胞门的参数和偏差项。(Wii,bii)和(Whi,bhi)分别表示输入层和隐藏层映射到更新门的参数和偏差项。
基于以上步骤完成状态更新,决定前期值是否丢弃,更新门是否更新,计算输出当期值:
c<t>=Gf <t>c<t-1>+Gu <t>g<t> (8)
其中,Gf <t>为遗忘门,遗忘门决定前期值c<t-1>的遗忘程度。Gu<t>为更新门,更新门决定最新信息值g<t>的更新程度。
与遗忘门和更新门的计算方式类似,输出门获取输出隐藏层:
Go=σ(Wiox<t>+bio+Whoh<t-1>+bho) (9)
其中,(Wio,bio)和(Who,bho)分别代表输入层和隐藏层映射到输出层的参数和偏差项。最终,确定输出值,输出值由输出门的状态决定:
最后,通过全连接层将CNN和LSTM输出的指标特征信息和时间特征信息进行组合得到待检测信息,通过训练好的分类器对待检测信息进行分类检测确定待检测信息对应的财务数据是正常财务数据还是虚假财务数据,准确地判断了财务数据是否造假。优选的,分类器可选择sigmoid分类器。
基于相同原理,本实施例还公开了一种基于LSTM-CNN的财务造假识别系统。如图8所示,本实施例中,所述系统包括财务数据处理模块11、特征信息提取模块12和财务数据检测模块13。
其中,财务数据处理模块11用于对连续时间点的财务数据根据预设多个指标进行数据提取得到多个指标数据。
特征信息提取模块12用于通过预设LSTM-CNN模型对所述多个指标数据进行基于指标的特征提取得到指标特征信息,对所述多个指标数据进行基于时间的特征提取得到时间特征信息,根据所述指标特征信息和时间特征信息得到待检测信息。
财务数据检测模块13用于通过预设检测模型对所述待检测信息进行检测以确定所述财务数据是否造假。
在优选的实施方式中,所述LSTM-CNN模型包括CNN、LSTM和全连接层。
CNN用于对所述多个指标数据进行指标关联特征提取得到指标特征信息。
LSTM用于对所述多个指标数据进行时间关联分析得到时间特征信息。
全连接层用于根据所述指标特征信息和所述时间特征信息拼接得到所述待检测信息。
在优选的实施方式中,如图9所示,所述系统进一步包括模型构建模块10。如图10所示,模型构建模块10包括训练数据设置单元101、模型构建单元102和模型训练单元103。
其中,训练数据设置单元101用于预先获取连续时间点的多个历史财务数据,根据所述多个历史财务数据形成训练数据,所述训练数据包括正常财务数据和虚假财务数据;
模型构建单元102用于设置LSTM-CNN模型的CNN、LSTM和全连接层各层以及预设分类器的算法。
模型训练单元103用于通过所述训练数据对所述CNN、LSTM和全连接层进行训练得到所述LSTM-CNN模型,对分类器进行训练得到所述检测模型。
在优选的实施方式中,所述训练数据设置单元101具体用于对多个历史财务数据进行归一化数据处理得到训练数据。
在优选的实施方式中,所述CNN具体用于通过预设多个指标对训练数据进行指标提取得到每个财务训练数据基于时间和指标两个维度的二维训练数据,通过至少一层CNN层对所述二维训练数据中同一时间不同指标维度的训练数据进行卷积得到指标卷积数据,通过LSTM层对不同时间的指标卷积数据进行基于时间的特征提取得到指标特征信息。
在优选的实施方式中,所述LSTM具体用于通过预设多个指标对训练数据进行指标提取得到每个财务训练数据基于时间和指标两个维度的二维训练数据,通过至少一个双向LSTM层依次对所述二维训练数据进行基于双向时间的特征提取得到时间特征信息。
由于该系统解决问题的原理与以上方法类似,因此本系统的实施可以参见方法的实施,在此不再赘述。
上述实施例阐明的系统、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计算机设备,具体的,计算机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计算机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如上所述的由客户端执行的方法,或者,所述处理器执行所述程序时实现如上所述的由服务器执行的方法。
下面参考图11,其示出了适于用来实现本申请实施例的计算机设备600的结构示意图。
如图11所示,计算机设备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)、液晶反馈器(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程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包括用于执行流程图所示的方法的程序代码。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 (14)
1.一种基于LSTM-CNN的财务造假识别方法,其特征在于,包括:
对连续时间点的财务数据根据预设多个指标进行数据提取得到多个指标数据;
通过预设LSTM-CNN模型对所述多个指标数据进行基于指标的特征提取得到指标特征信息,对所述多个指标数据进行基于时间的特征提取得到时间特征信息,根据所述指标特征信息和时间特征信息得到待检测信息;
通过预设检测模型对所述待检测信息进行检测以确定所述财务数据是否造假。
2.根据权利要求1所述的基于LSTM-CNN的财务造假识别方法,其特征在于,所述通过预设LSTM-CNN模型对所述多个指标数据进行基于指标的特征提取得到指标特征信息,对所述多个指标数据进行基于时间的特征提取得到时间特征信息具体包括:
通过预设CNN对所述多个指标数据进行指标关联特征提取得到指标特征信息;
通过预设LSTM对所述多个指标数据进行时间关联分析得到时间特征信息;
通过全连接层根据所述指标特征信息和所述时间特征信息拼接得到所述待检测信息。
3.根据权利要求2所述的基于LSTM-CNN的财务造假识别方法,其特征在于,进一步包括预先得到所述LSTM-CNN模型和检测模型的步骤:
获取连续时间点的多个历史财务数据,根据所述多个历史财务数据形成训练数据,所述训练数据包括正常财务数据和虚假财务数据;
设置LSTM-CNN模型的CNN、LSTM和全连接层各层以及预设分类器的算法;
通过所述训练数据对所述CNN、LSTM和全连接层进行训练得到所述LSTM-CNN模型,对分类器进行训练得到所述检测模型。
4.根据权利要求3所述的基于LSTM-CNN的财务造假识别方法,其特征在于,所述根据所述多个历史财务数据形成训练数据具体包括:
对多个历史财务数据进行归一化数据处理得到训练数据。
5.根据权利要求2所述的基于LSTM-CNN的财务造假识别方法,其特征在于,所述通过预设CNN对所述多个指标数据进行关联特征提取得到指标特征信息具体包括:
通过预设多个指标对训练数据进行指标提取得到每个财务训练数据基于时间和指标两个维度的二维训练数据;
通过至少一层CNN层对所述二维训练数据中同一时间不同指标维度的训练数据进行卷积得到指标卷积数据;
通过LSTM层对不同时间的指标卷积数据进行基于时间的特征提取得到指标特征信息。
6.根据权利要求2所述的基于LSTM-CNN的财务造假识别方法,其特征在于,所述通过预设LSTM对所述多个指标数据进行时间关联分析得到时间特征信息具体包括:
通过预设多个指标对训练数据进行指标提取得到每个财务训练数据基于时间和指标两个维度的二维训练数据;
通过至少一个双向LSTM层依次对所述二维训练数据进行基于双向时间的特征提取得到时间特征信息。
7.一种基于LSTM-CNN的财务造假识别系统,其特征在于,包括:
财务数据处理模块,用于对连续时间点的财务数据根据预设多个指标进行数据提取得到多个指标数据;
特征信息提取模块,用于通过预设LSTM-CNN模型对所述多个指标数据进行基于指标的特征提取得到指标特征信息,对所述多个指标数据进行基于时间的特征提取得到时间特征信息,根据所述指标特征信息和时间特征信息得到待检测信息;
财务数据检测模块,用于通过预设检测模型对所述待检测信息进行检测以确定所述财务数据是否造假。
8.根据权利要求7所述的基于LSTM-CNN的财务造假识别系统,其特征在于,所述LSTM-CNN模型包括CNN、LSTM和全连接层;
CNN用于对所述多个指标数据进行指标关联特征提取得到指标特征信息;
LSTM用于对所述多个指标数据进行时间关联分析得到时间特征信息;
全连接层用于根据所述指标特征信息和所述时间特征信息拼接得到所述待检测信息。
9.根据权利要求8所述的基于LSTM-CNN的财务造假识别系统,其特征在于,进一步包括模型构建模块,模型构建模块包括:
训练数据设置单元,用于预先获取连续时间点的多个历史财务数据,根据所述多个历史财务数据形成训练数据,所述训练数据包括正常财务数据和虚假财务数据;
模型构建单元,用于设置LSTM-CNN模型的CNN、LSTM和全连接层各层以及预设分类器的算法;
模型训练单元,用于通过所述训练数据对所述CNN、LSTM和全连接层进行训练得到所述LSTM-CNN模型,对分类器进行训练得到所述检测模型。
10.根据权利要求9所述的基于LSTM-CNN的财务造假识别系统,其特征在于,所述训练数据设置单元具体用于对多个历史财务数据进行归一化数据处理得到训练数据。
11.根据权利要求8所述的基于LSTM-CNN的财务造假识别系统,其特征在于,所述CNN具体用于通过预设多个指标对训练数据进行指标提取得到每个财务训练数据基于时间和指标两个维度的二维训练数据,通过至少一层CNN层对所述二维训练数据中同一时间不同指标维度的训练数据进行卷积得到指标卷积数据,通过LSTM层对不同时间的指标卷积数据进行基于时间的特征提取得到指标特征信息。
12.根据权利要求8所述的基于LSTM-CNN的财务造假识别系统,其特征在于,所述LSTM具体用于通过预设多个指标对训练数据进行指标提取得到每个财务训练数据基于时间和指标两个维度的二维训练数据,通过至少一个双向LSTM层依次对所述二维训练数据进行基于双向时间的特征提取得到时间特征信息。
13.一种计算机设备,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,其特征在于,
所述处理器执行所述程序时实现如权利要求1-6任一项所述方法。
14.一种计算机可读介质,其上存储有计算机程序,其特征在于,
该程序被处理器执行时实现如权利要求1-6任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010821322.8A CN111915218A (zh) | 2020-08-14 | 2020-08-14 | 基于lstm-cnn的财务造假识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010821322.8A CN111915218A (zh) | 2020-08-14 | 2020-08-14 | 基于lstm-cnn的财务造假识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111915218A true CN111915218A (zh) | 2020-11-10 |
Family
ID=73278063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010821322.8A Pending CN111915218A (zh) | 2020-08-14 | 2020-08-14 | 基于lstm-cnn的财务造假识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915218A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113807951A (zh) * | 2021-09-23 | 2021-12-17 | 中国建设银行股份有限公司 | 一种基于深度学习的交易数据趋势预测方法和系统 |
CN114331473A (zh) * | 2021-12-29 | 2022-04-12 | 中国电信股份有限公司 | 电信诈骗事件的识别方法及其装置、计算机可读存储介质 |
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 (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389059A (zh) * | 2018-09-26 | 2019-02-26 | 华南理工大学 | 一种基于cnn-lstm网络的p300检测方法 |
CN109814523A (zh) * | 2018-12-04 | 2019-05-28 | 合肥工业大学 | 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法 |
CN110399455A (zh) * | 2019-06-05 | 2019-11-01 | 福建奇点时空数字科技有限公司 | 一种基于cnn和lstm的深度学习数据挖掘方法 |
CN110490251A (zh) * | 2019-03-08 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 基于人工智能的预测分类模型获取方法及装置、存储介质 |
CN111082879A (zh) * | 2019-12-27 | 2020-04-28 | 南京邮电大学 | 一种基于深度时空模型的wifi感知方法 |
CN111401777A (zh) * | 2020-03-30 | 2020-07-10 | 未来地图(深圳)智能科技有限公司 | 企业风险的评估方法、装置、终端设备及存储介质 |
CN111428757A (zh) * | 2020-03-05 | 2020-07-17 | 支付宝(杭州)信息技术有限公司 | 模型训练方法、异常数据检测方法、装置和电子设备 |
-
2020
- 2020-08-14 CN CN202010821322.8A patent/CN111915218A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389059A (zh) * | 2018-09-26 | 2019-02-26 | 华南理工大学 | 一种基于cnn-lstm网络的p300检测方法 |
CN109814523A (zh) * | 2018-12-04 | 2019-05-28 | 合肥工业大学 | 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法 |
CN110490251A (zh) * | 2019-03-08 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 基于人工智能的预测分类模型获取方法及装置、存储介质 |
CN110399455A (zh) * | 2019-06-05 | 2019-11-01 | 福建奇点时空数字科技有限公司 | 一种基于cnn和lstm的深度学习数据挖掘方法 |
CN111082879A (zh) * | 2019-12-27 | 2020-04-28 | 南京邮电大学 | 一种基于深度时空模型的wifi感知方法 |
CN111428757A (zh) * | 2020-03-05 | 2020-07-17 | 支付宝(杭州)信息技术有限公司 | 模型训练方法、异常数据检测方法、装置和电子设备 |
CN111401777A (zh) * | 2020-03-30 | 2020-07-10 | 未来地图(深圳)智能科技有限公司 | 企业风险的评估方法、装置、终端设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113807951A (zh) * | 2021-09-23 | 2021-12-17 | 中国建设银行股份有限公司 | 一种基于深度学习的交易数据趋势预测方法和系统 |
CN114331473A (zh) * | 2021-12-29 | 2022-04-12 | 中国电信股份有限公司 | 电信诈骗事件的识别方法及其装置、计算机可读存储介质 |
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 |
---|---|---|
US20210049700A1 (en) | System and method for machine learning architecture for enterprise capitalization | |
Bazarbash | Fintech in financial inclusion: machine learning applications in assessing credit risk | |
CN110751557B (zh) | 一种基于序列模型的异常资金交易行为分析方法及系统 | |
CN111915218A (zh) | 基于lstm-cnn的财务造假识别方法及系统 | |
Ala’raj et al. | Modelling customers credit card behaviour using bidirectional LSTM neural networks | |
US11531987B2 (en) | User profiling based on transaction data associated with a user | |
CN110704730B (zh) | 基于大数据的产品数据推送方法、系统及计算机设备 | |
US20110166979A1 (en) | Connecting decisions through customer transaction profiles | |
CN111222981A (zh) | 可信度确定方法、装置、设备和存储介质 | |
US20220207420A1 (en) | Utilizing machine learning models to characterize a relationship between a user and an entity | |
CN111708883A (zh) | 一种基于机器学习和设备指纹的授信额度确定方法及装置 | |
Zhu et al. | Explainable prediction of loan default based on machine learning models | |
CN112561320A (zh) | 机构风险预测模型的训练方法、机构风险预测方法和装置 | |
Huang et al. | Enterprise risk assessment based on machine learning | |
Han et al. | Semi-supervised clustering for financial risk analysis | |
US20220309388A1 (en) | Systems and Methods for Classification and Time Series Calibration in Identity Health Analysis | |
CN114187009A (zh) | 交易风险预测模型的特征解释方法、装置、设备及介质 | |
KR102519878B1 (ko) | 금융기관 신용공여 사업에서의 인공지능 기반 리스크 관리 솔루션을 제공하기 위한 장치, 방법 및 명령을 기록한 기록 매체 | |
CN114549174A (zh) | 用户行为预测方法、装置、计算机设备和存储介质 | |
Zang | Construction of Mobile Internet Financial Risk Cautioning Framework Based on BP Neural Network | |
CN114219630A (zh) | 服务风险预测方法、装置、设备及介质 | |
Lee et al. | Application of machine learning in credit risk scorecard | |
Salihu et al. | A review of algorithms for credit risk analysis | |
Zakowska | A New Credit Scoring Model to Reduce Potential Predatory Lending: A Design Science Approach | |
US11847691B2 (en) | Systems and methods for generating a credit score based at least in part upon telematics data |
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 |