CN112488496A - 一种财务指标预测方法及装置 - Google Patents
一种财务指标预测方法及装置 Download PDFInfo
- Publication number
- CN112488496A CN112488496A CN202011358451.4A CN202011358451A CN112488496A CN 112488496 A CN112488496 A CN 112488496A CN 202011358451 A CN202011358451 A CN 202011358451A CN 112488496 A CN112488496 A CN 112488496A
- Authority
- CN
- China
- Prior art keywords
- financial
- model
- autocorrelation
- index
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000007689 inspection Methods 0.000 claims abstract description 13
- 230000001932 seasonal effect Effects 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000007306 turnover Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000013112 stability test Methods 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 35
- 230000008569 process Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 241000728173 Sarima Species 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—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)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种财务指标预测方法及装置,用以解决现有的预测方法无法准确预测、预测效果不理想的问题。该方法包括:服务器采集财务记录,并确定与所述财务记录对应的财务指标;确定所述财务指标的自相关性和滞后阶数;根据所述自相关性、所述滞后阶数,以及预设的模型,构建与所述财务指标对应的预测模型,并对所述预测模型进行检验;根据检验通过的所述预测模型进行财务指标预测。
Description
技术领域
本申请涉及财务指标预测领域,尤其涉及一种财务指标预测方法及装置。
背景技术
随着现代市场经济的不断发展,企业的财务状况对企业的发展越来越重要。如何及时有效地预测企业的财务状况及发展前景,为企业提供决策支持显得尤为重要。
目前常用的财务指标预测方法包括定性预测法和定量预测法。定性预测法是通过判断事物所具有的各种因素、属性进行预测的方法,一般是利用直观的材料,依靠个人经验的综合分析,对事物未来状况进行预测。例如,专家会议法、菲尔调查、访问、现场观察、座谈等。定量预测法是通过分析事物各项因素、属性的数量关系进行预测的方法,一般是根据历史数据找出内在规律,运用连贯性原则和类推性原则,通过数学运算对事物未来状况进行数量预测。例如,时间序列预测法、相关因素预测法、概率预测法等。
但是,现有的上述两种预测方法都存在一定的局限性。其中,定性预测法一般存在较大的主观性,易受人的知识、经验和能力的大小的束缚和限制,容易造成无法准确预测、预测效果不理想的问题。定量预测法一般比较简单,对历史数据要求较高,通常也容易造成无法准确预测、预测效果不理想的问题。
发明内容
本申请实施例提供一种财务指标预测方法及装置,用以解决现有的预测方法无法准确预测、预测效果不理想的问题。
本申请实施例提供的一种财务指标预测方法,包括:
服务器采集财务记录,并确定与所述财务记录对应的财务指标;
确定所述财务指标的自相关性和滞后阶数;
根据所述自相关性、所述滞后阶数,以及预设的模型,构建与所述财务指标对应的预测模型,并对所述预测模型进行检验;
根据检验通过的所述预测模型进行财务指标预测。
在一个示例中,服务器确定与所述财务记录对应的财务指标之后,所述方法还包括:服务器对所述财务指标中的异常数据进行预处理;所述异常数据包括缺失值、极端值。
在一个示例中,服务器确定所述财务指标的自相关性和滞后阶数之前,所述方法还包括:服务器对所述财务指标进行平稳性检验,并确定所述财务指标的不平稳因素,所述不平稳因素包括季节性因素、趋势性因素。
在一个示例中,服务器对所述财务指标进行平稳性检验,并确定所述财务指标的不平稳因素之后,所述方法还包括:服务器确定各不平稳因素的平稳性检验对应的平稳性检验结果;若所述平稳性检验结果为不平稳,则对所述财务指标进行差分处理,并确定差分次数。
在一个示例中,服务器确定所述财务指标的自相关性和滞后阶数,具体包括:服务器对所述财务指标进行白噪声检验,并确定白噪声检验结果;根据所述白噪声检验结果,确定所述财务指标的自相关系数、偏自相关系数和滞后阶数。
在一个示例中,服务器根据所述自相关性、所述滞后阶数,以及预设的模型,构建与所述财务指标对应的预测模型之前,所述方法还包括:服务器根据确定出的不平稳因素,确定构建差分自回归移动模型或者季节性差分自回归移动模型。
在一个示例中,服务器根据所述自相关性、所述滞后阶数,以及预设的模型,构建与所述财务指标对应的预测模型,具体包括:若自相关系数拖尾,偏相关系数p阶截尾,则采用自回归模型构建预测模型;若自相关系数q阶截尾,偏相关系数拖尾,则采用移动平均模型构建预测模型;若自相关系数拖尾,偏相关系数拖尾,则采用自回归平均移动模型构建预测模型;其中,p表示自回归滞后阶数,q表示移动平均滞后阶数。
在一个示例中,所述财务指标包括偿债能力指标、经营效率指标、盈利能力指标、成长能力指标、财务结构指标;所述偿债能力指标包括流动比率、速动比率、利息保障倍数;所述经营效率指标包括应收账款周转率、流动资产周转率、总资产周转率;所述盈利能力指标包括经营净利率、资产净利率、净资产收益率;所述成长能力指标包括营业收入增长率、利润增长率、股东权益增长率;所述财务结构指标包括资产负债率、流动负债率、长期负债比率、负债经营率、流动资产率。
在一个示例中,所述方法还包括:服务器基于贝叶斯信息准则,确定所述预测模型的阶数。
本申请实施例提供的一种财务指标预测装置,包括:
第一确定模块,用于采集财务记录,并确定与所述财务记录对应的财务指标;
第二确定模块,用于确定所述财务指标的自相关性和滞后阶数;
构建模块,用于根据所述自相关性、所述滞后阶数,以及预设的模型,构建与所述财务指标对应的预测模型,并对所述预测模型进行检验;
预测模块,用于根据检验通过的所述预测模型进行财务指标预测。
本申请实施例提供一种财务指标预测方法及装置,至少包括以下有益效果:服务器通过对财务指标中的异常数据提前进行预处理,可以减少财务指标中的异常数据,确保数据序列的正常,在一定程度上调整财务指标的平稳性,有利于加强财务指标的规律性,从而也提高了基于该财务指标进行预测的准确性。服务器通过对训练财务指标进行差分处理,可以保证该训练财务指标是平稳的,从而提高预测的有效性。服务器通过借助季节性差分自回归移动平均模型或者差分自回归移动平均模型,对未来的财务指标提前进行预测,实现了提前进行财务预警,便于为股东投资者、债权人、潜在投资者、内部管理人员及政府有关方提供决策支持。服务器通过对财务指标的平稳性进行检验、预处理,有利于提高预测模型的预测准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种财务指标预测方法流程图;
图2为本申请实施例提供的另一种财务指标预测方法流程图;
图3为本申请实施例提供的一种财务指标预测装置结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请实施例提供的一种财务指标预测方法流程图,具体包括以下步骤:
S101:服务器采集财务记录,并确定与财务记录对应的财务指标。
在本申请实施例中,服务器采集资产负债表、利润表、现金流量表等财务记录,并根据采集到的财务记录,计算确定与财务记录对应的财务指标。其中,财务记录是资产负债表、利润表、现金流量表中的数据,财务指标是企业用来总结和评价财务状况和经营成果的相对指标,同时,每个月的财务指标可以看作是随着时间的推移而形成的一个随机时间序列。
在一个实施例中,财务指标包括偿债能力指标、经营效率指标、盈利能力指标、成长能力指标、财务结构指标。
偿债能力指标包括流动比率=流动资产/流动负债、速动比率=(流动资产-存货)/流动负债、利息保障倍数=息税前利润/利息费用。
经营效率指标包括应收账款周转率=营业收入/应收账款平均余额、流动资产周转率=营业成本/流动资产平均余额、总资产周转率=营业收入/平均资产总额。
盈利能力指标包括经营净利率=净利润/营业收入、资产净利率=净利润/平均资产总额、净资产收益率=净利润/股东权益平均余额。
成长能力指标包括营业收入增长率=(本期营业收入-上年营业收入)/上年营业收入、利润增长率=(本期营业利润-上年营业利润)/上年营业利润、股东权益增长率=(本期股东权益-上年股东权益)/上年股东权益。
财务结构指标包括资产负债率=负债总额/资产总额、流动负债率=流动负债/资产总额、长期负债资产比率=长期负债/总资产、负债经营率=长期负债/股东权益、流动资产率=流动资产/资产总额。
在一个实施例中,服务器在确定对应的财务指标之后,对财务指标中的每一个数据进行检查,并对检查到的异常数据进行预处理。其中,异常数据包括缺失值、极端值等。缺失值表示财务指标中缺失的数值,对于缺失值,服务器可以采用财务指标的均值或者中位数进行填充。极端值表示超过财务指标的均值预设范围的数值,即为财务指标中明显过大或过小的数值,对于极端值,服务器可采用距财务指标的均值预设范围内的数据进行替代。
例如,财务指标中一组数据为4,5,8,6,15,均值为7.6,预设范围为3,则极端值为不属于3.6~10.6的数据,于是,服务器可采用10.6替换15。
服务器通过对财务指标中的异常数据提前进行预处理,可以减少财务指标中的异常数据,确保数据序列的正常,在一定程度上调整财务指标的平稳性,有利于加强财务指标的规律性,从而也提高了基于该财务指标进行预测的准确性。
在一个实施例中,服务器将经过预处理后的财务指标中的数据按照预设的比例分成训练集数据和验证集数据。其中,训练集数据是用来进行模型训练的数据的集合,验证集数据是用来验证训练后的模型的准确性的数据的集合。预设的比例可以根据需要设置,本申请对此不做任何限定。
例如,服务器可以将预处理后的财务指标中的数据按照7:3的比例分为训练集数据和验证集数据。
在一个实施例中,服务器确定由训练集数据构成的训练财务指标,并基于该训练财务指标对应的散点图、自相关图、偏自相关函数图以及ADF单位根检验结果,对该训练财务指标进行平稳性检验,并确定对应的不平稳因素。其中,平稳性检验是用于检验该训练财务指标是否平稳的方法,不平稳因素包括季节性因素、趋势性因素。季节性因素是指该训练财务指标受季节性的影响,趋势性因素是指该训练财务指标存在一定的增长或下降性的趋势性。
通过对训练财务指标进行平稳性检验,可以减少训练财务指标伪回归的可能性。其中,伪回归是一组非平稳时间序列之间不存在协整关系时这一组变量构造的回归模型中可能出现的一种“假回归”。
在一个实施例中,服务器对训练财务指标进行平稳性检验,并确定不平稳因素之后,可根据各不平稳因素,确定在每个不平稳因素下的平稳性检验结果。
若平稳性检验结果为平稳,表示该训练财务指标是一平稳过程,且长期在一常数值附近波动。若平稳性检验结果为不平稳,表示该训练财务指标不平稳,则服务器对该训练财务指标进行差分处理,确定进行差分处理的次数。
通过对训练财务指标进行差分处理,可以保证该训练财务指标是平稳的,从而提高预测的有效性。
例如,若训练财务指标不平稳,并存在一定的增长或者下降性的趋势性,则对该训练财务指标进行差分处理去除趋势性,直至d阶差分后训练财务指标平稳,并将d所对应的数值设置为非季节差分次数。若训练财务指标不平稳,并存在季节性因素,则对该训练财务指标进行差分处理去季节性,直至D阶差分后训练财务指标平稳,并将D所对应的数值设置为季节性差分次数。
在一个实施例中,服务器根据确定出的不平稳因素,确定构建差分自回归移动模型或者季节性差分自回归模型。若不平稳因素为趋势性因素,表示该训练财务指标受趋势性因素影响而不受季节性因素影响,则确定构建差分自回归移动模型ARIMA。若不平稳因素为季节性因素,表示该训练财务指标受季节性因素影响,则确定构建季节性差分自回归模型SARIMA。
S102:服务器确定财务指标的自相关性和滞后阶数。
在本申请实施例中,服务器可根据财务指标的自相关图、偏自相关图,确定财务指标自身存在的自相关性,以及根据自相关性确定的滞后阶数。
其中,自相关性是若干财务指标之间所具有的相关关系,包括自相关、偏自相关,可以分别通过自相关图、偏自相关图表示。滞后阶数为根据自相关图、偏自相关图可以确定的相应的最大滞后阶数。
在一个实施例中,服务器对平稳的训练财务指标进行白噪声检验(也称纯随机检验),并确定白噪声检验结果。若通过白噪声检验结果确定训练财务指标不是纯随机序列,存在自相关性,则提取该训练财务指标的自相关性中的自相关系数和偏自相关系数。若通过白噪声检验结果确定训练财务指标为纯随机序列,表示该训练财务指标不存在任何相关性关系,无法进行预测,则结束整个预测操作。
S103:服务器根据自相关性、滞后阶数,以及预设的模型,构建与财务指标对应的预测模型,并对预测模型进行检验。
在本申请实施例中,服务器根据自相关性、滞后阶数,以及预设的模型,构建与财务指标对应的预测模型,并对预测模型进行检验。其中,预设的模型包括自回归模型、移动回归模型、自回归平均移动模型。预测模型包括差分自回归移动模型、季节性差分自回归模型,具体构建哪种预测模型根据上述S101中得到的不平稳因素确定。
若服务器构建差分自回归移动模型,则根据S102确定的自相关性中的自相关系数和偏自相关系数的截尾或拖尾情况,确定从预设的模型中选用哪种预设模型,并根据滞后阶数所对应的非季节自回归滞后阶数p和非季节移动平均滞后阶数q的值,以及选用的预设模型,构建与财务指标对应的预测模型,并对预测模型进行检验。
若服务器构建季节性差分自回归模型,则根据S102确定的自相关性中的自相关系数和偏自相关系数的截尾或拖尾情况,确定从预设的模型中选用哪种预设模型,并根据滞后阶数所对应的季节自回归滞后阶数P和季节移动平均滞后阶数Q的值,以及选用的预设模型,构建与财务指标对应的预测模型,并对预测模型进行检验。
在一个实施例中,若自相关系数拖尾,偏相关系数p或P阶截尾,则服务器采用自回归模型构建预测模型。若自相关系数q或Q阶截尾,偏相关系数拖尾,则服务器采用移动平均模型构建预测模型。若自相关系数拖尾,偏相关系数拖尾,则服务器采用自回归平均移动模型构建预测模型。
在一个实施例中,服务器在构建预测模型时,可以根据预设的贝叶斯信息准则(Bayesian Information Criterion,BIC),对预测模型中的p、q或P、Q进行调整,以最终计算出预测模型对应的阶数。
贝叶斯信息准则函数定义如下:
在一个实施例中,服务器在构建预测模型时,通过相关矩阵估计法、最小二乘法以及极大似然估计法估计预测模型中的未知参数。
在一个实施例中,服务器通过验证集数据中的财务指标,对构建的预测模型的准确性进行验证。具体的,服务器可根据验证数据集,计算预测模型的残差序列。之后,服务器可判断残差序列是否为白噪声序列,对预测模型的拟合结果及预测模型的准确性进行有效检验。其中,残差是实际值与预测值之差。
若残差序列为白噪声序列,没有序列相关性,表示训练集数据中的自相关性已经提取充分,预测模型的拟合结果较好,预测模型的准确性较高。否则,表示预测模型的准确性较低,需要对预测模型进行修正,重新调整预测模型的参数。
S104:服务器根据检验通过的预测模型进行财务指标预测。
在本申请实施例中,服务器在训练完成预测模型后,可利用检验通过的预测模型对财务指标进行预测。
在本申请实施例中,一方面,服务器通过借助季节性差分自回归移动平均模型或者差分自回归移动平均模型,对未来的财务指标提前进行预测,实现了提前进行财务预警,便于为股东投资者、债权人、潜在投资者、内部管理人员及政府有关方提供决策支持。另一方面,服务器通过对财务指标的平稳性进行检验、预处理,有利于提高预测模型的预测准确性。
图2为本申请实施例提供的另一种财务指标预测方法流程图。
如图2所示服务器获取财务指标,利用时序图和相关系数图检验该财务指标的平稳性。若财务指标不是平稳序列,则服务器对该财务指标进行差分处理,并提取其季节性因素与趋势性因素。若财务指标是平稳序列,则对其进行白噪声检验,并判断该财务指标是否为白噪声序列。若财务指标是白噪声序列,则结束整个预测操作。若财务指标不是白噪声序列,则根据财务指标的自相关系数、偏自相关系数识别对应的预设模型,并构建预测模型。在构建出预测模型后,对预测模型的参数进行估计,并对该预测模型进行检验,判断其是否合理。若构建的预测模型合理,则利用该预测模型进行预测。若构建的预测模型不合理,则重新进行预设模型的识别,重复上述操作。
需要说明的是,图1所示方法与图2所示方法本质相同,因此,图2中未详述的部分,具体可参见图1,本申请不再赘述。
以上为本申请实施例提供的一种财务指标预测方法,基于同样的发明思路,本申请实施例还提供了相应的一种财务指标预测装置,如图3所示。
图3为本申请实施例提供的一种财务指标预测装置结构示意图,具体包括:
第一确定模块301,用于采集财务记录,并确定与所述财务记录对应的财务指标;
第二确定模块302,用于确定所述财务指标的自相关性和滞后阶数;
构建模块303,用于根据所述自相关性、所述滞后阶数,以及预设的模型,构建与所述财务指标对应的预测模型,并对所述预测模型进行检验;
预测模块304,用于根据检验通过的所述预测模型进行财务指标预测。
本申请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,对于装置实施例而言,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。
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。
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)
1.一种财务指标预测方法,其特征在于,包括:
服务器采集财务记录,并确定与所述财务记录对应的财务指标;
确定所述财务指标的自相关性和滞后阶数;
根据所述自相关性、所述滞后阶数,以及预设的模型,构建与所述财务指标对应的预测模型,并对所述预测模型进行检验;
根据检验通过的所述预测模型进行财务指标预测。
2.根据权利要求1所述的方法,其特征在于,确定与所述财务记录对应的财务指标之后,所述方法还包括:
服务器对所述财务指标中的异常数据进行预处理;所述异常数据包括缺失值、极端值。
3.根据权利要求1所述的方法,其特征在于,确定所述财务指标的自相关性和滞后阶数之前,所述方法还包括:
服务器对所述财务指标进行平稳性检验,并确定所述财务指标的不平稳因素,所述不平稳因素包括季节性因素、趋势性因素。
4.根据权利要求3所述的方法,其特征在于,服务器对所述财务指标进行平稳性检验,并确定所述财务指标的不平稳因素之后,所述方法还包括:
服务器确定各不平稳因素的平稳性检验对应的平稳性检验结果;
若所述平稳性检验结果为不平稳,则对所述财务指标进行差分处理,并确定差分次数。
5.根据权利要求1所述的方法,其特征在于,确定所述财务指标的自相关性和滞后阶数,具体包括:
服务器对所述财务指标进行白噪声检验,并确定白噪声检验结果;
根据所述白噪声检验结果,确定所述财务指标的自相关系数、偏自相关系数和滞后阶数。
6.根据权利要求3所述的方法,根据所述自相关性、所述滞后阶数,以及预设的模型,构建与所述财务指标对应的预测模型之前,所述方法还包括:
服务器根据确定出的不平稳因素,确定构建差分自回归移动模型或者季节性差分自回归移动模型。
7.根据权利要求1所述的方法,其特征在于,根据所述自相关性、所述滞后阶数,以及预设的模型,构建与所述财务指标对应的预测模型,具体包括:
若自相关系数拖尾,偏相关系数p阶截尾,则采用自回归模型构建预测模型;
若自相关系数q阶截尾,偏相关系数拖尾,则采用移动平均模型构建预测模型;
若自相关系数拖尾,偏相关系数拖尾,则采用自回归平均移动模型构建预测模型;
其中,p表示自回归滞后阶数,q表示移动平均滞后阶数。
8.根据权利要求1所述的方法,其特征在于,所述财务指标包括偿债能力指标、经营效率指标、盈利能力指标、成长能力指标、财务结构指标;
所述偿债能力指标包括流动比率、速动比率、利息保障倍数;
所述经营效率指标包括应收账款周转率、流动资产周转率、总资产周转率;
所述盈利能力指标包括经营净利率、资产净利率、净资产收益率;
所述成长能力指标包括营业收入增长率、利润增长率、股东权益增长率;
所述财务结构指标包括资产负债率、流动负债率、长期负债比率、负债经营率、流动资产率。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
服务器基于贝叶斯信息准则,确定所述预测模型的阶数。
10.一种财务指标预测装置,其特征在于,包括:
第一确定模块,用于采集财务记录,并确定与所述财务记录对应的财务指标;
第二确定模块,用于确定所述财务指标的自相关性和滞后阶数;
构建模块,用于根据所述自相关性、所述滞后阶数,以及预设的模型,构建与所述财务指标对应的预测模型,并对所述预测模型进行检验;
预测模块,用于根据检验通过的所述预测模型进行财务指标预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011358451.4A CN112488496A (zh) | 2020-11-27 | 2020-11-27 | 一种财务指标预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011358451.4A CN112488496A (zh) | 2020-11-27 | 2020-11-27 | 一种财务指标预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112488496A true CN112488496A (zh) | 2021-03-12 |
Family
ID=74936299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011358451.4A Pending CN112488496A (zh) | 2020-11-27 | 2020-11-27 | 一种财务指标预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488496A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113282886A (zh) * | 2021-05-26 | 2021-08-20 | 北京大唐神州科技有限公司 | 基于逻辑回归的银行对公贷款违约判别方法 |
CN114155072A (zh) * | 2021-11-23 | 2022-03-08 | 安徽经邦软件技术有限公司 | 基于大数据分析的财务预测模型构建方法及系统 |
CN116542800A (zh) * | 2023-06-29 | 2023-08-04 | 天津星耀九洲科技有限公司 | 基于云端ai技术的智能化财务报表分析系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200291A (zh) * | 2014-09-28 | 2014-12-10 | 山东科技大学 | 一种基于小波变换和arma-svm的涌水量预测方法 |
CN108564229A (zh) * | 2018-04-26 | 2018-09-21 | 广东省广业科技集团有限公司 | 一种基于arima模型的工业污水进水量预测的方法 |
CN110827091A (zh) * | 2019-11-12 | 2020-02-21 | 成都航天科工大数据研究院有限公司 | 一种工业原材料价格预测方法 |
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 |
CN111353584A (zh) * | 2020-02-20 | 2020-06-30 | 中山大学 | 一种基于时间序列分析的深度学习训练任务行为预测方法 |
CN111563028A (zh) * | 2020-05-15 | 2020-08-21 | 周毅 | 一种基于时序数据分析的数据中心任务规模预测方法 |
-
2020
- 2020-11-27 CN CN202011358451.4A patent/CN112488496A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200291A (zh) * | 2014-09-28 | 2014-12-10 | 山东科技大学 | 一种基于小波变换和arma-svm的涌水量预测方法 |
CN108564229A (zh) * | 2018-04-26 | 2018-09-21 | 广东省广业科技集团有限公司 | 一种基于arima模型的工业污水进水量预测的方法 |
CN110827091A (zh) * | 2019-11-12 | 2020-02-21 | 成都航天科工大数据研究院有限公司 | 一种工业原材料价格预测方法 |
CN111353584A (zh) * | 2020-02-20 | 2020-06-30 | 中山大学 | 一种基于时间序列分析的深度学习训练任务行为预测方法 |
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 |
CN111563028A (zh) * | 2020-05-15 | 2020-08-21 | 周毅 | 一种基于时序数据分析的数据中心任务规模预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113282886A (zh) * | 2021-05-26 | 2021-08-20 | 北京大唐神州科技有限公司 | 基于逻辑回归的银行对公贷款违约判别方法 |
CN114155072A (zh) * | 2021-11-23 | 2022-03-08 | 安徽经邦软件技术有限公司 | 基于大数据分析的财务预测模型构建方法及系统 |
CN116542800A (zh) * | 2023-06-29 | 2023-08-04 | 天津星耀九洲科技有限公司 | 基于云端ai技术的智能化财务报表分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951984B (zh) | 一种系统健康度动态分析预测方法及装置 | |
Lehmann | Is it worth the while? The relevance of qualitative information in credit rating | |
Lehmann | Is it worth the while | |
Engelmann et al. | The Basel II risk parameters: estimation, validation, and stress testing | |
CN112488496A (zh) | 一种财务指标预测方法及装置 | |
WO2003096237A2 (en) | Electronic data processing system and method of using an electronic data processing system for automatically determining a risk indicator value | |
Zhang et al. | Does accounting comparability affect corporate employment decision-making? | |
Yusdika et al. | Implementation Of PSAK 71 Financial Instruments In The Banking Sector During The Covid-19 Pandemic | |
CN116992265B (zh) | 碳排放量估算方法、装置、设备和存储介质 | |
Beneish et al. | Aggregate Financial Misreporting and the Predictability of US Recessions and GDP Growth | |
CN116384680A (zh) | 研发质量的可视化监测方法、装置、设备及可读存储介质 | |
Gogo et al. | Analysis of Factors Affecting Liquidity Risk in Indonesian Islamic Banking | |
Lovaglio | Do job vacancies variations anticipate employment variations by sector? Some preliminary evidence from Italy | |
CN113095567A (zh) | 一种贷款收益率预测方法、装置、设备及存储介质 | |
Poon et al. | Do Recessions and Bear Markets Occur Concurrently Across Countries? A Multinomial Logistic Approach | |
Latifah et al. | ANALYSIS OF THE IMPACT OF THE PROPORTION OF INDEPENDENT COMMISSIONERS, LEVERAGE, AND SIZE ON THE ACCOUNTING CONSERVATISM OF STATE-OWNED ENTERPRISES (BUMN) | |
Chhaochharia et al. | Artificially Intelligent Analyst Sentiment and Aggregate Market Behavior | |
Schäfer-i-Paradís | Is there a (new) bubble in the US housing market? An empirical specification to identify rational housing bubbles | |
Saguliannita et al. | Effect of Organizational Capital on Cost Stickiness at Indonesian Manufacturing Companies | |
Sahiner | Essays on Financial Market Volatility | |
Szenes et al. | Modelling Corporate Probability of Default: A Possible Supervisory Benchmark Model | |
Kchaou et al. | The effect of unconditional conservatism on the effectiveness of investment policies through overconfidence in the French context | |
Kamgna et al. | Macro-Prudential Monitoring Indicators for CEMAC Banking System | |
Syahdanti et al. | The Influence Of Profitability, Company Size, Media Exposure, And Leverage On Carbon Emissions Disclosure | |
Martins et al. | Increasing the legal retirement age: the impact on wages, hours, worker flows and firm performance |
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: 20210312 |
|
RJ01 | Rejection of invention patent application after publication |