CN112767008A - 企业营收趋势的预测方法、装置、计算机设备及存储介质 - Google Patents

企业营收趋势的预测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN112767008A
CN112767008A CN202011633070.2A CN202011633070A CN112767008A CN 112767008 A CN112767008 A CN 112767008A CN 202011633070 A CN202011633070 A CN 202011633070A CN 112767008 A CN112767008 A CN 112767008A
Authority
CN
China
Prior art keywords
enterprise
data
trend
revenue
dimension
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
CN202011633070.2A
Other languages
English (en)
Inventor
张春玲
刘云风
刘懿祺
王磊
谭韬
汪伟
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011633070.2A priority Critical patent/CN112767008A/zh
Priority to PCT/CN2021/084531 priority patent/WO2022141883A1/zh
Publication of CN112767008A publication Critical patent/CN112767008A/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及数据分析技术领域，公开了一种企业营收趋势的预测方法，包括：获取目标企业多维度的企业数据，每个所述维度包括至少一类因子数据；根据所述因子数据在目标时段之前的多个时段的第一变化率，预测因子数据在目标时段的第二变化率；根据每个所述维度对应的所有因子数据的所述第二变化率，确定每个所述维度在所述目标时段的荣枯指数；根据所有所述维度对应的所述荣枯指数，预测所述目标企业在所述目标时段的营收趋势。本申请还涉及区块链技术领域。本申请还公开了一种企业营收趋势的预测装置、计算机设备以及计算机可读存储介质。本申请在提高预测企业营收趋势的效率的同时，提高了预测企业营收趋势的准确率。

Description

企业营收趋势的预测方法、装置、计算机设备及存储介质
技术领域
本申请涉及数据分析技术领域，尤其涉及一种企业营收趋势的预测方法、企业营收趋势的预测装置、计算机设备以及计算机可读存储介质。
背景技术
随着国民经济的快速发展，实现相关经济数据的智能化分析日益重要。在金融行业中，营业收入是指企业在生产经营活动中，因销售产品或提供劳务取得的各项收入，它关系到企业的生存和发展，对企业经营有重要的意义，因此，准确预测企业营收趋势是投资分析的重要内容。
目前，在对企业营收趋势进行预测的时候，通常是由基金经理和研究员等对众多数据进行跟踪，然后根据所跟踪的数据得到预测值，但是这样对企业营收趋势预测的效率不仅低下，且由于预测过程往往依赖于基金经理和研究员的个人经验，导致最后得到的预测结果不一定准确。
上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。
发明内容
本申请的主要目的在于提供一种企业营收趋势的预测方法、企业营收趋势的预测装置、计算机设备以及计算机可读存储介质，旨在解决如何提高预测企业营收趋势的效率的同时，提高预测企业营收趋势的准确率的问题。
为实现上述目的，本申请提供一种企业营收趋势的预测方法，包括以下步骤：
获取目标企业多维度的企业数据，其中，所述企业数据包括财务数据、资本市场数据、企业舆情热度、所述目标企业所属的行业对应的宏观数据和产业数据中的至少两个维度；每个所述维度包括至少一类因子数据；
根据所述因子数据在目标时段之前的多个时段的第一变化率，预测所述因子数据在所述目标时段的第二变化率；
根据每个所述维度对应的所有因子数据的所述第二变化率，确定每个所述维度在所述目标时段的荣枯指数，其中，所述荣枯指数用于确定所述维度在所述目标时段的变化趋势，所述变化趋势包括上升趋势或下降趋势；
根据所有所述维度对应的所述荣枯指数，预测所述目标企业在所述目标时段的营收趋势。
进一步地，所述根据所述因子数据在目标时段之前的多个时段的第一变化率，预测所述因子数据在所述目标时段的第二变化率的步骤之前，还包括：
分析每个所述维度中的子数据与所述目标企业的历史营收之间的相关系数，其中，每个所述维度中的数据划分为多类所述子数据；
将所述相关系数处于预设数值区间之外的所述子数据作为所述因子数据。
进一步地，所述将所述相关系数处于预设数值区间之外的所述子数据作为所述因子数据的步骤之后，还包括：
根据所述因子数据对应的相关系数，确定所述因子数据的第一权重；
所述根据每个所述维度对应的所有因子数据的所述第二变化率，确定每个所述维度在所述目标时段的荣枯指数的步骤包括：
根据每个所述维度对应的所有因子数据的所述第二变化率和所述第一权重，确定每个所述维度在所述目标时段的荣枯指数。
进一步地，所述根据所有所述维度对应的所述荣枯指数，预测所述目标企业在所述目标时段的营收趋势的步骤之前，还包括：
根据预设规则确定所述维度对应的第二权重；
所述根据所有所述维度对应的所述荣枯指数，预测所述目标企业在所述目标时段的营收趋势的步骤包括：
根据所有所述维度对应的所述荣枯指数和所述第二权重，预测所述目标企业在所述目标时段的营收趋势。
进一步地，所述预设规则包括以下任一个：
根据所述维度对应的历史实际荣枯指数和历史预测荣枯指数，确定所述维度对应的第一准确率，并根据所述第一准确率确定所述第二权重，其中，所述第一准确率越高，所述第二权重越大；
根据所述维度的数量生成多种权重组合，以及基于所述权重组合和各个所述维度对应的历史实际荣枯指数确定历史预测营收趋势，并根据所述历史预测营收趋势和历史实际营收趋势确定所述权重组合对应的第二准确率，根据所述第二准确率最高的权重组合确定各个所述维度对应的第二权重。
进一步地，所述获取目标企业多维度的企业数据的步骤之后，还包括：
将所述企业数据写入区块链节点中，以构建所述目标企业的资料库。
进一步地，所述根据所有所述维度对应的所述荣枯指数，预测所述目标企业在所述目标时段的营收趋势的步骤之后还包括：
检测到所述营收趋势为下降趋势时，输出告警信息至所述目标企业的关联设备。
为实现上述目的，本申请还提供一种企业营收趋势的预测装置，所述企业营收趋势的预测装置包括：
获取模块，用于获取目标企业多维度的企业数据，其中，所述企业数据包括财务数据、资本市场数据、企业舆情热度、所述目标企业所属的行业对应的宏观数据和产业数据中的至少两个维度；每个所述维度包括至少一类因子数据；
第一预测模块，用于根据所述因子数据在目标时段之前的多个时段的第一变化率，预测所述因子数据在所述目标时段的第二变化率；
第二预测模块，用于根据每个所述维度对应的所有因子数据的所述第二变化率，确定每个所述维度在所述目标时段的荣枯指数，其中，所述荣枯指数用于确定所述维度在所述目标时段的变化趋势，所述变化趋势包括上升趋势或下降趋势；
第三预测模块，用于根据所有所述维度对应的所述荣枯指数，预测所述目标企业在所述目标时段的营收趋势。
为实现上述目的，本申请还提供一种计算机设备，所述计算机设备包括：
所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的企业营收趋势的预测程序，所述企业营收趋势的预测程序被所述处理器执行时实现如上述企业营收趋势的预测方法的步骤。
为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有企业营收趋势的预测程序，所述企业营收趋势的预测程序被处理器执行时实现如上述企业营收趋势的预测方法的步骤。
本申请提供的企业营收趋势的预测方法、企业营收趋势的预测装置、计算机设备以及计算机可读存储介质，通过考量宏观数据、产业数据、财务数据、资本数据、舆情数据等多个维度，自动获取影响目标企业营收的多维度数据，建立多个量化指标来反映目标企业营收的多维度解释因子，并在此基础上构建目标企业营收的解释体系，从而在提高预测企业营收趋势的效率的同时，提高了预测企业营收趋势的准确率。
附图说明
图1为本申请一实施例中企业营收趋势的预测方法步骤示意图；
图2为本申请一实施例的企业营收趋势的预测装置示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，在一实施例中，所述企业营收趋势的预测方法包括：
步骤S10、获取目标企业多维度的企业数据，其中，所述企业数据包括财务数据、资本市场数据、企业舆情热度、所述目标企业所属的行业对应的宏观数据和产业数据中的至少两个维度；每个所述维度包括至少一类因子数据；
步骤S20、根据所述因子数据在目标时段之前的多个时段的第一变化率，预测所述因子数据在所述目标时段的第二变化率；
步骤S30、根据每个所述维度对应的所有因子数据的所述第二变化率，确定每个所述维度在所述目标时段的荣枯指数，其中，所述荣枯指数用于确定所述维度在所述目标时段的变化趋势，所述变化趋势包括上升趋势或下降趋势；
步骤S40、根据所有所述维度对应的所述荣枯指数，预测所述目标企业在所述目标时段的营收趋势。
本实施例中，涉及企业风险评估管控业务领域。实施例的执行终端可以是计算机设备，也可以是一种企业营收趋势的预测装置。
如步骤S10所述：目标企业为待分析的企业，即为需要对其营收趋势进行分析的企业。
可选的，所述企业数据包括财务数据、资本市场数据、企业舆情热度、所述目标企业所属的行业对应的宏观数据和产业数据中的至少两个维度(或称类型)，以下以企业数据包括财务数据、资本市场数据、企业舆情热度、所述目标企业所属的行业对应的宏观数据和产业数据这五类数据为例进行说明。
其中，财务数据可以是包括目标企业的营业成本、现金流数据、企业资产等；资本市场数据可以是包括目标企业的股价、资金流向、市盈率、市值等；企业舆情热度可以是包括目标企业的经营领域的利好/利空消息(例如有利好消息则增加企业舆情热度，有利空消息则降低企业舆情热度)、券商评价(例如有正面评价则增加企业舆情热度，有负面评价则降低企业舆情热度)、市场预期(例如达到市场预期则增加企业舆情热度，未达到市场预期则降低企业舆情热度)、目标企业的被搜索量(被搜索量越高，企业舆情热度越高)等；目标企业所属行业对应的宏观数据可以是包括行业GDP(Gross Domestic Product)、工业增加值等，如目标企业若属于制造业行业，则行业GDP即为制造业GDP；目标企业所属行业对应的产业数据可以是包括行业产品产量、行业产品销量，如智能手机行业对应的行业产品产量即为智能手机产量。
需要说明的是，GDP、工业增加值等是宏观经济研究分析的重要指标/指数。
由此可见，终端所采集的企业数据，都是与目标企业的企业营收相关或能影响企业营收的数据。应当理解的是，企业数据表现良好，则影响企业营收正增长，企业数据若表现不好则会导致企业营收负增长，因此预测企业营收趋势的过程，即是分析企业数据的表现情况的过程。
可选的，终端通过分析企业数据的数据类型，为每类企业数据配置有与之对应的维度，即目标企业的每个维度，均根据该维度对应的企业数据的类型确定(即每一类企业数据对应一个维度)。例如，终端通过分析目标企业的主营业务结构(用于查询相应的宏观数据)、上下游产业环节(用于查询相应的产业数据)、财务经营状况(用于获取财务数据)、二级市场交易情况(用于获取资本市场数据)以及市场舆情关注度(用于获取企业舆情热度)等，构建多维度库。
可选的，终端在获取企业数据时，可以是通过关键词提取的方式，从目标企业的企业财报及企业研报中抽取关于企业业务结构及主要产品的描述，再通过业务关键词对数据库中的维度进行关联匹配构建相关维度体系。此处关键词提取可以是采用传统的textrank算法，首先通过规则定位解析企业业务经营在财务报表中的重要文段，拆解出企业的主要产品和近期经营热点的描述文本，通过传统的textrank算法提取关键词，再通过规则矫正(如词频，顺序定位)确定企业业务经营及产业环节关键词，最后结合企业所处行业确定目标企业每个维度对应的关键词。
然后终端根据每个维度对应的关键词，利用爬虫脚本从每个维度相关的资讯信息中抓取该维度对应的企业数据。例如，对于资本市场数据，则可以从目标企业在交易所公示的企业信息抓取得到；企业舆情热度则可以从券商研报中抓取；财务数据可以从目标企业的财务报表中抓取；宏观数据和产业数据则可以从国家权威机构公示的经济信息中抓取。
可选的，终端可以是将财务数据对应的维度记为第一维度(或称财务指标)、将资本市场数据对应的维度记为第二维度(或称资本指标)、将企业舆情热度对应的维度记为第三维度(或称舆情指标)、将宏观数据对应的维度记为第四维度(或称宏观指标)，以及将产业数据对应的维度记为第五维度(或称产业指标)。
如步骤S20所述：终端可以只通过爬虫脚本抓取特定的企业数据，也可以是在抓取到大量的企业数据后，先对企业数据进行筛选，筛选过后的企业数据中的各因子数据，即加入到后续的分析过程中。
可选的，终端获取到的企业数据中，每一维度的企业数据包括至少一类因子数据，但一般会包括多个类型的因子数据。例如，财务数据中可以包括目标企业的营业成本、现金流数据、企业资产等因子数据。
可选的，终端在获取企业数据时，针对任一因子数据，不仅获取该因子数据当前的数值，还会获取该因子数据在过往多个历史时段的数值。
其中，所述目标时段表征为当前预测的目标企业的营收趋势对应的时段，可以是当前时段(或当前时间点)之后的未来时段，而针对每个时段(包括目标时段、当前时段和历史时段)的时长划分，可以根据实际情况需要设置，如一个月、一个季度等，以下以各时段时长为一个季度为例进行说明。
可选的，终端在获取到任一因子数据在目标时段之前的多个时段(包括当前时段和历史时段)的具体数值时，则可以计算因子数据在每个时段(除了目标时段)的数值变化率(根据相邻的前后两个时段的具体数值计算得到)，作为第一变化率。
一般来说，每个行业都有其相应的经济周期(如房地产行业经济周期为2-3年、制造业经济周期为半年至一年)，因此，终端可以根据目标企业所属的行业确定目标企业对应的行业经济周期，然后进一步确定目标时段之前的至少一个完整的行业经济周期。应当理解的是，目标时段属于当前行业经济周期之中，此处确定的即为当前行业经济周期之前的行业经济周期。
可选的，终端根据因子数据在至少一个行业经济周期内各时段对应的第一变化率，分析在同一行业经济周期内各时段的第一变化率之间的第一数值关系。其中，终端所分析的行业经济周期越多，得到的同一因子数据的第一变化率在各时段之间的第一数值关系越准确。
然后，终端根据因子数据在当前行业经济周期中除目标时段之外的其他时段对应的第一变化率，以及第一变化率之间的第一数值关系，即可预测得到该因子数据在目标时段内的第二变化率。应当理解的是，当前行业经济周期中除目标时段之外的其他时段，其时间节点在目标时段之前。需要说明的是，第一变化率为实际值，而第二变化率为预测值。
例如，根据分析得到的某一因子数据在去年前三季度对应的第一变化率，与去年第四季度对应的第一变化率之间的第一数值关系后(例如得到第四季度增长率为前三季度增长率总和的50％这样一个数值关系)，即可根据该第一数值关系与今年前三季度的第一变化率，预测得到今年第四季度的第二变化率(例如计算今年前三季度实际增长率总和的50％即为第二变化率)。应当理解的是，实际预测因子数据在目标时段的第二变化率的过程更为复杂，此处仅作示例性说明。
可选的，若目标时段刚好为当前行业经济周期的第一个时段，则终端也可以是根据因子数据在之前多个行业经济周期内各时段的第一变化率，分析每个行业经济周期内的第一变化率，与该行业经济周期的下一个行业经济周期的第一个时段之间的第二数值关系(例如得到某一因子数据在下一行业经济周期的第一时段的增长率为上一行业经济周期的增长率总和的10％这样一个数值关系)，并利用分析得到的第二数值关系，以及当前行业经济周期的上一个行业经济周期内各时段的第一变化率，即可预测得到该因子数据在目标时段内的第二变化率(例如计算当前行业经济周期的上一行业经济周期的增长率总和的10％即为第二变化率)。
基于此，终端可以根据每类因子数据在目标时段之前的多个时段的第一变化率，预测每类因子数据在目标时段的第二变化率。
需要说明的是，第二变化率可为负值，表示为因子数据在目标时段负增长。
如步骤S30所述：终端在得到每个维度对应的企业数据中所有因子数据的第二变化率后，即可基于此确定每个维度对应的荣枯指数。其中，荣枯指数用于确定所述维度在所述目标时段的变化趋势，所述变化趋势包括上升趋势或下降趋势。
可选的，设定一基准值(如取值50)，当荣枯指数大于该基准值时，则表示变化趋势为上升趋势，当荣枯指数小于该基准值时，则表示变化趋势为下降趋势。可见，荣枯指数的概念与荣枯线相当。需要说明的是，荣枯线为采购经理指数(PMI)和企业家信心指数的临界值，可反映宏观经济的景气状况、发展变化趋势和企业家对宏观经济的看法与信心。PMI数值通常以50％作为经济强弱的分界点，而企业家信心指数以100％作为荣枯线。
可选的，终端预先为每类因子数据配置有其对应的第一权重，第一权重的确定方式可以根据因子数据与目标企业的企业营收之间的相关系数确定，也可以是由相关工程师预先设置并输入终端的。其中，所述相关系数是统计学中的统计指标，是研究两个变量之间线性相关关系密切程度的统计指标。
可选的，每个维度对应的荣枯指数计算公式如下：
Figure BDA0002880540870000091
其中，n为该维度对应的企业数据中所有因子数据的数量，Xi为因子数据对应的第二变化率，Wi为因子数据对应的第一权重。且当Y>50时，表示荣枯指数为上升趋势；当Y<50时，表示荣枯指数为下降趋势。
可选的，基于荣枯指数的计算公式，终端可以分别计算得到各个维度对应的荣枯指数。
如步骤S40所述：终端获取每个维度指数对应的第二权重，然后根据所有维度指数对应的荣枯指数和第二权重，预测目标企业在目标时段的营收趋势(即企业营业收入趋势)。
其中，每个维度指数对应的第二权重，可以是根据该维度指数与目标企业的企业营收之间的相关系数确定的，且呈正相关的相关系数越大，则第二权重越大(或呈负相关的相关系数越小，则第二权重越大)；第二权重也可以是由相关工程师考虑每个维度指数对企业营收的影响程度后，预先设置并输入终端的预设权重，例如设置财务维度对应的第二权重为0.3、设置宏观维度对应的第二权重为0.25、设置产业维度对应的第二权重为0.15、设置资本维度对应的第二权重为0.2、设置舆情维度对应的第二权重为0.1。
可选的，终端可以是将每个维度在目标时段预测得到的荣枯指数作为第一荣枯指数，并获取目标时段前一时段实际计算得到的荣枯指数作为第二荣枯指数，然后计算第一荣枯指数相比于第二荣枯指数的变化率，得到每个维度对应的第三变化率(第三变化率可为负数，即表示目标时段中的荣枯指数，较上一时段有所减小)。
应当理解的是，由于目标时段相当于未来的时段，而目标时段之前的时段是已发生的时段，因此在目标时段之前的时段中，各项用于计算第二荣枯指数的数据都是已知的(即直接将相关因子数据在该时段内的第一变化率代入荣枯指数计算公式进行计算即可，无需采用预测的第二变化率)，进而可以直接计算得到目标时段之前的时段对应的第二荣枯指数。
可选的，目标企业的营收趋势的计算公式如下：
Figure BDA0002880540870000092
其中，N为维度的总数量，Oi为维度对应的第三变化率，Pi为维度对应的第二权重。且当Q>50时，表示营收趋势为上升趋势；当Q<50时，表示营收趋势为下降趋势。
可选的，终端在预测目标企业的营收趋势时，也可以是直接根据所有维度指数对应的荣枯指数和第二权重，进行加权求和计算，得到目标企业的营收趋势。具体计算公式如下：
Figure BDA0002880540870000101
其中，N为维度的总数量，Yi为维度在目标时段的荣枯指数，Pi为维度对应的第二权重。且当Q>50时，表示营收趋势为上升趋势；当Q<50时，表示营收趋势为下降趋势。
在一实施例中，通过考量宏观数据、产业数据、财务数据、资本数据、舆情数据等多个维度，自动获取影响目标企业营收的多维度数据，建立多个量化指标来反映目标企业营收的多维度解释因子，并在此基础上构建目标企业营收的解释体系，从而在提高预测企业营收趋势的效率的同时，提高了预测企业营收趋势的准确率。
在一实施例中，在上述实施例基础上，
所述根据所述因子数据在目标时段之前的多个时段的第一变化率，预测所述因子数据在所述目标时段的第二变化率的步骤之前，还包括：
步骤S50、分析每个所述维度中的子数据与所述目标企业的历史营收之间的相关系数，其中，每个所述维度中的数据划分为多类所述子数据；
步骤S51、将所述相关系数处于预设数值区间之外的所述子数据作为所述因子数据。
本实施例中，终端利用爬虫脚本抓取到每个维度对应的企业数据时，企业数据每个维度的数据中，会划分为多类子数据，因此需要对企业数据的子数据进行筛选，以筛选出其中与目标企业的企业营收具有相关性的子数据，并将筛选得到的子数据作为用于后续分析目标企业的营收趋势的因子数据。
可选的，终端获取目标企业在目标时段之前的多个时段的企业营收作为历史营收，然后针对企业数据中的每类子数据，同样获取每类子数据在目标时段之前的多个时段的数据值，在此基础上对每类子数据与历史营收之间进行相关性分析，以计算每类子数据与历史营收之间的相关系数。
其中，所述相关系数的计算方式可以是采用斯皮尔曼(spearman)相关系数计算方式、皮尔逊相关系数计算方式等。需要说明的是，相关关系是一种非确定性的关系，相关系数是研究变量之间线性相关程度的量。
一般地，相关系数的值介于-1至1之间，当相关系数取值为0时，表征计算相关系数的两个观测量(此处观测量即为历史营收和企业数据中的任一类子数据)之间不具备相关性；当相关系数大于0时，则表征两个观测量之间呈正相关；当相关系数小于0时，则表征两个观测量之间呈负相关。
基于此，可以设置预设数值区间(可记为第一区间)，并定义相关系数处于预设数值区间内时，则该相关系数对应的两观测量之间不具备相关性；相关系数处于预设数值区间之外时，则该相关系数对应的两观测量之间具备相关性。其中，预设数值区间的区间下限的取值范围为小于或等于0且大于-1，区间上限的取值范围为大于或等于0且小于1。应当理解的是预设数值区间的具体取值可以根据实际情况需要设置，如设置为[-0.3,0.3]
可选的，终端在分析得到企业数据中每类子数据与历史营收之间的相关系数后，则进一步检测每类子数据对应的相关系数是否处于预设数值区间内。
可选的，当终端检测到任一类子数据对应的相关系数处于预设数值区间之外时，则将该类子数据作为因子数据，以将其用于计算该企业数据对应的维度的荣枯指数，即将因子数据应用于后续分析目标企业的营收趋势的过程中。
可选的，当终端检测到任一类子数据对应的相关系数处于预设数值区间之内时，则可以是将该类子数据剔除，不再将该类子数据用于计算该企业数据对应的维度的荣枯指数，即不再将该类子数据应用于对营收趋势的分析中。
当然，终端可以根据相关系数的计算原理和预设数值区间建立因子筛选模型，只需将每类子数据在多个时段的数据值和历史营收输入到因子筛选模型中，即可从中筛选得到的因子数据。
这样，实现了自动分析企业数据与企业营收之间的相关性，并得到相关性强的企业数据应用至企业营收趋势的分析过程中，进而提高了预测企业营收趋势的准确率。
进一步地，虽然通过分析相关系数可以得到与企业营收具有一定关联性的因子数据，且这些因子数据中存在一些因子数据(记为第一因子数据)与企业营收是具有强关联性的，但不排除其中有些因子数据(记为第二因子数据)只是因为与第一因子数据具有强关联性，而导致第二因子数据在数值变化上看似与企业营收具有关联性，但这类第二因子数据实质与企业营收不存在关联性或关联性弱。例如第一因子数据与企业营收呈正相关，同时也与第二因子数据呈正相关，那么就会导致第二因子数据表面上与企业营收也呈正相关，但实际上若是忽略了第一因子数据的影响，可能第二因子数据与企业营收之间就并不具备必然的相关性。因此，若是进一步剔除因子数据中的第二因子数据，即可进一步提高最终预测得到的企业营收趋势的准确率。
可选的，终端可以先从因子数据中确定第一因子数据，并将第一因子数据之外的其他因子数据作为第二因子数据。
可选的，第一因子数据可以是相关工程师预先设定的预设因子数据，终端只需检测因子数据是否属于预设因子数据，若是则为第一因子数据，若否则为第二因子数据。
可选的，终端也可以是根据因子数据与历史营收之间的相关系数确定第一因子数据，具体检测因子数据对应的相关系数是否处于第二区间内(即与第一区间不同的预设数值区间)，若是则为第一因子数据，若否则为第二因子数据。其中，第二区间用于衡量因子数据与历史营收之间的相关性强度，其具体取值范围可以根据实际情况需要设置，如设置为[-1,-0.6]∪[0.6,1]。
进一步地，终端确定目标时段之前的时段实际计算得到的第二荣枯指数，然后使用第一因子数据计算该时段的第三荣枯指数，并确定第三荣枯指数与第二荣枯指数之间的第一差值。
然后，终端将第二因子数据逐个加入到第一因子数据中计算该时段的第四荣枯指数，并确定第四荣枯指数与第二荣枯指数之间的第二差值；再进一步将第一差值与第二差值作比较，若检测到第二差值小于第一差值，则表明用于计算该第四荣枯指数的第二因子数据对于提高计算荣枯指数的准确率有帮助，即表明该第二因子数据与企业营收是具有关联性的，因此可以将该第二因子数据更新为第一因子数据；若检测到第二差值大于或等于第一差值，则表明用于计算该第四荣枯指数的第二因子数据对于提高计算荣枯指数的准确率无帮助，即表明该第二因子数据与企业营收之间可能不具备关联性，因此将该第二因子数据作为待剔除数据。
可选的，终端在确定因子数据中的待剔除数据后，则将其中待剔除数据对应的因子数据剔除，将剩余的因子数据用于计算因子数据所属的企业数据对应的维度的荣枯指数，即将这些因子数据应用于后续分析目标企业的营收趋势的过程中，从而达到进一步提高预测企业营收趋势的准确率的目的。
可选的，终端在将待剔除数据进行剔除之前还可以将待剔除数据作进一步筛选。其在，将因子数据与历史营收之间的相关系数记为第一相关系数，然后分别确定待剔除数据与第一因子数据之间的相关系数(记为第二相关系数)，以基于此分析待剔除数据是否存在与之相关性强的第一因子数据。
可选的，当终端检测到待剔除数据对应的第二相关系数中，存在处于第三区间内的第二相关系数，即判定该待剔除数据存在与之相关性强的第一因子数据；否则，则判定该待剔除数据不存在与之相关性强的第一因子数据。其中，所述第三区间用于衡量待剔除数据与第一因子数据之间的相关性强度，其具体取值范围可以根据实际情况需要设置，如设置为[-1,-0.7]∪[0.7,1]。
可选的，当终端检测到待剔除数据不存在与之相关性强的第一因子数据时，即表明该待剔除数据与企业营收是具有关联性的(因为其对应的第二相关指数并未影响到其对应的第一相关指数)，则将该待剔除数据更变为第一因子数据，不再将其剔除；当终端检测到待剔除数据存在与之相关性强的第一因子数据时，即表明该待剔除数据与企业营收不具备关联性(因为其对应的第一相关指数是受到了其对应的第二相关指数的影响，才使得第一相关指数未处于第一区间内)，因此可以将该待剔除数据就此剔除。
这样，实现了自动剔除与企业营收相关性弱的企业数据，进而提高了利用企业数据预测企业营收趋势的准确率。
在一实施例中，在上述实施例基础上，所述将所述相关系数处于预设数值区间之外的所述子数据作为所述因子数据的步骤之后，还包括：
步骤S52、根据所述因子数据对应的相关系数，确定所述因子数据的第一权重；
所述根据每个所述维度对应的所有因子数据的所述第二变化率，确定每个所述维度在所述目标时段的荣枯指数的步骤包括：
步骤S31、根据每个所述维度对应的所有因子数据的所述第二变化率和所述第一权重，确定每个所述维度在所述目标时段的荣枯指数。
本实施例中，终端在对每类因子数据与历史营收之间进行相关性分析，并得到每类因子数据与历史营收之间的相关系数。
可选的，当因子数据对应的相关系数为正值时，则终端根据相关系数确定因子数据对应的第一权重时，因子数据对应的相关系数越大，确定得到的第一权重越大。
可选的，当因子数据对应的相关系数为负值时，则终端根据相关系数确定因子数据对应的第一权重时，因子数据对应的相关系数越小，确定得到的第一权重越大。
进一步地，终端在确定得到每个维度对应的因子数据的第二变化率和第一权重后，则根据每个维度对应的所有因子数据的第二变化率和第一权重，计算每个维度对应的荣枯指数。每个维度对应的荣枯指数计算公式如下：
Figure BDA0002880540870000141
其中，n为该维度对应的企业数据中所有因子数据的数量，Xi为因子数据对应的第二变化率，Wi为因子数据对应的第一权重。且当Y>50时，表示荣枯指数为上升趋势；当Y<50时，表示荣枯指数为下降趋势。
这样，通过为与企业营收相关程度高的因子数据分别更大的权重，使得基于利用因子数据计算得到的荣枯指数确定营收趋势时，确定得到的营收趋势更为准确。
在一实施例中，在上述实施例基础上，所述根据所有所述维度对应的所述荣枯指数，预测所述目标企业在所述目标时段的营收趋势的步骤之前，还包括：
步骤S60、根据预设规则确定所述维度对应的第二权重；
所述根据所有所述维度对应的所述荣枯指数，预测所述目标企业在所述目标时段的营收趋势的步骤包括：
步骤S41、根据所有所述维度对应的所述荣枯指数和所述第二权重，预测所述目标企业在所述目标时段的营收趋势。
本实施例中，终端在确定营收趋势之前，需要先确定每个维度对应的第二权重。其中，终端可以是根据预设规则确定每个维度对应的第二权重。
可选的，所述预设规则包括以下任一个：
第一预设规则：终端根据所述维度对应的历史实际荣枯指数和历史预测荣枯指数，确定所述维度对应的第一准确率，并根据所述第一准确率确定所述第二权重，其中，所述第一准确率越高，所述第二权重越大；或者，
第二预设规则：终端根据所述维度的数量生成多种权重组合，以及基于所述权重组合和各个所述维度对应的历史实际荣枯指数确定历史预测营收趋势，并根据所述历史预测营收趋势和历史实际营收趋势确定所述权重组合对应的第二准确率，根据所述第二准确率最高的权重组合确定各个所述维度对应的第二权重；或者，
第三预设规则：终端根据目标企业所属的行业，利用大数据分析各维度对该行业的营收的关联程度，并根据每个维度对应的关联程度确定每个维度对应的第二权重，其中，所述关联程度越大，所述第二权重越大。例如，对于房地产行业，由于房地产行业受宏观经济因素影响较大，因此可以给房地产企业的宏观指标分配较高的权重。
可选的，基于第一预设规则，终端可以是先利用每个维度对应的因子数据，计算每个维度在目标时段之前的任一时段(记为第二时段)的历史实际荣枯指数，并根据第二时段之前的时段(记为第三时段)的因子数据计算第二时段的历史预测荣枯指数。再根据每个维度在第二时段的历史预测荣枯指数和历史实际荣枯指数之间的偏差值，计算每个维度对应的第一准确率(第一准确率即为计算得到的荣枯指数的准确率)。其中，维度对应的第一准确率越高，即表明历史预测荣枯指数越接近历史实际荣枯指数，因此，当维度对应的第一准确率越高，则可以为该维度分配更大的第二权重，这样当后续利用该维度对应的荣枯指数确定得到的营收趋势也就更准确。
应当理解的是，由于目标时段相当于未来的时段，而目标时段之前的时段是已发生的时段，因此在目标时段之前的时段中，各项用于计算历史实际荣枯指数的数据都是已知的，而要计算该时段的历史预测荣枯指数，只需利用该时段之前的因子数据即可。
可选的，基于第二预设规则，终端根据所述维度的数量生成多种权重组合，每种权重组合中设置有各维度对应的第二权重。同时获取目标时段之前的任一时段(记为第二时段)中的各个所述维度对应的历史实际荣枯指数，以及获取第二时段对应的历史实际营收趋势。然后根据各个所述维度对应的历史实际荣枯指数，以及营收趋势计算公式，计算不同权重组合中确定得到的历史预测营收趋势。应当理解的是，每种权重组合均可计算得到一种历史预测营收趋势。
然后终端基于每个权重组合对应的历史预测营收趋势，以及历史实际营收趋势，通过分析每个历史预测营收趋势与历史实际营收趋势之间的偏差值，得到每种权重组合对应的第二准确率，其中，第二准确率越高，表明相应的历史预测营收趋势越接近历史实际营收趋势。
进一步地，终端获取第二准确率最高的权重组合，并获取各维度在该权重组合中的第二权重配比，基于此最终确定得到各维度对应的第二权重，这样当后续利用这些维度对应的第二权重确定得到的营收趋势也就更准确。
可选的，基于第三预设规则，各维度对目标企业所属行业的企业营收的关联程度，可以是由相关工程师根据实际经验数据确定的(如金融行业则受资本市场数据影响较深，可为资本维度设置较高的权重)，并将各维度对应第二权重的相关设置信息输入到终端，由终端直接获取即可。
进一步地，终端获取每个维度指数对应的第二权重，然后根据所有维度指数对应的荣枯指数和第二权重，预测目标企业在目标时段的营收趋势(即企业营业收入趋势)。
这样，预设规则就相当于是各维度与企业营收之间的关联程度的逻辑分析过程，并基于此为关联程度高的维度配备更高的权重，进而使得基于此预测得到的营收趋势更为准确。
在一实施例中，在上述实施例基础上，所述获取目标企业多维度的企业数据的步骤之后，还包括：
步骤S70、将所述企业数据写入区块链节点中，以构建所述目标企业的资料库。
本实施例中，终端获取到企业数据后，可以是先对企业数据进行筛选，然后得到其中属于因子数据的企业数据，并将这些企业数据写人区块链节点中，以基于区块链技术构建目标企业的资料库。
区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。
这样，通过将企业数据写入区块链节点中，使得企业数据可以存储在区块链网络中，且易取易用，形成目标企业的资料库，在提高了企业数据存储的安全性，也便于后续基于资料库作进一步的数据分析。
在一实施例中，在上述实施例基础上，所述根据所有所述维度对应的所述荣枯指数，预测所述目标企业在所述目标时段的营收趋势的步骤之后还包括：
步骤S80、检测到所述营收趋势为下降趋势时，输出告警信息至所述目标企业的关联设备。
本实施例中，当终端预测得到目标企业在目标时段的营收趋势后，则可以利用营收趋势生成目标企业的营收报告并输出。
可选的，当终端检测到预测得到的营收趋势为下降趋势时，还可以进一步根据各维度对应的荣枯指数和营收趋势生成告警信息，然后将告警信息输出至目标企业的相关人员的关联设备，以提醒目标企业的相关人员及时作出风控措施，从而最大限度保证目标企业的利益。
可选的，当终端在执行步骤S30后，也可以进一步检测各个维度对应的荣枯指数表现的变化趋势是否为下降趋势；若是，则终端根据呈下降趋势的荣枯指数及其维度生成第一提示信息，并将第一提示信息输出至目标企业的关联设备，其中，第一提示信息为风险提示信息，以提示目标企业的相关人员该维度所处领域具有影响到企业营收的风险；若否，则终端根据呈上升趋势的荣枯指数及其维度生成第二提示信息，并将第二提示信息输出至目标企业的关联设备，其中，第二提示信息为机会提示信息，以提示目标企业的相关人员该维度所处领域存在增加企业营收的机会，可以对该维度所处领域加强经营布局。
这样，通过预测得到的营收趋势作进一步的决策分析，以实现对营收趋势的风险提示，从而达到加强目标企业对企业营收的风控能力的目的。
参照图2，本申请实施例中还提供一种企业营收趋势的预测装置10，包括：
获取模块11，用于获取目标企业多维度的企业数据，其中，所述企业数据包括财务数据、资本市场数据、企业舆情热度、所述目标企业所属的行业对应的宏观数据和产业数据中的至少两个维度；每个所述维度包括至少一类因子数据；
第一预测模块12，用于根据所述因子数据在目标时段之前的多个时段的第一变化率，预测所述因子数据在所述目标时段的第二变化率；
第二预测模块13，用于根据每个所述维度对应的所有因子数据的所述第二变化率，确定每个所述维度在所述目标时段的荣枯指数，其中，所述荣枯指数用于确定所述维度在所述目标时段的变化趋势，所述变化趋势包括上升趋势或下降趋势；
第三预测模块14，用于根据所有所述维度对应的所述荣枯指数，预测所述目标企业在所述目标时段的营收趋势。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于企业营收趋势的预测程序。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种企业营收趋势的预测方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
此外，本申请还提出一种计算机可读存储介质，所述计算机可读存储介质包括企业营收趋势的预测程序，所述企业营收趋势的预测程序被处理器执行时实现如以上实施例所述的企业营收趋势的预测方法的步骤。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。
综上所述，为本申请实施例中提供的企业营收趋势的预测方法、企业营收趋势的预测装置、计算机设备和存储介质，通过考量宏观数据、产业数据、财务数据、资本数据、舆情数据等多个维度，自动获取影响目标企业营收的多维度数据，建立多个量化指标来反映目标企业营收的多维度解释因子，并在此基础上构建目标企业营收的解释体系，从而在提高预测企业营收趋势的效率的同时，提高了预测企业营收趋势的准确率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种企业营收趋势的预测方法，其特征在于，包括：
获取目标企业多维度的企业数据，其中，所述企业数据包括财务数据、资本市场数据、企业舆情热度、所述目标企业所属的行业对应的宏观数据和产业数据中的至少两个维度；每个所述维度包括至少一类因子数据；
根据所述因子数据在目标时段之前的多个时段的第一变化率，预测所述因子数据在所述目标时段的第二变化率；
根据每个所述维度对应的所有因子数据的所述第二变化率，确定每个所述维度在所述目标时段的荣枯指数，其中，所述荣枯指数用于确定所述维度在所述目标时段的变化趋势，所述变化趋势包括上升趋势或下降趋势；
根据所有所述维度对应的所述荣枯指数，预测所述目标企业在所述目标时段的营收趋势。
2.如权利要求1所述的企业营收趋势的预测方法，其特征在于，所述根据所述因子数据在目标时段之前的多个时段的第一变化率，预测所述因子数据在所述目标时段的第二变化率的步骤之前，还包括：
分析每个所述维度中的子数据与所述目标企业的历史营收之间的相关系数，其中，每个所述维度中的数据划分为多类所述子数据；
将所述相关系数处于预设数值区间之外的所述子数据作为所述因子数据。
3.如权利要求2所述的企业营收趋势的预测方法，其特征在于，所述将所述相关系数处于预设数值区间之外的所述子数据作为所述因子数据的步骤之后，还包括：
根据所述因子数据对应的相关系数，确定所述因子数据的第一权重；
所述根据每个所述维度对应的所有因子数据的所述第二变化率，确定每个所述维度在所述目标时段的荣枯指数的步骤包括：
根据每个所述维度对应的所有因子数据的所述第二变化率和所述第一权重，确定每个所述维度在所述目标时段的荣枯指数。
4.如权利要求1所述的企业营收趋势的预测方法，其特征在于，所述根据所有所述维度对应的所述荣枯指数，预测所述目标企业在所述目标时段的营收趋势的步骤之前，还包括：
根据预设规则确定所述维度对应的第二权重；
所述根据所有所述维度对应的所述荣枯指数，预测所述目标企业在所述目标时段的营收趋势的步骤包括：
根据所有所述维度对应的所述荣枯指数和所述第二权重，预测所述目标企业在所述目标时段的营收趋势。
5.如权利要求4所述的企业营收趋势的预测方法，其特征在于，所述预设规则包括以下任一个：
根据所述维度对应的历史实际荣枯指数和历史预测荣枯指数，确定所述维度对应的第一准确率，并根据所述第一准确率确定所述第二权重，其中，所述第一准确率越高，所述第二权重越大；
根据所述维度的数量生成多种权重组合，以及基于所述权重组合和各个所述维度对应的历史实际荣枯指数确定历史预测营收趋势，并根据所述历史预测营收趋势和历史实际营收趋势确定所述权重组合对应的第二准确率，根据所述第二准确率最高的权重组合确定各个所述维度对应的第二权重。
6.如权利要求1所述的企业营收趋势的预测方法，其特征在于，所述获取目标企业多维度的企业数据的步骤之后，还包括：
将所述企业数据写入区块链节点中，以构建所述目标企业的资料库。
7.如权利要求1-6中任一项所述的企业营收趋势的预测方法，其特征在于，所述根据所有所述维度对应的所述荣枯指数，预测所述目标企业在所述目标时段的营收趋势的步骤之后还包括：
检测到所述营收趋势为下降趋势时，输出告警信息至所述目标企业的关联设备。
8.一种企业营收趋势的预测装置，其特征在于，包括：
获取模块，用于获取目标企业多维度的企业数据，其中，所述企业数据包括财务数据、资本市场数据、企业舆情热度、所述目标企业所属的行业对应的宏观数据和产业数据中的至少两个维度；每个所述维度包括至少一类因子数据；
第一预测模块，用于根据所述因子数据在目标时段之前的多个时段的第一变化率，预测所述因子数据在所述目标时段的第二变化率；
第二预测模块，用于根据每个所述维度对应的所有因子数据的所述第二变化率，确定每个所述维度在所述目标时段的荣枯指数，其中，所述荣枯指数用于确定所述维度在所述目标时段的变化趋势，所述变化趋势包括上升趋势或下降趋势；
第三预测模块，用于根据所有所述维度对应的所述荣枯指数，预测所述目标企业在所述目标时段的营收趋势。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的企业营收趋势的预测程序，所述企业营收趋势的预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的企业营收趋势的预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有企业营收趋势的预测程序，所述企业营收趋势的预测程序被处理器执行时实现如权利要求1至7中任一项所述的企业营收趋势的预测方法的步骤。
CN202011633070.2A 2020-12-31 2020-12-31 企业营收趋势的预测方法、装置、计算机设备及存储介质 Pending CN112767008A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011633070.2A CN112767008A (zh) 2020-12-31 2020-12-31 企业营收趋势的预测方法、装置、计算机设备及存储介质
PCT/CN2021/084531 WO2022141883A1 (zh) 2020-12-31 2021-03-31 企业营收趋势的预测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011633070.2A CN112767008A (zh) 2020-12-31 2020-12-31 企业营收趋势的预测方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN112767008A true CN112767008A (zh) 2021-05-07

Family

ID=75699625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011633070.2A Pending CN112767008A (zh) 2020-12-31 2020-12-31 企业营收趋势的预测方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN112767008A (zh)
WO (1) WO2022141883A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114021788A (zh) * 2021-10-25 2022-02-08 深圳市维度数据科技股份有限公司 预测方法、装置、电子设备和存储介质
CN117422314A (zh) * 2023-12-19 2024-01-19 鲁信科技股份有限公司 一种基于大数据分析的企业数据评估方法及设备

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115374404B (zh) * 2022-10-20 2023-01-24 国网(宁波)综合能源服务有限公司 基于多维数据对行业月度电能占比偏差的修正方法
CN116450708B (zh) * 2023-06-13 2023-09-01 南京市城市数字治理中心 一种企业数据挖掘方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150006435A1 (en) * 2013-07-01 2015-01-01 Yaniv Konchitchki Methods and systems for forecasting economic movements
CN109829745A (zh) * 2018-12-19 2019-05-31 平安科技（深圳）有限公司 营收数据预测方法、装置、计算机设备和存储介质
CN110210645A (zh) * 2019-04-19 2019-09-06 平安科技（深圳）有限公司 一种发展趋势数据获取方法、装置及可读存储介质
CN110415106A (zh) * 2019-07-23 2019-11-05 安徽迪科数金科技有限公司 一种经营主体的经营分析预测评估系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114021788A (zh) * 2021-10-25 2022-02-08 深圳市维度数据科技股份有限公司 预测方法、装置、电子设备和存储介质
CN114021788B (zh) * 2021-10-25 2022-07-26 深圳市维度数据科技股份有限公司 预测方法、装置、电子设备和存储介质
CN117422314A (zh) * 2023-12-19 2024-01-19 鲁信科技股份有限公司 一种基于大数据分析的企业数据评估方法及设备

Also Published As

Publication number Publication date
WO2022141883A1 (zh) 2022-07-07

Similar Documents

Publication Publication Date Title
CN112767008A (zh) 企业营收趋势的预测方法、装置、计算机设备及存储介质
Karr et al. Data quality: A statistical perspective
Chen et al. Feature selection to diagnose a business crisis by using a real GA-based support vector machine: An empirical study
Li et al. A financial early warning logit model and its efficiency verification approach
CN101902366A (zh) 一种业务行为异常检测方法和系统
Hammer et al. Reverse-engineering country risk ratings: a combinatorial non-recursive model
Tserng et al. A grey system theory‐based default prediction model for construction firms
Ippolito et al. Tax Crime Prediction with Machine Learning: A Case Study in the Municipality of São Paulo.
de Medeiros et al. Forecasting oil prices: New approaches
Xu et al. Using machine learning to predict corporate fraud: evidence based on the gone framework
CN113256324A (zh) 数据资产定价方法、装置、计算机设备和存储介质
Sinclair et al. Evaluating forecasts of a vector of variables: a German forecasting competition
Zheng et al. [Retracted] Using an Optimized Learning Vector Quantization‐(LVQ‐) Based Neural Network in Accounting Fraud Recognition
Lakhno et al. Methodology for assessing the effectiveness of measures aimed at ensuring information security of the object of informatization
Basco et al. Mergers along the global supply chain: Information technologies and routine tasks
CN112990989A (zh) 价值预测模型输入数据生成方法、装置、设备和介质
Lee et al. An entropy decision model for selection of enterprise resource planning system
Matilla-García et al. Detection of non-linear structure in time series
CN117132383A (zh) 一种信贷数据处理方法、装置、设备及可读存储介质
Ziolo et al. ESG risk perception in sustainable financial decisions. Quantitative methods perspective
CN115760454A (zh) 一种基于循环宽度学习的财务舞弊识别方法
Yin et al. An asymptotic statistical learning algorithm for prediction of key trading events
Knedlik et al. Forecasting currency crises: which methods signaled the South African crisis of June 2006?
Hou Financial Abnormal Data Detection System Based on Reinforcement Learning
Avdeeva et al. Combined approach to forecasting of manufacturing system target indicators in a changing external environment

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40041487

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination