CN112801456A - 资金流动性风险预警方法、装置和电子设备 - Google Patents
资金流动性风险预警方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112801456A CN112801456A CN202011643017.0A CN202011643017A CN112801456A CN 112801456 A CN112801456 A CN 112801456A CN 202011643017 A CN202011643017 A CN 202011643017A CN 112801456 A CN112801456 A CN 112801456A
- Authority
- CN
- China
- Prior art keywords
- risk
- early warning
- mobility
- liquidity
- fund
- 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 53
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000013058 risk prediction model Methods 0.000 claims abstract description 44
- 230000000694 effects Effects 0.000 claims abstract description 16
- 238000012795 verification Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Emergency Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种资金流动性风险预警方法、装置和电子设备,涉及风险预警技术领域,该方法包括获取待预测企业的财务数据;将财务数据输入至预先训练好的流动性风险预测模型,得到待预测企业的违约风险概率;预先训练好的流动性风险预测模型是基于流动性指标信息训练得到的;流动性指标信息包括多个内部资金运用指标和多个外部融资能力指标;基于违约风险概率和预先设置的流动性风险触发条件确定是否推送风险预警。本发明的指标预测结果不受到业务人员的经验影响,并且可以避免由于风险阈值设置问题导致的频繁无效预警,提升了风险预警的效果。
Description
技术领域
本发明涉及风险预警技术领域,尤其是涉及一种资金流动性风险预警方法、装置和电子设备。
背景技术
现金流的持续性(或称流动性)是企业的生命线,即使企业产品利润率再高、行业前景再好,一旦资金链发生断裂,会立即产生债务逾期的风险,一旦发生此类风险,债权人为了保护自己的资产很可能发生群体抽贷、挤提,从而导致企业无法正常生产经营,继而彻底违约。虽然金融机构对企业现金流动性的重要性认知从未改变,但目前为止,对企业流动性风险的预警,基本是选定数个财务指标作为预警指标集,通过设定阈值的方式,对超过阈值的指标进行信号预警。
然而,现有的预警方式设置的零散指标对风险的覆盖比较单一、分散,各个指标之间提示的风险程度往往并不一致甚至可能是矛盾的,而且部分指标在不同行业、不同客群的风险阈值可能具有很大差异,导致指标结果的判定受到业务人员经验的较大影响;并且,为避免过于频繁的无效预警,设定的风险阈值往往较高,触发相应信号时风险可能已经很严重,此时采取措施很可能已经来不及化解风险,也就是说信号预警往往是马后炮;并且对于没有达到预警线的风险变化无法及时获取,导致无法获取由于多个指标的细微变化引起企业的违约风险,预警效果不准确。
发明内容
本发明的目的在于提供一种资金流动性风险预警方法、装置和电子设备,指标预测结果不受到业务人员的经验影响,并且可以避免由于风险阈值设置问题导致的频繁无效预警,提升了风险预警的效果。
第一方面,本发明提供一种资金流动性风险预警方法,方法包括:获取待预测企业的财务数据;将财务数据输入至预先训练好的流动性风险预测模型,得到待预测企业的违约风险概率;预先训练好的流动性风险预测模型是基于流动性指标信息训练得到的;流动性指标信息包括多个内部资金运用指标和多个外部融资能力指标;基于违约风险概率和预先设置的流动性风险触发条件确定是否推送风险预警消息。
在可选的实施方式中,预先训练好的流动性风险预测模型的训练步骤,包括:获取流动性指标信息;基于流动性指标信息以及预先选择的企业信息确定初始模型训练样本;对初始模型训练样本进行数据处理,得到目标模型训练样本;数据处理包括数据清洗、空缺值填充与转换、数据重要性排序以及数据集分割操作;目标模型训练样本包括训练集和测试集;基于目标模型训练样本对流动性风险预测模型进行训练,直至满足模型训练精度。
在可选的实施方式中,方法还包括:按照预设周期更新目标模型训练样本;基于更新后的目标模型训练样本对预先训练好的流动性风险预测模型进行更新训练。
在可选的实施方式中,内部资金运用指标包括营运资金充足度指标、现金偿付能力指标、短期投资压力指标以及即期偿债能力指标;外部融资能力指标包括付息能力指标、偿债能力指标、盈利能力指标、收现能力指标以及自担保能力指标。
在可选的实施方式中,基于违约风险概率和预先设置的流动性风险触发条件进行风险预警的步骤,包括:基于违约风险概率确定流动性评分;基于流动性评分和流动性风险触发条件判断是否推送风险预警消息。
在可选的实施方式中,流动性风险触发条件包括:流动性评分低于第一预设阈值和/或前后两次流动性评分的降幅超过第二预设阈值;基于流动性评分和流动性风险触发条件判断是否推送风险预警消息的步骤,包括:当判断流动性评分满足流动性风险触发条件的至少一个条件时,确定推送风险预警消息。
在可选的实施方式中,方法还包括:在进行风险预警之后的指定时间段,基于推送的风险预警信息进行真实性验证,以便基于验证后的结果数据对预先训练好的流动性风险预测模型进行模型效果验证。
第二方面,本发明提供一种资金流动性风险预警装置,装置包括:数据获取模块,用于获取待预测企业的财务数据;模型预测模块,用于将财务数据输入至预先训练好的流动性风险预测模型,得到待预测企业的违约风险概率;预先训练好的流动性风险预测模型是基于流动性指标信息训练得到的;流动性指标信息包括多个内部资金运用指标和多个外部融资能力指标;风险预警模块,用于基于违约风险概率和预先设置的流动性风险触发条件确定是否推送风险预警信息。
第三方面,本发明提供一种电子设备,包括处理器和存储器,存储器存储有能够被处理器执行的机器可执行指令,处理器执行机器可执行指令以实现前述实施方式任一项的资金流动性风险预警方法。
第四方面,本发明提供一种机器可读存储介质,机器可读存储介质存储有机器可执行指令,机器可执行指令在被处理器调用和执行时,机器可执行指令促使处理器实现前述实施方式任一项的资金流动性风险预警方法。
本发明提供的资金流动性风险预警方法、装置和电子设备,该方法首先获取待预测企业的财务数据,然后将获取的财务数据输入至预先训练好的流动性风险预测模型,得到待预测企业的违约风险概率,并基于违约风险概率和预先设置的流动性风险触发条件确定是否推送风险预警。其中,预先训练好的流动性风险预测模型是基于流动性指标信息训练得到的,该流动性指标信息包括多个内部资金运用指标和多个外部融资能力指标。上述方式通过多个内部资金运用指标和多个外部融资能力指标对流动性风险预测模型进行训练,并基于训练好的流动性风险预测模型对待预测企业的财务数据进行风险预测,指标预测结果不受到业务人员的经验影响,并且基于违约风险概率和预先设置的流动性风险触发条件同时判定是否进行风险预警,可以避免由于风险阈值设置问题导致的频繁无效预警,同时根据模型得到的违约风险概率也可以对没有达到预警线的风险变化进行及时获取,提升了风险预警的效果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种资金流动性风险预警方法的流程示意图;
图2为本发明实施例提供的一种流动性风险预测模型训练的流程图;
图3为本发明实施例提供的一种流动性风险预测模型更新的示意图;
图4为本发明实施例提供的一种资金流动性风险预警装置的结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
为便于理解,首先对本发明实施例提供的一种资金流动性风险预警方法进行详细说明,参见图1所示的一种资金流动性风险预警方法的流程示意图,该方法主要包括以下步骤S102至步骤S106:
步骤S102,获取待预测企业的财务数据。
在一种实施方式中,待预测企业也即待进行风险预测的企业,诸如可以包括不同行业(诸如建筑建材、信息产业、金融保险等)和性质(诸如国企、民企等)的企业,待预测企业的财务数据也即企业财务报表数据,用于表征企业的资金流动性情况。
步骤S104,将财务数据输入至预先训练好的流动性风险预测模型,得到待预测企业的违约风险概率。
为了保证风险预警的准确性,在确定预先训练好的流动性风险预测模型时,可以选择与风险预警相关的若干个关键指标进行模型训练,诸如可以基于流动性指标信息对流动性风险预测模型进行训练,该流动性指标信息也即与风险预警相关的若干个关键指标。在一种实施方式中,流动性指标信息可以包括根据专家经验设计内部资金运用指标、外部融资能力指标共2类流动性相关关键指标,其中,两类指标(内部资金运用指标和外部融资能力指标)的每一类均分别包括多个具体的指标。
可以理解的是,最初获取的财务数据并非与指标相对应,因此,在将财务数据输入至预先训练好的流动性风险预测模型之前,还需要将财务数据转换成与流动性指标信息对应的信息,作为模型的输入,以便得到财务数据对应的待预测企业的违约风险概率。
步骤S106,基于违约风险概率和预先设置的流动性风险触发条件确定是否推送风险预警消息。
预先设置的流动性风险触发条件为对流动性评分进行分值设定的条件,该流动性评分可以基于模型输出的违约风险概率确定,也即,当模型输出违约风险概率后,基于该违约风险概率确定流动性评分,可以理解的是,企业的违约风险概率越低,则资金流动性评分会相应越高。因此,在一种实施方式中,可以具有以下关系:流动性评分=(1-违约风险概率)*100,当确定该流动性评分后,可以基于流动性评分判定是否需要推送风险预警消息。
本发明实施例提供的资金流动性风险预警方法,通过多个内部资金运用指标和多个外部融资能力指标对流动性风险预测模型进行训练,并基于训练好的流动性风险预测模型对待预测企业的财务数据进行风险预测,指标预测结果不受到业务人员的经验影响,并且基于违约风险概率和预先设置的流动性风险触发条件同时判定是否进行风险预警,可以避免由于风险阈值设置问题导致的频繁无效预警,同时根据模型得到的违约风险概率也可以对没有达到预警线的风险变化进行及时获取,提升了风险预警的效果。
在一种实施方式中,上述内部资金运用指标包括营运资金充足度指标、现金偿付能力指标、短期投资压力指标以及即期偿债能力指标,其中,营运资金充足度指标可以包括营运资金需求、营运成本、营运资本与营运资金需求比率,现金偿付能力指标可以包括现金偿付缺口、易变现资产,短期投资压力指标可以包括税息折旧及摊销前利润(简称EBITDA)/投资活动产生的现金流出量,即期偿债能力指标可以包括可用现金短期债务覆盖率、货币资金受限比例。外部融资能力指标包括付息能力指标、偿债能力指标、盈利能力指标、收现能力指标以及自担保能力指标。其中,付息能力指标可以包括EBITDA/分配股利、利润或偿付利息所支付的现金,偿债能力指标可以包括资产负债率,盈利能力指标可以包括总资产报酬率,收现能力指标可以包括销售商品、提供劳务收到的现金/营业收入,可抵押资产与总有息债务比率、销售商品、提供劳务收到的现金/流动负债,自担保能力指标股东独权质押/冻结比例。
此外,将获取的待预测企业的财务数据可以按照银行业务流程、贷前尽职调查、内部信用评级、贷后检查等方式获取企业财务报表数据,当检测到待预测企业的数据增加之后,将财务数据转换为如表1所示的格式,其中,报表日期为获取财务数据的日期,指标1、指标2……指标15为上述内部资金运用指标和外部融资能力指标包的具体的15个指标。
表1获取的财务数据处理后的格式
报表日期 | 指标1 | 指标2 | 指标3 | …… | 指标15 |
20191231 |
在上述对流动性风险预测模型进行训练时,可以参见图2所示一种流动性风险预测模型训练的流程图,首先获取流动性指标信息,该流动性指标信息可以参见上述具体的指标信息,此处不再赘述。然后基于流动性指标信息以及预先选择的企业信息确定初始模型训练样本,诸如,可以预先选择行内最近3年内有信贷余额的所有企业的财务报表数据(合并口径的半年报/年报),针对每个财报时间点,将其转换为如表2所示的数据表:
表2获取的多个企业的财务数据处理后的格式
企业名 | 指标1 | 指标2 | 指标3 | …… | 指标15 |
企业1 | |||||
企业2 | |||||
…… | |||||
企业n |
然后选取特定时间点(诸如XX年XX月XX日)的上述数据表作为初始训练样本,并将初始训练样本中特定时间点后1年内发生逾期的公司信贷客户、债券违约客户(包括由第三方代偿或技术性违约)确定为流动性风险暴露的坏样本。然后对初始模型训练样本进行数据处理,得到目标模型训练样本,该数据处理包括数据清洗、空缺值填充与转换、数据重要性排序以及数据集分割操作,其中,分割操作也即将数据分割成训练集和测试集,进而基于目标模型训练样本的训练集对流动性风险预测模型进行训练,斌通过测试集进行模型验证评估,直至满足模型训练精度。
在一种实施方式中,为了保证流动性风险预测模型的预测效果,可以通过对模型的应用效果进行持续性的监控,按照预设周期(诸如每月或每季度)对模型重新训练,每年一次或在模型有效性低于合理水平后重复建模流程重新建立模型,保证监测预警的有效性,参见图3所示的一种流动性风险预测模型更新的示意图。模型构建流程也即上述模型训练过程,在构建完成之后进行模型固化,按照预设周期判断模型是否到达生命周期,如果是,则重新进行模型构建,也即重新更新上述目标模型训练样本,并基于更新后的目标模型训练样本对预先训练好的流动性风险预测模型进行更新训练。如果模型没有到达生命周期,则重新执行本实施例的方法:首先采集被监测企业(也即待预测企业的财务数据),并基于该财务数据生成流动性财务指标信息,应用模型得到流动性评分,发送流动性预警信号(也即上述推送风险预警信息),并在进行风险预警之后的指定时间段,基于推送的风险预警信息进行真实性验证,该真实性验证也即对真实效果进行验证,进而还可以收集该真实性验证的结果数据,以便基于验证后的结果数据对预先训练好的流动性风险预测模型进行模型效果验证。此外,当效果下降达到设定阈值时,则同样需要重新进行模型构建。
在一种实施方式中,在基于违约风险概率和预先设置的流动性风险触发条件进行风险预警时,可以首先基于模型输出的违约风险概率确定流动性评分,诸如可以采用流动性评分=(1-违约风险概率)*100确定流动性评分,然后基于流动性评分和流动性风险触发条件判断是否推送风险预警消息。
为了保证触发预警的阈值不会设定太高,导致触发相应信号时风险可能已经很严重,流动性风险触发条件可以包括:流动性评分低于第一预设阈值和/或前后两次流动性评分的降幅超过第二预设阈值,也即:(1)流动性评分低于第一预设阈值,(2)两次评分降幅超过第二预设阈值。在一种具体的实施方式中,第一预设阈值可以设定为40分,第二预设阈值可以设置为20分。在进行判定时,可以满足其中之一的条件时进行触发,也可以两个条件均满足时进行触发,在实际应用中,可以根据实际需求进行判定。
本发明实施例提供的资金流动性风险预警方法,给出了关联违约风险的量化评分,即使没有充足业务经验的新手,也能很快判断出企业因流动性情况变化而产生的违约风险大小,与现有的具体单一指标相比,该评分是对企业整体流动性风险的量化,且跨行业、客群可比,即不同行业或性质(国企、民企)的企业都可以通过该评分进行流动性风险大小的对比;对多指标细微变化较为敏感,即使单个指标变化不够显著,但多个指标共同累积导致风险水平的上升也能够有效捕捉。
本发明提供一种资金流动性风险预警装置,参见图4所示的一种资金流动性风险预警装置的结构示意图,该装置包括以下部分:
数据获取模块402,用于获取待预测企业的财务数据;
模型预测模块404,用于将财务数据输入至预先训练好的流动性风险预测模型,得到待预测企业的违约风险概率;预先训练好的流动性风险预测模型是基于流动性指标信息训练得到的;流动性指标信息包括多个内部资金运用指标和多个外部融资能力指标;
风险预警模块406,用于基于违约风险概率和预先设置的流动性风险触发条件确定是否推送风险预警信息。
本发明实施例提供的资金流动性风险预警装置,通过多个内部资金运用指标和多个外部融资能力指标对流动性风险预测模型进行训练,并基于训练好的流动性风险预测模型对待预测企业的财务数据进行风险预测,指标预测结果不受到业务人员的经验影响,并且基于违约风险概率和预先设置的流动性风险触发条件同时判定是否进行风险预警,可以避免由于风险阈值设置问题导致的频繁无效预警,同时根据模型得到的违约风险概率也可以对没有达到预警线的风险变化进行及时获取,提升了风险预警的效果。
在一种实施方式中,上述装置还包括训练模块,用于获取所述流动性指标信息;基于所述流动性指标信息以及预先选择的企业信息确定初始模型训练样本;对所述初始模型训练样本进行数据处理,得到目标模型训练样本;所述数据处理包括数据清洗、空缺值填充与转换、数据重要性排序以及数据集分割操作;所述目标模型训练样本包括训练集和测试集;基于所述目标模型训练样本对所述流动性风险预测模型进行训练,直至满足模型训练精度。
在一种实施方式中,上述装置还包括:更新训练模块,用于按照预设周期更新所述目标模型训练样本;基于更新后的所述目标模型训练样本对所述预先训练好的流动性风险预测模型进行更新训练。
在一种实施方式中,所述内部资金运用指标包括营运资金充足度指标、现金偿付能力指标、短期投资压力指标以及即期偿债能力指标;所述外部融资能力指标包括付息能力指标、偿债能力指标、盈利能力指标、收现能力指标以及自担保能力指标。
在一种实施方式中,风险预警模块406,还用于基于所述违约风险概率确定流动性评分;基于所述流动性评分和所述流动性风险触发条件判断是否推送风险预警消息。
在一种实施方式中,所述流动性风险触发条件包括:所述流动性评分低于第一预设阈值和/或前后两次流动性评分的降幅超过第二预设阈值;风险预警模块406,还用于当判断所述流动性评分满足所述流动性风险触发条件的至少一个条件时,确定推送所述风险预警消息。
在一种实施方式中,上述装置还包括:验证模块,用于在进行风险预警之后的指定时间段,基于推送的所述风险预警信息进行真实性验证,以便基于验证后的结果数据对所述预先训练好的流动性风险预测模型进行模型效果验证。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备,具体的,该电子设备包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。
图5为本发明实施例提供的一种电子设备的结构示意图,该电子设备100包括:处理器50,存储器51,总线52和通信接口53,所述处理器50、通信接口53和存储器51通过总线52连接;处理器50用于执行存储器51中存储的可执行模块,例如计算机程序。
其中,存储器51可能包含高速随机存取存储器(RAM,RandomAccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器51用于存储程序,所述处理器50在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中,或者由处理器50实现。
处理器50可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51,处理器50读取存储器51中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的资金流动性风险预警方法、装置和电子设备的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统具体工作过程,可以参考前述实施例中的对应过程,在此不再赘述。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种资金流动性风险预警方法,其特征在于,所述方法包括:
获取待预测企业的财务数据;
将所述财务数据输入至预先训练好的流动性风险预测模型,得到所述待预测企业的违约风险概率;所述预先训练好的流动性风险预测模型是基于流动性指标信息训练得到的;所述流动性指标信息包括多个内部资金运用指标和多个外部融资能力指标;
基于所述违约风险概率和预先设置的流动性风险触发条件确定是否推送风险预警消息。
2.根据权利要求1所述的资金流动性风险预警方法,其特征在于,所述预先训练好的流动性风险预测模型的训练步骤,包括:
获取所述流动性指标信息;
基于所述流动性指标信息以及预先选择的企业信息确定初始模型训练样本;
对所述初始模型训练样本进行数据处理,得到目标模型训练样本;所述数据处理包括数据清洗、空缺值填充与转换、数据重要性排序以及数据集分割操作;所述目标模型训练样本包括训练集和测试集;
基于所述目标模型训练样本对所述流动性风险预测模型进行训练,直至满足模型训练精度。
3.根据权利要求2所述的资金流动性风险预警方法,其特征在于,所述方法还包括:
按照预设周期更新所述目标模型训练样本;
基于更新后的所述目标模型训练样本对所述预先训练好的流动性风险预测模型进行更新训练。
4.根据权利要求1所述的资金流动性风险预警方法,其特征在于,所述内部资金运用指标包括营运资金充足度指标、现金偿付能力指标、短期投资压力指标以及即期偿债能力指标;
所述外部融资能力指标包括付息能力指标、偿债能力指标、盈利能力指标、收现能力指标以及自担保能力指标。
5.根据权利要求1所述的资金流动性风险预警方法,其特征在于,所述基于所述违约风险概率和预先设置的流动性风险触发条件确定是否推送风险预警消息的步骤,包括:
基于所述违约风险概率确定流动性评分;
基于所述流动性评分和所述流动性风险触发条件判断是否推送风险预警消息。
6.根据权利要求5所述的资金流动性风险预警方法,其特征在于,所述流动性风险触发条件包括:所述流动性评分低于第一预设阈值和/或前后两次流动性评分的降幅超过第二预设阈值;所述基于所述流动性评分和所述流动性风险触发条件判断是否推送风险预警消息的步骤,包括:
当判断所述流动性评分满足所述流动性风险触发条件的至少一个条件时,确定推送所述风险预警消息。
7.根据权利要求6所述的资金流动性风险预警方法,其特征在于,所述方法还包括:
在进行风险预警之后的指定时间段,基于推送的风险预警信息进行真实性验证,以便基于验证后的结果数据对所述预先训练好的流动性风险预测模型进行模型效果验证。
8.一种资金流动性风险预警装置,其特征在于,所述装置包括:
数据获取模块,用于获取待预测企业的财务数据;
模型预测模块,用于将所述财务数据输入至预先训练好的流动性风险预测模型,得到所述待预测企业的违约风险概率;所述预先训练好的流动性风险预测模型是基于流动性指标信息训练得到的;所述流动性指标信息包括多个内部资金运用指标和多个外部融资能力指标;
风险预警模块,用于基于所述违约风险概率和预先设置的流动性风险触发条件确定是否推送风险预警信息。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现权利要求1至7任一项所述的资金流动性风险预警方法。
10.一种机器可读存储介质,其特征在于,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现权利要求1至7任一项所述的资金流动性风险预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011643017.0A CN112801456A (zh) | 2020-12-30 | 2020-12-30 | 资金流动性风险预警方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011643017.0A CN112801456A (zh) | 2020-12-30 | 2020-12-30 | 资金流动性风险预警方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112801456A true CN112801456A (zh) | 2021-05-14 |
Family
ID=75809251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011643017.0A Pending CN112801456A (zh) | 2020-12-30 | 2020-12-30 | 资金流动性风险预警方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801456A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801529A (zh) * | 2021-02-05 | 2021-05-14 | 北京同邦卓益科技有限公司 | 财务数据分析方法及装置、电子设备及介质 |
CN116757838A (zh) * | 2023-08-24 | 2023-09-15 | 中国标准化研究院 | 一种企业信用评价风险模型的建模方法 |
CN112801529B (zh) * | 2021-02-05 | 2024-05-17 | 北京同邦卓益科技有限公司 | 财务数据分析方法及装置、电子设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080033775A1 (en) * | 2006-07-31 | 2008-02-07 | Promontory Compliance Solutions, Llc | Method and apparatus for managing risk, such as compliance risk, in an organization |
CN105447649A (zh) * | 2015-12-08 | 2016-03-30 | 安徽融信金模信息技术有限公司 | 一种企业资金流动风险评估系统 |
CN108108902A (zh) * | 2017-12-26 | 2018-06-01 | 阿里巴巴集团控股有限公司 | 一种风险事件告警方法和装置 |
US20190295011A1 (en) * | 2018-03-20 | 2019-09-26 | Xingjian Duan | Distributed computer framework for data analysis, risk management, and automated compliance |
CN110348688A (zh) * | 2019-06-12 | 2019-10-18 | 江苏富山软件科技有限公司 | 一种财税预警管理方法及其系统 |
CN110472816A (zh) * | 2019-07-01 | 2019-11-19 | 五邑大学 | 一种房地产投资风险的量化方法、装置和存储介质 |
CN110490720A (zh) * | 2019-07-08 | 2019-11-22 | 深圳壹账通智能科技有限公司 | 财务数据分析预警方法、装置、计算机设备和存储介质 |
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 |
CN111784508A (zh) * | 2020-07-01 | 2020-10-16 | 北京知因智慧科技有限公司 | 企业风险评估方法、装置及电子设备 |
-
2020
- 2020-12-30 CN CN202011643017.0A patent/CN112801456A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080033775A1 (en) * | 2006-07-31 | 2008-02-07 | Promontory Compliance Solutions, Llc | Method and apparatus for managing risk, such as compliance risk, in an organization |
CN105447649A (zh) * | 2015-12-08 | 2016-03-30 | 安徽融信金模信息技术有限公司 | 一种企业资金流动风险评估系统 |
CN108108902A (zh) * | 2017-12-26 | 2018-06-01 | 阿里巴巴集团控股有限公司 | 一种风险事件告警方法和装置 |
US20190295011A1 (en) * | 2018-03-20 | 2019-09-26 | Xingjian Duan | Distributed computer framework for data analysis, risk management, and automated compliance |
CN110348688A (zh) * | 2019-06-12 | 2019-10-18 | 江苏富山软件科技有限公司 | 一种财税预警管理方法及其系统 |
CN110472816A (zh) * | 2019-07-01 | 2019-11-19 | 五邑大学 | 一种房地产投资风险的量化方法、装置和存储介质 |
CN110490720A (zh) * | 2019-07-08 | 2019-11-22 | 深圳壹账通智能科技有限公司 | 财务数据分析预警方法、装置、计算机设备和存储介质 |
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 |
CN111784508A (zh) * | 2020-07-01 | 2020-10-16 | 北京知因智慧科技有限公司 | 企业风险评估方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
李瑶 等, 《现代经济信息》 基于现金流量的财务预警模型分析, no. 5, pages 220 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801529A (zh) * | 2021-02-05 | 2021-05-14 | 北京同邦卓益科技有限公司 | 财务数据分析方法及装置、电子设备及介质 |
CN112801529B (zh) * | 2021-02-05 | 2024-05-17 | 北京同邦卓益科技有限公司 | 财务数据分析方法及装置、电子设备及介质 |
CN116757838A (zh) * | 2023-08-24 | 2023-09-15 | 中国标准化研究院 | 一种企业信用评价风险模型的建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967779B (zh) | 一种风险评估方法、装置及设备 | |
CN109829776B (zh) | 商户风险评估方法、装置、计算机设备和存储介质 | |
CN107945024B (zh) | 识别互联网金融借贷企业经营异常的方法、终端设备及存储介质 | |
Han et al. | Effects of debt collection practices on loss given default | |
US9147217B1 (en) | Systems and methods for analyzing lender risk using vehicle historical data | |
CN112734559B (zh) | 企业信用风险评价方法、装置及电子设备 | |
US20130290167A1 (en) | System and method for credit risk management for educational institutions | |
CN110659961A (zh) | 一种用于识别线下商户的方法和装置 | |
CN111523997A (zh) | 客户风险评估方法和装置、以及电子设备和可读存储介质 | |
CN109493086B (zh) | 一种确定违规商户的方法及装置 | |
CN111353901A (zh) | 风险识别监控方法、装置以及电子设备 | |
CN110675078A (zh) | 上市公司风险诊断方法、系统、计算机终端及存储介质 | |
CA2845645A1 (en) | In the market model systems and methods | |
Qintharah et al. | Determinants on Environmental Disclosure Moderating by Integrated Corporate Governance | |
CN110020939B (zh) | 建立违约损失率预测模型的装置、方法及存储介质 | |
CN114298547A (zh) | 用户忠诚度的评分方法、装置、设备及可读存储介质 | |
Skoglund et al. | The application of credit risk models to macroeconomic scenario analysis and stress testing | |
CN110991650A (zh) | 训练养卡识别模型、识别养卡行为的方法及装置 | |
CN112801456A (zh) | 资金流动性风险预警方法、装置和电子设备 | |
CN110580634A (zh) | 基于互联网的业务推荐方法、装置及存储介质 | |
Glennon et al. | Evaluating the performance of static versus dynamic models of credit default: Evidence from long-term small business administration-guaranteed loans | |
CN112581291A (zh) | 风险测评异动检测方法、装置、设备及存储介质 | |
CN113393328A (zh) | 融资贷前审批评估方法、装置及计算机存储介质 | |
CN112529453B (zh) | 一种风险企业确定方法、装置、设备和介质 | |
CN111047438A (zh) | 数据处理方法、装置和计算机可读存储介质 |
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 |