CN113129122A - 财务风险预警审计方法、装置、电子设备、及存储介质 - Google Patents
财务风险预警审计方法、装置、电子设备、及存储介质 Download PDFInfo
- Publication number
- CN113129122A CN113129122A CN202110487792.XA CN202110487792A CN113129122A CN 113129122 A CN113129122 A CN 113129122A CN 202110487792 A CN202110487792 A CN 202110487792A CN 113129122 A CN113129122 A CN 113129122A
- Authority
- CN
- China
- Prior art keywords
- financial
- data
- financial data
- training sample
- financial risk
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及一种财务风险预警审计方法、装置、电子设备、及存储介质,具体涉及深度学习技术领域,方法包括:获取企业的财务数据;将所述财务数据输入至预先训练的财务风险识别模型,获取所述财务风险识别模型的输出风险预测结果信息。本发明实施例的技术方案能够提高模型的预测能力,能够提高财务风险预警的准确率。
Description
技术领域
本发明实施例涉及深度学习技术领域,具体涉及一种财务风险预警审计方法、装置、电子设备、及存储介质。
背景技术
随着社会经济的迅速发展,企业面临的财务风险也愈加频繁和严峻。电网公司的大规模化导致企业信息分散于不同的部门,而各部门内部的经营者的主观决策也会为企业的财务运营带来了一定的风险。
当前电网企业的内部审计大多依托于企业的财务信息化基础,传统的人工审计方法需要耗费大量人力,且效率低、精度低。而基于统计学习的方法虽然在一定程度上克服了人工审计的问题,但其在复杂的财务系统中进行风险预警的准确率仍然较低。
发明内容
有鉴于此,本发明实施例提供一种财务风险预警审计方法、装置、电子设备、及存储介质,以提高财务风险预警的准确率。
本发明实施例的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明实施例的实践而习得。
在本公开的第一方面,本发明实施例提供了一种财务风险预警审计方法,包括:
获取企业的财务数据;
将所述财务数据输入至预先训练的财务风险识别模型,获取所述财务风险识别模型的输出风险预测结果信息。
于一实施例中,获取企业的财务数据包括:获取企业的内部审计部门所收集的财务数据;对所述财务数据进行数据清洗和标准化处理。
于一实施例中,获取企业的内部审计部门所收集的财务数据之后,且在对所述财务数据进行数据清洗和标准化处理之前还包括:从所述财务数据中筛选出预定的指标数据作为所述财务数据;其中所述预定的指标数据包括如下至少一种:用于反映企业盈利能力的数据、用于反映企业经营能力的数据、用于反映企业的发展能力的数据、用于反映企业发展能力的数据、以及用于反映企业偿债能力的数据。
于一实施例中,对所述财务数据进行标准化处理包括:根据所述财务数据的平均值和标准差对所述财务数据进行标准化处理。
于一实施例中,所述财务风险识别模型通过如下步骤训练得到:
获取训练样本集合,其中,训练样本包括财务数据和用于表示根据财务数据确定是否具有财务风险的标注信息;
确定初始化的财务风险识别模型,其中所述初始化的财务风险识别模型包括用于输出根据财务数据确定具有财务风险的目标层;
利用深度学习的方法,将所述训练样本集合中的训练样本中的财务数据作为初始化的财务风险识别模型的输入,将与输入的财务数据对应的标注信息作为初始化的财务风险识别模型的期望输出,训练得到所述财务风险识别模型。
于一实施例中,所述初始化的财务风险识别模型包括编码器、残差注意力隐层处理模块、以及解码器;
训练得到所述财务风险识别模型包括:
通过所述编码器,对输入的训练样本中的财务数据通过一维卷积层处理,将处理结果再通过一维池化层处理以提取所述财务数据的编码特征;
通过所述残差注意力隐层处理模块,对所述编码特征通过残差学习机制和注意力机制进行隐层处理以筛选出所述财务数据的关键特征;
通过所述解码器,对所述关键特征通过上采样层处理,将处理结果再通过反卷积层处理以输出所述财务数据是否有财务风险。
于一实施例中,获取训练样本集合包括:
根据历史财务数据得到训练样本集合中各训练样本的财务数据;
分别计算各训练样本的财务数据的T2值和SPE值,将各训练样本的财务数据的T2值和SPE值进行核密度估计以确定所述训练样本集合的T2阈值和SPE阈值;
对所述训练样本集合中任一训练样本,若该训练样本的财务数据的T2值小于所述T2阈值,且该训练样本的财务数据的SPE值小于所述SPE阈值,则确定该训练本样的标注信息为正常状态,否则确定该训练样本的标注信息为风险状态。
在本公开的第二方面,本发明实施例还提供了一种财务风险预警审计装置,包括:
财务数据获取单元,用于获取企业的财务数据;
财务风险识别单元,用于将所述财务数据输入至预先训练的财务风险识别模型,获取所述财务风险识别模型的输出风险预测结果信息。
于一实施例中,所述财务数据获取单元用于:获取企业的内部审计部门所收集的财务数据;对所述财务数据进行数据清洗和标准化处理。
于一实施例中,所述财务数据获取单元用于在获取企业的内部审计部门所收集的财务数据之后,且在对所述财务数据进行数据清洗和标准化处理之前:
从所述财务数据中筛选出预定的指标数据作为所述财务数据;
其中所述预定的指标数据包括如下至少一种:用于反映企业盈利能力的数据、用于反映企业经营能力的数据、用于反映企业的发展能力的数据、用于反映企业发展能力的数据、以及用于反映企业偿债能力的数据。
于一实施例中,所述财务数据获取单元用于对所述财务数据进行标准化处理包括:根据所述财务数据的平均值和标准差对所述财务数据进行标准化处理。
于一实施例中,所述财务风险识别单元中,所述财务风险识别模型通过如下模块训练得到:
样本获取模块,用于获取训练样本集合,其中,训练样本包括财务数据和用于表示根据财务数据确定是否具有财务风险的标注信息;
模型确定模块,用于确定初始化的财务风险识别模型,其中所述初始化的财务风险识别模型包括用于输出根据财务数据确定具有财务风险的目标层;
模型训练模块,用于利用深度学习的方法,将所述训练样本集合中的训练样本中的财务数据作为初始化的财务风险识别模型的输入,将与输入的财务数据对应的标注信息作为初始化的财务风险识别模型的期望输出,训练得到所述财务风险识别模型。
于一实施例中,所述模型确定模块中所述初始化的财务风险识别模型包括编码器、残差注意力隐层处理模块、以及解码器;
所述模型训练模块用于:
通过所述编码器,对输入的训练样本中的财务数据通过一维卷积层处理,将处理结果再通过一维池化层处理以提取所述财务数据的编码特征;
通过所述残差注意力隐层处理模块,对所述编码特征通过残差学习机制和注意力机制进行隐层处理以筛选出所述财务数据的关键特征;
通过所述解码器,对所述关键特征通过上采样层处理,将处理结果再通过反卷积层处理以输出所述财务数据是否有财务风险。
于一实施例中,所述财务风险识别单元中,所述样本获取模块用于:
根据历史财务数据得到训练样本集合中各训练样本的财务数据;
分别计算各训练样本的财务数据的T2值和SPE值,将各训练样本的财务数据的T2值和SPE值进行核密度估计以确定所述训练样本集合的T2阈值和SPE阈值;
对所述训练样本集合中任一训练样本,若该训练样本的财务数据的T2值小于所述T2阈值,且该训练样本的财务数据的SPE值小于所述SPE阈值,则确定该训练本样的标注信息为正常状态,否则确定该训练样本的标注信息为风险状态。
在本公开的第三方面,提供了一种电子设备。该电子设备包括:处理器;以及存储器,用于存储可执行指令,所述可执行指令在被所述处理器执行时使得所述电子设备执行第一方面中的方法。
在本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现第一方面中的方法。
本发明实施例提出的技术方案的有益技术效果是:
本发明实施例通过获取企业的财务数据;将所述财务数据输入至预先训练的财务风险识别模型,获取所述财务风险识别模型的输出风险预测结果信息,能够提高模型的预测能力,能够提高财务风险预警的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明实施例中的一部分实施例,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,还可以根据本发明实施例的内容和这些附图获得其他的附图。
图1是根据本发明实施例提供的一种财务风险预警审计方法的流程示意图;
图2是根据本发明实施例提供的一种财务风险识别模型的训练方法的流程示意图;
图2a是根据本发明实施例提供的一种财务风险识别模型的结构示意图;
图2b是根据本发明实施例提供的又一种财务风险识别模型的结构示意图;
图2c是根据本发明实施例提供的一种财务风险识别模型的框架图;
图3是根据本发明实施例提供的另一种财务风险识别模型的训练方法的流程示意图;
图4是根据本发明实施例提供的一种财务风险预警审计装置的结构示意图;
图5是本公开实施例提供的一种财务风险识别模型的训练装置的结构示意图;
图6示出了适于用来实现本发明实施例的电子设备的结构示意图。
具体实施方式
为使本发明实施例解决的技术问题、采用的技术方案和达到的技术效果更加清楚,下面将结合附图对本发明实施例的技术方案作进一步的详细描述,显然,所描述的实施例仅仅是本发明实施例中的一部分实施例,而不是全部的实施例。基于本发明实施例中的实施例,本领域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,都属于本发明实施例保护的范围。
需要说明的是,本发明实施例中术语“系统”和“网络”在本文中常被可互换使用。本发明实施例中提到的“和/或”是指包括一个或更多个相关所列项目的任何和所有组合。本公开的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于限定特定顺序。
还需要说明是,本发明实施例中下述各个实施例可以单独执行,各个实施例之间也可以相互结合执行,本发明实施例对此不作具体限制。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面结合附图并通过具体实施方式来进一步说明本发明实施例的技术方案。
图1示出了本发明实施例提供的一种财务风险预警审计方法的流程示意图,本实施例可适用于采用深度学习的方法进行财务风险预警审计的情况,该方法可以由配置于电子设备中的财务风险预警审计装置来执行,如图1所示,本实施例所述的财务风险预警审计方法包括:
在步骤S110中,获取企业的财务数据。
本步骤可采用多种方法获取企业的财务数据,例如可获取企业的内部审计部门所收集的原始财务数据,再对所述财务数据进行数据清洗和标准化处理。
进一步地,对所述财务数据进行标准化处理也可采用多种方法,例如可根据所述财务数据的平均值和标准差对所述财务数据进行标准化处理。
根据本公开的一个或多个实施例,获取企业的内部审计部门所收集的财务数据之后,且在对所述财务数据进行数据清洗和标准化处理之前,还可从所述财务数据中筛选出预定的指标数据作为所述财务数据。其中所述预定的指标数据包括如下至少一种:用于反映企业盈利能力的数据、用于反映企业经营能力的数据、用于反映企业的发展能力的数据、用于反映企业发展能力的数据、以及用于反映企业偿债能力的数据等其中一种或多种。
需要说明的是,针对财务数据中的缺失值、重复值和异常值等,可采用平均值填补、中位数填补等方法进行数据清洗。
在步骤S120中,将所述财务数据输入至预先训练的财务风险识别模型,获取所述财务风险识别模型的输出风险预测结果信息。
所述财务风险识别模型可通过多种方法训练得到,图2是根据本发明实施例提供的一种示例性的财务风险识别模型的训练方法的流程示意图,如图2所示,所述财务风险识别模型可通过如下方法训练得到:
在步骤S210中,获取训练样本集合,其中,训练样本包括财务数据和用于表示根据财务数据确定是否具有财务风险的标注信息。
训练样本包括财务数据和用于表示根据财务数据确定是否具有财务风险的标注信息,样本的标注信息可以是人工给定,也可以通过无监督的方式自动计算得到。示例性地,为了采用无监督方式训练该财务风险识别模型,可采用如下方式获取训练样本集合:
根据历史财务数据得到训练样本集合中各训练样本的财务数据;
分别计算各训练样本的财务数据的T2值和SPE值,将各训练样本的财务数据的T2值和SPE值进行核密度估计以确定所述训练样本集合的T2阈值和SPE阈值;
对所述训练样本集合中任一训练样本,若该训练样本的财务数据的T2值小于所述T2阈值,且该训练样本的财务数据的SPE值小于所述SPE阈值,则确定该训练本样的标注信息为正常状态,否则确定该训练样本的标注信息为风险状态。
在步骤S220中,确定初始化的财务风险识别模型,其中所述初始化的财务风险识别模型包括用于输出根据财务数据确定具有财务风险的目标层。
在步骤S230中,利用深度学习的方法,将所述训练样本集合中的训练样本中的财务数据作为初始化的财务风险识别模型的输入,将与输入的财务数据对应的标注信息作为初始化的财务风险识别模型的期望输出,训练得到所述财务风险识别模型。
图2a是根据本发明实施例提供的一种财务风险识别模型的结构示意图,如图2a所示,根据本公开的一个或多个实施例,所述初始化的财务风险识别模型可包括编码器10、残差注意力隐层处理模块20、以及解码器30。基于上述结构,训练得到所述财务风险识别模型可采用多种方法,例如如可采用如下方法:
通过所述编码器10,对输入的训练样本中的财务数据通过一维卷积层处理,将处理结果再通过一维池化层处理以提取所述财务数据的编码特征。
通过所述残差注意力隐层处理模块20,对所述编码特征通过残差学习机制和注意力机制进行隐层处理以筛选出所述财务数据的关键特征。
通过所述解码器30,对所述关键特征通过上采样层处理,将处理结果再通过反卷积层处理以输出所述财务数据是否有财务风险。
图2b是根据本发明实施例提供的又一种财务风险识别模型的结构示意图,如图2b所示,所述编码器10可包括卷积层和池化层,所述残差注意力隐层处理模块20可包括卷积层、池化层、注意力层、上采样层、以及反卷积层,所述解码器30可包括上采样层和反卷积层。
图2c示出了一种财务风险识别模型的框架图,如图2c所示,所述财务风险识别模型的训练方法可包括,通过将训练集作为训练输入,输入到财务风险识别模型中,经过一维卷积层、一维池化层和注意力层,提取得到编码器的特征。将提取得到的编码特征,输入到上采样层和反卷积层,恢复数据的维度。通过残差连接将卷积层的特征进行筛选,然后与反卷积的特征进行融合,实现对输入数据的重构,再使用梯度下降法调整权重参数和偏置参数来最小化重构数据和输入数据之间的误差。
在调整财务风险识别模型参数之后,可计算各训练样本的T2值和SPE值,并使用核密度估计分别计算两种阈值。将测试集输入训练好的财务风险识别模型,保存提取的特征和重构数据,计算测试样本的T2值和SPE值,并与阈值比较,若T2值和SPE值小于对应的阈值,该确定样本为正常状态,否则确定样本为风险状态。
具体地,采用无监督算法训练所述财务风险识别模型可采用如下方法:
卷积层采用局部感受野的方式对输入数据进行特征提取,计算如下:
Ci=f(∑Xi⊙wi+bi)
f(x)=ReLU(x)=max(0,x)
其中,wi和bi分别表示第i个卷积核的权重和偏置,⊙表示卷积运算,f表示激活函数,Ci为卷积结果。
池化层将卷积层得到的特征图进行特征采样,它可以在保持尺度不变特性的前提下对卷积的结果进行降维和筛选,最大池化层的计算方式如下:
其中,W表示池化的宽度,S为步长,L为特征长度,m为池化的第m个元素,Pi为池化结果;
注意力机制通过构建注意力矩阵,可以使深度神经网络在训练时关注重点特征,避免受到非敏感特征的影响。其实质是计算注意力的概率分布,为重要的特征分配更多的注意力,对编码阶段输出的结果动态地调整权重,计算如下:
αi=softmax(W·hi)
其中,softmax为激活函数,W为可训练的权重矩阵,hi为经过卷积和池化得到的结果,αi为计算得到的注意力权重,A为经过注意力机制后的输出向量。
解码器中使用反卷积层对编码特征进行反卷积,计算如下:
反卷积层后使用上采样层对上一层的输出结果的维度进行放大,以恢复池化前的维度,计算如下:
然后使用全连接层输出预测结果:
y=σ(wsx+bs)
其中,σ表示激活函数,ws和bs分别为该层的权重和偏置,y表示预测结果。通过编码器的特征可以计算T2统计量,计算如下:
T2=HTΦ-1H
其中,H为编码器提取的特征,Φ为特征的协方差矩阵。
SPE统计量计算如下:
SPE=||r||2=||x-y||2
其中,x和y分别表输入数据和重构数据,r为误差。
本实施例通过获取企业的财务数据;将所述财务数据输入至预先训练的财务风险识别模型,获取所述财务风险识别模型的输出风险预测结果信息,能够提高模型的预测能力,能够提高财务风险预警的准确率。
作为上述各图所示方法的实现,本申请提供了一种财务风险预警审计装置的一个实施例,图4示出了本实施例提供的一种财务风险预警审计装置的结构示意图,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。如图4所示,本实施例所述的财务风险预警审计装置包括财务数据获取单元410和财务风险识别单元420。
所述财务数据获取单元410被配置为,用于获取企业的财务数据。
所述财务风险识别单元420被配置为,用于将所述财务数据输入至预先训练的财务风险识别模型,获取所述财务风险识别模型的输出风险预测结果信息。
根据本公开的一个或多个实施例,所述财务数据获取单元410被配置为,还用于:获取企业的内部审计部门所收集的财务数据;对所述财务数据进行数据清洗和标准化处理。
根据本公开的一个或多个实施例,所述财务数据获取单元410被配置为,用于在获取企业的内部审计部门所收集的财务数据之后,且在对所述财务数据进行数据清洗和标准化处理之前:从所述财务数据中筛选出预定的指标数据作为所述财务数据;其中所述预定的指标数据包括如下至少一种:用于反映企业盈利能力的数据、用于反映企业经营能力的数据、用于反映企业的发展能力的数据、用于反映企业发展能力的数据、以及用于反映企业偿债能力的数据。
根据本公开的一个或多个实施例,所述财务数据获取单元410被配置为用于对所述财务数据进行标准化处理包括:用于根据所述财务数据的平均值和标准差对所述财务数据进行标准化处理。
图5是本公开实施例提供的一种财务风险识别模型的训练装置的结构示意图,所述财务风险识别单元420中,如图5所示,所述财务风险识别模型可通过样本获取模块510、模型确定模块520和模型训练模块530训练得到:
所述样本获取模块510被配置为,用于获取训练样本集合,其中,训练样本包括财务数据和用于表示根据财务数据确定是否具有财务风险的标注信息。
所述模型确定模块520被配置为,用于确定初始化的财务风险识别模型,其中所述初始化的财务风险识别模型包括用于输出根据财务数据确定具有财务风险的目标层。
所述模型训练模块530被配置为,用于利用深度学习的方法,将所述训练样本集合中的训练样本中的财务数据作为初始化的财务风险识别模型的输入,将与输入的财务数据对应的标注信息作为初始化的财务风险识别模型的期望输出,训练得到所述财务风险识别模型。
根据本公开的一个或多个实施例,所述模型确定模块520中所述初始化的财务风险识别模型包括编码器、残差注意力隐层处理模块、以及解码器;
所述模型训练模块520用于:
通过所述编码器,对输入的训练样本中的财务数据通过一维卷积层处理,将处理结果再通过一维池化层处理以提取所述财务数据的编码特征;
通过所述残差注意力隐层处理模块,对所述编码特征通过残差学习机制和注意力机制进行隐层处理以筛选出所述财务数据的关键特征;
通过所述解码器,对所述关键特征通过上采样层处理,将处理结果再通过反卷积层处理以输出所述财务数据是否有财务风险。
根据本公开的一个或多个实施例,所述财务风险识别单元420中,所述样本获取模块510被配置为,用于:
根据历史财务数据得到训练样本集合中各训练样本的财务数据;
分别计算各训练样本的财务数据的T2值和SPE值,将各训练样本的财务数据的T2值和SPE值进行核密度估计以确定所述训练样本集合的T2阈值和SPE阈值;
对所述训练样本集合中任一训练样本,若该训练样本的财务数据的T2值小于所述T2阈值,且该训练样本的财务数据的SPE值小于所述SPE阈值,则确定该训练本样的标注信息为正常状态,否则确定该训练样本的标注信息为风险状态。
本实施例提供的财务风险预警审计装置可执行本公开方法实施例所提供的财务风险预警审计方法,具备执行方法相应的功能模块和有益效果。
下面参考图6,其示出了适于用来实现本发明实施例的电子设备600的结构示意图。本发明实施例中的上述终端设备,例如为移动设备、电脑、或浮动车中内置的车载设备等,或其任意组合。在一些实施例中,移动设备例如可以包括手机、智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备等,或其任意组合。图6示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)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装置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动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603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。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本发明实施例的实施例,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,本发明实施例的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含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装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本发明实施例的方法中限定的上述功能。
需要说明的是,本发明实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取企业的财务数据;将所述财务数据输入至预先训练的财务风险识别模型,获取所述财务风险识别模型的输出风险预测结果信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明实施例各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
以上描述仅为本发明实施例的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本发明实施例中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种财务风险预警审计方法,其特征在于,包括:
获取企业的财务数据;
将所述财务数据输入至预先训练的财务风险识别模型,获取所述财务风险识别模型的输出风险预测结果信息。
2.根据权利要求1所述的方法,其特征在于,获取企业的财务数据包括:
获取企业的内部审计部门所收集的财务数据;
对所述财务数据进行数据清洗和标准化处理。
3.根据权利要求2所述的方法,其特征在于,获取企业的内部审计部门所收集的财务数据之后,且在对所述财务数据进行数据清洗和标准化处理之前还包括:
从所述财务数据中筛选出预定的指标数据作为所述财务数据;
其中所述预定的指标数据包括如下至少一种:用于反映企业盈利能力的数据、用于反映企业经营能力的数据、用于反映企业的发展能力的数据、用于反映企业发展能力的数据、以及用于反映企业偿债能力的数据。
4.根据权利要求2所述的方法,其特征在于,对所述财务数据进行标准化处理包括:根据所述财务数据的平均值和标准差对所述财务数据进行标准化处理。
5.根据权利要求1-4之一所述的方法,其特征在于,所述财务风险识别模型通过如下步骤训练得到:
获取训练样本集合,其中,训练样本包括财务数据和用于表示根据财务数据确定是否具有财务风险的标注信息;
确定初始化的财务风险识别模型,其中所述初始化的财务风险识别模型包括用于输出根据财务数据确定具有财务风险的目标层;
利用深度学习的方法,将所述训练样本集合中的训练样本中的财务数据作为初始化的财务风险识别模型的输入,将与输入的财务数据对应的标注信息作为初始化的财务风险识别模型的期望输出,训练得到所述财务风险识别模型。
6.根据权利要求5所述的方法,其特征在于,所述初始化的财务风险识别模型包括编码器、残差注意力隐层处理模块、以及解码器;
训练得到所述财务风险识别模型包括:
通过所述编码器,对输入的训练样本中的财务数据通过一维卷积层处理,将处理结果再通过一维池化层处理以提取所述财务数据的编码特征;
通过所述残差注意力隐层处理模块,对所述编码特征通过残差学习机制和注意力机制进行隐层处理以筛选出所述财务数据的关键特征;
通过所述解码器,对所述关键特征通过上采样层处理,将处理结果再通过反卷积层处理以输出所述财务数据是否有财务风险。
7.根据权利要求5所述的方法,其特征在于,获取训练样本集合包括:
根据历史财务数据得到训练样本集合中各训练样本的财务数据;
分别计算各训练样本的财务数据的T2值和SPE值,将各训练样本的财务数据的T2值和SPE值进行核密度估计以确定所述训练样本集合的T2阈值和SPE阈值;
对所述训练样本集合中任一训练样本,若该训练样本的财务数据的T2值小于所述T2阈值,且该训练样本的财务数据的SPE值小于所述SPE阈值,则确定该训练本样的标注信息为正常状态,否则确定该训练样本的标注信息为风险状态。
8.一种财务风险预警审计装置,其特征在于,包括:
财务数据获取单元,用于获取企业的财务数据;
财务风险识别单元,用于将所述财务数据输入至预先训练的财务风险识别模型,获取所述财务风险识别模型的输出风险预测结果信息。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;以及存储器,用于存储可执行指令,所述可执行指令在被所述一个或多个处理器执行时,使得所述电子设备执行如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110487792.XA CN113129122A (zh) | 2021-04-30 | 2021-04-30 | 财务风险预警审计方法、装置、电子设备、及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110487792.XA CN113129122A (zh) | 2021-04-30 | 2021-04-30 | 财务风险预警审计方法、装置、电子设备、及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113129122A true CN113129122A (zh) | 2021-07-16 |
Family
ID=76781212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110487792.XA Pending CN113129122A (zh) | 2021-04-30 | 2021-04-30 | 财务风险预警审计方法、装置、电子设备、及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113129122A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018607A (zh) * | 2022-07-01 | 2022-09-06 | 吉林工程技术师范学院 | 基于人工智能的会计数据处理方法及系统 |
CN115391399A (zh) * | 2022-08-24 | 2022-11-25 | 厦门美亚亿安信息科技有限公司 | 一种业务系统数据的收集方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726696A (zh) * | 2019-01-03 | 2019-05-07 | 电子科技大学 | 基于推敲注意力机制的图像描述生成系统及方法 |
CN110135689A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 企业经营风险预警方法、装置及计算机可读存储介质 |
CN110349676A (zh) * | 2019-06-14 | 2019-10-18 | 华南师范大学 | 时序生理数据分类方法、装置、存储介质和处理器 |
CN110579967A (zh) * | 2019-09-23 | 2019-12-17 | 中南大学 | 基于同时降维和字典学习的过程监控方法 |
CN110889852A (zh) * | 2018-09-07 | 2020-03-17 | 天津大学 | 基于残差-注意力深度神经网络的肝脏分割方法 |
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 |
-
2021
- 2021-04-30 CN CN202110487792.XA patent/CN113129122A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889852A (zh) * | 2018-09-07 | 2020-03-17 | 天津大学 | 基于残差-注意力深度神经网络的肝脏分割方法 |
CN109726696A (zh) * | 2019-01-03 | 2019-05-07 | 电子科技大学 | 基于推敲注意力机制的图像描述生成系统及方法 |
CN110135689A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 企业经营风险预警方法、装置及计算机可读存储介质 |
CN110349676A (zh) * | 2019-06-14 | 2019-10-18 | 华南师范大学 | 时序生理数据分类方法、装置、存储介质和处理器 |
CN110579967A (zh) * | 2019-09-23 | 2019-12-17 | 中南大学 | 基于同时降维和字典学习的过程监控方法 |
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 |
Non-Patent Citations (2)
Title |
---|
刘正军: ""文本与财务数据相结合的上市公司财务风险预测"", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》, pages 152 - 533 * |
刘洪涛: ""基于深度学习的上市公司财务风险预警研究"", 《中国乡镇企业会计》, pages 89 - 92 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018607A (zh) * | 2022-07-01 | 2022-09-06 | 吉林工程技术师范学院 | 基于人工智能的会计数据处理方法及系统 |
CN115018607B (zh) * | 2022-07-01 | 2023-01-24 | 吉林工程技术师范学院 | 基于人工智能的会计数据处理方法及系统 |
CN115391399A (zh) * | 2022-08-24 | 2022-11-25 | 厦门美亚亿安信息科技有限公司 | 一种业务系统数据的收集方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113129122A (zh) | 财务风险预警审计方法、装置、电子设备、及存储介质 | |
CN116560895B (zh) | 用于机械装备的故障诊断方法 | |
CN110490304B (zh) | 一种数据处理方法及设备 | |
CN112668588A (zh) | 车位信息生成方法、装置、设备和计算机可读介质 | |
CN116932919B (zh) | 信息推送方法、装置、电子设备和计算机可读介质 | |
CN111291902B (zh) | 后门样本的检测方法、装置和电子设备 | |
CN111062431A (zh) | 图像聚类方法、图像聚类装置、电子设备及存储介质 | |
CN110781849A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN113282433A (zh) | 集群异常检测方法、装置和相关设备 | |
CN117437019A (zh) | 信用卡逾期风险预测方法、装置、设备、介质和程序产品 | |
CN113920208A (zh) | 图像处理方法及装置、计算机可读存储介质和电子设备 | |
CN113111167A (zh) | 基于深度学习模型的接处警文本车辆型号提取方法和装置 | |
CN115239655A (zh) | 一种甲状腺超声影像肿瘤分割分类方法及装置 | |
CN113850686A (zh) | 投保概率确定方法、装置、存储介质及电子设备 | |
CN113516398A (zh) | 基于分层抽样的风险设备识别方法、装置及电子设备 | |
CN111242322A (zh) | 后门样本的检测方法、装置和电子设备 | |
CN113111165A (zh) | 基于深度学习模型的接警警情类别确定方法和装置 | |
CN113486980B (zh) | 基于自表示字典对的铝电解槽况识别方法、系统及设备 | |
CN115511015B (zh) | 一种样本筛选方法、装置、设备及计算机可读存储介质 | |
CN111291901B (zh) | 后门样本的检测方法、装置和电子设备 | |
CN110728615B (zh) | 基于序贯假设检验的隐写分析方法、终端设备及存储介质 | |
WO2022069991A1 (en) | Outlier detection in deep neural network | |
CN118053036A (zh) | 一种输电线路影像分析方法、装置、设备和介质 | |
CN113111171A (zh) | 基于深度学习模型的处警警情类别确定方法和装置 | |
CN118114982A (zh) | 一种基于图特征的企业风险传导预测方法、系统及介质 |
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 |