CN113919926A - 上市公司财务异常识别方法及系统 - Google Patents
上市公司财务异常识别方法及系统 Download PDFInfo
- Publication number
- CN113919926A CN113919926A CN202111179975.1A CN202111179975A CN113919926A CN 113919926 A CN113919926 A CN 113919926A CN 202111179975 A CN202111179975 A CN 202111179975A CN 113919926 A CN113919926 A CN 113919926A
- Authority
- CN
- China
- Prior art keywords
- financial
- company
- data
- predicted
- preset
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Technology Law (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种上市公司财务异常识别方法,该方法包括:采集所有待预测公司的财务数据;从所述财务数据中提取目标特征数据;将目标特征数据作为输入数值,输入预设财务数据分析模型中;获取预设财务数据分析模型根据所述输入数值计算得出的各个待预测公司的财务分值;根据财务分值输出各个待预测公司的风险提示信息。本发明还公开了一种上市公司财务异常识别系统。本发明通过获取更全面的财务数据,根据所述财务数据提取多维度的目标特征数据,并根据所述目标特征数据计算各个待预测公司对应的财务分值,进而基于所述财务分值确定输出对应的风险提示信息,提高了财务数据异常识别的准确性。
Description
技术领域
本发明涉及计算机技术应用领域,尤其涉及一种上市公司财务异常识别方法及系统。
背景技术
现有技术中,通常采用机器学习方法实现财务数据异常识别,具体的步骤一般为只采集主要财务指标数据,其中,所述主要财务指标数据包括资产负债表、利润表、现金流量表,通过对所述主要财务指标数据进行特征工程处理,以获取对应的财务指标,根据所述财务指标构建机器算法模型,进而通过所述机器算法模型进行财务数据异常识别,但由于现有技术中主要基于财务指标数据构建机器算法模型,数据不够全面,基于不够全面的数据进行特征工程处理时,获取的财务指标数量较少,导致了基于机器学习方法构建的机器算法模型进行财务数据异常识别时,获取的识别结果精确性较低。
发明内容
本发明的主要目的在于提供一种上市公司财务异常识别方法及系统,旨在解决现有技术中采集的财务指标数据不全面导致财务数据异常识别的识别结果对应的准确性较低。
为实现上述目的,本发明提供一种上市公司财务异常识别方法,所述上市公司财务异常识别方法的步骤包括:
采集所有待预测公司的财务数据,其中,所述财务数据包括利润表、资产负债表、现金流量表、财务附注数据以及非财务指标数据的至少一种;
从所述财务数据中提取目标特征数据,其中,特征数据包括收入特征数据、成本特征数据、资产特征数据、负债特征数据、现金流特征数据、附注数据特征数据以及非财务特征数据的至少一种;
将所述目标特征数据作为输入数值,输入预设财务数据分析模型中;
获取所述预设财务数据分析模型根据所述输入数值计算得出的各个所述待预测公司的财务分值;
根据所述财务分值输出各个所述待预测公司的风险提示信息。
可选地,所述预设财务数据分析模型基于极端梯度提升算法对待训练样本进行迭代训练获取。
可选地,所述预设财务数据分析模型根据所述输入数值计算各个待预测公司的财务分值的方式包括:
根据所述预设财务数据分析模型中每个决策树下的各个节点确定每个待预测公司的各个所述目标特征数据的判断结果;
根据各个节点的判断结果确定每个决策树下的各个目标节点链路的分值;
根据各个所述目标节点链路的分值确定所述待预测公司的所述财务分值。
可选地,所述根据各个所述节点链路的分值确定所述待预测公司的所述财务分值的步骤包括:
根据各个所述目标节点链路的分值以及各个所述目标节点链路的权重值计算待预测公司的所述财务分值。
可选地,根据所述财务分值输出各个所述待预测公司的风险提示信息的步骤包括:
根据每个待预测公司的财务分值以及预设的风险等值范围确定每个待预测公司的财务风险等级;
输出每个所述待预测公司的财务分值以及对应的财务风险等级。
可选地,所述根据所述财务分值输出各个所述待预测公司的风险提示信息的步骤之后,还包括:
根据各个所述待预测公司的目标特征数据所经过的所述目标节点链路生成对应的链路示意图;
输出所述链路示意图。
可选地,所述根据所述财务分值输出各个所述待预测公司的风险提示信息的步骤之后,还包括:
获取所述预设财务数据分析模型对应的模型链路图,其中,所述模型链路图包括所述预设财务数据分析模型中对应的各个节点链路;
根据所述待预测公司的目标特征数据所经过的所述目标节点链路计算所述模型链路图中对应的各个节点链路的样本统计信息,所述样本统计信息包括经过所述模型链路图中对应的各个节点链路的待预测公司的公司数量;
根据所述样本统计信息更新所述模型链路图并输出所述更新后的模型链路图。
可选地,基于极端梯度提升算法对待训练样本进行迭代训练的步骤包括的步骤包括:
获取待训练样本,其中,所述待训练样本包括历史财务数据以及所述历史财务数据对应的公司财务状况,其中,公司财务状态包括异常和正常;
从所述历史财务数据中提取所述待训练样本对应的历史特征数据;
根据预设算法从所述历史特征数据中筛选出与所述历史财务数据对应的公司财务状况的相关性超过预设值的目标历史特征数据,其中,所述预设算法包括皮尔逊相关系数算法;
将所述目标历史特征数据作为自变量,以及将所述历史财务数据对应的公司财务状况作为因变量输入到所述极端梯度提升算法中进行迭代训练,以获取所述预设财务数据分析模型。
此外,为实现上述目的,本发明还提供一种上市公司财务异常识别系统,所述上市公司财务异常识别系统包括: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上市公司财务异常识别程序,所述上市公司财务异常识别程序被所述处理器执行时实现如上所述的上市公司财务异常识别方法的步骤。
此外,为实现上述目的,本发明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上市公司财务异常识别程序,所述上市公司财务异常识别程序被处理器执行时实现如上所述的上市公司财务异常识别方法的步骤。
本发明实施例提出的一种上市公司财务异常识别方法及系统,通过获取所有待预测公司的利润表、资产负债表、现金流量表、财务附注数据以及非财务指标数据,进而提取对应的目标特征数据,并采用预设财务数据分析模型根据所述目标特征数据计算得出各个所述待预测公司对应的财务分值,进而根据所述财务分值确定各个所述待预测公司对应的风险等级,方便用户从所述风险等级中确定所有待预测公司中的异常公司,本申请实施例通过不仅限于获取常用的利润表、资产负债表、现金流量表,还获取对应的财务附注数据以及非财务指标数据等,提高了财务数据的全面性,进而提高了财务数据异常识别的准确性。
附图说明
图1是本发明实施例方案涉及的上市公司财务异常识别系统的系统架构图;
图2为本发明上市公司财务异常识别方法第一实施例的流程示意图;
图3为本发明构建预设财务数据分析模型的示例图;
图4为本发明上市公司财务异常识别方法第二实施例的流程示意图;
图5为本发明上市公司财务异常识别方法第二实施例的决策树示意图;
图6为本发明上市公司财务异常识别方法第三实施例步骤S50的细化流程示意图;
图7为本发明上市公司财务异常识别方法第四实施例步骤S50的细化流程示意图;
图8为本发明上市公司财务异常识别方法第四实施例的链路示意图;
图9为本发明上市公司财务异常识别方法第五实施例步骤S50的细化流程示意图;
图10为本发明上市公司财务异常识别方法第五实施例中模型链路图的示意图。
本发明目的的实现、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
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的主要解决方案是:采集所有待预测公司的财务数据,其中,所述财务数据包括利润表、资产负债表、现金流量表、财务附注数据以及非财务指标数据的至少一种;从所述财务数据中提取目标特征数据,其中,特征数据包括收入特征数据、成本特征数据、资产特征数据、负债特征数据、现金流特征数据、附注数据特征数据以及非财务特征数据的至少一种;将所述目标特征数据为输入数值,输入预设财务数据分析模型中;获取所述预设财务数据分析模型根据所述输入数值计算得出的各个所述待预测公司的财务分值;根据所述财务分值输出各个所述待预测公司的风险提示信息。
如图1所示,图1是本发明实施例方案涉及的上市公司财务异常识别系统的系统架构图。
参照图1,所述上市公司财务异常系统包括财务异常分析建模平台,所述财务异常分析建模平台包括财务异常概览模块、数据采集模块、数据预处理模块、特征数据提取模块、训练模块以及预测模块。
所述财务异常概览模块用于根据所述预测模块计算得出的各个待预测公司的财务分值确定每个所述待预测公司的财务风险等级,并显示各个待预测公司的财务分值以及对应的财务风险等级。
可选地,所述数据采集模块用于采集所述待预测公司的财务数据,所述财务数据包括利润表、资产负债表、现金流量表、财务附注数据以及非财务指标数据的至少一种。
可选地,所述数据预处理模块用于根据采集的所述待预测公司的财务数据进行预处理,其中,进行预处理的方式可以包括对所述财务进行去重处理以及异常值处理,所述预处理的方式还可以是将去重处理以及异常值处理后的财务数据进行归一化处理,以使所述财务数据的数量级保持统一格式的数量级。
可选地,所述特征数据提取模块用于根据经过预处理后的财务数据提取目标特征数据。
可选地,所述训练模块用于根据训练样本,采用极端梯度提升算法进行迭代训练,以获取预设财务数据分析模型。
可选地,所述预测模块包括预设财务数据分析模型,所述预测模块用于基于所述预设财务数据分析模型根据所述目标特征数据计算各个所述待预测公司对应的财务分值。所述预设财务数据分析模型中包括N个决策树。
参照图2,本发明上市公司财务异常识别方法第一实施例提供一种上市公司财务异常识别方法,所述上市公司财务异常识别方法包括:
步骤S10,采集所有待预测公司的财务数据,其中,所述财务数据包括利润表、资产负债表、现金流量表、财务附注数据以及非财务指标数据的至少一种;
步骤S20,从所述财务数据中提取目标特征数据,其中,特征数据包括收入特征数据、成本特征数据、资产特征数据、负债特征数据、现金流特征数据、附注数据特征数据以及非财务特征数据的至少一种;
步骤S30,将所述目标特征数据作为输入数值,输入预设财务数据分析模型中;
步骤S40,获取所述预设财务数据分析模型根据所述输入数值计算得出的各个所述待预测公司的财务分值;
步骤S50,根据所述财务分值输出各个所述待预测公司的风险提示信息。
现有技术中,通常采用机器学习方法实现财务数据异常识别,具体的步骤一般为只采集主要财务指标数据,其中,所述主要财务指标数据包括资产负债表、利润表、现金流量表,通过对所述主要财务指标数据进行特征工程处理,以获取对应的财务指标,根据所述财务指标构建机器算法模型,进而通过所述机器算法模型进行财务数据异常识别,但由于现有技术中主要基于财务指标数据构建机器算法模型,数据不够全面,基于不够全面的数据进行特征工程处理时,获取的财务指标数量较少;此外现有的数据预处理和特征工程处理不够完整,例如基于相关性的特征筛选、离散化处理等环节。这些因素导致了基于机器学习方法构建的机器算法模型进行财务数据异常识别时,获取的识别结果精确性较低。
基于此,本申请实施例提出了一种上市公司财务异常识别方法,用于解决现有技术中采集的财务指标数据不全面、数据预处理与特征工程过程不完整等因素导致财务数据异常识别的识别结果对应的准确性较低的问题。
在本实施例中,所述财务数据包括利润表、资产负债表、现金流量表、财务附注数据以及非财务指标数据的至少一种,所述财务附注数据包括但不限于存货跌价准备、应收账款坏账准备、并购重组信息、股东持股情况,所述非财务指标数据包括但不限于审计报告类型意见、董监高离职率与更换频率、股权冻结比例。
可选地,所述财务数据可以是连续年份的财务数据,还可以是当年份的财务数据。例如,用户需获取待预测公司在2019年的财务数据异常情况下,可获取所述待预测公司在2010年至2018年的财务数据,还可以获取待预测公司在2019年的财务数据,进而基于2019年的财务数据确定所有待预测公司在2019年的财务数据异常情况。
可选地,所述财务数据还可以是预设时间间隔内的财务数据。例如,所述预设时间间隔可以是2019年1月至2019年3月,进而通过2019年1月至2019年3月的财务数据可以计算出2019年1月至2019年3月之间所有待预测公司的财务数据异常情况。
可选地,在获取所述财务数据后,将所述财务数据进行数据预处理,其中,所述数据预处理的方式包括以下至少一个:
将所述财务数据进行去重处理以及异常值处理;
将去重处理以及异常值处理后的财务数据进行归一化处理。
可选地,所述去重处理即将所述财务数据的重复值(冗余值)进行删除处理,所述异常值处理即获取所述财务数据中的异常值,进而将所述财务数据中的异常值进行删除处理;所述进行归一化处理为将所述财务数据对应的数量级转换为统一格式的数量级。
可选地,在获取所述财务数据后,从所述财务数据中提取目标特征数据,所述目标特征数据为目标特征对应的数据。在具体实施过程中,获取所述财务数据后,从所述财务数据中提取特征数据,进而根据所述特征数据确定目标特征数据,所述目标特征数据包括若干个特征数据,所述特征数据为特征对应的数据。
可选地,所述特征数据包括但不限于收入特征数据、成本特征数据、资产特征数据、负债特征数据、现金流特征数据、附注数据特征数据以及非财务特征数据,其中,所述收入特征数据可以来源于所述利润表,所述收入特征数据包括但不限于主营业务收入本期发生额增长率、其他业务收入增长率、季度收入方差、存货与收入比、销售费用占营业收入比例;所述成本特征数据可以来源于所述利润表,所述成本特征数据可以包括营业总成本几何增长率、研发投入占营业收入比例增长率、成本费用利润率、其他业务成本本期发生额增长率以及应付账款/营业成本等。所述资产特征数据以及所述负债特征数据可以来源于所述资产负债表,所述资产特征数据包括货币资金增长率、存货周转天数、一年内应收账款增长率、在建工程转入转入固定资产金额、无形资产几何增长率等,所述负债特征数据可以包括但不限于流动负债合计几何增长率、货币资金占流动负债的比例、负债占总资产的比例,应付款项增长率、其他应付款增长率等;所述现金流特征数据可以来源于所述现金流量表,所述现金流量特征数据包括但不限于经营活动现金流量净额占流动负债合计的比例、购建固定资产支出占经营活动现金流量净额比例、连续三年经营现金流量净额与净利润差异较大、企业自由现金流占比、经营活动产生的现金流量净额几何增长率等;所述附注数据特征数据可以来源于所述财务附注数据,所述附注数据特征数据包括但不限于固定资产减值损失本期发生额、存货跌价损失本期发生额增长率、应收账款按账龄合计坏账准备期末数、商誉期末减值准备、工程物资减值损失本期发生额等;所述非财务特征数据可以来源于所述非财务指标数据,所述非财务特征数据可以包括审计存在非标意见、内控审计意见类型、股权冻结比例合计、地区海外总和以及是否脱星摘帽等。
可以理解的是,上述特征数据包括但不限于上述提出的收入特征数据、成本特征数据、资产特征数据、负债特征数据、现金流特征数据、附注数据特征数据以及非财务特征数据,还可以包括关联销售占本期收入比例增长率、关联方采购占营业成本比例、扣除关联销售后的处于盈亏临界点附近、关联方应收项目期末余额账面余额、关联方应收项目期末余额账面余额增长率等。
可选地,在又一实施例中,在获取所有待预测公司的财务数据,基于所述财务数据提取特征数据的方式还可以是基于预设维度从所述财务数据中提取对应的符合预设维度的特征数据,其中,所述预设维度包括收入异常维度、成本费用异常维度、现金流异常维度、负债异常维度、资产异常维度以及关联方利益输送维度。例如,符合收入异常维度的特征数据可以包括主营业务收入本期发生额增长率、其他业务收入增长率、季度收入方差、存货与收入比、销售费用占营业收入比例等。
可选地,在又一实施例中,在获取所有待预测公司的财务数据,基于所述财务数据提取特征数据的方式还可以是基于“自比”和“他比”的角度构建获取,其中,“自比”即为企业自身经营变化的比较,财务分析中通常用某一财务指标或财务项目在近几年之间的变化率作为自比的分析对象,例如,在获取公司的财务项目X在三年的平均变化情况时,其几何增长率公式为:
其中X(t0)代表该财务项目在分析年份的值,X(t3)代表该财务项目在分析年份前三年的值,他比的角度沿用了财务分析的指标体系,利用财务指标在行业中的比较情况进行分析,如判断其他流动资产是否大于行业75%分位数。
可选地,在获取到所述特征数据后,根据所述特征数据确定目标特征数据,所述根据所述特征数据确定目标特征数据的方式可以是根据预设算法从所述财务特征数据中筛选出与所述待预测公司是否异常的相关性超过预设值的目标特征数据,其中,所述预设算法包括皮尔逊相关系数算法;其中,所述皮尔逊相关系数算法对应的公式为:
其中E是数学期望,cov表示协方差,σXσY为标准差。在本申请实施例中,通过计算各个所述特征数据对应的相关系数,在所述相关系数小于预设系数阈值时,将所述相关系数小于预设系数阈值对应的特征数据删除。所述预设系数阈值可以是5%。
另外,所述根据所述特征数据确定目标特征数据的方式还可以是分别计算所述特征数据两两之间的特征相关性,在所述特征数据对应的特征相关性大于预设相关性阈值,将所述所述特征数据对应的特征相关性大于预设相关性阈值对应的特征数据删除。所述预设相关性阈值可以是90%。
另外,所述根据所述特征数据确定目标特征数据的方式还可以是获取各个特征对应的缺失率,在所述特征对应的缺失率大于预设缺失率阈值时,将所述特征对应的缺失率大于预设缺失率阈值对应的特征数据删除,在所述特征对应的缺失率小于或等于预设缺失率阈值时,将所述特征对应的缺失率小于或等于预设缺失率对应的特征进行缺失值填充处理,其中,所述进行缺失值填充处理的方式可以是获取所述特征数据对应的均值、中位数、极值等方式填充缺失数据。
可以理解是,在获取所述特征数据后,根据所述特征数据确定目标特征数据的方式包括但不限于上述三种方式。
可选地,在获取所述目标特征数据后,将所述目标特征数据作为输入数值,输入到预设财务数据分析模型中,以供所述预设财务数据分析模型根据所述输入数值计算各个所述待预测公司对应的财务分值。其中,所述预设财务数据分析模型可以是基于XGBoost(极端梯度提升算法)对待训练样本进行迭代训练获取,还可以是基于Adaboost(自适应增强算法)对待训练样本进行迭代训练获取,还可以是基于Logistic算法(逻辑回归算法)对待训练样本进行迭代训练获取,还可以是基于随机森林算法对待训练样本进行迭代训练获取,还可以是基于深度森林算法对待训练样本进行迭代训练获取。
在本申请实施例中,以所述预设财务数据分析模型是基于极端梯度提升算法对待训练样本进行迭代训练获取作举例分析。
可选地,基于极端梯度提升算法对待训练样本进行迭代训练的步骤包括:
获取待训练样本,其中,所述待训练样本包括历史财务数据以及所述历史财务数据对应的公司财务状况,其中,公司财务状态包括异常和正常;
从所述历史财务数据中提取所述待训练样本对应的历史特征数据;
根据预设算法从所述历史特征数据中筛选出与所述历史财务数据对应的公司财务状况的相关性超过预设值的目标历史特征数据,其中,所述预设算法包括皮尔逊相关系数算法;
将所述目标历史特征数据作为自变量,以及将所述历史财务数据对应的公司财务状况作为因变量输入到所述极端提升算法算法中进行迭代训练,以获取所述预设财务数据分析模型。
在本申请实施例,参照图3,图3为本申请实施例中构建预设财务数据分析模型的示例图。所述待训练样本可以是所有所述待预测公司往年的历史财务数据,其中,所述历史财务数据包括历史利润表、历史资产负债表、历史现金流量表、历史财务附注数据以及历史非财务指标数据的至少一种。所述待训练样本中还包括所述历史财务数据对应的公司财务状况,其中,公司财务状态包括异常和正常。
可选地,在所述历史财务数据对应的公司财务状况为异常时,将对应的公司归为黑样本,并标识为1,在所述历史财务数据对应的公司财务状况正常时,将对应的公司归为白样本,并标识为0。其中,判断所述公司的公司财务状况的方式可以基于证监会官网行政处罚板块,收集该公司是否因财务造假、舞弊等问题受到行政处罚,还可以判断是否因财务异常问题,被深交所、上交所发送自律函,还可以基于受到其他风险警告和退市风险警告的公司,根据积累的业务规则判断是否存在财务异常问题,还可以判断是否收到深交所、上交所提醒关注函。在所述公司基于证监会官网,收集因财务造假、舞弊等问题受到行政处罚、和/或因财务异常问题,被深交所、上交所发送自律函,和/或根据积累的业务规则,筛选其他风险警告和退市风险警告,和/或收到深交所、上交所提醒关注函,判断所述公司对应的公司财务状况异常。
可选地,在获取所述历史财务数据后,根据所述历史财务数据提取所述待训练样本对应的历史特征数据,并根据预设算法从所述历史特征数据中筛选出与所述公司是否异常的相关性超过预设值的目标历史特征数据。
可选地,在获取对应的目标历史特征数据后,将所述目标历史特征数据进行离散化处理。在本实施例中,我们得到了筛选过后的目标历史特征数据,所述目标历史特征数据为连续变量,而如果直接将连续变量作为输入参数输入大所述极端梯度算法中进行迭代训练的话,训练出来的结果泛化能力较差,并且,由于行业的不同,公司的某个特征数据在行业之间可能存在较大差别,例如毛利率在制造业可能平均水平偏低,而在高新行业的平均水平则较高,若直接将每家公司的毛利率直接作为输入参数,所述极端提升算法将不能很好将毛利率特征的信息提取出来。基于此,本申请实施例提出了将所述目标历史特征数据进行离散化处理的方式以提高训练结果的泛化能力的同时减少各个所述公司间的数据差异性。所述进行离散化处理的方式可以是将各个所述公司对应的特征数据以及预设的分数等级转换为对应的分数等级,在获取对应的分数等级,将对应的分数等级作为输入参数训练所述极端提升算法,例如,某个特征数据为主营业务收入本期发生额增长率,A公司对应的主营业务收入本期发生额增长率为10%,B公司对应的主营业务收入本期发生额增长率为20%,C公司对应的主营业务收入本期发生额增长率为40%,D公司对应的主营业务收入本期发生额增长率为50%,E公司对应的主营业务收入本期发生额增长率为80%,所述预设的分数等级为主营业务收入本期发生额增长率为80%-100%处于第一分数等级,主营业务收入本期发生额增长率为20%-79%为第二分数等级,主营业务收入本期发生额增长率低于20%为第三分数等级。基于上述数据分析,E公司对应的分数等级为第一分数等级,B公司、C公司、D公司对应的分数等级为第二分数等级,A公司对应的分数等级为第三分数等级。
可选地,在将所述目标历史特征数据进行离散化处理后,将离散处理后裔的目标历史特征数据作为自变量,以及将所述历史财务数据对应的公司财务状况作为因变量输入到所述极端提升算法中进行迭代训练,以获取所述预设财务数据分析模型。其中,所述因变量可以是1,还可以是0。
可以理解的是,在本申请实施例中,在获取到待预测公司对应的目标特征数据后,在将所述目标特征数据作为输入数值输入所述预设财务数据分析模型前,也需将所述目标特征数据进行离散化处理。
可选地,在将离散化后的所述目标特征数据作为输入参数输入所述预设财务数据分析模型后,获取所述预设财务数据分析模型根据所述输入参数计算得出的各个所述待预测公司的财务分值,各个所述待预测公司对应的财务分值可以不同,也可以相同。所述财务分值用于表征所述待预测公司对应的财务数据异常程度,在财务分值越高,所述待预测公司对应的财务数据异常程度越高,所述待预测公司对应的风险等级越高,财务分值越低,所述待预测公司对应的财务数据异常程度越低,所述待预测公司对应的风险等级越低。
可选地,在获取各个所述待预测公司对应的财务分值后,根据所述财务分值输出各个所述待预测公司的风险提示信息,所述风险提示信息包括各个待预测公司对应的财务分值以及各个所述待预测公司对应的风险等级。所述风险等级可以包括高风险、中高风险、中风险以及低风险的其中一种;例如:A公司:财务分值98分,风险等级:高风险。
在本申请实施例中,通过获取所述待预测公司的财务数据,所述财务数据包括但不限于利润表、资产负债表、现金流量表、财务附注数据以及非财务指标数据的至少一种,进而根据所述财务数据提取对应的目标特征数据,并将所述目标特征数据输入对应的预设财务数据分析模型中,以获取所述预设财务数据分析模型根据所述目标特征数据计算得出的各个待预测公司对应的财务分值,进而根据所述财务分值输出各个所述待预测公司的财务分值以及风险等级,以供用户根据所述财务分值以及所述风险等级确定各个所述待预测公司对应的财务数据异常情况,本申请实施例相比于现有技术而言,不仅仅考虑了利润表、资产负债表以及现金流量表,还采集了财务附注数据以及非财务指标数据,所获取的财务数据范围更广,数据更全面,进而提高了财务数据异常识别的准确性。
可选地,参照图4,基于第一实施例,所述预设财务数据分析模型根据所述输入参数计算得出的各个待预测公司的财务分值的方式包括:
步骤S60,根据所述预设财务数据分析模型中每个决策树下的各个节点确定每个待预测公司的各个所述目标特征数据的判断结果;
步骤S70,根据各个节点的判断结果确定每个决策树下的各个目标节点链路的分值;
步骤S80,根据各个所述目标节点链路的分值确定所述待预测公司的所述财务分值。
在本申请实施例中,所述预设财务数据分析模型中包括N个决策树,其中,所述N=20,即所述预设财务数据分析模型中可以包括20个决策树,各个所述决策树中包括M个节点,所述M个节点包括判断节点和叶子节点,所述判断节点用于表示对应的判断条件,所述叶子节点用于表示对应的判断结果,所述判断结果是基于所输入的所有待预测公司的目标特征数据确定的,参照图5,图5为所述预设财务数据分析模型中其中的一颗决策树。所述决策树中包括至少两条节点链路,所述节点链路为所述决策树对应的源节点至所述决策树中所经过的路径。例如,某条节点链路为“经营范围不变的情况下,销售营业利润率变化大于50%-预付账款一年以内期末比例在行业前90%-盈余公积增长率在行业前90%-叶子节点3”。
可选地,将所述目标特征数据分别输入所述预设财务数据分析模型对应的各个决策树中后,根据所述决策树的各个节点确定每个待预测公司的各个所述目标特征数据的判断结果,直至获取到各个所述决策树的叶子节点。在获取到各个所述决策树的叶子节点后,根据所述各个节点的判断结果获取对应的目标节点链路,所述目标节点链路为各个所述待预测公司的目标特征数据所经过的目标节点链路,进而获取所述各个所述决策树对应的目标节点链路的分值,即确定各个所述叶子节点对应的分值,在获取到对应的分值后,根据各个所述目标节点链路的分值确定所述待预测公司的所述财务分值,其中,所述根据所述目标节点链路的分值确定所述待预测公司的所述财务分值的方式可以是将各个所述目标节点链路的分值进行求和,进而确定各个所述待预测公司的所述财务分值。
可选地,所述根据各个所述目标节点链路的分值确定所述待预测公司的所述财务分值的方式还可以是:
根据各个所述目标节点链路的分值以及各个所述节点链路的权重值计算待预测公司的所述财务分值。
在本申请实施例中,各个所述决策树对应的节点链路对应的权重值不同,在根据各个节点确定每个决策树下的各个目标节点链路的分值后,获取各个所述目标节点链路对应的权重值,进而根据所述目标节点链路的分值以及各个所述目标节点链路对应的权重值进行加权求和确定所述待预测公司的所述财务分值。例如,A公司经过的目标节点链路对应的分值分别为1,2,3,4,5...20,各个目标节点链路对应的权重值分别为1,2,3,4,5...20,进而将所述加权求和“1*1+2*2+3*3+4*4+5*5+...=2870”。
可以理解的是,在本申请实施例中,所述预设财务数据分析模型包括N个决策树,各个所述待预测公司的目标特征数据所经过的目标节点链路的数量为N条,所述各个节点链路的分值的总量为N个,在获取N个分值后,可直接将所述N个分值进行相加求和,进而确定所述待预测公司的所述财务分值。
在本申请实施例中,通过将所述目标特征数据输入到所述预设财务数据分析模型中的各个决策树中,将所述目标特征数据与各个所述决策树的各个节点进行条件判断,以获取每个待预测公司的各个所述目标特征数据的判断结果,进而根据所述判断结果确定所述待预测公司所经过的每个决策树的各个目标节点链路的分值,进而根据所述分值进行求和处理或加权求和处理以分别确定各个所述待预测公司的所述财务分值。本申请实施例通过采用基于多个决策树的预设财务数据分析模型对各个所述待预测公司的各个所述目标特征数据进行并行条件判断,节省了时间花销,并且提高了财务分值的计算准确性。
可选地,基于第一实施例,参照图6,所述步骤S50包括:
步骤S51,根据每个待预测公司的财务分值以及预设的风险等级范围确定每个所述待预测公司的财务风险等级;
步骤S52,输出每个所述待预测公司的财务分值以及对应的财务风险等级。
在本实施例中,在获取到各个待预测公司的财务分值后,调取预设的风险等级范围,所述预设的风险等级范围包括高风险等级、中风险等级、一般风险等级、以及低风险等级,各个等级所对应的财务分值范围不同。例如,高风险等级对应的财务分值范围为[80-100],中风险等级对应的财务分值范围为[60-80],一般风险等级对应的财务分值范围为[40-60],低风险等级对应的财务分值范围为[00-40]。
可选地,根据所述待预测公司的财务分值与所述预设的风险等级范围进行匹配,以确定各个所述待预测公司分别对应的财务风险等级,进而同时输出每个所述待预测公司的财务分值以及对应的财务风险等级。例如,A公司:财务分值:98;财务风险等级:高风险等级。
在本申请实施例中,通过将每个所述待预测公司的财务分值与预设的风险等级范围进行匹配,以确定每个所述待预测公司对应的财务风险等级,进而同时输出每个所述待预测公司的财务分值与其对应的财务风险等级,方便用户根据输出的财务风险等级快速确定待预测公司的财务数据异常情况。
可选地,基于第一实施例,参照图7,所述步骤S50之后,还可以包括:
步骤S53,根据各个所述待预测公司的目标特征数据所经过的目标节点链路生成对应的链路示意图;
步骤S54,输出所述链路示意图。
在本申请实施例中,将各个所述待预测公司对应的目标特征数据输入所述预设预设财务数据分析模型后,获取各个所述待预测公司的目标特征数据所经过的N条目标节点链路,进而根据各个所述待预测公司的目标特征数据所经过的N条目标节点链路生成对应的链路示意图,所述链路示意图包括各个所述待预测公司的目标特征数据所经过的目标节点链路。
可选地,在又一实施例中,获取各个所述待预测公司的目标特征数据所经过的N条目标节点链路后,获取各个所述待预测公司对应的财务分值,比对各个所述待预测公司的财务分值,进而获取所述待预测公司中的异常公司,所述异常公司为财务分值较高的待预测公司,例如,财务分值处于前10%的待预测公司为异常公司,或者财务分值处于前100名的待预测公司为异常公司。可以理解的是,所述异常公司对应的分值较高,即所述异常公司对应的财务风险等级越高,所述异常公司的财务数据异常情况更严重。可选地,在获取所述待预测公司中的异常公司后,获取各个所述异常公司的目标特征数据所经过的N条目标节点链路,进而将所述异常公司的目标特征数据所经过的N条目标节点链路转换成对应的链路示意图,所述链路示意图包括各个所述异常公司所经过的目标节点链路。
可选地,在又一实施例中,所述预设财务数据分析模型对应的节点链路提前预置了对应的分值,一个节点链路对应着一个分值,在获取所述预设财务数据分析模型中的各个节点链路的分值后,比对各个节点链路的分值,进而确定所述节点链路中的异常节点链路,所述异常节点链路为分值较高的节点链路,例如,分值处于前10%的节点链路为异常节点链路。可选地,在获取各个所述异常公司的目标特征数据所经过的目标节点链路后,确定各个所述异常公司的目标特征数据所经过的目标节点链路中是否包括异常目标节点链路,进而将各个所述异常公司的目标特征数据所经过的异常目标节点链路转换成对应的链路示意图,所述链路示意图包括各个所述异常公司所经过的异常目标节点链路。参照图8,图8为本申请实施例的链路示意图,每一列代表着一个异常公司,每一列中展示了对应的异常公司的目标特征数据所经过的异常目标节点链路,每一列中包括Q个异常目标节点链路,根据Q个异常目标节点链路对应的分值以从大到小的顺序依次分布在对应的异常公司所对应的列中。可以理解的是,每个所述异常公司的目标特征数据所经过的异常目标节点链路可以相同也可以不同。
可选地,在获取所述链路示意图后,输出所述链路示意图,以供用户根据所述链路示意图查看所述待预测公司所经过的目标节点链路。可以理解的是,用户在查看所述链路示意图中,可以点击所述链路示意图中所述待预测公司对应的目标节点链路,在点击对应的目标节点链路后,在所述链路示意图对应的显示界面中显示与点击的目标节点链路的具体信息,例如,用户点击了异常公司A的目标节点链路1,获取所述目标节点链路1的具体信息为所述异常A的公司代码000000,公司简称公司A,所述异常公司A的财务分值98分,所述节点链路1所在的决策树对应的树序号为tree2,所述节点链路对应的各个节点信息为“销售营业利润率变化大于50%-预付账款一年以内期末比例在行业前90%-盈余公积增长率在行业前90%”以及所述目标节点链路对应的分值为10,进而同时输出所述目标节点链路1的具体信息。
在本申请实施例中,通过将各个所述待预测公司所经过的目标节点链路转换成对应的链路示意图,进而输出所述链路示意图,以供用户根据所述链路示意图可快速确定各个所述待预测公司所经过的目标节点链路,并且可通过所述链路示意图快速查看想要查看的待预测公司对应的具体信息。
可选地,基于第一实施例,参照图9,所述步骤S50之后,还包括:
步骤S55,获取所述预设财务数据分析模型对应的模型链路图,其中,所述模型链路图包括所述预设财务数据分析模型中对应的各个链路;
步骤S56,根据所述待预测公司的目标特征数据所经过的目标节点链路计算所述模型链路图中对应的各个节点链路的样本统计信息,所述样本统计信息包括经过所述模型链路图中对应的各个节点链路的待预测公司的公司数量;
步骤S57,根据所述样本统计信息更新所述模型链路图并输出所述更新后的模型链路图。
在本申请实施例中,在获取到所述预设财务数据分析模型后,根据所述预设财务数据分析模型获取对应的模型链路图,其中,所述模型链路图包括预设财务数据分析模型中对应的各个节点链路。
可选地,获取所述待预测公司的目标特征数据所经过的目标节点链路,进而根据所述目标节点链路确定所述模型链路图中对应的节点链路的样本统计信息,所述样本统计信息包括经过所述模型链路图中各个所述节点链路的待预测公司的公司数量。例如,经过节点链路A的公司分别为公司A,公司B以及公司C,进而确定经过节点链路A的样本统计信息:公司数量3个。
可选地,所述样本统计信息还可以包括经过所述节点链路的异常公司的数量。例如,经过节点链路A的公司分别为公司A,公司B以及公司C,所述公司A为异常公司,进而确定经过节点链路A的样本统计信息:公司数量3个,异常公司数量1个。
在获取到所述模型链路图中对应各个节点链路的样本统计信息后,根据所述样本统计信息更新所述模型链路图并输出所述更新后的模型链路图,以供用户根据所述更新后的模型链路图获取所述模型链路图中各个节点链路的样本统计信息。参照图10,图10为所述模型链路图的示意图。所述模型链路图中从内至外分别包括第一层,第二层,第三层,第四层,第五层以及第六层,所述第一层中包括20个圆点,每个圆点用于表示一颗决策树,所述第二层中用于表示各个决策树的第一层分支点,所述第三层用于表示各个决策树的第二层分支,所述第四层用于表示各个决策树的第三层分支点,所述第五层用于表示各个决策树的第四层分支点。将所述第一层、第二层、第三层、第四层以及第五层依次连接后,形成若干条直线,所述若干条直线分别用于表示所述预设财务数据分析模型中对应的各个节点链路,可以理解的是,一条直线对应着一个节点链路。所述第六层用于表示各个所述节点链路的样本统计信息,所述样本统计信息包括经过各个所述节点链路的公司数量以及所述经过各个所述节点链路的异常公司数据,所述各个节点链路的样本统计信息与第六层的各个圆点进行关联,在用户点击所述第六层的任意一个圆点后,获取被用户点击的圆点对应的样本统计信息,进而将样本统计信息显示在预设位置中。
可选地,第六层对应的圆点还可以分为小圆点和大圆点,所述小圆点用于表示经过所述小圆点对应的节点链路的异常公司不超过预设数量,所述大圆点用于表示经过所述大圆点对应的节点链路的异常公司超过预设数量,其中,所述预设数量可以是50个。
在本申请实施例中,通过获取所述待预测公司所经过的各个目标节点链路,并根据所述目标节点链路确定所述预设财务数据分析模型中各个节点链路对应的样本统计信息,进而根据所述样本统计信息更新所述模型链路图,以供用户根据所述模型链路图快速确定经过对应的节点链路的待预测公司的数量。
此外,本发明实施例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上存储有上市公司财务异常识别程序,所述上市公司财务异常识别程序被处理器执行时实现如上所述的所有实施例的步骤。
需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。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、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,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的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明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他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种上市公司财务异常识别方法,其特征在于,所述上市公司财务异常识别方法的步骤包括:
采集所有待预测公司的财务数据,其中,所述财务数据包括利润表、资产负债表、现金流量表、财务附注数据以及非财务指标数据的至少一种;
从所述财务数据中提取目标特征数据,其中,特征数据包括收入特征数据、成本特征数据、资产特征数据、负债特征数据、现金流特征数据、附注数据特征数据以及非财务特征数据的至少一种;
将所述目标特征数据作为输入数值,输入预设财务数据分析模型中;
获取所述预设财务数据分析模型根据所述输入数值计算得出的各个所述待预测公司的财务分值;
根据所述财务分值输出各个所述待预测公司的风险提示信息。
2.如权利要求1所述的上市公司财务异常识别方法,其特征在于,所述预设财务数据分析模型基于极端梯度提升算法对待训练样本进行迭代训练获取。
3.如权利要求1所述的上市公司财务异常识别方法,其特征在于,所述预设财务数据分析模型根据所述输入数值计算得出的各个待预测公司的财务分值的方式包括:
根据所述预设财务数据分析模型中每个决策树下的各个节点确定每个待预测公司的各个所述目标特征数据的判断结果;
根据各个节点的判断结果确定每个决策树下的各个目标节点链路的分值;
根据各个所述目标节点链路的分值确定所述待预测公司的所述财务分值。
4.如权利要求3所述的上市公司财务异常识别方法,其特征在于,所述根据各个所述节点链路的分值确定所述待预测公司的所述财务分值的步骤包括:
根据各个所述目标节点链路的分值以及各个所述目标节点链路的权重值计算待预测公司的所述财务分值。
5.如权利要求1所述的上市公司财务异常识别方法,其特征在于,所述根据所述财务分值输出各个所述待预测公司的风险提示信息的步骤包括:
根据每个所述待预测公司的财务分值以及预设的风险等级范围确定每个所述待预测公司的财务风险等级;
输出每个所述待预测公司的财务分值以及对应的财务风险等级。
6.如权利要求1所述的上市公司财务异常识别方法,其特征在于,所述根据所述财务分值输出各个所述待预测公司的风险提示信息的步骤之后,还包括:
根据各个所述待预测公司的目标特征数据所经过的所述目标节点链路生成对应的链路示意图;
输出所述链路示意图。
7.如权利要求1所述的上市公司财务异常识别方法,其特征在于,所述根据所述财务分值输出各个所述待预测公司的风险提示信息的步骤之后,还包括:
获取所述预设财务数据分析模型对应的模型链路图,其中,所述模型链路图包括所述预设财务数据分析模型中对应的各个节点链路;
根据所述待预测公司的目标特征数据所经过的所述目标节点链路计算所述模型链路图中对应的各个节点链路的样本统计信息,所述样本统计信息包括经过所述模型链路图中对应的各个节点链路的待预测公司的公司数量;
根据所述样本统计信息更新所述模型链路图并输出所述更新后的模型链路图。
8.如权利要求2所述的上市公司财务异常识别方法,其特征在于,所述基于极端梯度提升算法对待训练样本进行迭代训练的步骤包括:
获取待训练样本,其中,所述待训练样本包括历史财务数据以及所述历史财务数据对应的公司财务状况,其中,公司财务状况包括异常和正常;
从所述历史财务数据中提取所述待训练样本对应的历史特征数据;
根据预设算法从所述历史特征数据中筛选出与所述历史财务数据对应的公司财务状况的相关性超过预设值的目标历史特征数据,其中,所述预设算法包括皮尔逊相关系数算法;
将所述目标历史特征数据作为自变量,以及将所述历史财务数据对应的公司财务状况作为因变量输入到所述极端梯度提升算法中进行迭代训练,以获取所述预设财务数据分析模型。
9.一种上市公司财务异常识别系统,其特征在于,所述上市公司财务异常识别系统包括: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上市公司财务异常识别程序,所述上市公司财务异常识别程序被所述处理器执行时实现如权利要求1至8中任一项所述的上市公司财务异常识别的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111179975.1A CN113919926A (zh) | 2021-10-09 | 2021-10-09 | 上市公司财务异常识别方法及系统 |
CN202210104849.8A CN114298815A (zh) | 2021-10-09 | 2022-01-27 | 上市公司财务异常识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111179975.1A CN113919926A (zh) | 2021-10-09 | 2021-10-09 | 上市公司财务异常识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113919926A true CN113919926A (zh) | 2022-01-11 |
Family
ID=79238874
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111179975.1A Pending CN113919926A (zh) | 2021-10-09 | 2021-10-09 | 上市公司财务异常识别方法及系统 |
CN202210104849.8A Pending CN114298815A (zh) | 2021-10-09 | 2022-01-27 | 上市公司财务异常识别方法及系统 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210104849.8A Pending CN114298815A (zh) | 2021-10-09 | 2022-01-27 | 上市公司财务异常识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113919926A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331663A (zh) * | 2022-03-15 | 2022-04-12 | 国网浙江省电力有限公司金华供电公司 | 适用于财务信息的多维路径比对式数据处理方法及装置 |
CN117151906A (zh) * | 2023-08-15 | 2023-12-01 | 广东省地质调查院 | 一种基于关联网络搭建的财会审计监察协同监督方法 |
-
2021
- 2021-10-09 CN CN202111179975.1A patent/CN113919926A/zh active Pending
-
2022
- 2022-01-27 CN CN202210104849.8A patent/CN114298815A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331663A (zh) * | 2022-03-15 | 2022-04-12 | 国网浙江省电力有限公司金华供电公司 | 适用于财务信息的多维路径比对式数据处理方法及装置 |
CN117151906A (zh) * | 2023-08-15 | 2023-12-01 | 广东省地质调查院 | 一种基于关联网络搭建的财会审计监察协同监督方法 |
CN117151906B (zh) * | 2023-08-15 | 2024-02-13 | 广东省地质调查院 | 一种基于关联网络搭建的财会审计监察协同监督方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114298815A (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cecchini et al. | Detecting management fraud in public companies | |
US7171383B2 (en) | Methods and systems for rapid deployment of a valuation system | |
US20050222929A1 (en) | Systems and methods for investigation of financial reporting information | |
US20230004888A1 (en) | Ai-augmented auditing platform including techniques for applying a composable assurance integrity framework | |
CN109242664B (zh) | 一种面向新设立企业的纳税风险预测方法 | |
CN114298815A (zh) | 上市公司财务异常识别方法及系统 | |
WO2001013295A1 (en) | Detection of insurance premium fraud or abuse using a predictive software system | |
MXPA01008622A (es) | Evaluacion rapida de portafolios de activos tales como instrumentos financieros. | |
CN111783829A (zh) | 一种基于多标签学习的财务异常检测方法及装置 | |
WO2021257610A1 (en) | Time series forecasting and visualization methods and systems | |
CN107133862A (zh) | 动态产生增强信用评估的详细交易支付经历的方法和系统 | |
Shakouri et al. | Stochastic p-robust DEA efficiency scores approach to banking sector | |
CN112037006A (zh) | 小微企业的信用风险识别方法及装置 | |
Zong | Maintenance cost and residual value prediction of heavy construction equipment | |
Hu | Predicting and improving invoice-to-cash collection through machine learning | |
CN114154866A (zh) | 一种上市企业财务风险预警方法和系统 | |
CN111612603A (zh) | 上市公司疑似财务造假行为洞察判别系统 | |
Baranes et al. | Identifying financial ratios associated with companies’ performance using fuzzy logic tools | |
CN114841239A (zh) | 基于机器学习的上市公司财务异常分析方法 | |
Laitinen et al. | Why does an auditor not issue a going concern opinion for a failing company? Impact of financial risk, time to bankruptcy, and cognitive style | |
CN110968622B (zh) | 一种会计报告定制方法、平台和终端 | |
Yu et al. | Violations detection of listed companies based on decision tree and K-nearest neighbor | |
Cheng | A Hybrid Predicting Stock Return Model Based on Bayesian Network and Decision Tree | |
Cheng | A hybrid predicting stock return model based on logistic stepwise regression and CART algorithm | |
KR102308098B1 (ko) | 매출 채권과 입출금 정보간 자동화된 매칭 서비스에 기초한 사용자 인터페이스 제공 방법 및 그 장치 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220111 |