CN113962486A - 企业财务数据的预测方法、装置、电子设备和存储介质 - Google Patents
企业财务数据的预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113962486A CN113962486A CN202111389407.4A CN202111389407A CN113962486A CN 113962486 A CN113962486 A CN 113962486A CN 202111389407 A CN202111389407 A CN 202111389407A CN 113962486 A CN113962486 A CN 113962486A
- Authority
- CN
- China
- Prior art keywords
- financial
- target
- predicted
- value
- subject
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种企业财务数据的预测方法、装置、电子设备和存储介质,涉及深度学习技术领域。企业财务数据的预测方法包括:为目标企业的待预测财务科目选择至少两个候选预测模型;基于候选预测模型,确定目标企业在待预测财务科目上的预测值,并根据预测值从至少两个候选预测模型中选择目标预测模型,且将目标预测模型所确定的预测值作为待预测财务科目的目标预测值;获取目标预测模型的至少两个扰动模型,并基于至少两个扰动模型分别确定目标企业在待预测财务科目上的扰动值;基于目标预测值和扰动值,确定待预测财务科目的目标置信区间。本发明实施例能够提高企业财务数据预测的准确性。
Description
技术领域
本发明实施例涉及深度学习技术领域,尤其涉及一种企业财务数据的预测方法、装置、电子设备和存储介质。
背景技术
财务预测是根据企业历年的财务情况,结合企业当前的实际情况综合考虑,对企业未来的财务情况进行科学预测。
目前企业财务预测大都是通过特定的模型直接预测得到预测结果,存在预测结果准确率低的问题。
发明内容
本发明实施例提供一种企业财务数据的预测方法、装置、电子设备和存储介质,以提高企业财务数据预测的准确性。
第一方面,本发明实施例提供了一种企业财务数据的预测方法,该方法包括:
为目标企业的待预测财务科目选择至少两个候选预测模型;
基于候选预测模型,确定目标企业在待预测财务科目上的预测值,并根据预测值从至少两个候选预测模型中选择目标预测模型,且将目标预测模型所确定的预测值作为待预测财务科目的目标预测值;
获取目标预测模型的至少两个扰动模型,并基于至少两个扰动模型分别确定目标企业在待预测财务科目上的扰动值;
基于目标预测值和扰动值,确定待预测财务科目的目标置信区间。
第二方面,本发明实施例还提供了一种企业财务数据的预测装置,该装置包括:
候选预测模型选择模块,用于为目标企业的待预测财务科目选择至少两个候选预测模型;
目标预测值确定模块,用于基于候选预测模型,确定目标企业在待预测财务科目上的预测值,并根据预测值从至少两个候选预测模型中选择目标预测模型,且将目标预测模型所确定的预测值作为待预测财务科目的目标预测值;
扰动值确定模块,用于获取目标预测模型的至少两个扰动模型,并基于至少两个扰动模型分别确定目标企业在待预测财务科目上的扰动值;
目标置信区间确定模块,用于基于目标预测值和扰动值,确定待预测财务科目的目标置信区间。
第三方面,本发明实施例还提供了一种电子设备,该电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当一个或多个程序被所述一个或多个处理器执行,使得一个或多个处理器实现如第一方面提供的企业财务数据的预测方法。
第四方面,本发明实施例还提供了一种包括计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行如第一方面提供的企业财务数据的预测方法。
本发明通过为目标企业选择至少两个候选预测模型,然后从候选预测模型中选择目标预测模型,确定目标预测值,通过多个候选预测模型得到目标预测模型,针对目标企业财务数据特征选择更加合适的目标预测模型,通过获取目标预测模型的至少两个扰动模型,确定目标企业在待预测财务科目上的扰动值,进而确定测财务科目的目标置信区间,通过多个扰动模型确定多个扰动值计算目标置信区间,使得目标置信区间的范围更加准确,解决了企业财务数据预测中存在预测结果准确率低的问题,提高企业财务数据预测的准确性。
附图说明
图1为本发明实施例一提供的一种企业财务数据的预测方法的流程图;
图2为本发明实施例二提供的一种企业财务数据的预测方法的流程图;
图3为本发明实施例二提供的一种企业数据预测结果展示窗口示意图;
图4为本发明实施例二提供的一种数据交互过程示意图;
图5是本发明实施例二提供的一种目标预测模型预测过程;
图6为本发明实施例三提供的一种企业财务数据的预测方法的流程图;
图7是本发明实施例四提供的一种企业财务数据的预测装置的结构示意图;
图8是本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种企业财务数据的预测方法的流程图,本实施例可适用于对企业财务数据进行预测的情况,该方法可以由企业财务数据的预测装置来执行,该装置可以采用软件和/或硬件的方式来实现。该装置可配置于电子设备中,该方法具体包括:
步骤101、为目标企业的待预测财务科目选择至少两个候选预测模型。
目标企业为进行财务预测的企业,目标企业需要满足企业类型为企业类或房地产类,且能够获取目标企业至少历史3年中(不含当前年份)连续两年的符合财务报表筛选条件的选定财务报表。其中,财务报表筛选条件为:报表类型为年报、报表口径为单一、且报表类别为新企业类或新房地产类的财务报表;营业成本、营业收入、财务费用、固定资产、管理费用、非流动资产合计、未分配利润、实收资本、流动负债合计、负债合计、货币资金、所有者权益合计、流动资产合计、资产总计、负债和所有者权益合计,15个科目数据都不为0,也即上述15个科目数据都不可缺失;现金流量表中,经营活动产生的现金流量净额、筹资活动产生的现金流量净额和投资活动产生的现金流量净额,3个科目至少有一个不为0,也即上述3个科目中只要能够获取一个科目的数据即可。其中,选定报表的规则为在单一年度所有符合财务报表筛选条件的报表中,优先选择审计后的报表,其次优先选择最新更新后的报表,确定唯一一份作为选定报表。
待预测财务科目为预测的科目种类,具体的,待预测科目可以包括:应收账款、流动资产合计、长期投资、固定投资、资产总计、短期借款、流动负债合计、负债合计、所有者权益合计、营业收入、营业成本和销售费用等。
候选预测模型为能够对待预测财务科目进行预测的备选模型,本发明为待预测财务科目提供多个候选预测模型,可以根据目标企业特征选择至少两个候选预测模型,分别对目标企业的每个待预测财务科目进行预测,示例性的,候选预测模型为神经网络模型,例如,卷积神经网络模型、极限学习机和深度残差网络等,本发明对此不做具体限定。
在一个可选实施例中,为目标企业的待预测财务科目选择至少两个候选预测模型,包括:确定目标企业的行业特征和规模特征;根据目标企业的行业特征和/或规模特征,为目标企业的待预测财务科目选择至少两个候选预测模型。
行业特征为企业的行业类别特征,示例性的,行业特征指目标企业对应的子行业类别,具体的,可以通过提取目标企业的行业代码来判断目标企业对应的子行业,子行业关键字与子行业的对应关系,如表1所示。
表1、子行业关键字列表
关键字 | 子行业 |
C | 制造业 |
F51 | 批发业 |
L | 租赁和商务服务业 |
E | 建筑业 |
K | 房地产业 |
D | 电力、热力、燃气及水生产和供应业 |
G | 交通运输、仓储和邮政业 |
不包含上述任何有一个关键字 | 其他行业 |
行业规模特征为企业的产出规模或经营规模,示例性的,根据行业规模企业可以分为大型企业、中型企业和小微企业等。
根据目标企业的行业特征和规模特征预设10个候选预测模型。表2为本发明预设的10个候选预测模型。
表2、候选预测模型
表2中第1-8行为针对不同子行业特征的候选预测模型,第9-10行为针对不同行业规模的候选预测模型,其中,全行业预测模型为通用模型适用于所有目标企业。根据行业的行业特征可以从表2中第1-8行选择一个候选预测模型,根据行业的规模特征可以从表2中第9-10行选择至少一个候选预测模型,每个目标企业的待预测财务科目至少可以选择两个候选预测模型。
通过确定目标企业的行业特征和规模特征,根据行业特征和规模特征选择不同的候选预测模型,针对不同特征选择候选预测模型,从多个方面对目标企业的财务数据进行预测,提高预测的准确性,同时根据目标企业特征选择候选预测模型,使选择的预测模型更加适合目标企业财务数据的特点,进一步提高预测结果的准确性。
在一个可选实施例中,根据目标企业的行业特征和/或规模特征,为目标企业的待预测财务科目选择至少两个候选预测模型,包括:若根据目标企业的规模特征确定目标企业属于小微企业,则将待预测财务科目的小微企业预测模型,作为候选预测模型;根据目标企业的行业特征,从待预测财务科目的至少两个候选行业子模型中选择目标行业子模型作为候选预测模型;将待预测财务科目的行业通用模型,作为候选预测模型。
小微企业指目标企业的规模为小微企业且是行内基本企业。根据目标企业的规模特征,将待预测财务科目的小微企业预测模型,作为候选预测模型。候选行业子模型指候选模型中根据行业特征划分的行业子模型,具体的,候选行业子模型为表2的第第1-8行中包含的候选预测模型。根据目标企业的行业特征,从表2的第1-8行中选择与目标企业的行业特征对应的候选行业子模型为目标企业的目标行业子模型,目标行业子模型作为候选预测模型。通用模型适用于所有目标企业,即全行业预测模型作为候选预测模型。
小微企业根据本身规模特征可以选择小微企业预测模型作为候选预测模型,同时,还可以选择将通用模型和目标行业子模型作为候选预测模型,小微企业可以选择三种候选预测模型,提高选择的多样性,从多个角度选择候选预测模型,提高预测的准确性。
步骤102、基于候选预测模型,确定目标企业在待预测财务科目上的预测值,并根据预测值从至少两个候选预测模型中选择目标预测模型,且将目标预测模型所确定的预测值作为待预测财务科目的目标预测值。
选择一个待预测财务科目,根据选择的候选预测模型,将对应的输入数据输入到候选预测模型中对待预测财务科目进行预测,得到目标企业在待预测财务科目上的预测值,比较不同候选预测模型的预测值准确性,将准确性最高的预测值对应的候选预测模型作为该待预测财务科目的目标预测模型,同时将准确性最高的预测值作为该待预测财务科目的目标预测值。同一目标企业不同的待预测财务科目可以有不同的目标预测模型,例如,营业收入的模型为通用模型,而总资产的模型为候选行业子模型。
在一个可选实施例中,根据预测值从至少两个候选预测模型中选择目标预测模型,包括:获取目标企业在待预测财务科目的最新真实值;将预测值与最新真实值之间差值最小的候选预测模型,作为目标预测模型。
待预测财务科目的最新真实值是指时间上最新日期对应的待预测财务科目的实际值,需要说明的是,最新真实值可以不是当前年份待预测财务科目的实际值,可以是待预测财务科目在当前年份的前一年的实际值。将不同候选预测模型得到的预测值与最新真实值做减法,并对差值取绝对值,将与最新真实值差值的绝对值最小的预测值对应的候选预测模型,作为目标预测模型。
通过将预测值与最新真实值做差值,选择预测值与最新真实值之间差值最小的候选预测模型作为目标预测模型,使得选择的目标预测模型的预测结果更加接近真实值,预测结果更加符合实际规律。
步骤103、获取目标预测模型的至少两个扰动模型,并基于至少两个扰动模型分别确定目标企业在待预测财务科目上的扰动值。
扰动模型为在目标预测模型中增加一个扰动项得到的模型,用于获得目标预测值的扰动值。扰动值为根据扰动模型获得的待预测财务科目带扰动的预测值。扰动模型至少为两个,每个扰动模型对应一个扰动值,因此目标企业在待预测财务科目上的扰动值至少为两个。优选的,本发明选择25个扰动模型,得到25个扰动值。
步骤104、基于目标预测值和扰动值,确定所预测财务科目的目标置信区间。
目标置信区间表示预测财务科目的目标预测值的区间范围,用于表示目标预测值的可信程度,具体的,根据目标预测值和扰动值可以获得目标预测值的方差,进而获得目标预测值的置信区间,即所预测财务科目的目标置信区间。
本实施例的技术方案,通过为目标企业选择至少两个候选预测模型,然后从候选预测模型中选择目标预测模型,确定目标预测值,通过多个候选预测模型得到目标预测模型,针对目标企业财务数据特征选择更加合适的目标预测模型,通过获取目标预测模型的至少两个扰动模型,确定目标企业在待预测财务科目上的扰动值,进而确定测财务科目的目标置信区间,通过多个扰动模型确定多个扰动值计算目标置信区间,使得目标置信区间的范围更加准确,解决了企业财务数据预测中存在预测结果准确率低的问题,提高企业财务数据预测的准确性。
实施例二
图2为本发明实施例二提供的一种企业财务数据的预测方法的流程图,本实施例是在上述各实施例的基础上的进一步细化,具体的,将基于候选预测模型,确定目标企业在待预测财务科目上的预测值,细化为:获取目标企业的历史财务科目特征和目标企业的非财务特征;基于候选预测模型,根据历史财务科目特征和非财务特征,确定目标企业在待预测财务科目上的预测值,该方法包括:
步骤201、为目标企业的待预测财务科目选择至少两个候选预测模型。
步骤202、获取目标企业的历史财务科目特征和目标企业的非财务特征。
历史财务科目特征为目标企业当前年份之前的两个连续年份的财务报表中的所有原始科目。每个历史年份的历史财务科目特征包括81个科目,历史财务科目特征包括的科目名称如表3所示,对于不同的年份可以通过在科目名称后加上不同的标识进行区分,例如,用货币资金-1和货币资金-2表示两个年份的货币资金,历史财务科目特征包括81×2共162个科目。非财务特征为基于基础的交易数据计算出的非财务指标,用于获取目标企业历史财务科目特征之外的特征,以综合多个因素对目标企业财务数据进行预测,例如,借方总额增长率。
表3历史财务科目特征名称
在一个可选实施例中,历史财务科目特征包括历史的长期投资和历史的无形资产:历史的长期投资根据可供出售金融资产、持有至到期投资、长期应收账款、长期股权投资和投资性房地产确定;历史的无形资产根据开发支出确定。
历史的长期投资为不准备随时变现,持有时间超过1年的企业对外投资,用于作为企业的持有资本,具体的,历史的长期投资为可供出售金融资产、持有至到期投资、长期应收账款、长期股权投资和投资性房地产的和,即,长期投资=可供出售金融资产+持有至到期投资+长期应收账款+长期股权投资+投资性房地产。历史的无形资产为非货币性资产,用于表示企业没有物质实体的资产,例如,专利权、商标权和著作权等,本发明中的无形资产包括开发支出,即,无形资产=无形资产+开发支出。
通过确定历史财务科目特征中的长期资产和无形资产,在无形资产中包括开发支出,使得历史财务科目特征更加全面,丰富数据维度。
在一个可选实施例中,非财务特征包括如下至少一项:借方总额、贷方总额、账户余额、还息金额、还本金额、债项余额、借方总额增长率、贷方总额增长率、账户余额增长率、当年借方总额变异系数、上一年借方总额变异系数、当年贷方总额变异系数或上一年贷方总额变异系数;非财务特征的增长率通过如下方式计算:
G=2(X-X1)/(X+X1+1);
其中,G为非财务特征的增长率,X为非财务特征的当年值,X1为非财务特征的上一年值;
非财务特征的变异系数通过如下方式计算:
C=Y1/[abs(Y2)+1];
其中,C为非财务特征的变异系数,Y1为非财务特征的月度样本方差,Y2为非财务特征的月度样本均值。
非财务特征通过6个基础的交易数据计算得到,具体的,获取目标企业当前月份以及之前月份共24个月的数据,计算得到月度指标。其中6个基础的交易数据如表4中所示,非财务特征如表5所示。
表4基础的交易数据名称
原始名称 | 最新名称 |
m_sum_debit_amt | 借方总额 |
m_sum_credit_amt | 贷方总额 |
account_bal | 账户余额 |
received_re_interest_amt_m | 还息金额 |
sum_repay_amt_m | 还本金额 |
balance | 债项余额 |
通过表4中的基础交易数据可以计算出19个指标值,计算方式如表5所示。表中_0表示当前年份,_1表示当前年份的上一年,表中的月度数据通过抽取目标企业该月份及之前共24个月的数据并加工为月度指标。
表5非财务特征
简称 | 非财务特征名称 | 计算方式 |
借方总额_0 | 当年借方总额 | 月度数据直接加总 |
借方总额_1 | 上一年借方总额 | 月度数据直接加总 |
贷方总额_0 | 当年贷方总额 | 月度数据直接加总 |
贷方总额_1 | 上一年贷方总额 | 月度数据直接加总 |
账户余额_0 | 当年账户余额 | 取最后一个月的值 |
账户余额_1 | 上一年账户余额 | 取最后一个月的值 |
还息金额_0 | 当年还息金额 | 月度数据直接加总 |
还息金额_1 | 上一年还息金额 | 月度数据直接加总 |
还本金额_0 | 当年还本金额 | 月度数据直接加总 |
还本金额_1 | 上一年还本金额 | 月度数据直接加总 |
债项余额_0 | 当年债项余额 | 月度数据直接加总 |
债项余额_1 | 上一年债项余额 | 月度数据直接加总 |
借方总额_增长率 | 借方总额增长率 | 依据年度加总值计算增长率 |
贷方总额_增长率 | 贷方总额增长率 | 依据年度加总值计算增长率 |
账户余额_增长率 | 账户余额增长率 | 依据年度最后值计算增长率 |
借方总额_cv_0 | 当年借方总额变异系数 | 当年12个月度数据的变异系数 |
借方总额_cv_1 | 上一年借方总额变异系数 | 上年12个月度数据的变异系数 |
贷方总额_cv_0 | 当年贷方总额变异系数 | 当年12个月度数据的变异系数 |
贷方总额_cv_1 | 上一年贷方总额变异系数 | 上年12个月度数据的变异系数 |
表5中,非财务特征的增长率通过如下方式计算:
G=2(X-X1)/(X+X1+1)
其中,G为非财务特征的增长率,X为非财务特征的当年值,X1为非财务特征的上一年值。
非财务特征的变异系数通过如下方式计算:
C=Y1/[abs(Y2)+1]
其中,C为非财务特征的变异系数,Y1为非财务特征的月度样本方差,Y2为非财务特征的月度样本均值。
通过获取目标企业的非财务特征,进一步丰富数据类型,为目标企业的财务数据预测提供多维度的特征数据。
步骤203、基于候选预测模型,根据历史财务科目特征和非财务特征,确定目标企业在待预测财务科目上的预测值。
将得到的历史财务科目特征和非财务特征作为候选预测模型的输入数据,候选预测模型的输出即为目标企业在待预测财务科目上的预测值。
步骤204、根据预测值从至少两个候选预测模型中选择目标预测模型,且将目标预测模型所确定的预测值作为待预测财务科目的目标预测值。
在一个可选实施例中,将目标预测模型所确定的预测值作为待预测财务科目的目标预测值之后,还包括:基于财务指标与财务科目之间的关系,根据待预测财务科目的目标预测值,确定财务指标的指标值。
财务指标为评价企业的财务数据的相对指标,示例性的,总资产周转率为衡量资产投资规模与销售水平之间配比情况的指标,具体的,财务指标通过相应的科目计算得到,财务指标包括,总资产周转率、资产负债率、销售毛利润率、存货周转率、应收账款周转率、销售利润率、应收账款周转率、销售利润率、速动比率、净资产收益率和总资产收益率中的至少一项。指标值为财务指标的数值,通过待预测财务科目的目标预测值计算得到,具体的,目标预测模型预测得到的是待预测科目的目标预测值,指标值通过对应的财务指标计算公式得到,不同财务指标的计算公式如表6所示,示例性的,可以预先建立数学模型计算不同财务指标。
表6财务指标计算公式
通过财务指标与财务科目之间的关系,根据待预测财务科目的目标预测值,确定财务指标的指标值,可以更加直观地评价目标企业的财务数据。
在一个可选实施例中,基于财务指标与财务科目之间的关系,根据待预测财务科目的目标预测值,确定财务指标的指标值,包括:根据对目标预测值的修改操作,确定待预测财务科目的预测修改值,将预测修改值作为新的目标预测值,用于确定财务指标的指标值。
在获取指标值之后可以人工判断指标值的预测结果的准确性,当预测结果与用户人工判断出现较大偏差时,可以人工修改待预测财务科目的目标预测值,并将修改后的预测修改值输入到财务目标预测模型中,财务指标的计算模块将预测修改值作为新的目标预测值重新计算财务指标的指标值,并展示计算结果。
图3为企业数据预测结果展示窗口示意图。图3展示的为点击“展开财务数据”按钮后的情况,展示窗口中有“修改结果”按钮,点击“修改结果”按钮可以选择并修改相应的待预测财务科目的目标预测值,修改待预测财务科目的目标预测值后,点击“展开关键财务指标”按钮,则展示结果为将预测修改值作为目标预测值确定的财务指标的指标值。
通过设置修改操作,可以在预测结果不理想时进行人工修改,提高操作的便捷性。
图4为数据交互过程示意图。用户在用户端查询企业关键字,获得目标企业类型,选定目标企业,并获得目标企业的财务报表,作为输入数据输入到预测模型端。预测模型端完成对输入数据的财务科目的目标预测值的预测,根据目标预测值计算财务指标,并根据目标预测值计算目标置信区间,将预测结果输出进行展示。用户在用户端获取预测数据,当用户判断目标预测值有较大偏差时,可以人工修改预测科目的目标预测值,并将修改后的目标预测值输入到预测模型端,预测模型根据修改后的目标预测值计算财务指标,并输出修改后的预测结果。用户在用户端获取修改后的预测数据。用户通过用户端和预测模型端发上两次数据交互,操作简单,并可以修改预测结果重新得到修改后的预测结果,预测模型端能够快速响应用户需求,用户使用过程更加便捷。
图5为财务数据预测模型预测过程。用户选定目标企业和财务报表后,财务数据预测模型按照图5中的流程对目标企业的财务数据进行预测,每次计算为实时计算,得到预测的财务科目后,还可针对科目进行修改,重新计算财务指标值。具体过程如下:获取用户的原始数据后,对原始数据进行特征数据计算,获得历史财务科目特征和非财务特征,将特征数据数据输入到候选预测模型中预测待预测科目的预测值,根据科目预测值计算财务指标和目标置信区间,获得预测结果。财务数据预测模型对未来一年(当前最新财务报表年份的后一年)的财务数据进行预测,共预测19个财务科目。财务数据预测模型对不同科目的预测是独立进行的,其中涉及到的所有候选预测模型,其模型结构和输入数据都是一致的,只有模型参数不同。
步骤205、获取目标预测模型的至少两个扰动模型,并基于至少两个扰动模型分别确定目标企业在待预测财务科目上的扰动值。
步骤206、基于目标预测值和扰动值,确定测财务科目的目标置信区间。
本实施例的技术方案,通过获取历史财务科目特征和目标企业的非财务特征,通过候选预测模型根据获得的特征预测目标企业在待预测财务科目上的预测值,丰富候选预测模型输入数据的维度,综合数据的多方面特征得到预测值,提高预测值的准确性。
实施例三
图6所示为本发明实施例三提供的一种企业财务数据的预测方法的流程图,本实施例在上述各实施例的基础上的进一步细化,具体的,将基于目标预测值和扰动值,确定待预测财务科目的目标置信区间,细化为:根据扰动值,确定扰动值的扰动样本方差;根据目标预测值和扰动样本方差,确定待预测财务科目的第一置信区间;获取待预测财务科目的预设误差率,并根据目标预测值和预设误差率,确定待预测财务科目的第二置信区间;根据待预测财务科目的第一置信区间和第二置信区间,确定待预测财务客户的目标置信区间,该方法包括:
步骤301、为目标企业的待预测财务科目选择至少两个候选预测模型。
步骤302、基于候选预测模型,确定目标企业在待预测财务科目上的预测值,并根据预测值从至少两个候选预测模型中选择目标预测模型,且将目标预测模型所确定的预测值作为待预测财务科目的目标预测值。
步骤303、获取目标预测模型的至少两个扰动模型,并基于至少两个扰动模型分别确定目标企业在待预测财务科目上的扰动值。
步骤304、根据扰动值,确定扰动值的扰动样本方差。
扰动样本方差为以扰动值构成的样本数据的方差,用来表示扰动值的波动程度,具体的,先求出各个扰动值与其算术平均数的离差的平方,然后再对离差的平方取平均数,得到扰动样本方差。
步骤305、根据目标预测值和扰动样本方差,确定待预测财务科目的第一置信区间。
第一置信区间的计算公式如下:
[L1,U1]=[f(X)-Z×sigma-0.001,f(X)+Z×sigma+0.001]
其中,[L1,U1]为第一置信区间,f(X)为目标预测值,sigma为扰动样本方差,Z为扰动系数。
步骤306、获取待预测财务科目的预设误差率,并根据目标预测值和预设误差率,确定待预测财务科目的第二置信区间。
预设误差率为预先根据待预测财务科目设置的误差率,具体数值如表7所示。第二置信区间的计算公式如下:
[L2,U2]=[f(X)-sigma0×abs(f(X))-0.001,f(X)+sigma0×abs(f(X))+0.001]
其中,[L2,U2]为第二置信区间,sigma0为预设误差率。
在一个可选实施例中,获取待预测财务科目的预设误差率,包括:基于候选财务科目与预设误差率之间的关联关系,获取待预测财务科目的预设误差率。
候选财务科目与预设误差率之间的关联关系如表7所示。
表7预设误差率表
通过候选财务科目与预设误差率之间的关联关系获取待预测财务科目的预设误差率,满足不同候选财务科目对预设误差率的要求。
步骤307、根据待预测财务科目的第一置信区间和第二置信区间,确定待预测财务科目的目标置信区间。
待预测财务科目的目标置信区间将第一置信区间的最大值作为目标置信区间的最小值,将第二置信区间的最小值作为目标置信区间的最大值,具体的目标置信区间的计算公式如下:
[L,U]=[max(L1,L2),min(U1,U2)
其中,[L,U]为目标置信区间。
本实施例的技术方案,通过确定扰动值的扰动样本方差,根据目标预测值和扰动样本方差计算第一置信区间,根据目标预测值和预设误差率,确定待预测财务科目的第二置信区间,根据第一置信区间和第二置信区间,确定待预测财务客户的目标置信区间,综合考虑扰动值、目标预测值和预设误差率确定目标置信区间,使得目标置信区间更加符合实际,区间范围更加精确。
实施例四
图7为本发明实施例四提供的一种企业财务数据装置的结构示意图。实施例四是实现本发明上述实施例提供的企业财务数据方法的相应装置,该装置可采用软件和/或硬件的方式实现,并一般可集成在电子设备中。企业财务数据装置包括:
候选预测模型选择模块401,用于为目标企业的待预测财务科目选择至少两个候选预测模型;
目标预测值确定模块402,用于基于候选预测模型,确定目标企业在待预测财务科目上的预测值,并根据预测值从至少两个候选预测模型中选择目标预测模型,且将目标预测模型所确定的预测值作为待预测财务科目的目标预测值;
扰动值确定模块403,用于获取目标预测模型的至少两个扰动模型,并基于至少两个扰动模型分别确定目标企业在待预测财务科目上的扰动值;
目标置信区间确定模块404,用于基于目标预测值和扰动值,确定待预测财务科目的目标置信区间。
本实施例的技术方案,通过为目标企业选择至少两个候选预测模型,然后从候选预测模型中选择目标预测模型,确定目标预测值,通过多个候选预测模型得到目标预测模型,针对目标企业财务数据特征选择更加合适的目标预测模型,通过获取目标预测模型的至少两个扰动模型,确定目标企业在待预测财务科目上的扰动值,进而确定测财务科目的目标置信区间,通过多个扰动模型确定多个扰动值计算目标置信区间,使得目标置信区间的范围更加准确,解决了企业财务数据预测中存在预测结果准确率低的问题,提高企业财务数据预测的准确性。
进一步的,目标预测值确定模块402,包括:
特征确定单元,用于确定目标企业的行业特征和规模特征;
预测模型选择单元,用于根据目标企业的行业特征和/或规模特征,为目标企业的待预测财务科目选择至少两个候选预测模型。
进一步的,预测模型选择单元,包括:
小微企业预测模型选择子单元,用于若根据目标企业的规模特征确定目标企业属于小微企业,则将待预测财务科目的小微企业预测模型,作为候选预测模型;
行业子模型选择子单元,用于根据目标企业的行业特征,从待预测财务科目的至少两个候选行业子模型中选择目标行业子模型作为候选预测模型;
通用模型选择子单元,用于将待预测财务科目的行业通用模型,作为候选预测模型。
进一步的,目标预测值确定模块402,包括:
历史特征获取单元,用于获取目标企业的历史财务科目特征和目标企业的非财务特征;
科目预测值确定单元,用于基于候选预测模型,根据历史财务科目特征和非财务特征,确定目标企业在待预测财务科目上的预测值。
进一步的,非财务特征包括如下至少一项:借方总额、贷方总额、账户余额、还息金额、还本金额、债项余额、借方总额增长率、贷方总额增长率、账户余额增长率、当年借方总额变异系数、上一年借方总额变异系数、当年贷方总额变异系数或上一年贷方总额变异系数;
非财务特征的增长率通过如下方式计算:
G=2(X-X1)/(X+X1+1);
其中,G为非财务特征的增长率,X为非财务特征的当年值,X1为非财务特征的上一年值;
非财务特征的变异系数通过如下方式计算:
C=Y1/[abs(Y2)+1];
其中,C为非财务特征的变异系数,Y1为非财务特征的月度样本方差,Y2为非财务特征的月度样本均值。
进一步的,历史财务科目特征包括历史的长期投资和历史的无形资产:
历史的长期投资根据可供出售金融资产、持有至到期投资、长期应收账款、长期股权投资和投资性房地产确定;
历史的无形资产根据开发支出确定。
进一步的,目标预测值确定模块402,包括:
最新真实值获取单元,用于获取目标企业在待预测财务科目的最新真实值;
目标预测模型选择单元,用于将预测值与最新真实值之间差值最小的候选预测模型,作为目标预测模型。
进一步的,目标置信区间确定模块404,包括:
方差确定单元,用于根据扰动值,确定扰动值的扰动样本方差;
第一置信区间确定单元,用于根据目标预测值和扰动样本方差,确定待预测财务科目的第一置信区间;
第二置信区间确定单元,用于获取待预测财务科目的预设误差率,并根据目标预测值和预设误差率,确定待预测财务科目的第二置信区间;
目标置信区间获取单元,用于根据待预测财务科目的第一置信区间和第二置信区间,确定待预测财务科目的目标置信区间。
进一步的,根据如下公式确定待预测财务科目的第一置信区间和第二置信区间:
[L1,U1]=[f(X)-Z×sigma-0.001,f(X)+Z×sigma+0.001];
[L2,U2]=[f(X)-sigma0×abs(f(X))-0.001,f(X)+sigma0×abs(f(X))+0.001]
[L,U]=[max(L1,L2),min(U1,U2)
其中,[L1,U1]、[L2,U2]和[L,U]分别为第一置信区间、第二置信区间和目标置信区间,f(X)为目标预测值,sigma为扰动样本方差,sigma0为预设误差率,Z为扰动系数。
进一步的,第二置信区间确定单元,包括:
预设误差率获取子单元,用于基于候选财务科目与预设误差率之间的关联关系,获取待预测财务科目的预设误差率。
进一步的,企业财务数据的预测装置,还包括:
指标值确定模块,用于基于财务指标与财务科目之间的关系,根据待预测财务科目的目标预测值,确定财务指标的指标值。
进一步的,指标值确定模块,包括:
修改后指标值确定单元,用于根据对目标预测值的修改操作,确定待预测财务科目的预测修改值,将预测修改值作为新的目标预测值,用于确定财务指标的指标值。
上述装置可执行本发明实施例所提供的企业财务数据的预测方法,具备执行企业财务数据的预测方法相应的功能模块和有益效果。
实施例五
图8为本发明实施例五提供的一种电子设备的结构示意图,如图8所示,该电子设备包括处理器501、存储器502、输入装置503和输出装置504;电子设备中处理器501的数量可以是一个或多个,图8中以一个处理器501为例;设备中的处理器501、存储器502、输入装置503和输出装置504可以通过总线或其他方式连接,图8中以通过总线连接为例。
存储器502作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的企业财务数据的预测方法对应的程序指令/模块(例如,候选预测模型选择模块401、目标预测值确定模块402、扰动值确定模块403和目标置信区间确定模块404)。处理器501通过运行存储在存储器502中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述的企业财务数据的预测方法。
存储器502可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器502可进一步包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至电子设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置503可用于接收输入的点云数据,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置504可包括显示屏等显示设备。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种企业财务数据的预测方法,该方法包括:
为目标企业的待预测财务科目选择至少两个候选预测模型;
基于候选预测模型,确定目标企业在待预测财务科目上的预测值,并根据预测值从至少两个候选预测模型中选择目标预测模型,且将目标预测模型所确定的预测值作为待预测财务科目的目标预测值;
获取目标预测模型的至少两个扰动模型,并基于至少两个扰动模型分别确定目标企业在待预测财务科目上的扰动值;
基于目标预测值和扰动值,确定测财务科目的目标置信区间。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的企业财务数据的预测方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,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,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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的方法。
值得注意的是,上述搜索装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (15)
1.一种企业财务数据的预测方法,其特征在于,所述方法包括:
为目标企业的待预测财务科目选择至少两个候选预测模型;
基于候选预测模型,确定目标企业在待预测财务科目上的预测值,并根据预测值从至少两个候选预测模型中选择目标预测模型,且将目标预测模型所确定的预测值作为待预测财务科目的目标预测值;
获取目标预测模型的至少两个扰动模型,并基于至少两个扰动模型分别确定目标企业在待预测财务科目上的扰动值;
基于所述目标预测值和所述扰动值,确定所述待预测财务科目的目标置信区间。
2.根据权利要求1所述的方法,其特征在于,为目标企业的待预测财务科目选择至少两个候选预测模型,包括:
确定目标企业的行业特征和规模特征;
根据所述目标企业的行业特征和/或规模特征,为目标企业的待预测财务科目选择至少两个候选预测模型。
3.根据权利要求2所述的方法,其特征在于,根据所述目标企业的行业特征和/或规模特征,为目标企业的待预测财务科目选择至少两个候选预测模型,包括:
若根据目标企业的规模特征确定目标企业属于小微企业,则将待预测财务科目的小微企业预测模型,作为候选预测模型;
根据目标企业的行业特征,从待预测财务科目的至少两个候选行业子模型中选择目标行业子模型作为候选预测模型;
将待预测财务科目的行业通用模型,作为候选预测模型。
4.根据权利要求1所述的方法,其特征在于,基于候选预测模型,确定目标企业在待预测财务科目上的预测值,包括:
获取目标企业的历史财务科目特征和目标企业的非财务特征;
基于候选预测模型,根据所述历史财务科目特征和所述非财务特征,确定目标企业在待预测财务科目上的预测值。
5.根据权利要求4所述的方法,其特征在于,所述非财务特征包括如下至少一项:借方总额、贷方总额、账户余额、还息金额、还本金额、债项余额、借方总额增长率、贷方总额增长率、账户余额增长率、当年借方总额变异系数、上一年借方总额变异系数、当年贷方总额变异系数或上一年贷方总额变异系数;
非财务特征的增长率通过如下方式计算:
G=2(X-X1)/(X+X1+1);
其中,G为非财务特征的增长率,X为非财务特征的当年值,X1为非财务特征的上一年值;
非财务特征的变异系数通过如下方式计算:
C=Y1/[abs(Y2)+1];
其中,C为非财务特征的变异系数,Y1为非财务特征的月度样本方差,Y2为非财务特征的月度样本均值。
6.根据权利要求4所述的方法,其特征在于,所述历史财务科目特征包括历史的长期投资和历史的无形资产:
历史的长期投资根据可供出售金融资产、持有至到期投资、长期应收账款、长期股权投资和投资性房地产确定;
所述历史的无形资产根据开发支出确定。
7.根据权利要求1所述的方法,其特征在于,根据预测值从至少两个候选预测模型中选择目标预测模型,包括:
获取目标企业在待预测财务科目的最新真实值;
将预测值与最新真实值之间差值最小的候选预测模型,作为目标预测模型。
8.根据权利要求1所述的方法,其特征在于,基于所述目标预测值和所述扰动值,确定所述待预测财务科目的目标置信区间,包括:
根据所述扰动值,确定扰动值的扰动样本方差;
根据目标预测值和扰动样本方差,确定待预测财务科目的第一置信区间;
获取待预测财务科目的预设误差率,并根据目标预测值和所述预设误差率,确定待预测财务科目的第二置信区间;
根据待预测财务科目的第一置信区间和第二置信区间,确定待预测财务科目的目标置信区间。
9.根据权利要求8所述的方法,其特征在于,根据如下公式确定待预测财务科目的第一置信区间和第二置信区间:
[L1,U1]=[f(X)-Z×sigma-0.001,f(X)+Z×sigma+0.001];
[L2,U2]=[f(X)-sigma0×abs(f(X))-0.001,f(X)+sigma0×abs(f(X))+0.001]
[L,U]=[max(L1,L2),min(U1,U2)
其中,[L1,U1]、[L2,U2]和[L,U]分别为第一置信区间、第二置信区间和目标置信区间,f(X)为目标预测值,sigma为扰动样本方差,sigma0为预设误差率,Z为扰动系数。
10.根据权利要求8所述的方法,其特征在于,获取待预测财务科目的预设误差率,包括:
基于候选财务科目与预设误差率之间的关联关系,获取待预测财务科目的预设误差率。
11.根据权利要求1所述的方法,其特征在于,将目标预测模型所确定的预测值作为待预测财务科目的目标预测值之后,还包括:
基于财务指标与财务科目之间的关系,根据待预测财务科目的目标预测值,确定财务指标的指标值。
12.根据权利要求11所述的方法,其特征在于,基于财务指标与财务科目之间的关系,根据待预测财务科目的目标预测值,确定财务指标的指标值,包括:
根据对目标预测值的修改操作,确定待预测财务科目的预测修改值,将所述预测修改值作为新的目标预测值,用于确定所述财务指标的指标值。
13.一种企业财务数据的预测装置,其特征在于,包括:
候选预测模型选择模块,用于为目标企业的待预测财务科目选择至少两个候选预测模型;
目标预测值确定模块,用于基于候选预测模型,确定目标企业在待预测财务科目上的预测值,并根据预测值从至少两个候选预测模型中选择目标预测模型,且将目标预测模型所确定的预测值作为待预测财务科目的目标预测值;
扰动值确定模块,用于获取目标预测模型的至少两个扰动模型,并基于至少两个扰动模型分别确定目标企业在待预测财务科目上的扰动值;
目标置信区间确定模块,用于基于所述目标预测值和所述扰动值,确定所述待预测财务科目的目标置信区间。
14.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-12中任一所述的企业财务数据的预测方法。
15.一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,该程序被处理器执行时实现如权利要求1-12中任一所述的企业财务数据的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111389407.4A CN113962486A (zh) | 2021-11-22 | 2021-11-22 | 企业财务数据的预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111389407.4A CN113962486A (zh) | 2021-11-22 | 2021-11-22 | 企业财务数据的预测方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113962486A true CN113962486A (zh) | 2022-01-21 |
Family
ID=79471406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111389407.4A Pending CN113962486A (zh) | 2021-11-22 | 2021-11-22 | 企业财务数据的预测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962486A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542801A (zh) * | 2023-07-07 | 2023-08-04 | 成都理工大学 | 一种财务数据分析方法及系统 |
CN118154342A (zh) * | 2024-05-10 | 2024-06-07 | 江苏互帮数字技术有限公司 | 将业务数据自动生成财务数据的系统及方法 |
-
2021
- 2021-11-22 CN CN202111389407.4A patent/CN113962486A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542801A (zh) * | 2023-07-07 | 2023-08-04 | 成都理工大学 | 一种财务数据分析方法及系统 |
CN116542801B (zh) * | 2023-07-07 | 2023-09-22 | 成都理工大学 | 一种财务数据分析方法及系统 |
CN118154342A (zh) * | 2024-05-10 | 2024-06-07 | 江苏互帮数字技术有限公司 | 将业务数据自动生成财务数据的系统及方法 |
CN118154342B (zh) * | 2024-05-10 | 2024-07-23 | 江苏互帮数字技术有限公司 | 将业务数据自动生成财务数据的系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4358475B2 (ja) | 信用評価システム | |
JP6354059B2 (ja) | 財務情報分析システム、及びプログラム | |
Kuzey et al. | The impact of multinationality on firm value: A comparative analysis of machine learning techniques | |
Daryanto et al. | The impact of financial liquidity and leverage on financial performance: Evidence from property and real estate enterprises in Indonesia | |
US8984022B1 (en) | Automating growth and evaluation of segmentation trees | |
CN113962486A (zh) | 企业财务数据的预测方法、装置、电子设备和存储介质 | |
KR102628559B1 (ko) | 부동산 담보대출 자동심사 플랫폼 제공방법 및 제공장치 | |
Boguslauskas et al. | The selection of financial ratios as independent variables for credit risk assessment | |
Bertocchi et al. | Sensitivity of bond portfolio's behavior with respect to random movements in yield curve: A simulation study | |
Fiordelisi et al. | Efficiency in the factoring industry | |
Kothandapani | Applications of Robotic Process Automation in Quantitative Risk Assessment in Financial Institutions | |
Gresnigt et al. | Specification testing in hawkes models | |
CN113421014A (zh) | 一种目标企业确定方法、装置、设备和存储介质 | |
Ismail | Financial Cash Flow Determinants of Company Failure in the Construction Industry. | |
Akinfiev | Sanctions and modeling of the financial stability of companies | |
Niknya et al. | Financial distress prediction of Tehran Stock Exchange companies using support vector machine | |
JP2016076098A (ja) | J−reitの買付及び売付のタイミングを判定するコンピュータ装置 | |
Guerra et al. | Value creation and investment projects: An application of fuzzy sensitivity analysis to project financing transactions | |
Kanimozhi et al. | Predicting Mortgage-Backed Securities Prepayment Risk Using Machine Learning Models | |
CN112767132A (zh) | 一种数据处理方法及系统 | |
Ruzakova | Automation of the financial analysis decision-making process on the Internet | |
Pu | Application of Fuzzy Influence Map Evaluation Algorithm in Supply Chain Financial Credit Risk Assessment | |
Trigkas | Assessing the Volume of Changes to Banking Assets and Liabilities Using Genetic Algorithms in Additional Funds Needed Model | |
Berkelmans et al. | Realisation Ratios in the Capital Expenditure Survey| Bulletin–December 2013 | |
KR102243647B1 (ko) | 증권 거래 자산정보 제공시스템 및 증권 거래 자산정보 제공방법 |
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 |