CN113962614B - 一种上市公司经营异常智能审查方法及装置 - Google Patents
一种上市公司经营异常智能审查方法及装置 Download PDFInfo
- Publication number
- CN113962614B CN113962614B CN202111570209.8A CN202111570209A CN113962614B CN 113962614 B CN113962614 B CN 113962614B CN 202111570209 A CN202111570209 A CN 202111570209A CN 113962614 B CN113962614 B CN 113962614B
- Authority
- CN
- China
- Prior art keywords
- company
- combined
- ratio
- expected
- deviation
- 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.)
- Active
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
- G06Q10/06—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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于数据挖掘技术领域,具体涉及一种上市公司经营异常智能审查方法及装置,方法包括如下步骤:特征提取,提取待审查公司同领域所有上市公司的业务构成特征、收支比特征,结合业务构成特征和收支比特征构建组合特征;期望特征生成,生成收支比期望特征,拟合预测组合期望特征;计算偏离度,计算业务构成特征偏离度、收支比期望特征偏离度以及组合期望特征偏离度;基各偏离度计算待审查公司经营的异常值;设定经验阈值,异常值大于或等于经验阈值则标记审查公司经营异常。通过计算不同目标特征的偏离度,依据不同权重计算异常值,比对异常值与经验阈值,判别公司经营异常状况,提高上市公司经营异常审查效果。
Description
技术领域
本发明属于数据挖掘技术领域,具体涉及一种上市公司经营异常智能审查方法及装置。
背景技术
上市公司监管机构需对上市公司的经营状况进行及时监管,可通过实地考察方式对上市公司进行监管。但实际监管过程中,由于上市公司数量众多,难以对每家上市公司都进行实地细致审查,现在上市公司监管机构多通过审计机构财务核查后公开的公告信息初步评估上市公司经营状况,发现异常后进行进一步审查,即利用数据挖掘等技术对上市公司的公告数据信息进行分析,构建大数据驱动的上市公司经营异常审查模型,进而提高上市公司监管机构的工作效率,同时提升监管效果。但是,现有大数据异常分析技术依赖于大量的正常或异常数据样本,但异常数据样本量有限,难以采取有监督的数据分析挖掘技术对上市公司经营状况进行异常检测。
发明内容
本发明在于提供一种无监督的上市公司经营异常智能审查方法及装置,从时间和空间维度上分析上市公司经营特征,通过提取、计算不同特征的偏离度,依据不同权重计算异常值,并与经验阈值比对,进而判别上市公司经营异常状况。
一种上市公司经营异常智能审查方法,包括如下步骤:
S1:特征提取
提取待审查公司同领域所有上市公司的业务构成特征、收支比特征,结合业务构成特征和收支比特征构建组合特征;
S2:期望特征生成
生成收支比期望特征,拟合预测组合期望特征;
S3:计算偏离度
计算业务构成特征偏离度、收支比期望特征偏离度以及组合期望特征偏离度;
S4:基于S3中各偏离度计算待审查公司经营的异常值;
S5:设定经验阈值,异常值大于或等于经验阈值则标记审查公司经营异常。
通过计算待审查公司不同目标特征的偏离度,并依据不同权重计算待审查公司的异常值,将异常值与经验阈值进行对比,进而判别上市公司经营异常状况。
所述S1中,从待审查公司同领域所有上市公司公告数据中提取业务构成数据,汇制成业务构成清单,基于one-hot表征与待审查公司同领域所有上市公司的业务构成特征。
所述S1中,从待审查公司同领域所有上市公司公告数据中提取收支科目,汇制成收支科目清单,将收支科目的收支比构成收支比特征。
所述收支比特征进行Min-max标准化处理后,采用生成对抗神经网络生成待审查公司同领域所有公司的收支比期望特征。
所述业务构成特征和所述收支比期望特征组合构建组合特征,采用自回归方法拟合历史组合特征值,并预测待审查公司当年组合特征的期望特征值。
所述S3中,业务构成特征偏离度的计算采用jaccard距离,逐一计算待审查公司与同领域其他上市公司的业务构成特征的平均偏离度。
所述S3中,收支比期望特征和组合期望特征的偏离度计算均采用余弦距离,分别计算待审查公司与同领域其他上市公司收支比期望特征偏离度以及组合特征自回归偏离度。
所述S4中,异常值计算通过对业务特征偏离度、收支比期望特征偏离度以及组合期望特征偏离度设置不同权重,进行加权平均计算。
本发明还提供了一种上市公司经营异常智能审查装置,包括特征提取模块、偏离度计算模块以及异常判别模块;
所述特征提取模块,用于获取上市公司公告数据,提取业务构成特征、收支比特征以及业务构成特征和收支比特征构建的组合特征;
所述偏离度计算模块,用于计算业务构成特征、收支比期望特征以及业务构成特征和收支比期望特征构建的组合期望特征的偏离度,加权平均计算待审查公司的异常值;
所述异常判别模块,用于比对异常值和经验阈值,判别待审查公司经营异常状况。
还包括处理器,所述处理器用于处理所述特征提取模块、所述偏离度计算模块、所述异常判别模块发出的获取上市公司公告数据、计算偏离度、异常判别的指令。
本发明的有益效果为:
本发明通过计算待审查公司不同目标特征的偏离度,并依据不同权重计算待审查公司的异常值,将异常值与经验阈值进行对比,进而判别上市公司经营异常状况;针对业务构成特征、收支比特征以及两者组合特征,从时间和空间维度上选取经营状况影响特征,设定异常值计算方法,并通过经验数据直接进行比对,具有一定合理性;采用无监督的数据分析挖掘技术,利于各目标特征对于数据异常的敏感度,提高上市公司经营异常的审查效果,同时大幅节省计算资源。
附图说明
图1为本发明优选实施例一的流程示意图;
图2为优选实施例一中异常值计算方法示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
优选实施例一,如图1、图2所示,本实施例提供的这种上市公司经营异常智能审查方法,包括如下步骤:
S1:特征提取
提取待审查公司同领域所有上市公司的业务构成特征、收支比特征,结合业务构成特征和收支比特征构建组合特征;
S2:期望特征生成
生成收支比期望特征,拟合预测组合期望特征;
S3:计算偏离度
计算业务构成特征偏离度、收支比期望特征偏离度以及组合期望特征偏离度;
S4:基于S3中各偏离度计算待审查公司经营的异常值;
S5:设定经验阈值,异常值大于或等于经验阈值则标记审查公司经营异常。
通过计算待审查公司不同目标特征的偏离度,并依据不同权重计算异常值,将异常值与经验阈值进行比对,进而判别上市公司经营异常状况;针对业务构成特征、收支比特征以及两者组合特征,从时间和空间维度上选取经营状况影响特征,设定异常值计算方法,并通过经验阈值直接进行比对,利于各目标特征对于数据异常的敏感度,提高上市公司经营异常的审查效果,同时大幅节省计算资源。
具体来说,S1中,特征提取的过程包括如下步骤:
S11:业务构成特征的提取
从上市公司公告数据中提取所有上市公司业务构成数据,形成业务构成清单B={b 1,b 2,…,b n },基于one-hot表征上市公司业务构成特征,即:
b k =0/1,b k ∈B。
待审查公司同领域的其他公司构成的集合为Set B ={B 1,B 2,…,B i ,…,B j ,…,B m };其中m表示同领域所有公司的个数。
S12:收支比特征的提取
从上市公司公告数据中提取所有上市公司收支科目数据,形成收支科目清单IE={ie 1,ie 2,…,ie n },基于所有科目收支比表征上市公司收支比特征,即:
ie k =income k /exp{enses k },ie k ∈IE;
式中,income k 表示第k个收支科目的收入金额,exp{enses k }表示第k个收支科目的支出金额。
待审查公司同领域的所有公司构成的集合为Set IE ={IE 1,IE 2,…,IE i ,…,IE j ,…,IE m },上市公司收支比特征进行Min-max标准化处理,即:
式中,ie i,k 表示待审查公司第k个收支科目的收支比特征,ie j,k 表示同领域其他公司第k个收支科目的收支比特征,min(ie j,k )表示同领域其他公司第k个收支科目的收支比特征中的最小值,max(ie j,k )表示同领域其他公司第k个收支科目的收支比特征中的最大值。
S13:组合特征的提取
组合特征C i 包括待审查公司的业务构成B i 和收支比特征IE i ,即C i ={B i ,IE i }。
具体来说,S2中,期望特征生成的过程包括如下步骤:
S21:收支比期望特征的生成
采用生成对抗神经网络生成待审查公司同领域其他公司的收支比特征的期望特征值Ex(IE)={Ex(ie 1),Ex(ie 2),…,Ex(ie n )}。
其中,生成对抗神经网络包括生成器G和判别器D,生成器由全连接层的输入层和输出层构成,输入层输入维度为10的初始化随机变量,输出层生成收支比特征向量;判别器由全连接层的输入层和输出层构成,输入层输入真实收支比特征向量或生成器生成的收支比特征向量,输出层输出生成样本和真实样本的置信度向量。
其中,生成器和判别器的全连接层采用Logistic激活函数激活,即:
Logistic=1/(1+exp{-ΣW·IE});
式中,W表示神经元连接的权值。
生成器中权值更新采用梯度上升法,判别器中权值更新采用梯度下降法,其中学习率α=0.1,刻画标签y表示生成器生成样本y=0或真实样本y=1,即:
W G =W G -α·IE(y-Logistic(W G ·IE))
W D =W D +α·IE(y-Logistic(W D ·IE))
判别器中全连接层输出后使用交叉熵作为损失函数,即:
LOSS=-y·log(Logistic(W·IE))-(1-y)·log(1-Logistic(W·IE))
通过生成对抗神经网络训练待审查公司同领域其他公司的收支比特征向量,生成对抗神经网络模型收敛时生成器中输出层输出的收支比特征向量即为收支比期望特征Ex(IE)。
S22:组合特征自回归期望特征的计算
采用滚动自回归方法拟合历史组合特征值C i,T ={C i, T 0,C i, T 1,…,C i, T t-1},利用所有历史组合特征值拟合C i,T-1={C i, T 0,C i, T 1,…,C i, T t-2}中的每一项特征值,采用多元线性回归进行拟合,拟合后得到多元线性回归模型权重系数Q,即:
Q·C i,T-1=C i,t-1
=>Q·C i,T-1·C i, T T-1=C i,t-1·C i, T T-1
=>Q=(C i,t-1·C i, T T-1)·(C i,T-1·C i, T T-1)-1
依据权重系数Q,进而通过输入历史组合特征值C i,T ={C i, T 0 ,C i, T 1,…,C i, T t-1},预测待审查公司当前组合期望特征值Ex(C i,t )=Q·C i,T 。
具体来说,S3中,偏离度计算的过程包括如下步骤:
S31:业务构成特征偏离度的计算
采用jaccard距离计算待审查公司与同领域其他上市公司业务构成特征的平均偏离度,作为公司经营异常值参考值之一,即:
式中,B i 表示待审查公司业务构成特征,B j ,i≠j且B j ∈Set B 表示B i 与同领域的其他公司的业务构成特征,B i ∩B j =sum(b i,k =1且b j,k =1)表示待审查公司业务构成B i 与同领域的其他公司的业务构成特征B j 的交集,B i ∪B j =sum(b i,k =1或b j,k =1)表示待审查公司业务构成B i 与同领域的其他公司的业务构成特征B j 的并集,sum()为计数总和函数,Dist jaccard (B i )∈[0,1]表示业务构成特征平均偏离度。
S32:收支比期望特征偏离度的计算
基于余弦距离计算待审查公司与同领域其他上市公司收支比特征的偏离度,作为公司经营异常参考值之一,即:
式中,‖IE i ‖表示待审查公司收支比特征向量IE i 的模,‖Ex(IE)‖表示同领域其他公司期望收支比特征向量Ex(IE)的模,Dist cos (IE i )∈[0,1]表示收支比特征的偏离度。
S33:组合特征自回归偏离度的计算
基于余弦距离计算待审查公司业务构成和收支比的组合特征偏离度,作为公司经营异常参考值之一,即:
式中,Dist cos (C i )∈[0,1]表示组合特征的自回归偏离度。
具体来说,S4中,待审查公司异常值标准的设定基于业务构成特征偏离度Dist jaccard (B i )、收支比特征偏离度Dist cos (IE i )以及组合特征自回归偏离度Dist cos (C i ),依据经验系数设定加权权重分别为0.3、0.3、0.4,作为公司经营异常值计算标准,即:
Score=0.3×Dist jaccard (B i )+0.3×Dist cos (IE i )+0.4×Dist cos (C i )
式中,Score表示异常值。
具体来说,S5中,经验阈值选取0.85,即当Score≥0.85时,标记待审查公司经营异常;当Score<0.85时,标记待审查公司经营正常。
优选实施例二
本实施例提供了一种上市公司经营异常智能审查装置,包括特征提取模块、偏离度计算模块以及异常判别模块;
特征提取模块,获取上市公司公告数据,提取业务构成特征、收支比特征以及业务构成特征和收支比特征构建的组合特征;
偏离度计算模块,计算业务构成特征、收支比期望特征以及业务构成特征和收支比期望特征构建的组合期望特征的偏离度,加权平均计算待审查公司的异常值;
异常判别模块,比对异常值和经验阈值,判别待审查公司经营异常状况。
还包括处理器,所述处理器用于处理所述特征提取模块、所述偏离度计算模块、所述异常判别模块发出的获取上市公司公告数据、计算偏离度、异常判别的指令。
需要说明的是,对于加权权重的设置以及比对经验阈值的数值选取,不拘泥于本实施例,可依照实际情况对其进行重新设定。
Claims (6)
1.一种上市公司经营异常智能审查方法,其特征在于,包括如下步骤:
S1:特征提取
提取待审查公司同领域所有上市公司的业务构成特征、收支比特征,结合业务构成特征和收支比特征构建组合特征;
S2:期望特征生成
生成收支比期望特征,拟合预测组合期望特征;
S3:计算偏离度
计算业务构成特征偏离度、收支比期望特征偏离度以及组合期望特征偏离度;
S4:基于S3中各偏离度计算待审查公司经营的异常值;
S5:设定经验阈值,异常值大于或等于经验阈值则标记审查公司经营异常;
所述S1中,从待审查公司同领域所有上市公司公告数据中提取业务构成数据,汇制成业务构成清单,基于one-hot表征与待审查公司同领域所有上市公司的业务构成特征;
所述收支比特征进行Min-max标准化处理后,采用生成对抗神经网络生成待审查公司同领域所有公司的收支比期望特征;
所述业务构成特征和所述收支比期望特征组合构建组合特征,采用自回归方法拟合历史组合特征值,并预测待审查公司当年组合特征的期望特征值;
所述S4中,异常值计算通过对业务特征偏离度、收支比期望特征偏离度以及组合期望特征偏离度设置不同权重,进行加权平均计算;
所述S2中,期望特征生成的过程包括如下步骤:
S21:收支比期望特征的生成
采用生成对抗神经网络生成待审查公司同领域其他公司的收支比特征的期望特征值Ex(IE)={Ex(ie 1),Ex(ie 2),…,Ex(ie n )};
其中,生成对抗神经网络包括生成器G和判别器D,生成器由全连接层的输入层和输出层构成,输入层输入维度为10的初始化随机变量,输出层生成收支比特征向量;判别器由全连接层的输入层和输出层构成,输入层输入真实收支比特征向量或生成器生成的收支比特征向量,输出层输出生成样本和真实样本的置信度向量;
其中,生成器和判别器的全连接层采用Logistic激活函数激活,即:
Logistic=1/(1+exp{-ΣW·IE});
式中,W表示神经元连接的权值;
生成器中权值更新采用梯度上升法,判别器中权值更新采用梯度下降法,其中学习率α=0.1;刻画标签y表示生成器生成样本y=0或真实样本y=1;
判别器中全连接层输出后使用交叉熵作为损失函数,即:
LOSS=-y·log(Logistic(W·IE))-(1-y)·log(1-Logistic(W·IE));
通过生成对抗神经网络训练待审查公司同领域其他公司的收支比特征向量,生成对抗神经网络模型收敛时生成器中输出层输出的收支比特征向量即为收支比期望特征Ex(IE);
S22:组合特征自回归期望特征的计算
采用滚动自回归方法拟合历史组合特征值C i,T ={C i, T 0,C i, T 1,…,C i, T t-1},利用所有历史组合特征值拟合C i,T-1={C i, T 0,C i, T 1,…,C i, T t-2}中的每一项特征值,采用多元线性回归进行拟合,拟合后得到多元线性回归模型权重系数Q,即:
Q·C i,T-1=C i,t-1
=> Q·C i,T-1·C i, T T-1=C i,t-1·C i, T T-1
=> Q=(C i,t-1·C i, T T-1)·(C i,T-1·C i, T T-1)-1
依据权重系数Q,进而通过输入历史组合特征值C i,T ={C i, T 0 ,C i, T 1,…,C i, T t-1},预测待审查公司当前组合期望特征值Ex(C i,t )=Q·C i,T 。
2.根据权利要求1所述的一种上市公司经营异常智能审查方法,其特征在于:所述S1中,从待审查公司同领域所有上市公司公告数据中提取收支科目,汇制成收支科目清单,将收支科目的收支比构成收支比特征。
3.根据权利要求1所述的一种上市公司经营异常智能审查方法,其特征在于:所述S3中,业务构成特征偏离度的计算采用jaccard距离,逐一计算待审查公司与同领域其他上市公司的业务构成特征的平均偏离度。
4.根据权利要求1所述的一种上市公司经营异常智能审查方法,其特征在于:所述S3中,收支比期望特征和组合期望特征的偏离度计算均采用余弦距离,分别计算待审查公司与同领域其他上市公司收支比期望特征偏离度以及组合特征自回归偏离度。
5.一种上市公司经营异常智能审查装置,其特征在于:包括特征提取模块、偏离度计算模块以及异常判别模块;
所述特征提取模块,用于获取上市公司公告数据,提取业务构成特征、收支比特征以及业务构成特征和收支比特征构建的组合特征;
所述偏离度计算模块,用于计算业务构成特征、收支比期望特征以及业务构成特征和收支比期望特征构建的组合期望特征的偏离度,加权平均计算待审查公司的异常值;
所述异常判别模块,用于比对异常值和经验阈值,判别待审查公司经营异常状况;
从待审查公司同领域所有上市公司公告数据中提取业务构成数据,汇制成业务构成清单,基于one-hot表征与待审查公司同领域所有上市公司的业务构成特征;
所述收支比特征进行Min-max标准化处理后,采用生成对抗神经网络生成待审查公司同领域所有公司的收支比期望特征;
所述业务构成特征和所述收支比期望特征组合构建组合特征,采用自回归方法拟合历史组合特征值,并预测待审查公司当年组合特征的期望特征值;
异常值计算通过对业务特征偏离度、收支比期望特征偏离度以及组合期望特征偏离度设置不同权重,进行加权平均计算;
收支比期望特征的生成采用生成对抗神经网络生成待审查公司同领域其他公司的收支比特征的期望特征值Ex(IE)={Ex(ie 1),Ex(ie 2),…,Ex(ie n )};
其中,生成对抗神经网络包括生成器G和判别器D,生成器由全连接层的输入层和输出层构成,输入层输入维度为10的初始化随机变量,输出层生成收支比特征向量;判别器由全连接层的输入层和输出层构成,输入层输入真实收支比特征向量或生成器生成的收支比特征向量,输出层输出生成样本和真实样本的置信度向量;
其中,生成器和判别器的全连接层采用Logistic激活函数激活,即:
Logistic=1/(1+exp{-ΣW·IE});
式中,W表示神经元连接的权值;
生成器中权值更新采用梯度上升法,判别器中权值更新采用梯度下降法,其中学习率α=0.1;刻画标签y表示生成器生成样本y=0或真实样本y=1;
判别器中全连接层输出后使用交叉熵作为损失函数,即:
LOSS=-y·log(Logistic(W·IE))-(1-y)·log(1-Logistic(W·IE));
通过生成对抗神经网络训练待审查公司同领域其他公司的收支比特征向量,生成对抗神经网络模型收敛时生成器中输出层输出的收支比特征向量即为收支比期望特征Ex(IE);
组合特征自回归期望特征的计算采用滚动自回归方法拟合历史组合特征值C i,T ={C i, T 0,C i, T 1,…,C i, T t-1},利用所有历史组合特征值拟合C i,T-1={C i, T 0,C i, T 1,…,C i, T t-2}中的每一项特征值,采用多元线性回归进行拟合,拟合后得到多元线性回归模型权重系数Q,即:
Q·C i,T-1=C i,t-1
=> Q·C i,T-1·C i, T T-1=C i,t-1·C i, T T-1
=> Q=(C i,t-1·C i, T T-1)·(C i,T-1·C i, T T-1)-1
依据权重系数Q,进而通过输入历史组合特征值C i,T ={C i, T 0 ,C i, T 1,…,C i, T t-1},预测待审查公司当前组合期望特征值Ex(C i,t )=Q·C i,T 。
6.根据权利要求5所述的一种上市公司经营异常智能审查装置,其特征在于:还包括处理器,所述处理器用于处理所述特征提取模块、所述偏离度计算模块、所述异常判别模块发出的获取上市公司公告数据、计算偏离度、异常判别的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111570209.8A CN113962614B (zh) | 2021-12-21 | 2021-12-21 | 一种上市公司经营异常智能审查方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111570209.8A CN113962614B (zh) | 2021-12-21 | 2021-12-21 | 一种上市公司经营异常智能审查方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113962614A CN113962614A (zh) | 2022-01-21 |
CN113962614B true CN113962614B (zh) | 2022-04-15 |
Family
ID=79473410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111570209.8A Active CN113962614B (zh) | 2021-12-21 | 2021-12-21 | 一种上市公司经营异常智能审查方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962614B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227940B (zh) * | 2023-05-04 | 2023-07-25 | 深圳市迪博企业风险管理技术有限公司 | 一种基于资金流向图的企业资金流异常检测方法 |
CN117456288B (zh) * | 2023-12-22 | 2024-03-26 | 广东铭太信息科技有限公司 | 一种智能化审计监管预警系统及方法 |
CN117952483B (zh) * | 2024-03-27 | 2024-06-11 | 中国汽车技术研究中心有限公司 | 基于数字化平台的收支平衡指标监测方法、系统及其介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063767A (zh) * | 2014-07-07 | 2014-09-24 | 许蔚蔚 | 一种上市公司财务安全状况评价方法 |
CN104700326A (zh) * | 2015-03-30 | 2015-06-10 | 国家电网公司 | 配电网风险评估方法 |
CN107563593A (zh) * | 2017-07-31 | 2018-01-09 | 北京德塔精要信息技术有限公司 | 一种公司经营状况的评价方法及系统 |
CN108921689A (zh) * | 2018-06-29 | 2018-11-30 | 重庆富民银行股份有限公司 | 贷款风险监控系统及方法 |
CN109657932A (zh) * | 2018-11-29 | 2019-04-19 | 平安科技(深圳)有限公司 | 企业风险分析方法、装置、计算机设备和存储介质 |
CN110163467A (zh) * | 2019-04-02 | 2019-08-23 | 苏州纤联电子商务有限公司 | 一种基于纺织行业中小型企业信用的风险量化建模方法 |
CN110648045A (zh) * | 2019-08-14 | 2020-01-03 | 中国平安人寿保险股份有限公司 | 风险评估方法、电子装置及计算机可读存储介质 |
CN112668947A (zh) * | 2021-01-28 | 2021-04-16 | 天元大数据信用管理有限公司 | 一种基于税务数据的企业信用风险预警方法、系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2465860B (en) * | 2008-12-04 | 2011-01-12 | Ibm | Method and system for detecting and predicting anomalous situations in a computer system |
CN110322089A (zh) * | 2018-03-30 | 2019-10-11 | 宗略投资(上海)有限公司 | 企业信用风险评估方法及其系统 |
EP3553615A1 (en) * | 2018-04-10 | 2019-10-16 | Siemens Aktiengesellschaft | Method and system for managing a technical installation |
CN109242558A (zh) * | 2018-08-29 | 2019-01-18 | 黑龙江工业学院 | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 |
CN109657931A (zh) * | 2018-11-29 | 2019-04-19 | 平安科技(深圳)有限公司 | 风控模型建模、企业风险评估方法、装置和存储介质 |
CN111782806A (zh) * | 2020-06-16 | 2020-10-16 | 上海简答数据科技有限公司 | 一种基于人工智能算法的相似上市企业检索分类方法及系统 |
CN111932268B (zh) * | 2020-08-03 | 2024-01-26 | 中国工商银行股份有限公司 | 企业风险识别方法及装置 |
CN112581000A (zh) * | 2020-12-24 | 2021-03-30 | 广东省电信规划设计院有限公司 | 企业风险指数计算方法及装置 |
CN113065962A (zh) * | 2021-03-31 | 2021-07-02 | 北京安九信息技术有限公司 | 一种上市公司股价异动风险评估方法、系统及装置 |
-
2021
- 2021-12-21 CN CN202111570209.8A patent/CN113962614B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063767A (zh) * | 2014-07-07 | 2014-09-24 | 许蔚蔚 | 一种上市公司财务安全状况评价方法 |
CN104700326A (zh) * | 2015-03-30 | 2015-06-10 | 国家电网公司 | 配电网风险评估方法 |
CN107563593A (zh) * | 2017-07-31 | 2018-01-09 | 北京德塔精要信息技术有限公司 | 一种公司经营状况的评价方法及系统 |
CN108921689A (zh) * | 2018-06-29 | 2018-11-30 | 重庆富民银行股份有限公司 | 贷款风险监控系统及方法 |
CN109657932A (zh) * | 2018-11-29 | 2019-04-19 | 平安科技(深圳)有限公司 | 企业风险分析方法、装置、计算机设备和存储介质 |
CN110163467A (zh) * | 2019-04-02 | 2019-08-23 | 苏州纤联电子商务有限公司 | 一种基于纺织行业中小型企业信用的风险量化建模方法 |
CN110648045A (zh) * | 2019-08-14 | 2020-01-03 | 中国平安人寿保险股份有限公司 | 风险评估方法、电子装置及计算机可读存储介质 |
CN112668947A (zh) * | 2021-01-28 | 2021-04-16 | 天元大数据信用管理有限公司 | 一种基于税务数据的企业信用风险预警方法、系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113962614A (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962614B (zh) | 一种上市公司经营异常智能审查方法及装置 | |
CN105653444B (zh) | 基于互联网日志数据的软件缺陷故障识别方法和系统 | |
CN101907681B (zh) | 基于gsd_svdd的模拟电路动态在线故障诊断方法 | |
CN112348520A (zh) | 基于XGBoost的风险评估方法、装置和电子设备 | |
CN112053221A (zh) | 一种基于知识图谱的互联网金融团伙欺诈行为检测方法 | |
CN109034194B (zh) | 基于特征分化的交易欺诈行为深度检测方法 | |
CN110417721A (zh) | 安全风险评估方法、装置、设备及计算机可读存储介质 | |
CN106157132A (zh) | 信用风险监控系统及方法 | |
CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
CN112700324A (zh) | 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法 | |
CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
Garrido et al. | A Robust profit measure for binary classification model evaluation | |
CN112053222A (zh) | 一种基于知识图谱的互联网金融团伙欺诈行为检测方法 | |
CN111833175A (zh) | 基于knn算法的互联网金融平台申请欺诈行为检测方法 | |
CN111160959A (zh) | 一种用户点击转化预估方法及装置 | |
CN114202243A (zh) | 一种基于随机森林的工程项目管理风险预警方法及系统 | |
CN114912772A (zh) | 一种基于城市经济分类分析的城市权利透明度差异化评价体系匹配方法及系统 | |
CN114118793A (zh) | 一种地方交易所风险预警方法、装置及设备 | |
Amiri et al. | Evaluating the impact of socio-economic contributing factors of cities in California on their traffic safety condition | |
CN104077571A (zh) | 一种采用单类序列化模型的人群异常行为检测方法 | |
TWI662809B (zh) | 影像串流服務的障礙定位系統及維運方法 | |
CN110705638A (zh) | 一种利用深度网络学习模糊信息特征技术的信用评级预测分类方法 | |
CN115170334A (zh) | 一种反洗钱模型的训练方法及装置 | |
WO2022143431A1 (zh) | 一种反洗钱模型的训练方法及装置 | |
Masngut et al. | Comparison of daily rainfall forecasting using multilayer perceptron neural network model |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |