CN114511190A - 一种面向二级市场市值重估的可视分析系统及分析方法 - Google Patents
一种面向二级市场市值重估的可视分析系统及分析方法 Download PDFInfo
- Publication number
- CN114511190A CN114511190A CN202111680987.2A CN202111680987A CN114511190A CN 114511190 A CN114511190 A CN 114511190A CN 202111680987 A CN202111680987 A CN 202111680987A CN 114511190 A CN114511190 A CN 114511190A
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- financial data
- value
- visualization
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 139
- 230000000007 visual effect Effects 0.000 title claims abstract description 29
- 238000012800 visualization Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000013075 data extraction Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000002547 anomalous effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011867 re-evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000016776 visual perception 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供面向二级市场市值重估的可视化分析系统及分析方法,可视化分析系统包括:数据库,用于存储公司的财务数据;数据提取模块,用于从数据库中提取出与用户输入信息相匹配的财务数据;预处理模块,用于对所提取的财务数据进行预处理;分析处理模块,用于接收预处理后的财务数据,基于相应的财务数据集训练出对应的LSTM神经网络模型,并基于训练完成的LSTM神经网络模型,以公司近期的财务数据作为输入,输出得到相应财务数据变化趋势的分析结果;可视化模块,基于分析处理模块的分析结果进行可视化展示。基于本申请的可视化分析系统及分析方法,能够较好地实现公司市值数据的有效可视化,具有较高的分析效率和良好的可视化效果。
Description
技术领域
本发明涉金融风险管控技术,尤其是一种面向二级市场市值重估的可视分析系统。
背景技术
当前,经济的不断发展使得市值重估成为了金融领域的研究热点,而当下估值的方法层出不穷。随着计算机技术的快速发展以及深度学习算法的快速迭代,机器学习领域中的神经网络模型由于能够相对客观的挖掘出历史数据中所隐藏的有效信息,从而逐步被应用于分析未来公司市值的变化之中。如果金融相关人员能够利用神经网络模型对未来公司市值的变化趋势进行分析,将有利于进行高效的市值重估以及能够得到更精确的估值区间,以便做出更合适的决策。
现有的市值重估方法不胜枚举,比如DCF模型、DDM模型,BP神经网络等等。包括DCF模型、DDM模型在内的传统估值方法虽然结构简单且易于理解,但是需要金融相关人员具有较为丰富的背景知识和估值经验。因此,提供一种可降低用户对于金融知识的要求,并且可以大幅度的提高分析效率、具有实用价值的分析工具,对于大多数的普通金融相关人员而言是很有必要的。
发明内容
本发明的目的在于至少部分的解决上述现有技术问题,提供一种面向二级市场市值重估的可视分析系统及分析方法。
本发明的一种面向二级市场市值重估的可视化分析系统,包括:
数据库,用于存储公司的财务数据,所述财务数据包括利润表数据、资产负债表数据、现金流量表数据和历史股价数据;
数据提取模块,用于接收用户输入信息,并从数据库中提取出与所述用户输入信息相匹配的财务数据;
预处理模块,用于对数据提取模块所提取的财务数据进行预处理,以处理财务数据集中的异常数据,并对数据进行标准化处理;
分析处理模块,用于接收预处理模块处理后的财务数据,基于相应的财务数据集训练出对应的LSTM神经网络模型,并基于训练完成的LSTM神经网络模型,以公司近期的财务数据作为输入,输出得到相应财务数据变化趋势的分析结果;
可视化模块,基于分析处理模块的分析结果进行可视化展示。
作为优选的,所述预处理模块包括异常数据处理单元和标准化处理单元,异常数据处理单元用于检查缺失的数据,并根据对缺失变量的含义理解,进行常量填充或者插值填充,以形成完整的数据;
标准化处理单元用于对数据进行标准化处理,从原始的财务数据集{X1,X2,...,Xn}中找出属性的最小值min{X1,X2,...,Xn}和最大值max{X1,X2,...,Xn},并将财务数据集中每个数据的原始值Xi通过标准化映射为区间[0,1]中的值Xi,即:
作为优选的,所述LSTM神经网络模型中以每一层提取的特征作为下一层数据的输入,设定时间步长K,以前K日的数据形成后面时间周期T的分析数据;并建立一个for循环,让K的起始日期不断向后滑动,每滑动一次生成一个T×1大小的分析样本,使得从第K+T天开始具有T个不同的分析值,求出分析值集合中的最大值和最小值,从而得到分析结果的上下界区间。
作为优选的,分析处理模块包括市值分析单元,市值分析单元基于财务数据变化趋势的分析结果分别采用相对估值模型和绝对估值模型得到公司的市值分析结果。
作为优选的,所述可视化模块以图和表格的形式对分析结果进行可视化展示,图的形式包括柱状图、折线图或堆叠图中的任一形式,表格的形式用于详细展示不同指标的具体数值。
作为优选的,可视化模块以折线图的形式展示分析结果的最大值和最小值的变化趋势,并在最大值和最小值之间填充色块,以展示分析结果的范围。
作为优选的,所述可视化模块包括交互输入单元,交互输入单元用于提供用户输入自定义的参数,并依据所述参数调整相应分析结果的可视化展示形式。
本发明还提供一种面向二级市场市值重估的可视化分析方法,包括以下步骤:
S1、获取公司的财务数据,所述财务数据包括利润表数据、资产负债表数据、现金流量表数据和历史股价数据;
S2、对财务数据进行预处理,以处理财务数据集中的异常数据,并对数据进行标准化处理;
S3、在相应的财务数据集上训练一个对应的LSTM神经网络模型;
S4、将公司近期的财务数据输入经步骤S3训练完成的LSTM神经网络模型,得到相应财务数据变化趋势的分析结果;
S5、基于财务数据变化趋势的分析结果分别采用相对估值模型和绝对估值模型得到公司的市值分析结果;
S6、将所述市值分析结果进行可视化展示。
作为优选的,处理财务数据集中的异常数据的方法包括:
检查缺失的数据,根据对缺失变量的含义理解,进行常量填充或者插值填充,以保证数据指标的完整性和可利用性;
对数据进行标准化处理的方法包括:
从原始的财务数据集{X1,X2,...,Xn}中找出属性的最小值min{X1,X2,...,Xn}和最大值max{X1,X2,..,Xn},并将财务数据集中每个数据的原始值Xi通过标准化映射为区间[0,1]中的值X′i,即:
作为优选的,所述LSTM神经网络模型中以每一层提取的特征作为下一层数据的输入,设定时间步长K,以前K日的数据形成后面时间周期T的分析数据;并建立一个for循环,让K的起始日期不断向后滑动,每滑动一次生成一个T×1大小的分析样本,使得从第K+T天开始具有T个不同的分析值,求出分析值集合中的最大值和最小值,从而得到分析结果的上下界区间。
本发明的显著进步性至少体现在:
本发明所提供的可视化分析系统及分析方法,可有效降低用户对于金融知识的要求,能够自动挖掘出历史数据中所隐藏的有效信息,能够自动化地实现公司市值数据的有效可视化,具有较高的分析效率和良好的可视化效果。此外,采用长短期记忆网络LSTM保证了估值因素的多样性,能够直观的展示公司市值重估综合分析所得出的上下界区间,使得可视化效果更具针对性,方便了研究人员观察分析出来的估值范围,具有较强的实际应用价值。
附图说明:
图1为本申请实施例的可视化分析系统的结构框图;
图2为本申请实施例中的可视化分模块的结构框图;
图3为本申请实施例中的股价变化趋势的可视化展示图;
图4为本申请实施例中的营收变化趋势的可视化展示图;
图5为本申请实施例中相对估值模型下的市值变化趋势的可视化展示图;
图6为本申请实施例中绝对估值模型下的市值变化趋势的可视化展示图;
图7为本申请实施例的可视化分析方法流程示意图。
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。
请参阅图1-7所示,本发明提供的具体实施例如下:
参阅图1所示,本实施例的一种面向二级市场市值重估的可视化分析系统,包括:
数据库,用于存储公司的财务数据,所述财务数据包括利润表数据、资产负债表数据、现金流量表数据和历史股价数据;应该说明的是,数据库中存储的是用于提供计算分析的财务数据,财务数据可以预先存储在数据库中,或者通过连接接口从外部获取得到;
数据提取模块,用于接收用户输入信息,并从数据库中提取出与所述用户输入信息相匹配的财务数据;可以理解的是,作为具体的,数据提取模块可设置为包括输入框单元和信息匹配单元,用户可在输入框内单元输入想要查询的公司信息,比如,公司的股票代码,或者公司名称;信息匹配单元用于将用户所输入的信息与数据库中存储的相应信息进行匹配,信息匹配成功,则从数据库中提取出与该输入信息想对应的财务数据;
预处理模块,用于对数据提取模块所提取的财务数据进行预处理,以处理财务数据集中的异常数据,并对数据进行标准化处理;可以理解的是,处理财务数据集中的异常数据目的在于保证数据的完整性和可利用性,而对数据进行标准化处理则可以提升后续对数据分析处理的效率;
分析处理模块,用于接收预处理模块处理后的财务数据,基于相应的财务数据集训练出对应的LSTM神经网络模型,并基于训练完成的LSTM神经网络模型,以公司近期的财务数据作为输入,输出得到相应财务数据变化趋势的分析结果;可以理解的是,所述LSTM神经网络包括特征提取部分、MSE损失函数以及Sigmoid、Tanh激活函数;进一步地,在进行LSTM神经网络模型训练时,预处理后的数据被划分为训练集和测试集,优选的,可将前90%的数据划分为训练集,后10%的数据作为测试集;
可视化模块,基于分析处理模块的分析结果进行可视化展示。
可以理解的是,基于上述实施例所提供的可视化分析系统,可实现公司财务数据的获得、预处理、估值、可视化的全自动处理的系统,使用方便,有利于提高用户的视觉体验和交互效果。此外,实施例中采用长短期记忆网络LSTM保证了估值因素的多样性,可有效解决输入变量的限制问题,极大符合了二级市场估值容易被各式各样的信息所干扰的特征。
在一些实施例中,所述预处理模块包括异常数据处理单元和标准化处理单元;异常数据处理单元用于检查缺失的数据,即对于数据库中无法获得的数据,根据对缺失数据的缺失变量的含义理解,进行常量填充或者插值填充,以形成完整的数据,从而可使得LSTM神经网络特征提取部分能够提取到完整的特征矩阵;
标准化处理单元用于对数据进行标准化处理,实现数据的归一化,优选的,从原始的财务数据集{X1,X2,...,Xn}中找出属性的最小值min{X1,X2,...,Xn}和最大值max{X1,X2,...,Xn},并将财务数据集中每个数据的原始值Xi通过标准化映射为区间[0,1]中的值Xi,即:
可以理解的是,数据库中所存储的财务数据是属于公司的历史数据,为多源的财务数据,所有同一种类型的财务数据即构成了一个财务数据集,而以上所说的原始的财务数据集即为未经过标准化处理的财务数据集,原始的财务数据集中的每个数据经过标准化处理后,形成了新的财务数据集。
还可以理解的是,LSTM神经网络模型通常需要借助计算机系统完成大量的运算,对函数参数迭代和更新,并快速选择出最优参数值。在上述实施例中,对数据进行标准化处理,使得每个数据范围都控制在[0,1]之间,可以更好的训练LSTM神经网络模型,提升训练质量和效率。
作为一种优选的实施方式,所述LSTM神经网络模型中以每一层提取的特征作为下一层数据的输入,设定时间步长K,以前K日的数据形成后面时间周期T的分析数据;并建立一个for循环,让K的起始日期不断向后滑动,每滑动一次生成一个T×1大小的分析样本,使得从第K+T天开始具有T个不同的分析值,求出T个不同的分析值所构成的分析值集合中的最大值和最小值,从而得到分析结果的上下界区间。作为可选择的,为使得后续对于数据的可视化呈现更为直观,还可设置反归一化单元,其用于对模型输出的数据进行反归一化的处理,反归一化处理方式如下:
其中,yi为LSTM神经网络模型模型输出的原始数据,Yi是通过对原始输出数据进行反归一化后的数据,其与最初的样本数据量纲保持一致。
值得说明的是,在现有的估值分析技术中,通常得到的是一个预测值,而所得到的预测值与实际值之间通常存在不可忽视的差异,分析的准确性较为不稳定,难以对用户形成有效的指导作用,实际应用价值不足;而通过本实施例的方案,所得到的是一个相对准确的区间范围值,可使得实际值在大概率下落入该区间内,能够对数据的变化趋势形成相对合理的反映,有助于用户作出较为合理的决策,具有较强的实际应用价值。
作为优选的实施方式,分析处理模块包括市值分析单元,市值分析单元基于财务数据变化趋势的分析结果分别采用相对估值模型和绝对估值模型得到公司的市值分析结果。对于相对估值模型和绝对估值模型可采用现有的传统估值模型,在此不做过多赘述。本实施例中,提供采用两种不同的估值模型分别形成两个市值分析结果,有助于用户对一家公司的市值进行综合分析考虑,以作出较为合理的决策判断。
参阅图2所示,在一些实施例中,可视化模块包括了相对估值可视化单元、绝对估值可视化单元、股价可视化单元和营收可视化单元,可以理解的是,相对估值可视化单元和绝对估值可视化单元分别用于实现相对估值模型下和绝对估值模型下的市值分析结果的可视化展示,而股价可视化单元和营收可视化单元则分别用于对分析处理模块所输出的股价变化趋势分析结果和营收变化趋势分析结果进行可视化展示。
作为优选的实施方式,所述可视化模块以图和表格的形式对分析结果进行可视化展示,图的形式包括柱状图、折线图或堆叠图中的任一形式,表格的形式用于详细展示不同指标的具体数值。可以理解的是,可从开源可视化库中选取不同类型的柱状图、折线图或饼图进行对应的可视化展示,从多个角度展示对某一公司的分析结果。柱状图适合对不同分类的数据进行比较,考虑到当不同季度数据之间比较接近时,由于人眼对于高度的感知优于其他视觉元素,对于市值情况的展示而言,采用柱状图可能是更适合的方案;折线图能够展示同一变量随时间的变化趋势,更适合展现股价、PE/PB指数等指标的连续变化。
作为优选的,可视化模块以折线图的形式展示分析结果的最大值和最小值的变化趋势,并在最大值和最小值之间填充色块,以展示分析结果的范围。
参阅附图3所示,以某一公司为例,给出了可视化模块对于分析处理模块的LSTM神经网络模型对股价变化趋势分析结果的展示,用户可以较为直观的看出:随着时间的推移,该公司的股价呈现逐渐上涨的趋势,这反映出了根据LSTM神经网络模型分析认为该公司未来股价的总体是增长趋势。同时,将股价分析所得的最大值和最小值中间显示特殊颜色,可以很清晰的看出分析值的上下界区间,方便用户观察模型所分析出来的估值范围;同时通过表格对相应数据进行展示,可详细展示对应公司不同指标的具体数值。由此,能够帮助用户对该公司的经营状况有一个较为直观的感知,提升分析效率。
参阅附图4所示,以某一公司为例,给出了可视化模块对于分析处理模块的LSTM神经网络模型分析出的公司营业收入与营业成本等变化情况的展示。可以看出,根据历史季度数据,该公司在未来的营业收入和营业成本均有上升的趋势,柱状图可以很明显展示出不同指标的对比情况。此外,还可设置为用鼠标悬浮在可视区域上来显示对应数值和名称,以及通过点击图例来控制某一子图的展示与隐藏,以方便对比。
作为优选的实施方式,所述可视化模块包括交互输入单元,交互输入单元用于提供用户输入自定义的参数,并依据所述参数调整相应分析结果的可视化展示形式。
参阅附图5所示,给出了相对估值模型下的市值变化趋势的可视化展示图,表示了在相对估值模型下,用户能通过默认参数得到不同PE倍数下与真实股价的对比信息。折线图很直观的展现数据的变化趋势,尤其多条折线图展示时;同时,用户可以通过交互输入单元手动设置参数以调整展示图中的最小倍数和倍数间隔,通过点击“计算”能够自动再次实现可视化。
参阅附图6所示,给出了绝对估值模型下的市值变化趋势的可视化展示图,表示了在绝对估值模型下,用户能够通过默认参数得到绝对估值后n年的市值数据;同时,用户可以通过交互输入单元手动设置参数调整投资资本回报比、增长率以及WACC等参数,通过点击“计算”能够自动计算出相关数据表格以及实现可视化的相关展示。
参阅图7所示,本发明还提供一种面向二级市场市值重估的可视化分析方法,包括以下步骤:
S1、获取公司的财务数据,所述财务数据包括利润表数据、资产负债表数据、现金流量表数据和历史股价数据;
S2、对财务数据进行预处理,以处理财务数据集中的异常数据,并对数据进行标准化处理;
S3、在相应的财务数据集上训练一个对应的LSTM神经网络模型;
S4、将公司近期的财务数据输入经步骤S3训练完成的LSTM神经网络模型,得到相应财务数据变化趋势的分析结果;
S5、基于财务数据变化趋势的分析结果分别采用相对估值模型和绝对估值模型得到公司的市值分析结果;
S6、将所述市值分析结果进行可视化展示。
作为优选的,处理财务数据集中的异常数据的方法包括:
检查缺失的数据,根据对缺失变量的含义理解,进行常量填充或者插值填充,以保证数据指标的完整性和可利用性;
对数据进行标准化处理的方法包括:
从原始的财务数据集{X1,X2,...,Xn}中找出属性的最小值min{X1,X2,...,Xn}和最大值max{X1,X2,..,Xn},并将财务数据集中每个数据的原始值Xi通过标准化映射为区间[0,1]中的值X′i,即:
作为优选的,所述LSTM神经网络模型中以每一层提取的特征作为下一层数据的输入,设定时间步长K,以前K日的数据形成后面时间周期T的分析数据;并建立一个for循环,让K的起始日期不断向后滑动,每滑动一次生成一个T×1大小的分析样本,使得从第K+T天开始具有T个不同的分析值,求出T个不同的分析值所构成的分析值集合中的最大值和最小值,从而得到分析结果的上下界区间。
在本发明的实施例的描述中,具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
在本发明的实施例的描述中,需要理解的是,“-”和“~”表示的是两个数值之同的范围,并且该范围包括端点。例如:“A-B”表示大于或等于A,且小于或等于B的范围。“A~B”表示大于或等于A,且小于或等于B的范围。
在本发明的实施例的描述中,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.面向二级市场市值重估的可视化分析系统,其特征在于,包括:
数据库,用于存储公司的财务数据,所述财务数据包括利润表数据、资产负债表数据、现金流量表数据和历史股价数据;
数据提取模块,用于接收用户输入信息,并从数据库中提取出与所述用户输入信息相匹配的财务数据;
预处理模块,用于对数据提取模块所提取的财务数据进行预处理,以处理财务数据集中的异常数据,并对数据进行标准化处理;
分析处理模块,用于接收预处理模块处理后的财务数据,基于相应的财务数据集训练出对应的LSTM神经网络模型,并基于训练完成的LSTM神经网络模型,以公司近期的财务数据作为输入,输出得到相应财务数据变化趋势的分析结果;
可视化模块,基于分析处理模块的分析结果进行可视化展示。
3.根据权利要求2所述的可视化分析系统,其特征在于,所述LSTM神经网络模型中以每一层提取的特征作为下一层数据的输入,设定时间步长K,以前K日的数据生成后面时间周期T的分析数据;并建立一个for循环,让K的起始日期不断向后滑动,每滑动一次生成一个T×1大小的分析样本,使得从第K+T天开始具有T个不同的分析值,求出分析值集合中的最大值和最小值,从而得到分析结果的上下界区间。
4.根据权利要求1所述的可视化分析系统,其特征在于,分析处理模块包括市值分析单元,市值分析单元基于财务数据变化趋势的分析结果分别采用相对估值模型和绝对估值模型得到公司的市值分析结果。
5.根据权利要求1所述的可视化分析系统,其特征在于,所述可视化模块以图和表格的形式对分析结果进行可视化展示,图的形式包括柱状图、折线图或堆叠图中的任一形式,表格的形式用于详细展示不同指标的具体数值。
6.根据权利要求3所述的可视化分析系统,其特征在于,可视化模块以折线图的形式展示分析结果的最大值和最小值的变化趋势,并在最大值和最小值之间填充色块,以展示分析结果的范围。
7.根据权利要求1所述的可视化分析系统,其特征在于,所述可视化模块包括交互输入单元,交互输入单元用于提供用户输入自定义的参数,并依据所述参数调整相应分析结果的可视化展示形式。
8.面向二级市场市值重估的可视化分析方法,其特征在于,包括以下步骤:
S1、获取公司的财务数据,所述财务数据包括利润表数据、资产负债表数据、现金流量表数据和历史股价数据;
S2、对财务数据进行预处理,以处理财务数据集中的异常数据,并对数据进行标准化处理;
S3、在相应的财务数据集上训练一个对应的LSTM神经网络模型;
S4、将公司近期的财务数据输入经步骤S3训练完成的LSTM神经网络模型,得到相应财务数据变化趋势的分析结果;
S5、基于财务数据变化趋势的分析结果分别采用相对估值模型和绝对估值模型得到公司的市值分析结果;
S6、将所述市值分析结果进行可视化展示。
10.根据权利要求8或9所述的可视化分析方法,其特征在于,所述LSTM神经网络模型中以每一层提取的特征作为下一层数据的输入,设定时间步长K,以前K日的数据形成后面时间周期T的分析数据;并建立一个for循环,让K的起始日期不断向后滑动,每滑动一次生成一个T×1大小的分析样本,使得从第K+T天开始具有T个不同的分析值,求出分析值集合中的最大值和最小值,从而得到分析结果的上下界区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111680987.2A CN114511190A (zh) | 2021-12-31 | 2021-12-31 | 一种面向二级市场市值重估的可视分析系统及分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111680987.2A CN114511190A (zh) | 2021-12-31 | 2021-12-31 | 一种面向二级市场市值重估的可视分析系统及分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114511190A true CN114511190A (zh) | 2022-05-17 |
Family
ID=81548395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111680987.2A Pending CN114511190A (zh) | 2021-12-31 | 2021-12-31 | 一种面向二级市场市值重估的可视分析系统及分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511190A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117009907A (zh) * | 2023-08-31 | 2023-11-07 | 国网江苏省电力有限公司宿迁供电分公司 | 一种基于趋势异常值检测的财务系统预警方法及系统 |
CN117131250A (zh) * | 2023-10-26 | 2023-11-28 | 北京极致车网科技有限公司 | 一种汽车金融数据处理的可视化构建方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107346502A (zh) * | 2017-08-24 | 2017-11-14 | 四川长虹电器股份有限公司 | 一种基于大数据的迭代产品销售预测方法 |
CN111177095A (zh) * | 2019-12-10 | 2020-05-19 | 中移(杭州)信息技术有限公司 | 日志分析方法、装置、计算机设备及存储介质 |
US20200167869A1 (en) * | 2016-04-16 | 2020-05-28 | Overbond Ltd. | Real-time predictive analytics engine |
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 |
CN111932015A (zh) * | 2020-08-12 | 2020-11-13 | 武汉中电节能有限公司 | 一种区域供冷供热冷热量负荷的预测方法及系统 |
CN113159517A (zh) * | 2021-03-24 | 2021-07-23 | 国网浙江省电力有限公司宁波供电公司 | 一种三维可视化电网运行数据分析系统 |
CN113222471A (zh) * | 2021-06-04 | 2021-08-06 | 西安交通大学 | 一种基于新媒体数据的资产风控方法及设备 |
-
2021
- 2021-12-31 CN CN202111680987.2A patent/CN114511190A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200167869A1 (en) * | 2016-04-16 | 2020-05-28 | Overbond Ltd. | Real-time predictive analytics engine |
CN107346502A (zh) * | 2017-08-24 | 2017-11-14 | 四川长虹电器股份有限公司 | 一种基于大数据的迭代产品销售预测方法 |
CN111177095A (zh) * | 2019-12-10 | 2020-05-19 | 中移(杭州)信息技术有限公司 | 日志分析方法、装置、计算机设备及存储介质 |
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 |
CN111932015A (zh) * | 2020-08-12 | 2020-11-13 | 武汉中电节能有限公司 | 一种区域供冷供热冷热量负荷的预测方法及系统 |
CN113159517A (zh) * | 2021-03-24 | 2021-07-23 | 国网浙江省电力有限公司宁波供电公司 | 一种三维可视化电网运行数据分析系统 |
CN113222471A (zh) * | 2021-06-04 | 2021-08-06 | 西安交通大学 | 一种基于新媒体数据的资产风控方法及设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117009907A (zh) * | 2023-08-31 | 2023-11-07 | 国网江苏省电力有限公司宿迁供电分公司 | 一种基于趋势异常值检测的财务系统预警方法及系统 |
CN117131250A (zh) * | 2023-10-26 | 2023-11-28 | 北京极致车网科技有限公司 | 一种汽车金融数据处理的可视化构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ziegler et al. | Visual market sector analysis for financial time series data | |
US7962392B2 (en) | System and method for incorporating mortality risk in an investment planning model | |
US20090006271A1 (en) | System and method of visual illustration of stock market performance | |
CN114511190A (zh) | 一种面向二级市场市值重估的可视分析系统及分析方法 | |
US7552062B2 (en) | Method and system for clinical process analysis | |
CN109657567B (zh) | 一种基于3d指纹图像的弱监督的特征分析方法及系统 | |
CN111062260B (zh) | 一种面部整容推荐方案自动生成方法 | |
WO2005106656A2 (en) | Predictive modeling | |
CN113345080A (zh) | 一种供应商画像建模方法及系统 | |
US8046278B2 (en) | Process of selecting portfolio managers based on automated artificial intelligence techniques | |
CN115271648B (zh) | 一种项目可视化监管系统、方法、设备及存储介质 | |
CN116090915A (zh) | 一种面向企业市值分析的可视分析方法及系统 | |
Ishak et al. | Orange software usage in data mining classification method on the dataset lenses | |
CN116450653A (zh) | 一种针对供应链数据缺失的补全方法及装置 | |
CN116595418A (zh) | 一种科技成果多维画像构建方法 | |
CN116563028A (zh) | 基于ai的报送数据校验方法、系统及存储介质 | |
CN116611710A (zh) | 一种可视化动态展示方法及系统 | |
CN114693367A (zh) | 一种农产品价格大数据监测与可视化系统及方法 | |
CN113240513A (zh) | 一种用户授信额度的确定方法和相关装置 | |
Bhanot et al. | Python vs. R: A Text Mining Approach for analyzing the Research Trends in Scopus Database | |
CN114549195A (zh) | 基于产业链图谱的市值重估分析方法及可视化分析系统 | |
Bolman et al. | Data Mining using Morlet Wavelets for Financial Time Series. | |
Odqvist | Information visualization of assets under management: a qualitative research study concerning decision support design for InfoVis dashboards in fund management | |
CN116719519B (zh) | 银行领域的广义线性模型训练方法、装置、设备和介质 | |
CN115098931B (zh) | 一种用于挖掘用户室内设计个性化需求的小样本分析方法 |
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 |