CN115081950A - 企业成长性评估建模方法、系统、计算机及可读存储介质 - Google Patents
企业成长性评估建模方法、系统、计算机及可读存储介质 Download PDFInfo
- Publication number
- CN115081950A CN115081950A CN202210894900.XA CN202210894900A CN115081950A CN 115081950 A CN115081950 A CN 115081950A CN 202210894900 A CN202210894900 A CN 202210894900A CN 115081950 A CN115081950 A CN 115081950A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- growth
- index
- data
- screening
- 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
- G06Q10/06—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种企业成长性评估建模方法、系统、计算机及可读存储介质。该方法包括:S11、根据目标企业的指标数据构建企业指标体系,对指标数据进行预处理;其中,企业指标体系包括财务指标和非财务指标;S12、对预处理后的指标数据进行权重计算;S13、分析指标数据的权重结果,并对指标进行筛选;S14、将筛选后的指标重新进行权重计算,并计算筛选后的各项指标的数值与对应权重的加权和;S15、将加权和进行归一化处理,归一化的结果即为企业的成长性评分。本申请的有益效果是:通过上述方法计算得到的成长性评分,具有良好的抗过拟合、抗噪声能力以及较高的准确率的效果特点,使得目标企业的成长性评分可靠性更强。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种企业成长性评估建模方法、系统、计算机及可读存储介质。
背景技术
企业的成长性是投资人对项目潜力估算的重要标准,高成长性能吸引大量投资者的眼球。市场大环境下,每年都新增许多创新型、创业型、成长型的企业,金融市场为这些企业提供了融资的平台和渠道。这些公司的成长性,对其本身的规划发展、投资者的投资决策和金融市场的规范运转都具有重要的研究参考意义。
目前企业成长性评估所采用的方法,如专利CN 113450009 A主要是建立企业成长性评价体系,建立不同行业不同规模的企业成长性评分均值,并进行相关维度特征的分析;再根据企业的财务数据对企业进行财务估值分析,得到企业的预期估值;将企业成长性评分与财务分析的结果以预设格式进行汇总,生成企业成长性评价报告。
然而,上述方法依赖于财务指标综合计算,并根据概率论的假设检验进行验证,但实际情况中,大多数企业财务数据获取难度较大,且即使能获取,数据的质量也不佳,数据维度也不足,以至于最终获取的企业成长性评估结果的适用性并不高。
发明内容
基于此,本发明的一个目的在于提出一种企业成长性评估建模方法、系统、计算机及可读存储介质,解决了现阶段企业成长性评估的方法数据的质量不佳、数据维度不足、适应性不高的问题。
第一方面,本申请提出一种企业成长性评估建模方法,所述方法包括如下步骤:
S11、根据目标企业的指标数据构建企业指标体系,对所述指标数据进行预处理;其中,所述企业指标体系包括财务指标和非财务指标;
S12、对预处理后的所述指标数据进行权重计算;
S13、分析所述指标数据的权重结果,并对指标进行筛选;
S14、将筛选后的指标重新进行权重计算,并计算筛选后的各项指标的数值与对应权重的加权和;
S15、将加权和进行归一化处理,归一化的结果即为企业的成长性评分。
本发明提出的企业成长性评估建模方法,其有益效果是:通过获取目标企业的指标数据并对应进行预处理,指标数据的获取来源根据目标企业(上市公司)所公开的资产负债表、利润表、现金流量表以及年报文件等,并通过权重计算、筛选以及归一化处理等操作,将目标企业的各项成长性的参数指标进行量化,进而评估得到关于目标企业的成长性评分,通过上述方法计算得到的成长性评分,具有良好的抗过拟合、抗噪声能力以及较高的准确率的效果特点,使得计算得到的成长性评分的可靠性更强。
优选的,本申请所述的企业成长性评估建模方法中,所述对所述指标数据进行预处理的步骤包括:
通过爬虫技术采集所述目标企业的公开的数据,具体包括资产负债数据、现金流量数据、利润数据和年报文件;
将数据进行整合和提取,筛选去除数据中的异常值,并采用目标企业近三年的均值对空值进去补充;
将筛选后的数据进行归一化处理。
优选的,本申请所述的企业成长性评估建模方法中,所述对指标进行筛选的步骤包括:
一次筛选:剔除权重值小于预设值的指标,得到初步筛选指标;
通过皮尔逊相关系数计算所述初步筛选指标两两之间的相关度;
若相关度大于预设值,则剔除权重值较小的指标,得到一次筛选指标;
二次筛选:通过Lasso回归算法并结合目标企业的行业特征对所述一次筛选指标进行筛选,得到二次筛选指标。
优选的,本申请所述的企业成长性评估建模方法中,所述计算筛选后的各项指标的数值与对应权重的加权和的步骤之后,还包括:
根据Lasso回归算法的计算结果验证企业成长性评分;
若所述企业成长性评分在预设范围内,则执行步骤S15;
若所述企业成长性评分在预设范围外,则重复执行步骤S13-S14,直到所述企业成长性评分在预设范围内。
优选的,本申请所述的企业成长性评估建模方法中,所述将加权和进行归一化处理的步骤之后,还包括:
将目标企业按照不同的评分组合区间划分成长性阶段为成长期、成熟期和衰退期;
通过随机森林算法和Xgboost算法对目标企业的成长性评分进行训练和评估,以查准率、查全率、F1值和AUC值结果最优确定划分成长性阶段的评分阈值;
根据所述成长性评分确定所述目标企业的成长性阶段。
第二方面,本申请提出一种企业成长性评估建模系统,所述系统包括:
预处理模块:用于根据目标企业的指标数据构建企业指标体系,对所述指标数据进行预处理;其中,所述企业指标体系包括财务指标和非财务指标;
第一计算模块:用于对预处理后的所述指标数据进行权重计算;
指标筛选模块:用于分析所述指标数据的权重结果,并对指标进行筛选;
第二计算模块:用于将筛选后的指标重新进行权重计算,并计算筛选后的各项指标的数值与对应权重的加权和;
评分模块:用于将加权和进行归一化处理,归一化的结果即为企业的成长性评分。
优选的,所述指标筛选模块具体包括:
初步筛选单元:用于剔除权重值小于预设值的指标,得到初步筛选指标;
第一筛选单元:用于通过皮尔逊相关系数计算所述初步筛选指标两两之间的相关度;若相关度大于预设值,则剔除权重值较小的指标,得到一次筛选指标;
第二筛选单元:用于通过Lasso回归算法并结合目标企业的行业特征对所述一次筛选指标进行筛选,得到二次筛选指标。
优选的,所述系统还包括:
评级建立模块:用于将目标企业按照不同的评分组合区间划分成长性阶段为成长期、成熟期和衰退期;
训练评估模块:用于通过随机森林算法和Xgboost算法对目标企业的成长性评分进行训练和评估,以查准率、查全率、F1值和AUC值结果最优确定划分成长性阶段的评分阈值;
评级确定模块:用于根据所述成长性评分确定所述目标企业的成长性阶段。
第三方面,本申请提出一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的企业成长性评估建模方法。
第四方面,本申请提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的企业成长性评估建模方法。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明实施例一提出的企业成长性评估建模方法流程图;
图2是本发明实施例一提出的企业成长性评估建模方法中,对指标数据进行预处理的方法流程图;
图3是本发明实施例一提出的企业成长性评估建模方法中,对指标进行筛选的方法流程图;
图4是本发明实施例一提出的企业成长性评估建模方法中,对企业成长性评分进行验证的方法流程图;
图5是本发明实施例二提出的企业成长性评估建模方法流程图;
图6是本发明实施例二提出的企业成长性评估建模方法中,多分类模型的ROC曲线图;
图7是本发明第三实施例的企业成长性评估建模系统结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”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。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
目前企业成长性评估所采用的方法,主要是建立企业成长性评价体系,建立不同行业不同规模的企业成长性评分均值,并进行相关维度特征的分析;再根据企业的财务数据对企业进行财务估值分析,得到企业的预期估值;将企业成长性评分与财务分析的结果以预设格式进行汇总,生成企业成长性评价报告。
然而,上述方法依赖于财务指标综合计算,并根据概率论的假设检验进行验证,但实际情况中,大多数企业财务数据获取难度较大,且即使能获取,数据的质量也不佳,数据维度也不足,以至于最终获取的企业成长性评估结果的适用性并不高。
为此,本发明提出一种企业成长性评估建模方法、系统、计算机及可读存储介质,以提升企业成长性评分的可靠性。
请参阅图1,为本发明第一实施例提出的企业成长性评估建模方法,该企业成长性评估建模方法包括以下步骤:
步骤S11、根据目标企业的指标数据构建企业指标体系,对指标数据进行预处理。
其中,所述企业指标体系包括财务指标和非财务指标。本发明实施例中,对指标数据进行预处理的目的是将获取的指标数据中的空值和异常值等异常数据进行处理。此外,因为不同指标数据的差异非常大,例如有的是增长率,这种数据一般都在0-1之间,有的数据是绝对值可能会很大,这样会使得部分指标数据的数值大对应的影响力很大,对其他的指标不公平。通过预处理使得指标数据归一化,有效的平衡了指标数据的影响力。
步骤S12、对预处理后的指标数据进行权重计算。
本发明实施例中,对于预处理后的指标数据进行权重计算的方式具体为采用组合客观赋权法(critic-熵权法)进行权重计算。该计算方法根据预处理后的指标数据之间的关系通过一定的数学方法来确定权重,其判断结果不依赖于人的主观判断,有较强的数学理论依据。示例而非限定的,本发明实施例中对于预处理后的指标数据采用组合客观赋权法进行计算仅仅为一种较为优选的计算方式,本申请对于预处理后的指标数据的权重计算方式不做具体限定。
步骤S13、分析指标数据的权重结果,并对指标进行筛选。
通过分析指标权重结果,将权重值低以及相似度高的指标进行筛选剔除,以使得筛选后的指标具有更好的代表性。
步骤S14、将筛选后的指标重新进行权重计算,并计算筛选后的各项指标的数值与对应权重的加权和。
步骤S15、将加权和进行归一化处理,归一化的结果即为企业的成长性评分。
综上,本发明提供的企业成长性评估建模方法,通过将获取的指标数据进行预处理,剔除异常数据和补充缺漏数据,并将指标数据进行权重计算,筛选剔除相似度高以及权重低的部分指标数据,使得保留下的指标数据对于企业的成长性评估具有高度的可靠性支持;并通过计算筛选后的各项指标的数值与对应权重的加权和,通过归一化处理,使得企业的成长性评估达到量化的目的。通过上述方法,去除了异常指标数据对于最终求算结果的影响,并通过计算筛选后的各项指标的数值与对应权重的加权和以及归一化计算评分的方式,使得最终求得的企业成长性评分具有较高的准确率,且计算的方式具有良好的抗过拟合、抗噪声特征。进而使得对于企业的成长性评估结果更加可靠。
优选的,请参阅图2,为本发明实施例一提出的企业成长性评估建模方法中,对指标数据进行预处理的方法流程图,该方法具体包括以下步骤:
步骤S21、通过爬虫技术采集所述目标企业的公开的数据。
其中,目标企业的公开的数据具体包括资产负债数据、现金流量数据、利润数据和年报文件等数据文件。
本发明实施例中,针对的目标企业多为上市企业,上市企业的年报数据、财务报表等信息状况在网络中均为公开状态,通过爬虫技术采集所述目标企业的公开的数据,可有效的提取目标企业的指标数据,
其中,爬虫技术是指从网站提取数据的技术,该技术可以将非结构化数据转换为结构化数据。网络爬虫的用途是从网站提取数据,提取的数据可以存储到本地文件并保存在系统中,也可以将其以表格的形式存储到数据库中。网络爬虫使用HTTP或Web浏览器直接访问万维网(WWW)。网络爬虫或机器人抓取网页的过程是一个自动化流程。抓取网页的过程分为获取网页、提取数据。Web抓取程序可以获取网页,它是网络爬虫的必需组件。在获取网页后,就需要提取网页数据了。可以搜索、解析,并将提取的数据保存到表格中,然后重新整理格式。通过采用爬虫技术使得对于目标企业的数据收集整理更加方便快捷。
步骤S22、将数据进行整合和提取,筛选去除数据中的异常值,并采用目标企业近三年的均值对空值进去补充。
可以理解的,当提取的指标数据中存在异常值,则说明该数据不具备可靠性,则直接剔除该异常值,避免异常值对应的指标影响评估结果,对于空值部分,则采用查询目标企业近三年就该项指标的平均值对应填充空值部分,以使得该空值的影响降低到最小。
步骤S23、将筛选后的数据进行归一化处理。
可以理解的,因为不同指标的数据差异非常大,比如有的是增长率,这种数据一般都在0-1之间,有的数据是绝对值可能会很大,若不对数据进行归一化处理,则部分指标会导致数值大而影响力很大,对于其他的指标评估不公平,通过归一化处理,有效的平衡了各项指标对于最终评估结果的影响,使得最终计算评估的企业成长性评分更合理。
优选的,请参阅图3,为本发明实施例一提出的企业成长性评估建模方法中,对指标进行筛选的方法流程图,该方法具体包括以下步骤:
步骤S31、一次筛选。
步骤S32、二次筛选。
其中,一次筛选包括:
步骤S311、剔除权重值小于预设值的指标,得到初步筛选指标。
本发明实施例中,通过判断指标计算权重值是否小于预设值来剔除权重值极小的指标,进而得到初步筛选指标。
步骤S312、通过皮尔逊相关系数计算初步筛选指标两两之间的相关度。
步骤S313、若相关度大于预设值,则剔除权重值较小的指标,得到一次筛选指标。
可以理解的,为了避免相似度较高的指标而影响最终计算得到的成长性评分,本发明实施例中,通过皮尔逊相关系数来计算指标两两之间的相关度,例如:指标1(权重值为0.056)和指标2(权重值为0.034)的相关度为0.68,预设的相关度预设值为0.6,则判定指标1和指标2相关度较强,进一步的,比对指标1和指标2的权重值,保留权重值较大的指标1,并剔除权重值比较小的指标2,完成了对于指标的一次筛选。再例如:指标1(权重值为0.056)和指标3(权重值为0.052)的相关度为0.12,则两个指标不做处理,均保留。
二次筛选包括:
步骤S321、通过Lasso回归算法并结合目标企业的行业特征对所述一次筛选指标进行筛选,得到二次筛选指标。
本发明实施例中,通过Lasso回归算法筛选指标的作用是实现对于指标的降维目的,使得权重值小的指标对于企业成长性评分的计算结果影响对应削弱,此外,由于目标企业的行业特性,部分指标可能对于成长性评估起到负面效果。例如:目标企业为国内食品企业,其出口的指标数据的非常少,而针对目标企业属于汽车汽配行业时,其出口的指标数据就比较大,会存在明显的行业特征,故在食品企业建模的时候就删除了出口占比这个指标,而汽车汽配企业的出口占比指标就会保留。
优选的,请参阅图4,为本发明实施例一提出的企业成长性评估建模方法中,对企业成长性评分进行验证的方法流程图,该方法具体包括以下步骤:
步骤S41、根据Lasso回归算法的计算结果验证企业成长性评分。
步骤S42、若企业成长性评分在预设范围内,则执行步骤S15。
步骤S43、若企业成长性评分在预设范围外,则重复执行步骤S13-S14,直到企业成长性评分在预设范围内。
示例而非限定的,本发明实施例中,验证的具体要求为:回归算法评估指标:MAE(平均绝对误差)≤0.15,MSE(均方误差)≤0.15,RMSE(均方根误差)≤0.2,(拟合优度)≥0.9。当根据Lasso回归算法的计算结果在范围内时,则执行加权和归一化处理步骤,反之,则返回执行指标筛选以及Lasso回归计算的步骤流程,直至Lasso回归计算的结果在预设范围内。
通过上述对企业成长性评分进行验证的方法,有效的避免了筛选后采用的指标计算评估得到的企业成长性评分存在不合理的情况。当Lasso回归计算的结果在预设范围外时,通过范围执行步骤S13-S14(每次执行时以上一次筛选后的指标作为初步筛选指标,重新进行权重分配和计算),进而进一步的筛选指标,直到筛选出的指标根据Lasso回归计算的结果满足验证要求。
优选的,请参阅图5,为本发明实施例二提出的企业成长性评估建模方法,该方法具体包括以下步骤:
步骤S51、根据目标企业的指标数据构建企业指标体系,对指标数据进行预处理。
步骤S52、对预处理后的指标数据进行权重计算。
步骤S53、分析指标数据的权重结果,并对指标进行筛选。
步骤S54、将筛选后的指标重新进行权重计算,并计算筛选后的各项指标的数值与对应权重的加权和。
步骤S55、将加权和进行归一化处理,归一化的结果即为企业的成长性评分。
步骤S56、将目标企业按照不同的评分组合区间划分成长性阶段为成长期、成熟期和衰退期。
步骤S57、通过随机森林算法和Xgboost算法对目标企业的成长性评分进行训练和评估,以查准率、查全率、F1值和AUC值结果最优确定划分成长性阶段的评分阈值。
其中,F1值为F-Measure的特殊情况,为查准率和查全率的调和平均数,能综合反映分类结果的准确率,结果越接近1表示准确率越高。AUC(Area Under roc Curve)值是一种用来度量分类模型好坏的一个标准。具体如图6所示,AUC值为ROC曲线下方的面积,是评价分类模型准确率的综合性指标。
步骤S58、根据成长性评分确定目标企业成长性阶段。
其中,步骤S51至步骤S55与本发明实施例一的步骤完全相同。区别之处在于,本发明实施例二中还包括对于企业进行评级的流程步骤,具体的,步骤S56-S58中,通过将目标企业按照成长期、成熟期和衰退期划分成长性阶段,并对目标企业的成长性评分进行训练和评估,从而界定目标企业的成长性阶段。完成对于目标企业的评级目的。
本发明实施例二中,具体通过随机森林算法和Xgboost算法获得多种划分组合的训练和评估结果,根据局部最优的划分方式将成长性评分划分为对应的企业生命周期,并通过多分类算法验证最终的评级效果。
请参阅图7,为本发明第三实施例提出的企业成长性评估建模系统,具体的,该企业成长性评估建模系统包括。
预处理模块61:用于根据目标企业的指标数据构建企业指标体系,对所述指标数据进行预处理;其中,所述企业指标体系包括财务指标和非财务指标;
第一计算模块62:用于对预处理后的所述指标数据进行权重计算;
指标筛选模块63:用于分析所述指标数据的权重结果,并对指标进行筛选;
第二计算模块64:用于将筛选后的指标重新进行权重计算,并计算筛选后的各项指标的数值与对应权重的加权和;
评分模块65:用于将加权和进行归一化处理,归一化的结果即为企业的成长性评分。
进一步的,所述指标筛选模块63具体包括:
初步筛选单元:用于剔除权重值小于预设值的指标,得到初步筛选指标;
第一筛选单元:用于通过皮尔逊相关系数计算所述初步筛选指标两两之间的相关度;若相关度大于预设值,则剔除权重值较小的指标,得到一次筛选指标;
第二筛选单元:用于通过Lasso回归算法并结合目标企业的行业特征对所述一次筛选指标进行筛选,得到二次筛选指标。
进一步的,所述系统还包括:
评级建立模块:用于将目标企业按照不同的评分组合区间划分成长性阶段为成长期、成熟期和衰退期;
训练评估模块:用于通过随机森林算法和Xgboost算法对目标企业的成长性评分进行训练和评估,以查准率、查全率、F1值和AUC值结果最优确定划分成长性阶段的评分阈值;
评级确定模块:用于根据所述成长性评分确定所述目标企业的成长性阶段。
通过本发明提供的企业成长性评估建模系统,结合上述企业成长性评估建模方法,通过将获取的指标数据进行预处理,剔除异常数据和补充缺漏数据,并将指标数据进行权重计算,筛选剔除相似度高以及权重低的部分指标数据,使得保留下的指标数据对于企业的成长性评估具有高度的可靠性支持;并通过计算筛选后的各项指标的数值与对应权重的加权和,通过归一化处理,使得企业的成长性评估达到量化的目的。通过上述方法,去除了异常指标数据对于最终求算结果的影响,并通过计算筛选后的各项指标的数值与对应权重的加权和以及归一化计算评分的方式,使得最终求得的企业成长性评分具有较高的准确率,且计算的方式具有良好的抗过拟合、抗噪声特征。进而使得对于企业的成长性评估结果更加可靠。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
另外,结合附图描述的本申请实施例企业成长性评估建模方法可以由计算机设备来实现。该计算机设备可以包括处理器以及存储有计算机程序指令的存储器。
具体地,上述处理器可以包括中央处理器(CPU),或者特定集成电路(ApplicationSpecific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器可在数据处理装置的内部或外部。在特定实施例中,存储器是非易失性(Non-Volatile)存储器。在特定实施例中,存储器包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(Random AccessMemory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器所执行的可能的计算机程序指令。
处理器通过读取并执行存储器中存储的计算机程序指令,以实现上述实施例中的任意一种企业成长性评估建模方法。
计算机设备还可包括通信接口和总线。其中,处理器、存储器、通信接口通过总线连接并完成相互间的通信。
通信接口用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线包括硬件、软件或两者,将计算机设备的部件彼此耦接在一起。总线包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(ControlBus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(FrontSide Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该计算机设备可以基于获取到的数据信息,执行本申请实施例中的企业成长性评估建模方法,从而实现结合图1描述的企业成长性评估建模方法。
另外,结合上述实施例中的企业成长性评估建模方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种企业成长性评估建模方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料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。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种企业成长性评估建模方法,其特征在于,所述方法包括:
S11、根据目标企业的指标数据构建企业指标体系,对所述指标数据进行预处理;其中,所述企业指标体系包括财务指标和非财务指标;
S12、对预处理后的所述指标数据进行权重计算;
S13、分析所述指标数据的权重结果,并对指标进行筛选;
S14、将筛选后的指标重新进行权重计算,并计算筛选后的各项指标的数值与对应权重的加权和;
S15、将加权和进行归一化处理,归一化的结果即为企业的成长性评分。
2.根据权利要求1所述的企业成长性评估建模方法,其特征在于,所述对所述指标数据进行预处理的步骤包括:
通过爬虫技术采集所述目标企业的公开的数据,具体包括资产负债数据、现金流量数据、利润数据和年报文件;
将数据进行整合和提取,筛选去除数据中的异常值,并采用目标企业近三年的均值对空值进去补充;
将筛选后的数据进行归一化处理。
3.根据权利要求1所述的企业成长性评估建模方法,其特征在于,所述对指标进行筛选的步骤包括:
一次筛选:剔除权重值小于预设值的指标,得到初步筛选指标;
通过皮尔逊相关系数计算所述初步筛选指标两两之间的相关度;
若相关度大于预设值,则剔除权重值较小的指标,得到一次筛选指标;
二次筛选:通过Lasso回归算法并结合目标企业的行业特征对所述一次筛选指标进行筛选,得到二次筛选指标。
4.根据权利要求1所述的企业成长性评估建模方法,其特征在于,所述计算筛选后的各项指标的数值与对应权重的加权和的步骤之后,还包括:
根据Lasso回归算法的计算结果验证企业成长性评分;
若所述企业成长性评分在预设范围内,则执行步骤S15;
若所述企业成长性评分在预设范围外,则重复执行步骤S13-S14,直到所述企业成长性评分在预设范围内。
5.根据权利要求1所述的企业成长性评估建模方法,其特征在于,所述将加权和进行归一化处理的步骤之后,还包括:
将目标企业按照不同的评分组合区间划分成长性阶段为成长期、成熟期和衰退期;
通过随机森林算法和Xgboost算法对目标企业的成长性评分进行训练和评估,以查准率、查全率、F1值和AUC值结果最优确定划分成长性阶段的评分阈值;
根据所述成长性评分确定所述目标企业的成长性阶段。
6.一种企业成长性评估建模系统,其特征在于,所述系统包括:
预处理模块:用于根据目标企业的指标数据构建企业指标体系,对所述指标数据进行预处理;其中,所述企业指标体系包括财务指标和非财务指标;
第一计算模块:用于对预处理后的所述指标数据进行权重计算;
指标筛选模块:用于分析所述指标数据的权重结果,并对指标进行筛选;
第二计算模块:用于将筛选后的指标重新进行权重计算,并计算筛选后的各项指标的数值与对应权重的加权和;
评分模块:用于将加权和进行归一化处理,归一化的结果即为企业的成长性评分。
7.根据权利要求6所述的企业成长性评估建模系统,其特征在于,所述指标筛选模块具体包括:
初步筛选单元:用于剔除权重值小于预设值的指标,得到初步筛选指标;
第一筛选单元:用于通过皮尔逊相关系数计算所述初步筛选指标两两之间的相关度;若相关度大于预设值,则剔除权重值较小的指标,得到一次筛选指标;
第二筛选单元:用于通过Lasso回归算法并结合目标企业的行业特征对所述一次筛选指标进行筛选,得到二次筛选指标。
8.根据权利要求6所述的企业成长性评估建模系统,其特征在于,所述系统还包括:
评级建立模块:用于将目标企业按照不同的评分组合区间划分成长性阶段为成长期、成熟期和衰退期;
训练评估模块:用于通过随机森林算法和Xgboost算法对目标企业的成长性评分进行训练和评估,以查准率、查全率、F1值和AUC值结果最优确定划分成长性阶段的评分阈值;
评级确定模块:用于根据所述成长性评分确定所述目标企业的成长性阶段。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的企业成长性评估建模方法。
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,该程序被处理器执行时实现如权利要求1至5中任一项所述的企业成长性评估建模方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210894900.XA CN115081950A (zh) | 2022-07-28 | 2022-07-28 | 企业成长性评估建模方法、系统、计算机及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210894900.XA CN115081950A (zh) | 2022-07-28 | 2022-07-28 | 企业成长性评估建模方法、系统、计算机及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115081950A true CN115081950A (zh) | 2022-09-20 |
Family
ID=83243940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210894900.XA Pending CN115081950A (zh) | 2022-07-28 | 2022-07-28 | 企业成长性评估建模方法、系统、计算机及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115081950A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307811A (zh) * | 2022-12-19 | 2023-06-23 | 武汉中科通达高新技术股份有限公司 | 一种针对企业指标数据进行阶段式自动评分的方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013179884A1 (ja) * | 2012-06-01 | 2013-12-05 | 日本電気株式会社 | 企業持続性評価装置、企業持続性評価方法、及びコンピュータ読み取り可能な記録媒体 |
CN109102140A (zh) * | 2018-06-11 | 2018-12-28 | 北交金科金融信息服务有限公司 | 一种基人工智能和大数据技术的企业成长性评价方法 |
CN109377058A (zh) * | 2018-10-26 | 2019-02-22 | 中电科新型智慧城市研究院有限公司 | 基于逻辑回归模型的企业外迁风险评估方法 |
CN112766788A (zh) * | 2021-01-29 | 2021-05-07 | 北京明略软件系统有限公司 | 高新技术企业评价方法、系统、计算机设备及存储介质 |
CN113177729A (zh) * | 2021-05-20 | 2021-07-27 | 北京龙盾数据有限公司 | 基于企业关联风险传导的风险预警方法、系统及设备 |
CN113450009A (zh) * | 2021-07-06 | 2021-09-28 | 北交金科金融信息服务有限公司 | 一种企业成长性评价的方法及系统 |
CN113642922A (zh) * | 2021-08-30 | 2021-11-12 | 天元大数据信用管理有限公司 | 一种中小微企业信用评估方法及装置 |
-
2022
- 2022-07-28 CN CN202210894900.XA patent/CN115081950A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013179884A1 (ja) * | 2012-06-01 | 2013-12-05 | 日本電気株式会社 | 企業持続性評価装置、企業持続性評価方法、及びコンピュータ読み取り可能な記録媒体 |
CN109102140A (zh) * | 2018-06-11 | 2018-12-28 | 北交金科金融信息服务有限公司 | 一种基人工智能和大数据技术的企业成长性评价方法 |
CN109377058A (zh) * | 2018-10-26 | 2019-02-22 | 中电科新型智慧城市研究院有限公司 | 基于逻辑回归模型的企业外迁风险评估方法 |
CN112766788A (zh) * | 2021-01-29 | 2021-05-07 | 北京明略软件系统有限公司 | 高新技术企业评价方法、系统、计算机设备及存储介质 |
CN113177729A (zh) * | 2021-05-20 | 2021-07-27 | 北京龙盾数据有限公司 | 基于企业关联风险传导的风险预警方法、系统及设备 |
CN113450009A (zh) * | 2021-07-06 | 2021-09-28 | 北交金科金融信息服务有限公司 | 一种企业成长性评价的方法及系统 |
CN113642922A (zh) * | 2021-08-30 | 2021-11-12 | 天元大数据信用管理有限公司 | 一种中小微企业信用评估方法及装置 |
Non-Patent Citations (2)
Title |
---|
彼得•布尔曼: "《高维数据统计方法、理论与应用》", 30 September 2018, 北京:国防工业出版社 * |
齐慧颖: "《医学信息资源智能管理》", 31 October 2019, 武汉:湖北科学技术出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307811A (zh) * | 2022-12-19 | 2023-06-23 | 武汉中科通达高新技术股份有限公司 | 一种针对企业指标数据进行阶段式自动评分的方法和装置 |
CN116307811B (zh) * | 2022-12-19 | 2024-02-20 | 武汉中科通达高新技术股份有限公司 | 一种针对企业指标数据进行阶段式自动评分的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102061987B1 (ko) | 위험 평가 방법 및 시스템 | |
CN107633265B (zh) | 用于优化信用评估模型的数据处理方法及装置 | |
CN110111113B (zh) | 一种异常交易节点的检测方法及装置 | |
CN111401600A (zh) | 基于关联关系的企业信用风险评价方法和系统 | |
WO2020250730A1 (ja) | 不正検知装置、不正検知方法および不正検知プログラム | |
KR20200075120A (ko) | 기업 부도 예측 시스템 및 이의 동작 방법 | |
CN110634060A (zh) | 一种用户信用风险的评估方法、系统、装置及存储介质 | |
CN115081950A (zh) | 企业成长性评估建模方法、系统、计算机及可读存储介质 | |
CN112182331B (zh) | 一种基于svm-rfe的客户风险特征筛选方法及其应用 | |
CN112329862A (zh) | 基于决策树的反洗钱方法及系统 | |
CN109409091B (zh) | 检测Web页面的方法、装置、设备以及计算机存储介质 | |
CN117132383A (zh) | 一种信贷数据处理方法、装置、设备及可读存储介质 | |
CN116596674A (zh) | 基于大数据分析的对外贸易风险评估方法 | |
CN110472416A (zh) | 一种网页恶意代码检测方法及相关装置 | |
CN115271442A (zh) | 基于自然语言评估企业成长性的建模方法及系统 | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN114066173A (zh) | 资金流动行为分析方法及存储介质 | |
CN114186644A (zh) | 一种基于优化随机森林的缺陷报告严重程度预测方法 | |
CN113379212A (zh) | 基于区块链的物流信息平台违约风险评估方法、装置、设备及介质 | |
Caplescu et al. | Will they repay their debt? Identification of borrowers likely to be charged off | |
CN111967980A (zh) | 一种基于企业财报和能耗数据采用最大熵模型进行银行授信分析的系统及方法 | |
Pristyanto et al. | Comparison of ensemble models as solutions for imbalanced class classification of datasets | |
Sun et al. | A new perspective of credit scoring for small and medium-sized enterprises based on invoice data | |
CN113723522B (zh) | 异常用户的识别方法、装置、电子设备以及存储介质 | |
CN113723835B (zh) | 火电厂用水评估方法和终端设备 |
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 |