CN115293910A - 基于金融大数据的企业现金流智能评级系统 - Google Patents
基于金融大数据的企业现金流智能评级系统 Download PDFInfo
- Publication number
- CN115293910A CN115293910A CN202210933912.9A CN202210933912A CN115293910A CN 115293910 A CN115293910 A CN 115293910A CN 202210933912 A CN202210933912 A CN 202210933912A CN 115293910 A CN115293910 A CN 115293910A
- Authority
- CN
- China
- Prior art keywords
- result
- cash flow
- index
- feature
- feature map
- 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
- G06Q40/06—Asset management; Financial planning or analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及金融大数据的领域，其具体地公开了一种基于金融大数据的企业现金流智能评级系统及其评估方法，其通过基于深度神经网络模型来对于与现金流评估相关的多个结果指标进行局部和全局的隐含关联特征提取，并基于所计算出的各项指标的这种局部和全局的关联特征来对于企业的现金流是否良好进行评估。这样，支持了复杂灵活的交易结构，提高了现金流模型结果的准确性。
Description
技术领域
本申请涉及金融大数据的领域，且更为具体地，涉及一种基于金融大数据的企业现金流智能评级系统。
背景技术
我国的资产证券化(以下简称“ABS”)正式起步于2005年，并得到蓬勃发展。与ABS一级市场的火爆发行形成鲜明对比的是，ABS二级市场的投资交易却持续低迷。二级市场的低迷，其主要原因在于ABS产品的复杂性，而现有估值定价模型缺陷较多，使得市场投资人无法对ABS的估值定价形成统一认可。
目前，ABS的估值定价计算以ABS现金流模型计算的结果为前提，现金流模型结果的准确性是估值定价结果准确性的最重要保障。而要保证现金流模型结果的准确性，需要其严格还原每一单ABS产品的归集现金流和交易结构，严格匹配基础资产的流入端和证券的流出端数据。
近年来，随着大数据、云计算以及人工智能技术的发展，为企业现金流风险评级提供了新的解决思路和方案。
因此，期待一种优化的基于金融大数据的企业现金流智能评级方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于金融大数据的企业现金流智能评级系统及其评估方法，其通过基于深度神经网络模型来对于与现金流评估相关的多个结果指标进行局部和全局的隐含关联特征提取，并基于所计算出的各项指标的这种局部和全局的关联特征来对于企业的现金流是否良好进行评估。这样，支持了复杂灵活的交易结构，提高了现金流模型结果的准确性。
根据本申请的一个方面，提供了一种基于金融大数据的企业现金流智能评级系统，其包括：
训练模块，包括：
训练数据单元，用于获取与现金流评估相关的多个结果指标，所述多个结果指标包括资产池利息现金流、资产池本金现金流、各时点违约金额、累计违约金额、累计违约率、事件是否触发状态、第三方机构费用兑付现金流以及各档证券兑付明细现金流；
训练指标数据语义编码单元，用于将所述多个结果指标通过包含嵌入层的上下文编码器以得到多个结果指标语义特征向量；
训练指标特征校正单元，用于基于所述多个结果指标语义特征向量的整体，分别对所述多个结果指标语义特征向量中各个结果指标语义特征向量中各个位置的特征值进行校正以得到多个校正后结果指标语义特征向量；
训练指标特征局部关联编码单元，用于将所述多个校正后结果指标语义特征向量排列为结果指标输入矩阵后通过作为特征提取器的第一卷积神经网络以得到结果指标局部关联特征图；
训练指标特征全局关联编码单元，用于将所述结果指标局部关联特征图通过非局部神经网络以得到结果指标全局特征图；
训练特征融合单元，用于融合所述结果指标局部关联特征图和所述结果指标全局特征图以得到分类特征图；
分类损失单元，用于将所述分类特征图通过分类器以得到分类损失函数值；
训练单元，用于以所述分类损失函数值对所述作为特征提取器的第一卷积神经网络和所述非局部神经网络进行训练；以及
推断模块，包括：
指标数据获取单元，用于获取待评估企业的与现金流评估相关的多个结果指标，所述多个结果指标包括资产池利息现金流、资产池本金现金流、各时点违约金额、累计违约金额、累计违约率、事件是否触发状态、第三方机构费用兑付现金流以及各档证券兑付明细现金流；
指标数据语义编码单元，用于将所述多个结果指标通过包含嵌入层的上下文编码器以得到多个结果指标语义特征向量；
指标特征局部关联编码单元，用于将所述多个结果指标语义特征向量排列为结果指标输入矩阵后通过经所述训练模块训练完成的所述作为特征提取器的第一卷积神经网络以得到结果指标局部关联特征图；
指标特征全局关联编码单元，用于将所述结果指标局部关联特征图通过经训练模块训练完成的所述非局部神经网络以得到结果指标全局特征图；
融合单元，用于融合所述结果指标局部关联特征图和所述结果指标全局特征图以得到分类特征图；
现金流评估结果生成单元，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评估企业的现金流是否良好。
根据本申请的另一个方面，提供了一种基于金融大数据的资产证券化现金流评估方法，其包括：
训练阶段，包括：
获取与现金流评估相关的多个结果指标，所述多个结果指标包括资产池利息现金流、资产池本金现金流、各时点违约金额、累计违约金额、累计违约率、事件是否触发状态、第三方机构费用兑付现金流以及各档证券兑付明细现金流；
将所述多个结果指标通过包含嵌入层的上下文编码器以得到多个结果指标语义特征向量；
基于所述多个结果指标语义特征向量的整体，分别对所述多个结果指标语义特征向量中各个结果指标语义特征向量中各个位置的特征值进行校正以得到多个校正后结果指标语义特征向量；
将所述多个校正后结果指标语义特征向量排列为结果指标输入矩阵后通过作为特征提取器的第一卷积神经网络以得到结果指标局部关联特征图；
将所述结果指标局部关联特征图通过非局部神经网络以得到结果指标全局特征图；
融合所述结果指标局部关联特征图和所述结果指标全局特征图以得到分类特征图；
将所述分类特征图通过分类器以得到分类损失函数值；
以所述分类损失函数值对所述作为特征提取器的第一卷积神经网络和所述非局部神经网络进行训练；以及
推断阶段，包括：
获取待评估企业的与现金流评估相关的多个结果指标，所述多个结果指标包括资产池利息现金流、资产池本金现金流、各时点违约金额、累计违约金额、累计违约率、事件是否触发状态、第三方机构费用兑付现金流以及各档证券兑付明细现金流；
将所述多个结果指标通过包含嵌入层的上下文编码器以得到多个结果指标语义特征向量；
将所述多个结果指标语义特征向量排列为结果指标输入矩阵后通过经所述训练模块训练完成的所述作为特征提取器的第一卷积神经网络以得到结果指标局部关联特征图；
将所述结果指标局部关联特征图通过经训练模块训练完成的所述非局部神经网络以得到结果指标全局特征图；
融合所述结果指标局部关联特征图和所述结果指标全局特征图以得到分类特征图；
将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评估企业的现金流是否良好。
与现有技术相比，本申请提供的基于金融大数据的企业现金流智能评级系统及其评估方法，其通过基于深度神经网络模型来对于与现金流评估相关的多个结果指标进行局部和全局的隐含关联特征提取，并基于所计算出的各项指标的这种局部和全局的关联特征来对于企业的现金流是否良好进行评估。这样，支持了复杂灵活的交易结构，提高了现金流模型结果的准确性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于金融大数据的企业现金流智能评级系统的框图。
图2A为根据本申请实施例的基于金融大数据的资产证券化现金流评估方法中训练阶段的流程图。
图2B为根据本申请实施例的基于金融大数据的资产证券化现金流评估方法中推断阶段的流程图。
图3为根据本申请实施例的基于金融大数据的资产证券化现金流评估方法中训练阶段的架构示意图。
图4为根据本申请实施例的基于金融大数据的资产证券化现金流评估方法中推断阶段的架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
目前，ABS的估值定价计算以ABS现金流模型计算的结果为前提，现金流模型结果的准确性是估值定价结果准确性的最重要保障。而要保证现金流模型结果的准确性，需要其严格还原每一单ABS产品的归集现金流和交易结构，严格匹配基础资产的流入端和证券的流出端数据。
具体地，目前的ABS现金流模型，至少存在如下方面的缺陷：
（1）现金流模型在还原归集现金流时的缺陷。目前ABS市场主要分为央行与银保监会监管的信贷ABS、证监会监管的企业ABS、央行和交易商协会主管的ABN。对于企业ABS和ABN而言，其存续期所披露数据无归集现金流表，导致目前市场的现金流模型无法支持企业ABS和ABN的估值定价。
（2）现金流模型在还原交易结构时的缺陷。当前ABS发行场所较多，不同的监管导向下，ABS的设计存在细微差距，如企业ABS的发行属于私募发行，在交易结构的设计上较为灵活、复杂，而目前市场上的现金流模型以支持标准化程度较高的公募ABS为主要导向，使其无法满足一些设计较为复杂的交易结构。
（3）现金流模型在匹配基础资产的流入端数据时的缺陷。
a、现金流模型在进行基础资产流入端数据计算时，会进行压力测试，亦即考虑违约率、早偿率等压力指标的影响。目前市场上的现金流模型，对违约率和早偿率的支持仅支持单值形式，即假设所有期的违约率和早偿率都是相等的值，然而从实际情况来看，违约率和早偿率是一个不断变化的过程，每一期的违约率和早偿率基本不可能完全一致，若一味假设违约率和早偿率时刻一致，会导致基础资产违约金额、早偿金额及违约回收金额等数据偏离实际值较多，进而影响证券流出端数据，影响估值定价结果的准确性。
b、对于一些生息基础资产如个人消费贷款、租赁资产等，所披露的归集现金流未将本金和利息单独披露，而只披露了本息和数据。由于该类基础资产的加权平均利率一般较高，因此期利息一般较高，若不将利息单独拆开，将影响税收的计算，进而导致现金流的流入端虚高，影响证券的兑付情况特别是次级资产支持证券的兑付情况。
因此，期望一种基于金融大数据的企业现金流智能评级系统，其能够对企业的现金流指标进行更为准确地建模并能够基于优化的现金流指标对企业的现金流情况进行智能评级。
近年来，随着大数据、云计算以及人工智能技术的发展，为企业现金流风险评级提供了新的解决思路和方案。
因此，期待一种优化的基于金融大数据的企业现金流智能评级方案。
具体地，在本申请实施例中，现金流模型的相关输入参数如下：
1、输入参数：
①违约率：市场现有方案仅支持累计违约率单值和年化违约率单值形式，本发明在此基础上，从实际出发，新增支持年化违约率向量形式。
违约率需要转为当期条件违约率。
a、累计违约率形式：根据违约时间分布，转化为每期的违约率，具体即为累计违约率*违约时间分布(t)；
b、年化违约率单值形式：记为CDR，CDR=1-(1-cdr)^(1/f)，其中CDR为单一的年化条件违约率，cdr为转换后每一期条件违约率，f为计息准则，计息准则采用30/360(Feb)，公式为f = (360*(Y2-Y1)+30*(M2-M1)+(D2-D1)) / 360，其中，Y2、Y1分别为开始日和结束日对应的日历年份，M2、M1为日历月份，D2、D1为日历日，且若D2、D1均为月底，则均调整为30；
c、年化违约率向量形式：
共设置了n个年化违约率，其中p k 为生效起始时点，升序排列，cpr k 为每期年化违约率，假设当期归集日为d i ，上一期归集日为d i-1，起息日为d 0，则计算d i-1–d 0 +1并查询在p k 列中大于该值的最小值所对应的cpr k ，
。
②早偿率：市场现有方案仅支持年化早偿率单值形式，本发明在此基础上，从实际出发，新增支持年化早偿率向量形式。
年化早偿率需要转为当期条件早偿率。
a、年化早偿率单值形式：记为CPR，
，其中CPR为单一的年化条件早偿率，SMM为转换后每一期条件早偿率，f为计息准则，计息准则采用30/360(Feb)。
b、年化早偿率向量形式：
共设置了n个年化早偿率，其中p k 为生效起始时点，升序排列，cpr k 为年化条件早偿率，假设当期归集日为d i ，上一期归集日为d i-1，起息日为d 0，则计算d i-1–d 0 +1并查询在p k 列中大于该值的最小值所对应的cpr k ，
。
③基础资产条款：基础资产条款部分，市场上目前方案均不支持现金流模拟方案和现金流拆分方案，本发明对此做出改进。
a、本发明提供了一套归集现金流的模拟方案。当受托报告/资产服务报告未提供最新现金流归集表时，本发明依据发行时点归集现金流，结合最新基础资产余额模拟一套最新现金流，具体公式如下：
本金现金流t = 最新基础资产余额 * 发行时点归集现金流本金回收款t/发行时点最新基础资产余额
利息现金流t = 最新基础资产余额 * 发行时点归集现金流利息回收款t/发行时点最新基础资产余额
b、本发明提供了一版现金流拆分方案。若基础资产为带息资产且披露的归集现金流为本息和时，本发明会将该种归集现金流进行本息和拆分。具体公式为：
本金现金流t = 期初本金t–期末本金t，
利息现金流t = 归集现金流本息和t–本金现金流t。
④现金流分配机制：通过将现金流分配顺序写入python脚本并内嵌入现金流模型计算引擎的方式，解决了费用先记账再支付、费用分两端按条件支付、账户剩余资金按比例拆分予N个主体等多种复杂灵活的交易结构。
2、计算结果指标
所述资产池本金现金流=正常本金 + 早偿本金 + 违约本金的汇总额；
所述正常本金=归集现金流表本期应收本金t/归集现金流表期初本金余额t *(期初本金余额t –正常本金t –早偿金额t)；
所述早偿本金=早偿率t * (期初本金余额t–正常本金t–违约余额t)；
所述违约本金=违约金额(t-回收期)*回收率；
所述期初本金余额=资产池本金余额t-1–本金现金流t；
所述资产池利息现金流= (期初本金余额t – 违约金额t – 早偿金额t) * 资产池利率* 年化时间；
所述各时点违约金额=期初本金余额t* 违约率t；
资产池正常余额(0)=封包时点资产池本金余额。
在企业现金流评级中，首先获取与现金流评估相关的多个结果指标，所述多个结果指标包括资产池利息现金流、资产池本金现金流、各时点违约金额、累计违约金额、累计违约率、事件是否触发状态、第三方机构费用兑付现金流以及各档证券兑付明细现金流。
应可以理解，考虑到所述与现金流评估相关的多个结果指标之间都存在着关联性，因此使用包含嵌入层的上下文编码器对所述与现金流评估相关的多个结果指标进行编码，以提取出所述多个结果指标之间的基于全局的高维语义特征以更适于表征现金流评估的本质特征，从而得到多个结果指标语义特征向量。
应可以理解，对于各项结果指标通过上下文编码器所获得的所述多个结果指标语义特征向量，在将其进行二维拼接以得到结果指标输入矩阵时，由于待拼接的各个结果指标语义特征向量各自作为分布式表示向量存在各向异性，即其向量表示驻留在整个高维特征空间的一个狭窄子集中，这就使得用于特征提取的第一卷积神经网络和非局部神经网络在训练过程中，其模型的参数空间可能会随迭代而退化从而缺乏连续性，因此，优选地，首先对每个结果指标语义特征向量进行对比搜索空间同向化，即：
其中f i 是所述多个结果指标语义特征向量的预定结果指标语义特征向量的预定位置的特征值，且f j 是所述多个结果指标语义特征向量中除所述预定结果指标语义特征向量以外的其它预定结果指标语义特征向量的所述预定位置的特征值，且ρ是超参数，例如可以设置为f i 所属的结果指标语义特征向量与f j 所属的结果指标语义特征向量之间的向量距离，d( f i , f j )表示f i 所属的结果指标语义特征向量与f j 所属的结果指标语义特征向量之间的预定位置的特征值的距离，例如绝对值距离或者均方距离。
由此，通过各个结果指标语义特征向量之间的对比搜索空间同向化，可以将特征向量的相应位置的特征值的联合表达约束到各向同性且有区分度的表示空间，从而增强了所述多个结果指标语义特征向量的特征表示之间的分布连续性，优化了所述第一卷积神经网络和所述非局部神经网络的训练。
这样，将所述多个校正后结果指标语义特征向量排列为结果指标输入矩阵以整合所述与现金流评估相关的多个结果指标的全局关联特征信息后，通过作为特征提取器的第一卷积神经网络中进行特征挖掘，以得到结果指标局部关联特征图。
应可以理解，考虑到由于卷积是典型的局部操作，而对于所述与现金流评估相关的多个结果指标来说，所述各个结果指标之间并非是孤立存在的，所述各个结果指标间的关联性产生前景目标。因此，在本申请的技术方案中，为了提取出所述与现金流评估相关的多个结果指标的关联性，使用非局部神经网络来进一步进行图像的特征提取。也就是，将所述结果指标局部关联特征图通过非局部神经网络以得到结果指标全局特征图。特别地，这里，所述非局部神经网络通过计算所述与现金流评估相关的多个结果指标相似度捕获隐藏的依赖信息，进而建模上下文特征，使网络关注所述用电功率数据间的整体内容，进而在分类、检测任务中提升主干网络特征提取能力。
进一步地，融合所述结果指标局部关联特征图和所述结果指标全局特征图中的隐含特征关联信息来进行分类，就可以获得用于表示待评估企业的现金流是否良好的分类结果。
这样，在支持违约率和早偿率的形式上，从实际出发，支持了向量形式的违约率和早偿率，支持使用者按期设置不同的违约率和早偿率。使用者可借鉴同类型或同主体发行的类似ABS产品的历史违约率和早偿率，按期进行设置，可达到无限贴近实际违约和早偿情况，亦将无限贴近基础资产实际流入数据。进而，能够支持复杂灵活的交易结构，提高了现金流模型结果的准确性。
基于此，本申请提出了一种基于金融大数据的企业现金流智能评级系统，其包括训练模块和推断模块。其中，训练模块，包括：训练数据单元，用于获取与现金流评估相关的多个结果指标，所述多个结果指标包括资产池利息现金流、资产池本金现金流、各时点违约金额、累计违约金额、累计违约率、事件是否触发状态、第三方机构费用兑付现金流以及各档证券兑付明细现金流；训练指标数据语义编码单元，用于将所述多个结果指标通过包含嵌入层的上下文编码器以得到多个结果指标语义特征向量；训练指标特征校正单元，用于基于所述多个结果指标语义特征向量的整体，分别对所述多个结果指标语义特征向量中各个结果指标语义特征向量中各个位置的特征值进行校正以得到多个校正后结果指标语义特征向量；训练指标特征局部关联编码单元，用于将所述多个校正后结果指标语义特征向量排列为结果指标输入矩阵后通过作为特征提取器的第一卷积神经网络以得到结果指标局部关联特征图；训练指标特征全局关联编码单元，用于将所述结果指标局部关联特征图通过非局部神经网络以得到结果指标全局特征图；训练特征融合单元，用于融合所述结果指标局部关联特征图和所述结果指标全局特征图以得到分类特征图；分类损失单元，用于将所述分类特征图通过分类器以得到分类损失函数值；训练单元，用于以所述分类损失函数值对所述作为特征提取器的第一卷积神经网络和所述非局部神经网络进行训练。其中，推断模块，包括：指标数据获取单元，用于获取待评估企业的与现金流评估相关的多个结果指标，所述多个结果指标包括资产池利息现金流、资产池本金现金流、各时点违约金额、累计违约金额、累计违约率、事件是否触发状态、第三方机构费用兑付现金流以及各档证券兑付明细现金流；指标数据语义编码单元，用于将所述多个结果指标通过包含嵌入层的上下文编码器以得到多个结果指标语义特征向量；指标特征局部关联编码单元，用于将所述多个结果指标语义特征向量排列为结果指标输入矩阵后通过经所述训练模块训练完成的所述作为特征提取器的第一卷积神经网络以得到结果指标局部关联特征图；指标特征全局关联编码单元，用于将所述结果指标局部关联特征图通过经训练模块训练完成的所述非局部神经网络以得到结果指标全局特征图；融合单元，用于融合所述结果指标局部关联特征图和所述结果指标全局特征图以得到分类特征图；现金流评估结果生成单元，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评估企业的现金流是否良好。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1图示了根据本申请实施例的基于金融大数据的企业现金流智能评级系统的框图。如图1所示，根据本申请实施例的基于金融大数据的企业现金流智能评级系统 200，包括：训练模块 210和推断模块 220。其中，训练模块 210，包括：训练数据单元 2101，用于获取与现金流评估相关的多个结果指标，所述多个结果指标包括资产池利息现金流、资产池本金现金流、各时点违约金额、累计违约金额、累计违约率、事件是否触发状态、第三方机构费用兑付现金流以及各档证券兑付明细现金流；训练指标数据语义编码单元 2102，用于将所述多个结果指标通过包含嵌入层的上下文编码器以得到多个结果指标语义特征向量；训练指标特征校正单元 2103，用于基于所述多个结果指标语义特征向量的整体，分别对所述多个结果指标语义特征向量中各个结果指标语义特征向量中各个位置的特征值进行校正以得到多个校正后结果指标语义特征向量；训练指标特征局部关联编码单元 2104，用于将所述多个校正后结果指标语义特征向量排列为结果指标输入矩阵后通过作为特征提取器的第一卷积神经网络以得到结果指标局部关联特征图；训练指标特征全局关联编码单元2105，用于将所述结果指标局部关联特征图通过非局部神经网络以得到结果指标全局特征图；训练特征融合单元 2106，用于融合所述结果指标局部关联特征图和所述结果指标全局特征图以得到分类特征图；分类损失单元 2107，用于将所述分类特征图通过分类器以得到分类损失函数值；训练单元 2108，用于以所述分类损失函数值对所述作为特征提取器的第一卷积神经网络和所述非局部神经网络进行训练。其中，推断模块 220，包括：指标数据获取单元 221，用于获取待评估企业的与现金流评估相关的多个结果指标，所述多个结果指标包括资产池利息现金流、资产池本金现金流、各时点违约金额、累计违约金额、累计违约率、事件是否触发状态、第三方机构费用兑付现金流以及各档证券兑付明细现金流；指标数据语义编码单元 222，用于将所述多个结果指标通过包含嵌入层的上下文编码器以得到多个结果指标语义特征向量；指标特征局部关联编码单元 223，用于将所述多个结果指标语义特征向量排列为结果指标输入矩阵后通过经所述训练模块训练完成的所述作为特征提取器的第一卷积神经网络以得到结果指标局部关联特征图；指标特征全局关联编码单元224，用于将所述结果指标局部关联特征图通过经训练模块训练完成的所述非局部神经网络以得到结果指标全局特征图；融合单元 225，用于融合所述结果指标局部关联特征图和所述结果指标全局特征图以得到分类特征图；现金流评估结果生成单元 226，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评估企业的现金流是否良好。
具体地，在本申请实施例中，在训练模块 210中，所述训练数据单元 2101和训练指标数据语义编码单元 2102，用于获取与现金流评估相关的多个结果指标，所述多个结果指标包括资产池利息现金流、资产池本金现金流、各时点违约金额、累计违约金额、累计违约率、事件是否触发状态、第三方机构费用兑付现金流以及各档证券兑付明细现金流，并将所述多个结果指标通过包含嵌入层的上下文编码器以得到多个结果指标语义特征向量。如前所述，考虑到若想保证现金流模型结果的准确性，需要其严格还原每一单ABS产品的归集现金流和交易结构，严格匹配基础资产的流入端和证券的流出端数据，在本申请的技术方案中，期望基于所计算出的各项指标来评估企业的现金流是否良好。也就是，具体地，在本申请的技术方案中，首先，获取与现金流评估相关的多个结果指标，所述多个结果指标包括资产池利息现金流、资产池本金现金流、各时点违约金额、累计违约金额、累计违约率、事件是否触发状态、第三方机构费用兑付现金流以及各档证券兑付明细现金流。
应可以理解，还考虑到所述与现金流评估相关的多个结果指标之间都存在着关联性，因此，在本申请的技术方案中，进一步使用包含嵌入层的上下文编码器对所述与现金流评估相关的多个结果指标进行编码，以提取出所述多个结果指标之间的基于全局的高维语义特征以更适于表征现金流评估的本质特征，从而得到多个结果指标语义特征向量。
更具体地，在本申请实施例中，所述训练指标数据语义编码单元，包括：输入向量构造子单元，用于使用所述包含嵌入层的上下文编码器的嵌入层分别将所述多个结果指标转化为输入向量以获得输入向量的序列；以及，上下文编码子单元，用于使用所述包含嵌入层的上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个结果指标语义特征向量。
具体地，在本申请实施例中，在训练模块 210中，所述训练指标特征校正单元2103，用于基于所述多个结果指标语义特征向量的整体，分别对所述多个结果指标语义特征向量中各个结果指标语义特征向量中各个位置的特征值进行校正以得到多个校正后结果指标语义特征向量。应可以理解，对于所述各项结果指标通过上下文编码器所获得的所述多个结果指标语义特征向量，在将其进行二维拼接以得到结果指标输入矩阵时，由于待拼接的各个结果指标语义特征向量各自作为分布式表示向量存在各向异性，即其向量表示驻留在整个高维特征空间的一个狭窄子集中，这就使得用于特征提取的第一卷积神经网络和非局部神经网络在训练过程中，其模型的参数空间可能会随迭代而退化从而缺乏连续性，因此，在本申请的技术方案中，优选地，首先对每个结果指标语义特征向量进行对比搜索空间同向化。应可以理解，由此，通过所述各个结果指标语义特征向量之间的对比搜索空间同向化，可以将所述特征向量的相应位置的特征值的联合表达约束到各向同性且有区分度的表示空间，从而增强了所述多个结果指标语义特征向量的特征表示之间的分布连续性，优化了所述第一卷积神经网络和所述非局部神经网络的训练。
更具体地，在本申请实施例中，所述训练指标特征校正单元，进一步用于：基于所述多个结果指标语义特征向量的整体，以如下公式分别对所述多个结果指标语义特征向量中各个结果指标语义特征向量中各个位置的特征值进行校正以得到所述多个校正后结果指标语义特征向量；
其中，所述公式为：
其中f i 是所述多个结果指标语义特征向量的预定结果指标语义特征向量的预定位置的特征值，且f j 是所述多个结果指标语义特征向量中除所述预定结果指标语义特征向量以外的其它预定结果指标语义特征向量的所述预定位置的特征值，且ρ是超参数，例如可以设置为f i 所属的结果指标语义特征向量与f j 所属的结果指标语义特征向量之间的向量距离，d( f i , f j )表示f i 所属的结果指标语义特征向量与f j 所属的结果指标语义特征向量之间的预定位置的特征值的距离，例如绝对值距离或者均方距离。
具体地，在本申请实施例中，在训练模块 210中，所述训练指标特征局部关联编码单元 2104，用于将所述多个校正后结果指标语义特征向量排列为结果指标输入矩阵后通过作为特征提取器的第一卷积神经网络以得到结果指标局部关联特征图。也就是，在本申请的技术方案中，进一步将所述多个校正后结果指标语义特征向量排列为结果指标输入矩阵以整合所述与现金流评估相关的多个结果指标的全局关联特征信息后，通过作为特征提取器的第一卷积神经网络中进行特征挖掘，以得到结果指标局部关联特征图。
更具体地，在本申请实施例中，所述训练指标特征局部关联编码单元，进一步用于：所述第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述结果指标局部关联特征图，所述第一卷积神经网络的第一层的输入为所述结果指标输入矩阵。
具体地，在本申请实施例中，在训练模块 210中，所述训练指标特征全局关联编码单元 2105，用于将所述结果指标局部关联特征图通过非局部神经网络以得到结果指标全局特征图。应可以理解，考虑到由于卷积是典型的局部操作，而对于所述与现金流评估相关的多个结果指标来说，所述各个结果指标之间并非是孤立存在的，所述各个结果指标间的关联性产生前景目标。因此，在本申请的技术方案中，为了提取出所述与现金流评估相关的多个结果指标的关联性，使用非局部神经网络来进一步进行图像的特征提取。也就是，将所述结果指标局部关联特征图通过非局部神经网络以得到结果指标全局特征图。特别地，这里，所述非局部神经网络通过计算所述与现金流评估相关的多个结果指标相似度捕获隐藏的依赖信息，进而建模上下文特征，使网络关注所述用电功率数据间的整体内容，进而在分类、检测任务中提升主干网络特征提取能力。
更具体地，在本申请实施例中，所述训练指标特征全局关联编码单元，包括：点卷积单元，用于将所述结果指标局部关联特征图分别输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；第一融合单元，用于计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；归一化单元，用于将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；第二融合单元，用于计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；全局感知单元，用于将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局感知特征图；通道数调整单元，用于将所述全局感知特征图通过所述非局部神经网络的第四点卷积层以得到通道调整全局感知特征图；以及，第三融合单元，用于计算所述通道调整全局感知特征图和所述高维关联局部特征图的按位置加权和以得到所述结果指标全局特征图。
具体地，在本申请实施例中，在训练模块 210中，所述训练特征融合单元 2106、所述分类损失单元 2107和所述训练单元 2108，用于融合所述结果指标局部关联特征图和所述结果指标全局特征图以得到分类特征图，并将所述分类特征图通过分类器以得到分类损失函数值，再以所述分类损失函数值对所述作为特征提取器的第一卷积神经网络和所述非局部神经网络进行训练。也就是，在本申请的技术方案中，进一步地，融合所述结果指标局部关联特征图和所述结果指标全局特征图中的隐含特征关联信息以得到分类特征图，再将所述分类特征图通过分类器中进行处理以得到分类损失函数值来对所述作为特征提取器的第一卷积神经网络和所述非局部神经网络进行训练。
更具体地，在本申请实施例中，所述训练特征融合单元，进一步用于：以如下公式融合所述结果指标局部关联特征图和所述结果指标全局特征图以得到所述分类特征图；
其中，所述公式为：
F s = αF 1+ βF 2
其中，F s 为所述分类特征图，F 1为所述结果指标局部关联特征图，F 2为所述结果指标全局特征图，“+”表示所述结果指标局部关联特征图和所述结果指标全局特征图相对应位置处的元素相加，α和β为用于控制所述分类特征图中所述结果指标局部关联特征图和所述结果指标全局特征图之间的平衡的加权参数。
更具体地，在本申请实施例中，所述分类损失单元，进一步用于：所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(W n ,B n ):...:(W 1, B 1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为向量，W 1至W n 为各层全连接层的权重矩阵，B 1至B n 表示各层全连接层的偏置矩阵；以及，计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
在训练完成后，进入推断模块。也就是，在对所述作为特征提取器的第一卷积神经网络和所述非局部神经网络进行训练后，将训练完成的所述作为特征提取器的第一卷积神经网络和所述非局部神经网络用于实际的对于所述待评估企业的现金流是否良好的评估中。
具体地，在本申请实施例中，在推断模块 220中，首先，获取待评估企业的与现金流评估相关的多个结果指标，所述多个结果指标包括资产池利息现金流、资产池本金现金流、各时点违约金额、累计违约金额、累计违约率、事件是否触发状态、第三方机构费用兑付现金流以及各档证券兑付明细现金流；接着，将所述多个结果指标通过包含嵌入层的上下文编码器以得到多个结果指标语义特征向量；然后，将所述多个结果指标语义特征向量排列为结果指标输入矩阵后通过经所述训练模块训练完成的所述作为特征提取器的第一卷积神经网络以得到结果指标局部关联特征图；接着，将所述结果指标局部关联特征图通过经训练模块训练完成的所述非局部神经网络以得到结果指标全局特征图；然后，融合所述结果指标局部关联特征图和所述结果指标全局特征图以得到分类特征图；最后，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评估企业的现金流是否良好。
综上，基于本申请实施例的所述基于金融大数据的企业现金流智能评级系统 200被阐明，其通过基于深度神经网络模型来对于与现金流评估相关的多个结果指标进行局部和全局的隐含关联特征提取，并基于所计算出的各项指标的这种局部和全局的关联特征来对于企业的现金流是否良好进行评估。这样，支持了复杂灵活的交易结构，提高了现金流模型结果的准确性。
如上所述，根据本申请实施例的基于金融大数据的企业现金流智能评级系统 200可以实现在各种终端设备中，例如基于金融大数据的资产证券化现金流评估的服务器等。在一个示例中，根据本申请实施例的基于金融大数据的企业现金流智能评级系统 200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于金融大数据的企业现金流智能评级系统 200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于金融大数据的企业现金流智能评级系统 200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于金融大数据的企业现金流智能评级系统 200与该终端设备也可以是分立的设备，并且该基于金融大数据的企业现金流智能评级系统 200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图2A图示了根据本申请实施例的基于金融大数据的资产证券化现金流评估方法中训练阶段的流程图。如图2A所示，根据本申请实施例的基于金融大数据的资产证券化现金流评估方法，包括：训练阶段，包括步骤：S110，获取与现金流评估相关的多个结果指标，所述多个结果指标包括资产池利息现金流、资产池本金现金流、各时点违约金额、累计违约金额、累计违约率、事件是否触发状态、第三方机构费用兑付现金流以及各档证券兑付明细现金流；S120，将所述多个结果指标通过包含嵌入层的上下文编码器以得到多个结果指标语义特征向量；S130，基于所述多个结果指标语义特征向量的整体，分别对所述多个结果指标语义特征向量中各个结果指标语义特征向量中各个位置的特征值进行校正以得到多个校正后结果指标语义特征向量；S140，将所述多个校正后结果指标语义特征向量排列为结果指标输入矩阵后通过作为特征提取器的第一卷积神经网络以得到结果指标局部关联特征图；S150，将所述结果指标局部关联特征图通过非局部神经网络以得到结果指标全局特征图；S160，融合所述结果指标局部关联特征图和所述结果指标全局特征图以得到分类特征图；S170，将所述分类特征图通过分类器以得到分类损失函数值；S180，以所述分类损失函数值对所述作为特征提取器的第一卷积神经网络和所述非局部神经网络进行训练。
图2B图示了根据本申请实施例的基于金融大数据的资产证券化现金流评估方法中推断阶段的流程图。图2B所示，根据本申请实施例的基于金融大数据的资产证券化现金流评估方法，包括：推断阶段，包括步骤：S210，获取待评估企业的与现金流评估相关的多个结果指标，所述多个结果指标包括资产池利息现金流、资产池本金现金流、各时点违约金额、累计违约金额、累计违约率、事件是否触发状态、第三方机构费用兑付现金流以及各档证券兑付明细现金流；S220，将所述多个结果指标通过包含嵌入层的上下文编码器以得到多个结果指标语义特征向量；S230，将所述多个结果指标语义特征向量排列为结果指标输入矩阵后通过经所述训练模块训练完成的所述作为特征提取器的第一卷积神经网络以得到结果指标局部关联特征图；S240，将所述结果指标局部关联特征图通过经训练模块训练完成的所述非局部神经网络以得到结果指标全局特征图；S250，融合所述结果指标局部关联特征图和所述结果指标全局特征图以得到分类特征图；S260，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评估企业的现金流是否良好。
图3图示了根据本申请实施例的基于金融大数据的资产证券化现金流评估方法中训练阶段的架构示意图。如图3所示，在训练阶段中，在该网络架构中，首先，将获得的所述多个结果指标（例如，如图3中所示意的P1）通过包含嵌入层的上下文编码器（例如，如图3中所示意的E）以得到多个结果指标语义特征向量（例如，如图3中所示意的VF1）；接着，基于所述多个结果指标语义特征向量的整体，分别对所述多个结果指标语义特征向量中各个结果指标语义特征向量中各个位置的特征值进行校正以得到多个校正后结果指标语义特征向量（例如，如图3中所示意的VF2）；然后，将所述多个校正后结果指标语义特征向量排列为结果指标输入矩阵（例如，如图3中所示意的M）后通过作为特征提取器的第一卷积神经网络（例如，如图3中所示意的CNN1）以得到结果指标局部关联特征图（例如，如图3中所示意的F1）；接着，将所述结果指标局部关联特征图通过非局部神经网络（例如，如图3中所示意的CNN2）以得到结果指标全局特征图（例如，如图3中所示意的F2）；然后，融合所述结果指标局部关联特征图和所述结果指标全局特征图以得到分类特征图（例如，如图3中所示意的FC）；接着，将所述分类特征图通过分类器（例如，如图3中所示意的分类器）以得到分类损失函数值（例如，如图3中所示意的CLV）；最后，以所述分类损失函数值对所述作为特征提取器的第一卷积神经网络和所述非局部神经网络进行训练。
图4图示了根据本申请实施例的基于金融大数据的资产证券化现金流评估方法中推断阶段的架构示意图。如图4所示，在推断阶段中，在该网络架构中，首先，将获得的所述多个结果指标（例如，如图4中所示意的P1）通过包含嵌入层的上下文编码器（例如，如图4中所示意的E）以得到多个结果指标语义特征向量（例如，如图4中所示意的VF1）；接着，将所述多个结果指标语义特征向量排列为结果指标输入矩阵（例如，如图4中所示意的M）后通过经所述训练模块训练完成的所述作为特征提取器的第一卷积神经网络（例如，如图4中所示意的CN1）以得到结果指标局部关联特征图（例如，如图4中所示意的F1）；然后，将所述结果指标局部关联特征图通过经训练模块训练完成的所述非局部神经网络（例如，如图4中所示意的CN2）以得到结果指标全局特征图（例如，如图4中所示意的F2）；接着，融合所述结果指标局部关联特征图和所述结果指标全局特征图以得到分类特征图（例如，如图4中所示意的FC）；最后，将所述分类特征图通过分类器（例如，如图4中所示意的分类器）以得到分类结果，所述分类结果用于表示待评估企业的现金流是否良好。
综上，基于本申请实施例的所述基于金融大数据的资产证券化现金流评估方法被阐明，其通过基于深度神经网络模型来对于与现金流评估相关的多个结果指标进行局部和全局的隐含关联特征提取，并基于所计算出的各项指标的这种局部和全局的关联特征来对于企业的现金流是否良好进行评估。这样，支持了复杂灵活的交易结构，提高了现金流模型结果的准确性。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
Claims (8)
1.一种基于金融大数据的企业现金流智能评级系统，其特征在于，包括：
训练模块，包括：
训练数据单元，用于获取与现金流评估相关的多个结果指标，所述多个结果指标包括资产池利息现金流、资产池本金现金流、各时点违约金额、累计违约金额、累计违约率、事件是否触发状态、第三方机构费用兑付现金流以及各档证券兑付明细现金流；
训练指标数据语义编码单元，用于将所述多个结果指标通过包含嵌入层的上下文编码器以得到多个结果指标语义特征向量；
训练指标特征校正单元，用于基于所述多个结果指标语义特征向量的整体，分别对所述多个结果指标语义特征向量中各个结果指标语义特征向量中各个位置的特征值进行校正以得到多个校正后结果指标语义特征向量；
训练指标特征局部关联编码单元，用于将所述多个校正后结果指标语义特征向量排列为结果指标输入矩阵后通过作为特征提取器的第一卷积神经网络以得到结果指标局部关联特征图；
训练指标特征全局关联编码单元，用于将所述结果指标局部关联特征图通过非局部神经网络以得到结果指标全局特征图；
训练特征融合单元，用于融合所述结果指标局部关联特征图和所述结果指标全局特征图以得到分类特征图；
分类损失单元，用于将所述分类特征图通过分类器以得到分类损失函数值；
训练单元，用于以所述分类损失函数值对所述作为特征提取器的第一卷积神经网络和所述非局部神经网络进行训练；以及
推断模块，包括：
指标数据获取单元，用于获取待评估企业的与现金流评估相关的多个结果指标，所述多个结果指标包括资产池利息现金流、资产池本金现金流、各时点违约金额、累计违约金额、累计违约率、事件是否触发状态、第三方机构费用兑付现金流以及各档证券兑付明细现金流；
指标数据语义编码单元，用于将所述多个结果指标通过包含嵌入层的上下文编码器以得到多个结果指标语义特征向量；
指标特征局部关联编码单元，用于将所述多个结果指标语义特征向量排列为结果指标输入矩阵后通过经所述训练模块训练完成的所述作为特征提取器的第一卷积神经网络以得到结果指标局部关联特征图；
指标特征全局关联编码单元，用于将所述结果指标局部关联特征图通过经训练模块训练完成的所述非局部神经网络以得到结果指标全局特征图；
融合单元，用于融合所述结果指标局部关联特征图和所述结果指标全局特征图以得到分类特征图；
现金流评估结果生成单元，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待评估企业的现金流是否良好。
2.根据权利要求1所述的基于金融大数据的企业现金流智能评级系统，其特征在于，
所述资产池本金现金流=正常本金+早偿本金 + 违约本金的汇总额；
所述正常本金=归集现金流表本期应收本金t/归集现金流表期初本金余额t * (期初本金余额t–正常本金t–早偿金额t)；
所述早偿本金=早偿率t * (期初本金余额t–正常本金t–违约余额t)；
所述违约本金=违约金额(t-回收期)*回收率；
所述期初本金余额=资产池本金余额t-1–本金现金流t；
所述资产池利息现金流= (期初本金余额t – 违约金额t – 早偿金额t) * 资产池利率* 年化时间；
所述各时点违约金额=期初本金余额t* 违约率t。
3.根据权利要求2所述的基于金融大数据的企业现金流智能评级系统，其特征在于，所述训练指标数据语义编码单元，包括：
输入向量构造子单元，用于使用所述包含嵌入层的上下文编码器的嵌入层分别将所述多个结果指标转化为输入向量以获得输入向量的序列；以及
上下文编码子单元，用于使用所述包含嵌入层的上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个结果指标语义特征向量。
4.根据权利要求3所述的基于金融大数据的企业现金流智能评级系统，其特征在于，所述训练指标特征校正单元，进一步用于：基于所述多个结果指标语义特征向量的整体，以如下公式分别对所述多个结果指标语义特征向量中各个结果指标语义特征向量中各个位置的特征值进行校正以得到所述多个校正后结果指标语义特征向量；
其中，所述公式为：
其中f i 是所述多个结果指标语义特征向量的预定结果指标语义特征向量的预定位置的特征值，f j 是所述多个结果指标语义特征向量中除所述预定结果指标语义特征向量以外的其它预定结果指标语义特征向量的所述预定位置的特征值，d( f i , f j )表示f i 所属的结果指标语义特征向量与f j 所属的结果指标语义特征向量之间的预定位置的特征值的距离，且ρ是超参数。
5.根据权利要求4所述的基于金融大数据的企业现金流智能评级系统，其特征在于，所述训练指标特征局部关联编码单元，进一步用于：所述第一卷积神经网络的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行均值池化处理以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络的最后一层的输出为所述结果指标局部关联特征图，所述第一卷积神经网络的第一层的输入为所述结果指标输入矩阵。
6.根据权利要求5所述的基于金融大数据的企业现金流智能评级系统，其特征在于，所述训练指标特征全局关联编码单元，包括：
点卷积单元，用于将所述结果指标局部关联特征图分别输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；
第一融合单元，用于计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；
归一化单元，用于将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；
第二融合单元，用于计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；
全局感知单元，用于将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局感知特征图；
通道数调整单元，用于将所述全局感知特征图通过所述非局部神经网络的第四点卷积层以得到通道调整全局感知特征图；以及
第三融合单元，用于计算所述通道调整全局感知特征图和所述高维关联局部特征图的按位置加权和以得到所述结果指标全局特征图。
7.根据权利要求6所述的基于金融大数据的企业现金流智能评级系统，其特征在于，所述训练特征融合单元，进一步用于：以如下公式融合所述结果指标局部关联特征图和所述结果指标全局特征图以得到所述分类特征图；
其中，所述公式为：
F s = αF 1+ βF 2
其中，F s 为所述分类特征图，F 1为所述结果指标局部关联特征图，F 2为所述结果指标全局特征图，“+”表示所述结果指标局部关联特征图和所述结果指标全局特征图相对应位置处的元素相加，α和β为用于控制所述分类特征图中所述结果指标局部关联特征图和所述结果指标全局特征图之间的平衡的加权参数。
8.根据权利要求7所述的基于金融大数据的企业现金流智能评级系统，其特征在于，所述分类损失单元，进一步用于：
所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(W n , B n ):...:(W 1, B 1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为向量，W 1至W n 为各层全连接层的权重矩阵，B 1至B n 表示各层全连接层的偏置矩阵；以及
计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210933912.9A CN115293910A (zh) | 2022-08-04 | 2022-08-04 | 基于金融大数据的企业现金流智能评级系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210933912.9A CN115293910A (zh) | 2022-08-04 | 2022-08-04 | 基于金融大数据的企业现金流智能评级系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115293910A true CN115293910A (zh) | 2022-11-04 |
Family
ID=83827056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210933912.9A Pending CN115293910A (zh) | 2022-08-04 | 2022-08-04 | 基于金融大数据的企业现金流智能评级系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115293910A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115841346A (zh) * | 2023-02-23 | 2023-03-24 | 杭银消费金融股份有限公司 | 用于经营决策的资产减值预测方法和系统 |
| CN115879777A (zh) * | 2023-03-03 | 2023-03-31 | 吉林大学 | 基于时空大数据的石油安全智能推演系统及其方法 |
| CN116029520A (zh) * | 2023-01-13 | 2023-04-28 | 上海合煌能源科技有限公司 | 基于电力需求响应的在线调度方法及其系统 |
| CN116108143A (zh) * | 2023-04-10 | 2023-05-12 | 长春财经学院 | 基于区块链技术的数字经济监测方法及其系统 |
| CN117252689A (zh) * | 2023-11-13 | 2023-12-19 | 北京佳格天地科技有限公司 | 基于大数据的农业用户信贷决策支持方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004152093A (ja) * | 2002-10-31 | 2004-05-27 | Alps Electric Co Ltd | 知的財産権評価装置及び知的財産権評価プログラム |
| WO2011068756A2 (en) * | 2009-12-04 | 2011-06-09 | Merkle Robert A | Systems and methods for evaluating the ability of borrowers to repay loans |
| CN110910241A (zh) * | 2019-11-28 | 2020-03-24 | 中国建设银行股份有限公司 | 现金流评估方法、装置、服务器设备及存储介质 |
| CN114187091A (zh) * | 2021-12-09 | 2022-03-15 | 中国建设银行股份有限公司 | 一种现金流确定方法、装置、设备和存储介质 |
-
2022
- 2022-08-04 CN CN202210933912.9A patent/CN115293910A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004152093A (ja) * | 2002-10-31 | 2004-05-27 | Alps Electric Co Ltd | 知的財産権評価装置及び知的財産権評価プログラム |
| WO2011068756A2 (en) * | 2009-12-04 | 2011-06-09 | Merkle Robert A | Systems and methods for evaluating the ability of borrowers to repay loans |
| CN110910241A (zh) * | 2019-11-28 | 2020-03-24 | 中国建设银行股份有限公司 | 现金流评估方法、装置、服务器设备及存储介质 |
| CN114187091A (zh) * | 2021-12-09 | 2022-03-15 | 中国建设银行股份有限公司 | 一种现金流确定方法、装置、设备和存储介质 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116029520A (zh) * | 2023-01-13 | 2023-04-28 | 上海合煌能源科技有限公司 | 基于电力需求响应的在线调度方法及其系统 |
| CN116029520B (zh) * | 2023-01-13 | 2023-10-27 | 上海合煌能源科技有限公司 | 基于电力需求响应的在线调度方法及其系统 |
| CN115841346A (zh) * | 2023-02-23 | 2023-03-24 | 杭银消费金融股份有限公司 | 用于经营决策的资产减值预测方法和系统 |
| CN115879777A (zh) * | 2023-03-03 | 2023-03-31 | 吉林大学 | 基于时空大数据的石油安全智能推演系统及其方法 |
| CN115879777B (zh) * | 2023-03-03 | 2023-05-12 | 吉林大学 | 基于时空大数据的石油安全智能推演系统及其方法 |
| CN116108143A (zh) * | 2023-04-10 | 2023-05-12 | 长春财经学院 | 基于区块链技术的数字经济监测方法及其系统 |
| CN116108143B (zh) * | 2023-04-10 | 2023-07-04 | 长春财经学院 | 基于区块链技术的数字经济监测方法及其系统 |
| CN117252689A (zh) * | 2023-11-13 | 2023-12-19 | 北京佳格天地科技有限公司 | 基于大数据的农业用户信贷决策支持方法及系统 |
| CN117252689B (zh) * | 2023-11-13 | 2024-02-13 | 北京佳格天地科技有限公司 | 基于大数据的农业用户信贷决策支持方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115293910A (zh) | 基于金融大数据的企业现金流智能评级系统 | |
| US7536348B2 (en) | Enhancing delinquent debt collection using statistical models of debt historical information and account events | |
| Tan et al. | A deep learning approach to competing risks representation in peer-to-peer lending | |
| WO2001050318A2 (en) | Methods and systems for efficiently sampling portfolios for optimal underwriting | |
| CA2362447A1 (en) | Valuation prediction models in situations with missing inputs | |
| WO2001050310A2 (en) | Methods and systems for automated inferred valuation of credit scoring | |
| WO2021258118A1 (en) | Systems and methods of transaction tracking and analysis for near real-time individualized credit scoring | |
| WO2001050388A2 (en) | Cross correlation tool for automated portfolio descriptive statistics | |
| CN115049472B (zh) | 一种基于多维特征张量的无监督信用卡异常检测方法 | |
| León | Detecting anomalous payments networks: A dimensionality-reduction approach | |
| CN116541755A (zh) | 一种基于时序图表征学习的金融行为模式分析预测方法 | |
| CN111784487A (zh) | 一种基于动态财资流的中小企业超短期信用评价方法 | |
| CN113327160A (zh) | 基于企业财资大数据的银行贷后风险预测方法和系统 | |
| Jin et al. | Predicting cryptocurrency market volatility: Novel evidence from climate policy uncertainty | |
| Liu et al. | Attentive feature fusion for credit default prediction | |
| Qizilbash | Public-private partnerships and the value of the process: the case of sub-saharan Africa | |
| Botsch et al. | Inflation experiences and contract choice–evidence from residential mortgages | |
| CN110458684A (zh) | 一种基于双向长短期记忆神经网络的金融反欺诈检测方法 | |
| CN113421154B (zh) | 基于控制图的信贷风险评估方法及系统 | |
| JP7344609B2 (ja) | 確定値及び推定値に基づくデータ定量化方法 | |
| Lee et al. | Credit, equity conversion, and housing endowment: analysis of reverse mortgage markets | |
| CN110930237A (zh) | 一种基于sagwo算法的中小企业信用预测分类方法 | |
| KR102304328B1 (ko) | 체납관리 방법 및 시스템 | |
| Dabbs et al. | How Well Does the Australian Aged Pension Provide Social Insurance? | |
| Capel | Denoising diffusion probabilistic models applied to energy forecasting in power systems |
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 |