CN115965483A - 一种基于大数据的财务管理系统 - Google Patents
一种基于大数据的财务管理系统 Download PDFInfo
- Publication number
- CN115965483A CN115965483A CN202210961325.0A CN202210961325A CN115965483A CN 115965483 A CN115965483 A CN 115965483A CN 202210961325 A CN202210961325 A CN 202210961325A CN 115965483 A CN115965483 A CN 115965483A
- Authority
- CN
- China
- Prior art keywords
- crisis
- fund
- financial
- historical
- information
- 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
- 238000009826 distribution Methods 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000010276 construction Methods 0.000 claims abstract description 26
- 238000007726 management method Methods 0.000 claims description 46
- 238000007667 floating Methods 0.000 claims description 36
- 230000008859 change Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000013058 risk prediction model Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 description 12
- 238000012954 risk control Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000007306 turnover Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于大数据的财务管理系统，涉及财务管理领域，该系统通过采集获取多个历史财务指标参数集合，采集获取历史资金危机信息集合，获得多个敏感财务指标，获得权重分配结果，采用权重分配结果对多个历史敏感财务指标参数集合进行加权调整，结合历史资金危机信息集合，获得构建样本集，采用多种方法，根据构建样本集构建获得多个资金危机预测模型，采集获取当前的多个敏感财务指标参数集合，输入稳定性最大的若干个资金危机预测模型中，获得资金危机预测结果。本发明解决了现有技术中企业营运资金的管理不够客观智能、人工参与较多、管理效果较差的技术问题，达到了提升营运资金管理和风险管控效果的技术效果。
Description
技术领域
本发明涉及财务管理技术领域，具体涉及一种基于大数据的财务管理系统。
背景技术
在企业内的财务管理包括筹资、投资、营运资金、成本、分配等多种内容，其中营运资金管理保证了企业在进行支付业务的过程中，保证基本业务的正常运行。
目前对于营运资金的管理，一般基于企业财务人员或专业财务人员进行财务管理，保证营运资金的稳定，避免出现营运资金不足的问题。
现有技术中企业营运资金的管理一般依靠财务人员的主观经验，人工参与较多，由于财务人员的主观失误，常会出现营运资金管理不当的情况，存在着营运资金管理不够客观智能、管理效果较差的技术问题。
发明内容
本申请提供了一种基于大数据的财务管理系统，用于针对解决现有技术中企业营运资金的管理不够客观智能、人工参与较多、管理效果较差的技术问题。
鉴于上述问题，本申请提供了一种基于大数据的财务管理系统。
本申请的第一个方面，提供了一种基于大数据的财务管理系统，所述系统包括：财务参数采集模块，用于基于大数据，采集获取企业主体在历史时间内的多维度财务指标参数，获得多个历史财务指标参数集合；危机信息采集模块，用于基于大数据，采集获取所述企业主体在历史时间内出现的资金危机信息，获得历史资金危机信息集合；敏感指标确定模块，用于基于多个所述历史财务指标参数集合和所述历史资金危机信息集合，分析对出现资金危机影响最大的多个财务指标，获得多个敏感财务指标；权重分配模块，用于根据多个所述敏感财务指标对资金危机的影响能力大小，进行权重分配，获得权重分配结果；构建样本确定模块，用于采用所述权重分配结果对多个所述敏感财务指标的历史敏感财务指标参数集合进行加权调整，结合所述历史资金危机信息集合，获得构建样本集；模型构建模块，用于采用多种方法，根据所述构建样本集构建获得多个资金危机预测模型；危机预测模块，用于采集获取企业主体当前的多个敏感财务指标参数集合，将多个所述敏感财务指标参数集合输入稳定性最大的若干个所述资金危机预测模型中，获得资金危机预测结果。
本申请的第二个方面，提供了一种基于大数据的财务管理方法，所述方法包括：基于大数据，采集获取企业主体在历史时间内的多维度财务指标参数，获得多个历史财务指标参数集合；基于大数据，采集获取所述企业主体在历史时间内出现的资金危机信息，获得历史资金危机信息集合；基于多个所述历史财务指标参数集合和所述历史资金危机信息集合，分析对出现资金危机影响最大的多个财务指标，获得多个敏感财务指标；根据多个所述敏感财务指标对资金危机的影响能力大小，进行权重分配，获得权重分配结果；采用所述权重分配结果对多个所述敏感财务指标的历史敏感财务指标参数集合进行加权调整，结合所述历史资金危机信息集合，获得构建样本集；采用多种方法，根据所述构建样本集构建获得多个资金危机预测模型；采集获取企业主体当前的多个敏感财务指标参数集合，将多个所述敏感财务指标参数集合输入稳定性最大的若干个所述资金危机预测模型中，获得资金危机预测结果。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例通过采集获取企业主体在历史时间内的多个历史财务指标参数集合以及历史资金危机信息集合，分析获得对出现营运资金危机影响最大的多个敏感财务指标，然后根据多个敏感财务指标对出现营运资金危机影响能力的大小进行权重分配，对多个历史财务指标参数集合分别进行加权调整，获得构建样本集，基于多种方法采用该构建样本集构建获得多个资金危机预测模型，然后采集企业当前的多个敏感财务指标参数集合，输入多个稳定性最大的多个模型中，获得最终的资金危机预测结果。本申请实施例通过分析对营运资金出现危机影响最大的财务指标作为敏感财务指标，然后对敏感财务指标参数集合进行加权调整，构建模型进行营运资金危机的预测分析，能够提升分析预测的准确性，避免其他因素的影响，提升模型的性能，并基于多种方法构建预测模型，还分析各模型的稳定性进行有选择的使用，能够提升财务管理的风险管控水平，避免错误分析预测带来的影响，能够有效降低财务管理中的人工参与程度，提升营运资金管理中的客观性、智能性，达到提升营运资金管理效果的技术效果。
附图说明
图1为本申请提供的一种基于大数据的财务管理方法流程示意图；
图2为本申请提供的一种基于大数据的财务管理方法中确定敏感财务指标的流程示意图；
图3为本申请提供的一种基于大数据的财务管理方法中构建获得多个资金危机预测模型的流程示意图；
图4为本申请提供的一种基于大数据的财务管理方法中获得资金危机预测结果的流程示意图；
图5为本申请提供了一种基于大数据的财务管理系统结构示意图。
附图标记说明：财务参数采集模块11，危机信息采集模块12，敏感指标确定模块13，权重分配模块14，构建样本确定模块15，模型构建模块16，危机预测模块17。
具体实施方式
本申请通过提供了一种基于大数据的财务管理系统，用于针对解决现有技术中企业营运资金的管理不够客观智能、人工参与较多、管理效果较差的技术问题。
实施例一
如图1所示，本申请提供了一种基于大数据的财务管理方法，所述方法包括：
S100：基于大数据，采集获取企业主体在历史时间内的多维度财务指标参数，获得多个历史财务指标参数集合；
本申请实施例中，企业主体可为任意具有财务管理以及营运资金管理需求的企业，优选为中大型企业，中大型企业的营运资金管理无法通过有限的经验直接判断获得相应的决策，而需要专业财务人员进行分析判断决策，保证营运资金的正常稳定。
采集获取该企业主体在历史时间内的多维度财务指标参数，其中，多维度财务指标包括现金流量比率、资产负债率、应收账款周转率、存活周转率、流动资产周转率、成本费用利润率、利润增长率等多个维度的财务指标，其中，部分财务指标直接与营运资金相关，部分财务指标间接与营运资金相关，均存在影响营运资金管理的可能。如此，采集获得多个财务指标的历史财务指标参数集合。其中，该历史时间可为此前历史内一较长时间范围内，可根据需求设置时间范围的长度，优选较长的时间范围。
优选地，在采集获得多个历史财务指标参数集合时，可基于大数据，根据该企业主体此前公开的财务报表等进行数据采集和分析计算，获得多个历史财务指标参数集合。
S200：基于大数据，采集获取所述企业主体在历史时间内出现的资金危机信息，获得历史资金危机信息集合；
具体地，基于大数据，采集获取该企业主体在历史时间的上述时间范围内出现的营运资金危机信息，即每次出现营运资金危机的时间、次数以及危机严重程度等，得到历史资金危机信息集合。
其中，营运资金危机即为该企业主体出现支付能力不足，无法满足资金循环，出现资金缺口的情况，危机严重程度可根据现金缺口的大小进行确定。
S300：基于多个所述历史财务指标参数集合和所述历史资金危机信息集合，分析对出现资金危机影响最大的多个财务指标，获得多个敏感财务指标；
本申请实施例中，多个财务指标的变化对于出现营运资金危机的影响能力不同，在进行营运资金管理中的风险预测管控中，需要优先考虑对于营运资金危机影响能力大的财务指标，因此，需要分析获得对出现资金危机影响最大的多个财务指标，作为敏感财务指标。
如图2所示，本申请实施例提供的方法中的步骤S300包括：
S310：根据所述历史资金危机信息集合，进行时间因子提取，获得危机时序信息集合；
S320：设置获得预设时间周期；
S330：根据所述危机时序信息集合，提取多个所述时间因子附近所述预设时间周期内的多维度财务指标参数，获得多个第一财务指标参数集合；
S340：根据多个所述第一财务指标参数集合和多个所述历史财务指标参数集合，计算所述多维度财务指标参数的变化程度，获得多个变化程度信息；
S350：获取多个所述变化程度信息中最大的若干个变化程度信息，将对应的财务指标作为所述敏感财务指标。
具体地，根据该历史资金危机信息集合，进行每次发生营运资金危机的时间因子提取，获得历史时间内多次营运资金危机发生的时间，作为危机时序信息集合。
然后，设置用于提取多维度财务指标参数的预设时间周期。根据上述的危机时序信息集合，提取其中多个时间因子附近预设时间周期内的多维度财务指标参数，以获得在发生营运资金危机时近期的多维度财务指标参数，获得多个第一财务指标参数集合。预设时间周期优选设置为较短的时间周期，例如一周、一月等。
进一步地，根据多个第一财务指标参数集合以及上述的多个历史财务指标参数集合，计算多维度财务指标参数的变化程度。
本申请实施例提供的方法中的步骤S340包括：
S341：根据多个所述历史财务指标参数集合，计算所述多维度财务指标的平均参数信息；
S342：根据多个所述第一财务指标参数集合，计算所述多维度财务指标在多个时间因子附近的浮动参数信息；
S343：根据多个所述浮动参数信息的大小对多个所述浮动参数信息进行加权，获得多个加权浮动参数信息；
S344：根据多个所述加权浮动参数信息，计算获得所述多维度财务指标的平均浮动参数信息；
S345：根据多个所述平均参数信息和多个所述平均浮动参数信息，计算获得多个所述变化程度信息。
具体地，根据上述的多个历史财务指标参数集合，计算多维度财务指标在历史较长时间范围内的平均参数，获得多维度财务指标的平均参数信息。
根据上述的多个第一财务指标参数集合，计算多维度财务指标在多个时间因子附近的浮动参数信息，即根据每个维度财务指标在多个时间因子附近的预设时间周期内的参数，计算该参数与平均参数信息之间的差值，获得多个浮动参数信息，该浮动参数信息越大，则该维度财务指标在发生营运资金危机时的浮动越大，与营运资金危机出现的关联越密切。
进一步，根据多个浮动参数信息的大小对多个浮动参数信息进行加权调整，使得较大的浮动参数信息更大，较小的浮动参数信息更小，减少部分参数浮动较小的财务指标的影响，获得多个加权浮动参数信息。
根据每个维度财务指标在多个时间因子附近的多个加权浮动参数信息，计算多个维度财务指标的平均加权浮动参数信息，可反映各维度财务指标在历史时间内的平均浮动水平。
根据上述的多个平均参数信息和多个平均加权浮动参数信息，计算各维度财务指标的平均参数信息和平均加权浮动参数信息之间的差值，即为多个变化程度信息。该变化程度信息越大，则该维度财务指标在出现营运资金危机时的浮动越大，则进一步对出现营运资金危机的影响能力越大。
最终，获取多个变化程度信息中最大的若干个变化程度信息，即对出现营运资金危机影响最大的若干个变化程度信息，将对应的财务指标作为上述的敏感财务指标。
本申请实施例通过采集历史时间内出现营运资金危机时的多维度财务指标参数，分析出现营运资金危机时各维度财务指标的变化程度，并结合权重、数学期望等，建立特别的方法，提升敏感财务指标选取的准确性，进而提升后续营运资金风险管控的效果。
S400：根据多个所述敏感财务指标对资金危机的影响能力大小，进行权重分配，获得权重分配结果；
本申请实施例提供的方法中的步骤S400包括：
S410：根据多个所述变化程度信息的大小，对多个所述敏感财务指标进行多次权重分配，获得多个不同的初步权重分配结果；
S420：根据多个所述初步权重分配结果，计算多个所述敏感财务指标的平均权重值，获得所述权重分配结果。
本申请实施例中，由于需要进行营运资金的风险预测管控，保证各项数据处理的准确性，在进行权重分配的过程中，采用更为准确客观的方法进行权重分配。
具体地，基于多个变化程度信息的大小，采用多种不同的方法对多个敏感财务指标进行多次权重分配，具体权重分配的方法可采用现有技术中的AHP层级分析法、灰色关联度分析法或专家评价法等方法，获得多个初步权重分配结果，由于基于不同的权重分配方法获得多个初步权重分配结果，多个初步权重分配结果之间均不同。整体上，变化程度信息越大，则敏感财务指标的权重值越大。
基于多个初步权重分配结果，计算多个敏感财务指标的平均权重值，基于多个敏感财务指标的平均权重值，获得最终的权重分配结果。
本申请实施例通过多次权重分配，获得多个初步权重分配结果，然后计算获得最终的权重分配结果，权重分配更为准确客观，避免权重分配方法不适配导致权重分配结果不准确的问题出现。
S500：采用所述权重分配结果对多个所述敏感财务指标的历史敏感财务指标参数集合进行加权调整，结合所述历史资金危机信息集合，获得构建样本集；
采用该权重分配结果对多个敏感财务指标的历史敏感财务指标参数集合进行加权调整，具体地，加权调整各历史敏感财务指标参数集合内的数据量，调整的程度根据权重值的大小进行确定，基于调整后的多个历史敏感财务指标参数集合，结合上述的历史资金危机信息集合，获得构建样本集，用于构建资金危机预测模型。
在该构建样本集中，权重值较大，对于出现营运资金危机影响较大的敏感财务指标参数数据较多，使得构建的模型更加能够根据影响较大的敏感财务指标参数进行分析预测，减少影响较小的敏感财务指标参数的影响。
S600：采用多种方法，根据所述构建样本集构建获得多个资金危机预测模型；
具体地，基于机器学习中的多种方法，采用上述的构建样本集构建获得多个资金危机预测模型，不同模型的准确度、稳定性及性能不同。
如图3所示，本申请实施例提供的方法中的步骤S600包括：
S610：采用K折交叉验证法，对所述构建样本集进行处理，获得K份不同的构建样本集；
S620：采用所述K份不同的构建样本集，并基于多种方法，构建获得多个资金危机预测模型；
S630：基于所述K折交叉验证法，获得多个所述资金危机预测模型的第一稳定性；
S640：将多个所述第一稳定性不满足预设稳定性阈值的资金危机预测模型去除，获得多个所述资金危机预测模型。
具体地，基于机器学习中的K折交叉验证法，其中，K为正整数，且优选为10，对上述的构建样本集进行处理，具体将构建样本集分为10份，分别将不同的1份作为验证数据，其他9份作为训练数据，获得10份不同的构建样本集。
基于该K份不同的构建样本集，基于机器学习中的多种方法，示例性地，可采用XGBOOST、BP神经网络、随机森林、决策树等不同的方法，构建并监督训练获得多个不同资金危机预测模型。
基于该K折交叉验证法，对多个不同的资金危机预测模型进行稳定性分析，具体采用K份构建样本集中的验证数据验证不同方法构建获得的多个资金危机预测模型的稳定性，即在不同的数据上进行分析预测的准确性，获得多个资金危机预测模型的多个第一稳定性。其中，若某一资金危机预测模型在K份构建样本集中的训练数据上表现的准确率较高，而在验证数据上表现的准确率较低，则该模型的第一稳定性较差。
将多个第一稳定性不满足预设稳定性阈值的资金危机预测模型去除，保留满足预设稳定性阈值的模型，该预设稳定性阈值可根据多个资金危机预测模型的第一稳定性水平进行设置，也可根据资金危机预测以及营运资金风险管控的准确率要求设置。如此，获得多个满足预设稳定性阈值要求的资金危机预测模型。
本申请实施例基于机器学习中的多种方法构建不同的资金危机预测模型，并基于K折交叉验证法，验证多个模型的稳定性，获得稳定性符合要求的资金危机预测模型，提升作为营运资金风险管控模型的稳定性。
S700：采集获取企业主体当前的多个敏感财务指标参数集合，将多个所述敏感财务指标参数集合输入稳定性最大的若干个所述资金危机预测模型中，获得资金危机预测结果。
如图4所示，本申请实施例提供的方法中的步骤S700包括：
S710：根据所述构建样本集，按照预设比例进行随机划分，获得第一样本集和第二样本集；
S720：分别将所述第一样本集和所述第二样本集输入多个所述资金危机预测模型，获得多个第一分布和第二分布；
S730：根据多个第一分布和多个第二分布，计算获得多个所述资金危机预测模型的第二稳定性；
S740：根据多个所述第一稳定性和多个所述第二稳定性，计算获得多个所述资金危机预测模型的综合稳定性；
S750：将多个所述敏感财务指标参数集合输入综合稳定性最大的若干个所述资金危机预测模型中，获得所述资金危机预测结果。
具体地，根据上述的构建样本集，按照预设比例进行随机划分，示例性地，预设比例优选为6:4，对构建样本集内的数据进行随机划分，划分获得第一样本集和第二样本集。
分别将该第一样本集和第二样本集输入多个资金危机预测模型中，获得多个模型的多个第一输出结果集合和多个第二输出结果集合，根据多个第一输出结果集合和多个第二输出结果集合中不同资金危机预测结果的分布，获得多个第一分布和多个第二分布。
根据该多个第一分布和多个第二分布计算多个资金危机预测模型的第二稳定性，如下式：
其中，为第n个资金危机预测模型的第二稳定性，为第n个资金危机预测模型的第一分布内第i种资金危机预测结果的占比，为第n个资金危机预测模型的第一分布内第i种资金危机预测结果的占比，为第一分布和第二分布内不同资金危机预测结果的数量。
其中，资金危机预测结果中包括出现资金危机的概率以及可能出现资金危机的严重程度，形成不同的多种资金危机预测结果。资金危机预测结果作为多个模型的输出参数，可根据上述构建样本集中的历史资金危机信息集合结合营运资金财务管理经验进行设置。
其中，第二稳定性处于0.25以下，则表明模型的稳定性较高，若处于0.25以上，则模型的稳定性较差。
根据多个资金危机预测模型的第一稳定性和第二稳定性，计算获得多个资金危机预测模型的综合稳定性，示例性地，对第一稳定性和第二稳定性进行归一化处理，进行求和，也还可进行加权求和，获得综合稳定性，权重可根据第一稳定性和第二稳定性的重要性进行设置。
将采集获得的企业主体当前的多个敏感财务指标参数集合，其中，可基于前述的预设时间周期进行采集，将多个敏感财务指标参数集合，输入综合稳定性最大的若干个资金危机预测模型中，获得最终的资金危机预测结果。
为进一步提升资金危机预测的准确性，本申请实施例提供的方法中的步骤S750包括：
S751：根据多个所述综合稳定性，获得综合稳定性最大的若干个所述资金危机预测模型；
S752：将多个所述敏感财务指标参数集合输入若干个所述资金危机预测模型中，获得多个预测结果；
S753：基于若干个所述综合稳定性，进行权重分配，对多个所述预测结果进行加权计算；
S754：根据所述加权计算的结果，获得所述资金危机预测结果。
具体地，根据计算获得的多个综合稳定性，进行比较，获得综合稳定性最大的若干个资金危机预测模型。
将当前的多个敏感财务指标参数集合输入若干个资金危机预测模型中，获得多个预测结果，每个预测结果均不同。
基于选择出的若干个资金危机预测模型的综合稳定性的大小，进行权重分配，获得权重分配结果，然后采用该权重分配结果对多个模型的预测结果进行加权计算。具体地，可采用该权重分配结果对多个预测结果中预测出现营运资金危机的概率进行加权求和，并对多个越结果中预测出现营运资金危机的严重程度进行加权求和，获得最终的预测出现营运资金危机的概率和严重程度，得到最终的资金危机预测结果。
在该资金危机预测结果中，稳定性较高的资金危机预测模型输出的预测结果占比较高，降低了稳定性较低的资金危机预测模型输出的预测结果的占比，更为准确，能够提升资金风险管控的可靠性和稳定性。
本申请实施例通过机器学习中的方法结合数学方法，获得多个模型的第一稳定性和第二稳定性，进一步获得模型的综合稳定性，能够获得总体稳定性较高的敏感财务指标参数集合，提升资金风险管控的可靠性和稳定性。
综上所述，本申请实施例至少具有如下技术效果：
本申请实施例通过分析对营运资金出现危机影响最大的财务指标作为敏感财务指标，然后对敏感财务指标参数集合进行加权调整，构建模型进行营运资金危机的预测分析，能够提升分析预测的准确性，避免其他因素的影响，提升模型的性能，并基于多种方法构建预测模型，还分析各模型的稳定性进行有选择的使用，能够提升财务管理的风险管控水平，避免错误分析预测带来的影响，能够有效降低财务管理中的人工参与程度，提升营运资金管理中的客观性、智能性，提升营运资金风险管控的可靠性和稳定性，达到提升营运资金管理效果的技术效果。
实施例二
基于与前述实施例中一种基于大数据的财务管理方法相同的发明构思，如图5所示，本申请提供了一种基于大数据的财务管理系统，其中，所述系统包括：
财务参数采集模块11，用于基于大数据，采集获取企业主体在历史时间内的多维度财务指标参数，获得多个历史财务指标参数集合；
危机信息采集模块12，用于基于大数据，采集获取所述企业主体在历史时间内出现的资金危机信息，获得历史资金危机信息集合；
敏感指标确定模块13，用于基于多个所述历史财务指标参数集合和所述历史资金危机信息集合，分析对出现资金危机影响最大的多个财务指标，获得多个敏感财务指标；
权重分配模块14，用于根据多个所述敏感财务指标对资金危机的影响能力大小，进行权重分配，获得权重分配结果；
构建样本确定模块15，用于采用所述权重分配结果对多个所述敏感财务指标的历史敏感财务指标参数集合进行加权调整，结合所述历史资金危机信息集合，获得构建样本集；
模型构建模块16，用于采用多种方法，根据所述构建样本集构建获得多个资金危机预测模型；
危机预测模块17，用于采集获取企业主体当前的多个敏感财务指标参数集合，将多个所述敏感财务指标参数集合输入稳定性最大的若干个所述资金危机预测模型中，获得资金危机预测结果。
进一步地，所述敏感指标确定模块13还用于实现以下功能：
根据所述历史资金危机信息集合，进行时间因子提取，获得危机时序信息集合；
设置获得预设时间周期；
根据所述危机时序信息集合，提取多个所述时间因子附近所述预设时间周期内的多维度财务指标参数，获得多个第一财务指标参数集合；
根据多个所述第一财务指标参数集合和多个所述历史财务指标参数集合，计算所述多维度财务指标参数的变化程度，获得多个变化程度信息；
获取多个所述变化程度信息中最大的若干个变化程度信息，将对应的财务指标作为所述敏感财务指标。
其中，计算所述多维度财务指标参数的变化程度，包括：
根据多个所述历史财务指标参数集合，计算所述多维度财务指标的平均参数信息；
根据多个所述第一财务指标参数集合，计算所述多维度财务指标在多个时间因子附近的浮动参数信息；
根据多个所述浮动参数信息的大小对多个所述浮动参数信息进行加权，获得多个加权浮动参数信息；
根据多个所述加权浮动参数信息，计算获得所述多维度财务指标的平均浮动参数信息；
根据多个所述平均参数信息和多个所述平均浮动参数信息，计算获得多个所述变化程度信息。
进一步地，所述权重分配模块14还用于实现如下功能：
根据多个所述变化程度信息的大小，对多个所述敏感财务指标进行多次权重分配，获得多个不同的初步权重分配结果；
根据多个所述初步权重分配结果，计算多个所述敏感财务指标的平均权重值，获得所述权重分配结果。
进一步地，所述模型构建模块16还用于实现如下功能：
采用K折交叉验证法，对所述构建样本集进行处理，获得K份不同的构建样本集；
采用所述K份不同的构建样本集，并基于多种方法，构建获得多个资金危机预测模型；
基于所述K折交叉验证法，获得多个所述资金危机预测模型的第一稳定性；
将多个所述第一稳定性不满足预设稳定性阈值的资金危机预测模型去除，获得多个所述资金危机预测模型。
进一步地，所述危机预测模块17还用于实现如下功能：
根据所述构建样本集，按照预设比例进行随机划分，获得第一样本集和第二样本集；
分别将所述第一样本集和所述第二样本集输入多个所述资金危机预测模型，获得多个第一分布和第二分布；
根据多个第一分布和多个第二分布，计算获得多个所述资金危机预测模型的第二稳定性；
根据多个所述第一稳定性和多个所述第二稳定性，计算获得多个所述资金危机预测模型的综合稳定性；
将多个所述敏感财务指标参数集合输入综合稳定性最大的若干个所述资金危机预测模型中，获得所述资金危机预测结果。
其中，将多个所述敏感财务指标参数集合输入综合稳定性最大的若干个所述资金危机预测模型中，获得所述资金危机预测结果，包括：
根据多个所述综合稳定性，获得综合稳定性最大的若干个所述资金危机预测模型；
将多个所述敏感财务指标参数集合输入若干个所述资金危机预测模型中，获得多个预测结果；
基于若干个所述综合稳定性，进行权重分配，对多个所述预测结果进行加权计算；
根据所述加权计算的结果，获得所述资金危机预测结果。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种基于大数据的财务管理系统，其特征在于，所述系统包括：
财务参数采集模块，用于基于大数据，采集获取企业主体在历史时间内的多维度财务指标参数，获得多个历史财务指标参数集合；
危机信息采集模块，用于基于大数据，采集获取所述企业主体在历史时间内出现的资金危机信息，获得历史资金危机信息集合；
敏感指标确定模块，用于基于多个所述历史财务指标参数集合和所述历史资金危机信息集合，分析对出现资金危机影响最大的多个财务指标，获得多个敏感财务指标；
权重分配模块，用于根据多个所述敏感财务指标对资金危机的影响能力大小，进行权重分配，获得权重分配结果；
构建样本确定模块，用于采用所述权重分配结果对多个所述敏感财务指标的历史敏感财务指标参数集合进行加权调整，结合所述历史资金危机信息集合，获得构建样本集；
模型构建模块，用于采用多种方法，根据所述构建样本集构建获得多个资金危机预测模型；
危机预测模块，用于采集获取企业主体当前的多个敏感财务指标参数集合，将多个所述敏感财务指标参数集合输入稳定性最大的若干个所述资金危机预测模型中，获得资金危机预测结果。
2.根据权利要求1所述的系统，其特征在于，所述分析对出现资金危机影响最大的多个财务指标，包括：
根据所述历史资金危机信息集合，进行时间因子提取，获得危机时序信息集合；
设置获得预设时间周期；
根据所述危机时序信息集合，提取多个所述时间因子附近所述预设时间周期内的多维度财务指标参数，获得多个第一财务指标参数集合；
根据多个所述第一财务指标参数集合和多个所述历史财务指标参数集合，计算所述多维度财务指标参数的变化程度，获得多个变化程度信息；
获取多个所述变化程度信息中最大的若干个变化程度信息，将对应的财务指标作为所述敏感财务指标。
3.根据权利要求2所述的系统，其特征在于，所述计算所述多维度财务指标参数的变化程度，包括：
根据多个所述历史财务指标参数集合，计算所述多维度财务指标的平均参数信息；
根据多个所述第一财务指标参数集合，计算所述多维度财务指标在多个时间因子附近的浮动参数信息；
根据多个所述浮动参数信息的大小对多个所述浮动参数信息进行加权，获得多个加权浮动参数信息；
根据多个所述加权浮动参数信息，计算获得所述多维度财务指标的平均浮动参数信息；
根据多个所述平均参数信息和多个所述平均浮动参数信息，计算获得多个所述变化程度信息。
4.根据权利要求2所述的系统，其特征在于，所述用于根据多个所述敏感财务指标对资金危机的影响能力大小，进行权重分配，包括：
根据多个所述变化程度信息的大小，对多个所述敏感财务指标进行多次权重分配，获得多个不同的初步权重分配结果；
根据多个所述初步权重分配结果，计算多个所述敏感财务指标的平均权重值，获得所述权重分配结果。
5.根据权利要求1所述的系统，其特征在于，所述根据构建样本集构建获得多个资金危机预测模型，包括：
采用K折交叉验证法，对所述构建样本集进行处理，获得K份不同的构建样本集；
采用所述K份不同的构建样本集，并基于多种方法，构建获得多个资金危机预测模型；
基于所述K折交叉验证法，获得多个所述资金危机预测模型的第一稳定性；
将多个所述第一稳定性不满足预设稳定性阈值的资金危机预测模型去除，获得多个所述资金危机预测模型。
6.根据权利要求5所述的系统，其特征在于，所述将多个所述敏感财务指标参数集合输入稳定性最大的若干个所述资金危机预测模型中，获得资金危机预测结果，包括：
根据所述构建样本集，按照预设比例进行随机划分，获得第一样本集和第二样本集；
分别将所述第一样本集和所述第二样本集输入多个所述资金危机预测模型，获得多个第一分布和第二分布；
根据多个第一分布和多个第二分布，计算获得多个所述资金危机预测模型的第二稳定性；
根据多个所述第一稳定性和多个所述第二稳定性，计算获得多个所述资金危机预测模型的综合稳定性；
将多个所述敏感财务指标参数集合输入综合稳定性最大的若干个所述资金危机预测模型中，获得所述资金危机预测结果。
7.根据权利要求6所述的系统，其特征在于，所述将多个所述敏感财务指标参数集合输入综合稳定性最大的若干个所述资金危机预测模型中，获得所述资金危机预测结果，包括：
根据多个所述综合稳定性，获得综合稳定性最大的若干个所述资金危机预测模型；
将多个所述敏感财务指标参数集合输入若干个所述资金危机预测模型中，获得多个预测结果；
基于若干个所述综合稳定性，进行权重分配，对多个所述预测结果进行加权计算；
根据所述加权计算的结果，获得所述资金危机预测结果。
8.一种基于大数据的财务管理方法，其特征在于，所述方法包括：
基于大数据，采集获取企业主体在历史时间内的多维度财务指标参数，获得多个历史财务指标参数集合；
基于大数据，采集获取所述企业主体在历史时间内出现的资金危机信息，获得历史资金危机信息集合；
基于多个所述历史财务指标参数集合和所述历史资金危机信息集合，分析对出现资金危机影响最大的多个财务指标，获得多个敏感财务指标；
根据多个所述敏感财务指标对资金危机的影响能力大小，进行权重分配，获得权重分配结果；
采用所述权重分配结果对多个所述敏感财务指标的历史敏感财务指标参数集合进行加权调整，结合所述历史资金危机信息集合，获得构建样本集；
采用多种方法，根据所述构建样本集构建获得多个资金危机预测模型；
采集获取企业主体当前的多个敏感财务指标参数集合，将多个所述敏感财务指标参数集合输入稳定性最大的若干个所述资金危机预测模型中，获得资金危机预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210961325.0A CN115965483A (zh) | 2022-08-11 | 2022-08-11 | 一种基于大数据的财务管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210961325.0A CN115965483A (zh) | 2022-08-11 | 2022-08-11 | 一种基于大数据的财务管理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115965483A true CN115965483A (zh) | 2023-04-14 |
Family
ID=87356733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210961325.0A Pending CN115965483A (zh) | 2022-08-11 | 2022-08-11 | 一种基于大数据的财务管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115965483A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116976547A (zh) * | 2023-06-19 | 2023-10-31 | 珠海盈米基金销售有限公司 | 一种财务报告分析处理方法、系统、装置及介质 |
-
2022
- 2022-08-11 CN CN202210961325.0A patent/CN115965483A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116976547A (zh) * | 2023-06-19 | 2023-10-31 | 珠海盈米基金销售有限公司 | 一种财务报告分析处理方法、系统、装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7039608B2 (en) | Rapid valuation of portfolios of assets such as financial instruments | |
| US7120599B2 (en) | Methods and systems for modeling using classification and regression trees | |
| US7028005B2 (en) | Methods and systems for finding value and reducing risk | |
| US7165043B2 (en) | Valuation prediction models in situations with missing inputs | |
| US7096197B2 (en) | Methods and apparatus for simulating competitive bidding yield | |
| US7162445B2 (en) | Methods and systems for quantifying cash flow recovery and risk | |
| US20050131790A1 (en) | Method and system for artificial neural networks to predict price movements in the financial markets | |
| US20020052815A1 (en) | Methods and apparatus for automated underwriting of segmentable portfolio assets | |
| WO2001050310A9 (en) | Methods and systems for automated inferred valuation of credit scoring | |
| JP2003529139A (ja) | 最適なアンダーライトを行うためのポートフォリオの効率的サンプリング方法とシステム | |
| JP2003529138A (ja) | 収益と現在価値を最適化するための方法とシステム | |
| CN113298373A (zh) | 一种金融风险评估方法、装置、存储介质和设备 | |
| CN117593101B (zh) | 基于多维数据的金融风险数据处理分析方法及系统 | |
| CN115965483A (zh) | 一种基于大数据的财务管理系统 | |
| US8463678B2 (en) | Generating method for transaction models with indicators for option | |
| CN111738824A (zh) | 一种账务数据处理方式筛选方法、装置及系统 | |
| CN111476418A (zh) | 基于深度神经网络和多任务学习的股票数据波动预测方法 | |
| CN111861752A (zh) | 一种基于强化学习的趋势交易方法及系统 | |
| CN114998010A (zh) | 一种基于深度强化学习和市场情绪的股票交易决策方法 | |
| Alrefaie et al. | A smart agent to trade and predict foreign exchange market | |
| CN118296389B (zh) | 一种数据指标模型的构建及评估方法 | |
| RU2469401C2 (ru) | Система и способ управления кредитными портфелями | |
| CN117875770A (zh) | 对象的信用评级方法、装置、存储介质及电子装置 | |
| CN116306958A (zh) | 违约风险预测模型训练方法、违约风险预测方法及设备 | |
| CN118134331A (zh) | 培训成效分析方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |