CN116090915A - 一种面向企业市值分析的可视分析方法及系统 - Google Patents
一种面向企业市值分析的可视分析方法及系统 Download PDFInfo
- Publication number
- CN116090915A CN116090915A CN202310198291.9A CN202310198291A CN116090915A CN 116090915 A CN116090915 A CN 116090915A CN 202310198291 A CN202310198291 A CN 202310198291A CN 116090915 A CN116090915 A CN 116090915A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- analysis
- information
- model
- market value
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及企业数据分析技术领域,提出了一种面向企业市值分析的可视分析方法及系统。该方法将获取的企业主营业务信息和企业多维财务信息进行信息预处理,并通过预训练的行业匹配模型从中匹配出企业的行业类型信息,然后将企业的行业类型信息和预处理后的企业多维财务信息输入预训练的结合梯度提升决策树算法XGBoost以及基于黎曼几何和代数拓扑理论的无监督降维算法UMAP构建的综合分析模型,对企业的市值和财务进行并行的综合分析并将分析结果进行可视化展示,可以从行业类型驱动角度对企业财务信息以及企业市值进行全面、综合的直观分析,能有效挖掘行业信息和市值的隐藏关系,从而能从细分行业发展对企业影响的角度更好地对企业市值进行可视化分析。
Description
技术领域
本发明涉及企业数据分析技术领域,尤其是一种面向企业市值分析的可视分析方法及系统。
背景技术
在数字经济时代,随着信息技术的飞速发展,结合人工智能技术促进金融业务创新性改革成为行业研究热点。其中由于企业市值分析具有对企业整体活力、获利能力以及市场发展状况等进行评估的能力,如何优化企业市值分析方法成为当前金融科技重点关注的一个问题。现存的市值分析方法包括传统以企业资产为基础的资产估值法、基于有效市场理论的市场比较法、基于资本结构理论的折现方法以及基于金融期权理论的期权估值法等,具体以股利贴现模型、自由现金流贴现模型以及盈余折现模型为代表。
此外,利用机器学习或者深度学习模型分析企业市值的方法日益多样化,如DNN深度神经网络、MLP感知机模型和决策树模型等。虽然这一系列机器学习或深度学习模型可以有效提升企业市值分析效率,但是大多只考虑到企业的系列财务信息,并未考虑企业受所属行业及不同行业发展状况的影响,且未将企业所属行业类型纳入模型训练过程,未能有效挖掘行业信息和市值的隐藏关系,导致现有的模型对企业市值的分析不够全面和准确。
发明内容
为解决上述现有技术问题,本发明提供一种面向企业市值分析的可视分析方法,包括:
获取企业主营业务信息和企业多维财务信息并进行信息预处理;
将预处理后的企业主营业务信息输入预训练的行业匹配模型,匹配出企业的行业类型信息;
将所述企业的行业类型信息和所述预处理后的企业多维财务信息输入预训练的综合分析模型,对企业的市值和财务进行并行的综合分析,并将分析结果进行可视化展示。
在本发明的一些实施例中,所述行业匹配模型包括基于乱序语言模型的PERT模型。
在本发明的一些实施例中,所述综合分析模型包括市值分析模型和财务分析模型,所述市值分析模型基于梯度提升决策树XGBoost算法实现。
在本发明的一些实施例中,所述财务分析模型基于黎曼几何和代数拓扑理论的无监督降维算法UMAP构建。
在本发明的一些实施例中,所述市值分析模型将多个弱分类器集成为一个强分类器模型并将模型的目标函数设置为模型误差与结构误差之和,通过模型实现基于企业的历史多维财务信息对企业未来市值波动进行数值分析。
在本发明的一些实施例中,所述财务分析模型基于所述行业匹配模型匹配出的企业行业类型信息,使用无监督降维方法UMAP对同行业企业的多维财务信息进行降维处理得到企业二维财务数据,并基于二维财务数据分析同行业企业财务信息的近似度。
在本发明的一些实施例中,通过AntV开源可视化框架对综合分析模型对企业的市值和财务的综合分析结果进行可视化展示。
为解决上述现有技术问题,本发明还提供一种面向企业市值分析的可视分析系统,包括:
获取和预处理模模块,用于获取企业主营业务信息和企业多维财务信息并进行信息预处理;
匹配模块,用于将预处理后的企业主营业务信息输入预训练的行业匹配模型,匹配出企业的行业类型信息;
综合分析和可视化模块,用于将所述企业的行业类型信息和所述预处理后的企业多维财务信息输入预训练的综合分析模型,对企业的市值和财务进行并行的综合分析,并将分析结果进行可视化展示。
为解决上述现有技术问题,本发明还提供一种电子设备,包括至少一个处理器、至少一个存储器和数据总线;其中:所述处理器与所述存储器通过所述数据总线完成相互间的通信;所述存储器存储有被所述处理器执行的程序指令,所述处理器调用所述程序指令以执行所述的面向企业市值分析的可视分析方法。
为解决上述现有技术问题,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的面向企业市值分析的可视分析方法。
本发明的有益效果体现在:将获取的企业主营业务信息和企业多维财务信息并进行信息预处理,并通过预训练的行业匹配模型从中匹配出企业的行业类型信息,然后将企业的行业类型信息和预处理后的企业多维财务信息输入预训练的结合梯度提升决策树算法XGBoost以及基于黎曼几何和代数拓扑理论的无监督降维算法UMAP构建的综合分析模型,对企业的市值和财务进行并行的综合分析并将分析结果进行可视化展示,可以从行业类型驱动角度对企业财务信息以及企业市值进行全面、综合的直观分析,通过将企业所属行业类型信息纳入模型,能有效挖掘行业信息和市值的隐藏关系,从而能够从细分行业发展对企业影响的角度更好地对企业市值进行可视化分析。
附图说明
图1为本发明所提供的一种面向企业市值分析的可视分析方法一实施例的流程图;
图2为本发明所提供的面向企业市值分析的可视分析方法对以金融业和采矿业为例的企业市值和财务数据可视化分析的效果图;
图3为本发明所提供的面向企业市值分析的可视分析方法对深康佳公司主营业务信息进行行业类型匹配后企业市值随时间波动的可视化分析的效果图;
图4为本发明所提供的一种面向企业市值分析的可视分析系统一实施例的结构示意图图;
图5为本发明所提供的一种电子设备的结构示意图。
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。
实施例1:
参照图1-图3,本申请实施例提供了一种面向企业市值分析的可视分析方法,其通过将获取的企业主营业务信息和企业多维财务信息进行信息预处理,并通过预训练的行业匹配模型从中匹配出企业的行业类型信息,然后将企业的行业类型信息和预处理后的企业多维财务信息输入预训练的结合梯度提升决策树算法XGBoost以及基于黎曼几何和代数拓扑理论的无监督降维算法UMAP构建的综合分析模型,对企业的市值和财务进行并行的综合分析并将分析结果进行可视化展示,可以从行业类型驱动角度对企业财务信息以及企业市值进行全面、综合的直观分析,通过将企业所属行业类型信息纳入模型,能有效挖掘行业信息和市值的隐藏关系,从而能够从细分行业发展对企业影响的角度更好地对企业市值进行可视化分析。
如图1所示,上述面向企业市值分析的可视分析方法包括以下步骤:
S101、获取企业主营业务信息和企业多维财务信息并进行信息预处理。
上述步骤中,可以根据企业的名称从数据库中查询获取企业主营业务信息和企业多维财务信息等相应数据;企业主营业务信息包括企业主营业务名称及相应文字描述信息,如经营范围等;企业多维财务信息包括资产负债表、利润表、现金流量表以及股票价格数据等等。
其中,干扰数据清洗包括:企业多维财务数据由多数据源获取,为了保证分析结果的性能以及可靠性,统计数据缺失值,并适当丢弃缺失率很高的部分维度数据;面对缺失率较低的数据维度,针对数据特性采用拉格朗日插值或最近邻插值方法等,补全缺失数据;此外,由于各维指标容易具有对后续模型有显著负面影响的多重共线性特性,计算各维数据的方差膨胀系数,去除方差膨胀系数大于100,也即存在严重多重共线性的部分维度数据,保证指标的完整性和可用性。
数据标准化操作包括:企业多维财务数据具有不同量纲,机器学习以及深度学习模型难以直接处理不具有统一比较标准的原始数据,以及模型精度受输入数据特征分布的一定影响,为了消除不同数据特征之间因为属性不同而带来的影响,使用z-score标准化方法,使得处理后的结果更具有可比性。
S102、将预处理后的企业主营业务信息输入预训练的行业匹配模型,匹配出企业的行业类型信息。
上述步骤中,针对企业主营业务信息训练一个基于乱序语言模型的PERT模型作为行业匹配模型并进行预训练,得到预训练的行业匹配模型;PERT模型的预训练数据由中文维基百科、社区问答、新闻文章等组成,相较于传统BERT预训练模型,PERT模型具有对中文数据更强的处理能力,然后将收集和预处理后的大量企业主营业务信息的文本数据以60%、20%、20%的比例随机划分为训练集、验证集以及测试集,用于训练PERT中文自然语言处理模型,通过训练后的PERT模型自监督学习企业主营业务信息中的文本语义信息,高效精准地为不同主营业务信息匹配概率最高的多类行业,从而可以从企业主营业务信息中快速准确地匹配出企业的行业类型信息。
S103、将所述企业的行业类型信息和所述预处理后的企业多维财务信息输入预训练的综合分析模型,对企业的市值和财务进行并行的综合分析,并将分析结果进行可视化展示。
上述步骤中,综合分析模型包括市值分析模型和财务分析模型,其中,市值分析模型基于梯度提升决策树XGBoost算法实现,其可以将多个弱分类器集成为一个强分类器模型并将模型的目标函数设置为模型误差与结构误差之和,通过模型实现基于企业的历史多维财务信息对企业未来市值波动进行数值分析。
进一步的,上述财务分析模型基于黎曼几何和代数拓扑理论的无监督降维算法UMAP构建。上述财务分析模型基于行业匹配模型匹配出的企业行业类型信息,使用无监督降维方法UMAP对同行业企业的多维财务信息进行降维处理得到企业二维财务数据,并基于二维财务数据可视化分析同行业企业财务信息的近似度,并可求出不同行业不同企业之间的财务信息、市值信息的相近程度,能够从细分行业发展对企业影响的角度更好地对企业市值进行分析,从而可以从行业类型驱动角度对企业财务信息以及企业市值进行全面、综合的分析。
此外,还可以通过AntV开源可视化框架对综合分析模型对企业的市值和财务的综合分析结果进行可视化展示。具体的,可以从AntV开源可视化框架下的图表库中选取不同类型的散点图、柱状图、折线图、堆叠图和环图进行对应的可视化描述,从多个角度展示企业市值波动以及企业所属行业情况等。堆叠图适合同时展示不同对象的多个属性,考虑到用户对企业多维财务数据的单视图观察需求,采用堆叠图对企业多维财务数据进行展示;折线图能够展示同一变量随时间的变化趋势,更适合展示国民经济指标、PE/PB指数等指标的连续变化;为了更好地呈现企业的不同主营业务营收值在企业整体营收值中所占的比例,利用饼图帮助用户获得对数据的深入认知。
通过AntV开源可视化框架可以表格形式详细展示“行业-企业-主营业务”三层级下不同财务指标的具体数值,这一系列文字可视化方式配合复杂可视化图表以及弹出面板进行可视化展示,可以使用户得到对指定企业市值波动情况的综合认知;并结合多个复合可视页面以及交互组件,为用户提供多角度多层面多样化的探索路线。复合堆叠图和散点图让用户既可以交互式观察各行业总市值对比情况,又可以交互式探索指定行业所有上市公司财务指标在二维空间中的分布情况;复合表格组件和环图让用户既可以直接获取企业财务信息,又可以交互式探索企业各主营业务市值情况,从而具有较好的分析效率和良好的可视化效果,可视化效果参见图2、图3。本发明实施例针对来自不同数据源的企业数据使用不同的图表进行多角度统计分析,可以使研究人员快速准确全面地从多维角度分析企业市值波动情况、不同行业间以及不同行业内企业财务相近情况,从而可以更好、更直观、更全面地对企业进行综合分析。
图2中,左侧以金融业为例,表示了金融业下各大类行业的总市值占比情况,可以看出货币金融服务业当天的总市值在金融业中占比最大。另外制造业总市值远远高于其他行业,这反映出制造业仍旧是国内重点发展行业,对制造业相关企业市值情况进行分析具有一定重要性。同时,右侧以采矿业为观察对象,使用散点图绘制采矿业下各大类行业中企业多维财务数据经过UMAP方法降维后的结果,以不同的颜色映射不同公司所属大类行业,方便用户观察模型匹配结果以及不同大类行业内外企业财务信息相近度。可以看到,采矿业中同一大类行业里的企业财务信息具有更高的集聚度;部分大类行业之间的企业财务信息具有更高的相近度,如非金属矿采选业以及有色金属矿采选业;部分大类行业之间的企业财务信息具有更低的相近度,如开采专业及辅助性活动以及黑色金属矿采选业。
图3中,以深康佳公司为例,表示了根据PERT模型对深康佳公司主营业务信息进行行业类型匹配的结果,以及使用XGBoost方法得到企业市值随时间的波动情况。左侧可以看到,深康佳公司当前所属行业包括计算机、通信和其他电子设备制造业、商务服务业、生态保护和环境治理业等,其中计算机、通信和其他电子设备制造业营收收入占比最大,这表明深康佳公司当前主要产品、业务多与信息制造业相关。右侧可以看到,使用折线图可以明显发现模型计算出的PE值随时间推移,在2015年9月30日达到高峰,之后整体呈现下降趋势。同时,可以使用鼠标悬浮在可视区域上来显示不同时间点上深康佳公司所属不同行业的当前营收值、PE值以及相较于上一时期的营收值、PE值增减情况等。也可以通过点击各图表图例来控制某一子图的展示与隐藏情况,方便用户探索对比。此外,使用表格组件对所有行业下所有公司的所有主营业务各时期总营收、营收占比、总净利润等财务指标进行呈现,用户能够直接从表格中获得所需数据,也能够通过“行列切换”、“高级排序”等按钮设置表格排序的自定义参数,系统能够自动重绘相关数据表格以及重置对应可视化模块。
需要说明的是,本发明实施例中未具体展开说明的技术内容,可以通过现有的相关技术实现,属于现有技术,在本发明实施例中不再赘述。
实施例2:
相应地,请参阅图4,本申请实施例提供了一种面向企业市值分析的可视分析系统,包括:
获取和预处理模模块1,用于获取企业主营业务信息和企业多维财务信息并进行信息预处理;
匹配模块2,用于将预处理后的企业主营业务信息输入预训练的行业匹配模型,匹配出企业的行业类型信息;
综合分析和可视化模块3,用于将所述企业的行业类型信息和所述预处理后的企业多维财务信息输入预训练的综合分析模型,对企业的市值和财务进行并行的综合分析,并将分析结果进行可视化展示。
上述系统具体实现过程请参照实施例1中提供的一种面向企业市值分析的可视分析方法,在此不再赘述。
实施例3:
请参阅图5,本申请实施例提供了一种电子设备,该电子设备包括至少一个处理器4、至少一个存储器5和数据总线6;其中:处理器4与存储器5通过数据总线6完成相互间的通信;存储器5存储有可被处理器4执行的程序指令,处理器4调用程序指令以执行一种中文作文自动评分方法。例如实现:
获取企业主营业务信息和企业多维财务信息并进行信息预处理;将预处理后的企业主营业务信息输入预训练的行业匹配模型,匹配出企业的行业类型信息;将所述企业的行业类型信息和所述预处理后的企业多维财务信息输入预训练的综合分析模型,对企业的市值和财务进行并行的综合分析,并将分析结果进行可视化展示。
其中,存储器5可以是但不限于,随机存取存储器(RandomAccessMemory,RAM),只读存储器(ReadOnlyMemory,ROM),可编程只读存储器(ProgrammableRead-OnlyMemory,PROM),可擦除只读存储器(ErasableProgrammableRead-OnlyMemory,EPROM),电可擦除只读存储器(ElectricErasableProgrammable Read-OnlyMemory,EEPROM)等。
处理器4可以是一种集成电路芯片,具有信号处理能力。该处理器4可以是通用处理器,包括中央处理器(CentralProcessingUnit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(ApplicationSpecific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图5所示的结构仅为示意,电子设备还可包括比图5中所示更多或者更少的组件,或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
实施例4
本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器4执行时实现一种面向企业市值分析的可视分析方法。例如实现:
获取企业主营业务信息和企业多维财务信息并进行信息预处理;将预处理后的企业主营业务信息输入预训练的行业匹配模型,匹配出企业的行业类型信息;将所述企业的行业类型信息和所述预处理后的企业多维财务信息输入预训练的综合分析模型,对企业的市值和财务进行并行的综合分析,并将分析结果进行可视化展示。
在本申请所提供的实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
在本发明的实施例的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“坚直”、“水平”、“中心”、“顶”、“底”、“顶部”、“底部”、“内”、“外”、“内侧”、“外侧”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了使于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。其中,“里侧”是指内部或围起来的区域或空间。“外围”是指某特定部件或特定区域的周围的区域。
在本发明的实施例的描述中,术语“第一”、“第二”、“第三”、“第四”仅用以描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”、“第四”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的实施例的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“组装”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的实施例的描述中,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。
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)
1.一种面向企业市值分析的可视分析方法,其特征在于,包括:
获取企业主营业务信息和企业多维财务信息并进行信息预处理;
将预处理后的企业主营业务信息输入预训练的行业匹配模型,匹配出企业的行业类型信息;
将所述企业的行业类型信息和所述预处理后的企业多维财务信息输入预训练的综合分析模型,对企业的市值和财务进行并行的综合分析,并将分析结果进行可视化展示。
2.根据权利要求1所述的面向企业市值分析的可视分析方法,其特征在于,所述行业匹配模型包括基于乱序语言模型的PERT模型。
3.根据权利要求1所述的面向企业市值分析的可视分析方法,其特征在于,所述综合分析模型包括市值分析模型和财务分析模型,所述市值分析模型基于梯度提升决策树XGBoost算法实现。
4.根据权利要求1所述的面向企业市值分析的可视分析方法,其特征在于,所述财务分析模型基于黎曼几何和代数拓扑理论的无监督降维算法UMAP构建。
5.根据权利要求3所述的面向企业市值分析的可视分析方法,其特征在于,所述市值分析模型将多个弱分类器集成为一个强分类器模型并将模型的目标函数设置为模型误差与结构误差之和,通过模型实现基于企业的历史多维财务信息对企业未来市值波动进行数值分析。
6.根据权利要求4所述的面向企业市值分析的可视分析方法,其特征在于,所述财务分析模型基于所述行业匹配模型匹配出的企业行业类型信息,使用无监督降维方法UMAP对同行业企业的多维财务信息进行降维处理得到企业二维财务数据,并基于二维财务数据分析同行业企业财务信息的近似度。
7.根据权利要求1-6任一项所述的面向企业市值分析的可视分析方法,其特征在于,通过AntV开源可视化框架对综合分析模型对企业的市值和财务的综合分析结果进行可视化展示。
8.一种面向企业市值分析的可视分析系统,其特征在于,包括:
获取和预处理模模块,用于获取企业主营业务信息和企业多维财务信息并进行信息预处理;
匹配模块,用于将预处理后的企业主营业务信息输入预训练的行业匹配模型,匹配出企业的行业类型信息;
综合分析和可视化模块,用于将所述企业的行业类型信息和所述预处理后的企业多维财务信息输入预训练的综合分析模型,对企业的市值和财务进行并行的综合分析,并将分析结果进行可视化展示。
9.一种电子设备,其特征在于,包括至少一个处理器、至少一个存储器和数据总线;其中:所述处理器与所述存储器通过所述数据总线完成相互间的通信;所述存储器存储有被所述处理器执行的程序指令,所述处理器调用所述程序指令以执行如权利要求1-7任一项所述的方法。
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,该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310198291.9A CN116090915A (zh) | 2023-03-03 | 2023-03-03 | 一种面向企业市值分析的可视分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310198291.9A CN116090915A (zh) | 2023-03-03 | 2023-03-03 | 一种面向企业市值分析的可视分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116090915A true CN116090915A (zh) | 2023-05-09 |
Family
ID=86214162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310198291.9A Pending CN116090915A (zh) | 2023-03-03 | 2023-03-03 | 一种面向企业市值分析的可视分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116090915A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116842238A (zh) * | 2023-07-24 | 2023-10-03 | 武汉赛思云科技有限公司 | 基于大数据分析的企业数据可视化实现方法及系统 |
CN117575827A (zh) * | 2024-01-16 | 2024-02-20 | 之江实验室科技控股有限公司 | 一种企业报告的智能可视化管理系统及方法 |
-
2023
- 2023-03-03 CN CN202310198291.9A patent/CN116090915A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116842238A (zh) * | 2023-07-24 | 2023-10-03 | 武汉赛思云科技有限公司 | 基于大数据分析的企业数据可视化实现方法及系统 |
CN116842238B (zh) * | 2023-07-24 | 2024-03-22 | 右来了(北京)科技有限公司 | 基于大数据分析的企业数据可视化实现方法及系统 |
CN117575827A (zh) * | 2024-01-16 | 2024-02-20 | 之江实验室科技控股有限公司 | 一种企业报告的智能可视化管理系统及方法 |
CN117575827B (zh) * | 2024-01-16 | 2024-05-03 | 之江实验室科技控股有限公司 | 一种企业报告的智能可视化管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | Predictive analytics in business analytics: decision tree | |
Flood et al. | The application of visual analytics to financial stability monitoring | |
Zhang et al. | A causal feature selection algorithm for stock prediction modeling | |
Almeida-Filho et al. | Financial modelling with multiple criteria decision making: A systematic literature review | |
Shen et al. | Combined soft computing model for value stock selection based on fundamental analysis | |
Sarlin et al. | Visual predictions of currency crises using self-organizing maps | |
Sarlin | Macroprudential oversight, risk communication and visualization | |
CN116090915A (zh) | 一种面向企业市值分析的可视分析方法及系统 | |
Ding et al. | A machine learning-based peer selection method with financial ratios | |
Zhang et al. | An explainable artificial intelligence approach for financial distress prediction | |
Behbahani et al. | A case-based reasoning system development for statistical process control: Case representation and retrieval | |
Petridis et al. | A Support Vector Machine model for classification of efficiency: An application to M&A | |
Tsai et al. | A comparative study of hybrid machine learning techniques for customer lifetime value prediction | |
Ciflikli et al. | Enhancing product quality of a process | |
Stanisic et al. | Predicting the type of auditor opinion: Statistics, machine learning, or a combination of the two? | |
Song et al. | Stock ranking prediction using a graph aggregation network based on stock price and stock relationship information | |
Balcı et al. | Hierarchies in communities of UK stock market from the perspective of Brexit | |
Jaiswal et al. | Data Mining Techniques and Knowledge Discovery Database | |
Pujari et al. | Exploiting data mining techniques for improving the efficiency of time series data using spss-clementine | |
CN111046947A (zh) | 分类器的训练系统及方法、异常样本的识别方法 | |
Sethi et al. | Exploring Trends and Advancements in Financial Distress Prediction Research: A Bibliometric Study | |
Huang et al. | A Co-Plot-based Efficiency Measurement to Commercial Banks. | |
Garnov et al. | System data analysis: innovative technologies, methods and techniques | |
Milea et al. | A fuzzy model of a European index based on automatically extracted content information | |
Salim et al. | A LITERATURE REVIEW ON MACHINE LEARNING METHODS AND DATA FOR FORECASTING STOCK MARKETS |
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 |