CN118246932A - 基于因子的深度学习估值方法、装置、设备及介质 - Google Patents
基于因子的深度学习估值方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN118246932A CN118246932A CN202410446511.XA CN202410446511A CN118246932A CN 118246932 A CN118246932 A CN 118246932A CN 202410446511 A CN202410446511 A CN 202410446511A CN 118246932 A CN118246932 A CN 118246932A
- Authority
- CN
- China
- Prior art keywords
- data
- time step
- enterprise
- estimation
- processing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 173
- 230000015654 memory Effects 0.000 claims abstract description 144
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000003102 growth factor Substances 0.000 description 3
- 230000006386 memory function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本发明公开了一种基于因子的深度学习估值方法、装置、设备及介质。该方法包括:获取待估值企业在当前时间步下的企业关联数据;将当前时间步下的企业关联数据及当前时间步上一时间步的隐藏状态,输入至预先训练得到的第一估值模型中,得到与宏观经济数据相对应的门控参数向量;基于门控参数向量、企业关联数据、隐藏状态及上一时间步的记忆元信息,确定在当前时间步下的待使用记忆元信息;基于待使用记忆元信息、企业资产数据及隐藏状态,确定每个估值因子的特征值;基于特征值确定待估值企业的估值结果。解决了人工处理企业数据进行估值,存在估值准确性差、可靠性低的问题,实现在降低企业估值成本的同时,达到提高估值准确性和可靠性的效果。
Description
技术领域
本发明涉及计算机处理技术领域,尤其涉及一种基于因子的深度学习估值方法、装置、设备及介质。
背景技术
企业估值是指着眼于企业本身,对企业的内在价值进行评估。对企业的准确估值有利于对企业价值进行正确评价,能够帮助投资者、分析师和管理人员等评估企业的价值和潜在投资回报。
目前的企业估值方法主要采用的是通过人工依据企业数据进行判断的方式。这种方式需要基于人工计算,且不同的计算方法需要获取不同的数据,对其专业知识要求较高,存在数据处理困难,估值准确性差的问题。
发明内容
本发明提供了一种基于因子的深度学习估值方法、装置、设备及介质,以实现在降低企业估值成本的同时,达到提高估值准确性和可靠性的技术效果。
根据本发明的一方面,提供了一种基于因子的深度学习估值方法,该方法包括:
获取待估值企业在当前时间步下的企业关联数据;其中,所述企业关联数据包括企业资产数据以及宏观经济数据;所述宏观经济数据中包括至少一个宏观经济变量值;所述企业资产数据中包括多个非估值因子下的资产数据,所述非估值因子包括资产定价因子和财务指标;
将所述当前时间步下的企业关联数据以及所述当前时间步上一时间步所对应的隐藏状态,输入至预先训练得到的第一估值模型中,得到与所述宏观经济数据相对应的门控参数向量;
基于所述门控参数向量、所述企业关联数据、所述隐藏状态以及所述上一时间步所对应的记忆元信息,确定在所述当前时间步下的待使用记忆元信息;
基于所述待使用记忆元信息、所述企业资产数据以及所述隐藏状态,确定每个估值因子的特征值;
基于所述特征值,确定所述待估值企业的估值结果。
根据本发明的另一方面,提供了一种基于因子的深度学习估值装置,该装置包括:
数据获取模块,用于获取待估值企业在当前时间步下的企业关联数据;其中,所述企业关联数据包括企业资产数据以及宏观经济数据;所述宏观经济数据中包括至少一个宏观经济变量值;所述企业资产数据中包括多个非估值因子下的资产数据,所述非估值因子包括资产定价因子和财务指标;
门控参数向量确定模块,用于将所述当前时间步下的企业关联数据以及所述当前时间步上一时间步所对应的隐藏状态,输入至预先训练得到的第一估值模型中,得到与所述宏观经济数据相对应的门控参数向量;
记忆元信息确定模块,用于基于所述门控参数向量、所述企业关联数据、所述隐藏状态以及所述上一时间步所对应的记忆元信息,确定在所述当前时间步下的待使用记忆元信息;
特征值确定模块,用于基于所述待使用记忆元信息、所述企业资产数据以及所述隐藏状态,确定每个估值因子的特征值;
估值结果确定模块,用于基于所述特征值,确定所述待估值企业的估值结果。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的基于因子的深度学习估值方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于因子的深度学习估值方法。
本发明实施例的技术方案,通过获取待估值企业在当前时间步下的企业关联数据;将当前时间步下的企业关联数据及当前时间步上一时间步的隐藏状态,输入至预先训练得到的第一估值模型中,得到与宏观经济数据相对应的门控参数向量;基于门控参数向量、企业关联数据、隐藏状态及上一时间步的记忆元信息,确定在当前时间步下的待使用记忆元信息;基于待使用记忆元信息、企业资产数据及隐藏状态,确定每个估值因子的特征值;基于特征值,确定待估值企业的估值结果,解决了现有技术中人工处理企业数据进行估值,存在估值准确性差、可靠性低的问题,实现通过对当前时间步下的宏观经济数据以及当前时间步上一时间步的隐藏状态进行处理,得到门控参数向量,不仅通过引入宏观经济变量,更全面地反映宏观经济环境对企业定价的影响,还能够通过门控参数向量精准控制宏观经济数据对于当前时间步下估值的影响程度,进而,依据门控参数向量、企业关联数据、隐藏状态以及上一时间步的记忆元信息,确定在当前时间步下的待使用记忆元信息,通过待使用记忆元信息、企业资产数据以及隐藏状态,预测估值因子的特征值,提高估值因子表示的准确性,使用估值因子的特征值进行企业估值,实现在降低企业估值成本的同时,达到提高估值准确性和可靠性的技术效果。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种基于因子的深度学习估值方法的流程图;
图2是根据本发明实施例二提供的一种基于因子的深度学习估值方法的流程图;
图3是根据本发明实施例三提供的基于因子的深度学习估值方法的流程图;
图4是根据本发明实施例四提供的一种基于因子的深度学习估值装置的结构示意图;
图5是实现本发明实施例的基于因子的深度学习估值方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是根据本发明实施例一提供的一种基于因子的深度学习估值方法的流程图,本实施例可适用于对企业进行估值的情况,该方法可以由基于因子的深度学习估值装置来执行,该基于因子的深度学习估值装置可以采用硬件和/或软件的形式实现,该基于因子的深度学习估值装置可配置于计算设备中。如图1所示,该方法包括:
S110、获取待估值企业在当前时间步下的企业关联数据;企业关联数据包括企业资产数据以及宏观经济数据。
其中,待估值企业可以是指需要进行估值的企业,该企业可以为非上市企业。当前时间步可以是指时序数据中一个观察点到下一个观察点之间的时间间隔。如,一个时间步可以代表一个月,也可以代表一个季度或一年等。所述企业资产数据中包括多个非估值因子下的资产数据,该类数据是与企业自身相关的,不同企业的企业资产数据是不同的。非估值因子至少包括资产定价因子和财务指标。资产定价因子可以是指用于解释和预测资产收益率变动的系统性风险特征的因子。例如,资产定价因子中可以包括但不限于成长因子(如营收增长率、净利润增长率等指标)、财务杠杆因子(如负债比率、权益比率、长期负债比率等)、动量因子(如资金流动量因子、销售额动量因子等)、市场因子(如反映市场整体的波动和风险的因子)、盈利因子、投资因子以及价值因子等。财务指标可以是指用于反映财务状况和经营效益的指标。例如,财务指标中包括但不限于偿债能力指标、营运能力指标和盈利能力指标等。宏观经济数据中包括至少一个宏观经济变量值,宏观经济变量可以是指用来描述和衡量整个经济体系的运行状况和发展趋势的指标,如宏观经济变量中包括股息价格比(dp)、收益价格比(ep)、账面市值比(bm)、净股权扩张(ntis)、期限息差(tms)、违约息差(dfy)和股票方差(svar)等。宏观经济数据与整个经济体系相关,对于所有企业均是相同的。
在本实施例中,可以获取企业自身的在当前时间步下的企业资产数据,以及所有宏观经济变量的数值作为企业关联数据,以通过企业关联数据实现对该企业的估值。为了提高估值准确性,还可以在基于企业关联数据进行企业估值之前,对企业关联数据进行预处理,例如,对企业关联数据进行清洗处理,将其中的异常值、错误值、空白信息等数据清洗掉,以基于预处理后的企业关联数据进行企业估值。
示例性的,收集待估值企业每个季度的宏观经济变量值,收集每个季度的成长因子、财务杠杆因子、动量因子等,以及其他资产定价因子、多个行业部门虚拟变量和净利润、净资产、收入等财务指标数据。在数据收集之后,进行数据清理和筛选,以处理可能存在的错误、缺失值或异常值。这包括检查和修复报表中的数据错误,排除不完整或不准确的信息。例如,对于数据缺失值采用同一资产数据的前向值或后向值进行填充。对于极值使用3σ原则,计算数据的均值和标准差,确定数据的上下限,然后对超出上下限的数据进行剔除。对不同单位和范围的数据进行标准化,以确保它们具有相同的尺度,这一步是为了避免模型在处理数据时受到不同量级的影响,确保模型的稳定性和准确性。在数据处理之后,得到每个季度的企业关联数据,构成时间序列数据。可以将每个季度作为一个时间步,依次对每个时间步下的企业关联数据进行处理,以评估出企业在不同时间步下的估值结果。需要说明的是,对每个时间步下的企业关联数据进行处理来评估企业的方式均相同,可以以其中任一时间步作为当前时间步,以确定待估值企业的估值结果为例进行介绍。
S120、将当前时间步下的企业关联数据以及当前时间步上一时间步所对应的隐藏状态,输入至预先训练得到的第一估值模型中,得到与宏观经济数据相对应的门控参数向量。
其中,第一估值模型用于确定估值因子的特征值,估值因子可以是指用于衡量资产内在价值的因子,特征值用于表示估值因子的具体数值。如,估值因子可以为市盈率pe、市净率pb和市销率ps等。可选的,第一估值模型可以中包括LSTM(Long Short-TermMemory,长短期记忆)模型和门控循环单元,应于处理和预测时间序列数据。
需要说明的是,在第一估值模型处理时序数据时,会逐个处理每个时间步下的企业关联数据,在这个时间步下,第一估值模型会接收当前时间步下的企业关联数据,并会根据当前输入的企业关联数据和前一个时间步的隐藏状态来更新模型内部状态,得到当前输入对应的输出。上一时间步即是指第一估值模型处理过的在当前时间步前一个的时间步。在上一时间步,第一估值模型已经根据之前的输入和状态生成了输出,并更新了其隐藏状态,这个隐藏状态随后会被用作当前时间步的输入。
在本实施例中,可以将当前时间步下的企业关联数据以及当前时间步上一时间步所对应的隐藏状态作第一估值模型的输入数据,通过第一估值模型对宏观经济数据进行处理,得到与宏观经济数据相对应的门控参数向量。门控参数向量中可以包括不同宏观经济变量的权重,用于控制不同时间步下不同宏观经济变量对于企业评估的重要性。
考虑不同时间点上,宏观经济因素的重要性可能不同,因此,可以通过引入用于动态调整宏观经济变量权重的门控循环单元,来捕捉到这种时序敏感性,适应宏观经济变量在不同时间上的波动,提高宏观经济变量衡量的精确性。
可选的,第一估值模型中包括门控循环单元,将当前时间步下的企业关联数据以及当前时间步上一时间步所对应的隐藏状态,输入至预先训练得到的第一估值模型中,得到与宏观经济数据相对应的门控参数向量,包括:基于第一估值模型中门控循环单元,对当前时间步下的宏观经济数据以及当前时间步上一时间步所对应的隐藏状态进行处理,得到与宏观经济数据相对应的门控参数向量。
其中,门控循环单元可以用于控制LSTM模型中宏观经济变量的权重。
在本实施例中,可以通过第一估值模型中门控循环单元的门控函数,依据当前时间步下的宏观经济数据以及当前时间步上一时间步的隐藏状态,结合门控函数中的权重参数,计算出与宏观经济数据相对应的门控参数向量。
示例性的,门控循环单元的门控函数可以表示为Rt=σ(XmacroWxr+
Ht-1Whr+br)。其中,Rt表示当前时间步t下的门控参数向量,σ是Sigmoid激活函数,Xmacro表示宏观经济数据,Ht-1表示上一时间步t-1的隐藏状态,Wxr、Whr均为权重参数,br是偏置项。
本实施例所提供的技术方案,通过在第一估值模型中引入经济门控循环单元(Economic Gated Recurrent Unit,EGRU)机制,提高模型对时序变化的敏感性,能够更精准实时调整不同因素权重,适应宏观经济因素的重要性和时序变化。这种方式使得模型能够更灵活地应对市场波动,更准确地反映宏观经济因素在不同时间点上的影响,从而提高估值精确性。
S130、基于门控参数向量、企业关联数据、隐藏状态以及上一时间步所对应的记忆元信息,确定在当前时间步下的待使用记忆元信息。
其中,上一时间步所对应的记忆元信息是指前一个时间步中,记忆元所存储和传递的信息。这些信息中包含了到目前为止序列中的重要特征,并会被用来影响当前时间步的输出或决策。在每个时间步,第一估值模型会接收输入,并基于当前输入和上一时间步的记忆元信息来更新其记忆元的状态,这个更新过程可以涉及遗忘门、输入门和输出门等操作,来共同决定哪些信息应该被保留,哪些应该被丢弃,以及如何将新的信息添加到记忆元中。
在本实施例中,可以通过门控参数向量对宏观经济数据进行加权处理,得到加权后的宏观经济数据,结合企业关联数据中的企业资产数据以及隐藏状态以及上一时间步所对应的记忆元信息,更新记忆元的状态,得到当前时间步的记忆元信息,作为待使用记忆元信息。
可选的,第一估值模型中包括输入门、遗忘门和候选记忆单元,基于门控参数向量、企业关联数据、隐藏状态以及上一时间步所对应的记忆元信息,确定在当前时间步下的待使用记忆元信息,包括:基于第一估值模型中的输入门对企业资产数据和隐藏状态进行处理,得到第一处理数据;基于第一估值模型中的遗忘门对企业资产数据和隐藏状态进行处理,得到第二处理数据;基于第一估值模型中的候选记忆单元,对门控参数向量、企业关联数据和隐藏状态进行处理,得到第三处理数据;基于第一处理数据、第二处理数据、第三处理数据以及上一时间步所对应的记忆元信息,确定在当前时间步下的待使用记忆元信息。
其中,输入门用于控制采用多少来自候选记忆单元的第三处理数据,也就是说,用于决定哪些新数据应该被存储在记忆元中。遗忘门用于控制保留多少过去的记忆元信息,也就是说,用于决定哪些旧信息应该从记忆元中丢弃。候选记忆单元用于融合企业资产数据以及宏观经济数据。
在本实施例中,可以通过第一估值模型中输入门的目标函数分别对企业资产数据和隐藏状态进行加权处理,依据目标函数中的激活函数,对各加权结果进行处理,得到的处理结果可以作为第一处理数据。通过第一估值模型中遗忘门的遗忘函数分别对企业资产数据和隐藏状态进行加权处理,依据遗忘函数中的激活函数,对各加权结果进行处理,得到的处理结果可以作为第二处理数据。可以通过第一估值模型中的候选记忆单元依据门控参数向量对宏观经济数据的加权处理,得到加权结果,再依据加权结果结合企业资产数据、隐藏状态,得到候选记忆单元的输出作为第三处理数据。进一步的,可以通过第一估值模型中记忆元的记忆函数,对第一处理数据和第三处理数据进行哈达玛积处理,来控制采用多少来自候选记忆单元的数据,对第二处理数据和上一时间步的记忆元信息进行哈达玛积处理,控制保留多少上一时间步的记忆元信息,得到当前时间步的待使用记忆元信息。
示例性的,输入门的目标函数表示为:It=σ(XassetWxi+Ht-1Whi+bi)。其中,It表示当前时间步t下的第一处理数据,σ是Sigmoid激活函数,Xasset表示企业资产数据,Ht-1表示上一时间步t-1的隐藏状态,Wxi、Whi均为权重参数,bi是偏置项。遗忘门的遗忘函数表示为:Ft=σ(XassetWxf+Ht-1Whf+bf),其中Ft表示当前时间步t下的第二处理数据,Wxf、Whf均为权重参数,bf是偏置项。记忆元的记忆函数表示为:Ct=Ft⊙Ct-1+It⊙CCt,其中,Ct表示当前时间步t下的记忆元信息,⊙表示哈达玛积(Hadamard product),Ct-1表示上一时间步t-1下的记忆元信息,CCt表示当前时间步t下的第三处理数据。
需要说明的是,考虑到宏观经济变量对企业资产数据的影响在不同时间上可能会具有不同的大小或强度,企业资产数据的表现会受到时序变化的影响。例如,在不同经济周期、不同季节或时间段,或者不同宏观经济政策下,都会存在不同的宏观经济变量值,不同的宏观经济变量值会对资产数据的表现产生不同的影响;同时,不同资产数据可能也对宏观经济变量的敏感性有所不同,如某些资产数据可能更受宏观经济波动的影响,而在其他时期则可能表现得相对稳定。因此,可以通过精准控制宏观经济变量的重要性,以及精准控制宏观经济变量对企业资产数据在不同时间的影响强度,使得更真实的表示出企业关联数据,进行企业估值,达到提高估值准确性的技术效果。
在本实施例中,基于第一估值模型中的候选记忆单元,对门控参数向量、企业关联数据和和隐藏状态,确定第三处理数据,包括:依据候选记忆单元中的候选函数,分别对企业资产数据、宏观经济数据、隐藏状态进行加权处理,得到多个加权结果;依据门控参数向量与宏观经济数据相对应的加权结果进行哈达玛积处理,得到哈达玛积结果;基于哈达玛积结果以及与企业资产数据和隐藏状态相对应的加权结果,确定第三处理数据。
具体的,通过候选记忆单元的候选函数中的权重参数,分别对企业资产数据、宏观经济数据、隐藏状态进行加权处理,得到多个加权结果,再基于门控参数向量对宏观经济数据的加权结果进行哈达玛积处理,得到哈达玛积结果。可以依据候选函数中的双曲正切函数,对哈达玛积结果、企业资产数据的加权结果和隐藏状态的加权结果进行处理,得到的处理结果可以作为第三处理数据。
示例性的,候选记忆单元的候选函数可以表示为:
CCt=tanh(XassetWxc+Ht-1Whc+Rt⊙(XmacroWrh)+bc),其中,tanh表示为双曲正切函数,Wxc、Whc、Wrh均为权重参数,bc是偏置项。
此种设置的好处在于,通过使用第一估值模型精准、有效的捕捉宏观经济变量在不同时间点上的影响,适应时序变化,提高估值数据的真实性,提高估值准确性。
S140、基于待使用记忆元信息、企业资产数据以及隐藏状态,确定每个估值因子的特征值。
在本实施例中,可以通过第一估值模型对待使用记忆元信息、企业资产数据以及隐藏状态进行处理,预测每个估值因子的特征值,实现通过t时间步及t时间步之前的时序数据预测t+1时刻的估值因子(如PE等)的特征值,以通过各特征值进行企业估值。
可选的,第一估值模型中包括输出门、隐藏层和输出层,基于待使用记忆元信息、企业资产数据以及隐藏状态,确定每个估值因子的特征值,包括:基于第一估值模型中的输出门,对企业资产数据以及隐藏状态进行处理,得到第四处理数据;基于第一估值模型中的隐藏层,对第四处理数据和待使用记忆元信息进行处理,得到与当前时间步相对应的隐藏状态,并基于输出层对隐藏状态进行处理,得到每个估值因子的特征值。
其中,输出门用于控制记忆元中的信息(即记忆元信息)如何影响第一估值模型的输出。
在本实施例中,可以通过第一估值模型中输出门的目标函数分别对企业资产数据和隐藏状态进行加权处理,依据目标函数中的激活函数,对各加权结果进行处理,得到的处理结果可以作为第四处理数据。通过第一估值模型中隐藏层的隐藏函数对待使用记忆元信息进行双曲正切处理,得到正切结果,进而对第四处理数据和正切结果进行哈达玛积处理,得到的处理结果可以作为当前时间步的隐藏状态。进一步的,通过输出层的输出函数对隐藏状态进行处理,得到每个估值因子的特征值。
示例性的,输出门的目标函数表示为:Ot=σ(XassetWxo+Ht-1Who+bo),其中Ot表示当前时间步t下的第四处理数据,Wxo、Who均为权重参数,bo是偏置项。隐藏层的隐藏函数可以表示为:Ht=Ot⊙tanh(Ct),其中Ht表示当前时间步t下的隐藏状态。输出层的输出函数可以表示为:Q=HtWhq+bq,其中Q表示每个估值因子的特征值,Whq表示权重参数,bq是偏置项。
S150、基于特征值,确定待估值企业的估值结果。
在本实施例中,可以通过每个估值因子的特征值,对待估值企业进行估值,得到估值结果。该估值结果可以用于表征待估值企业的价值。例如,估值因子为市盈率pe,估值结果=pe×净利润;估值因子为市净率pb,估值结果=pb×股东权益。
本发明实施例的技术方案,通过获取待估值企业在当前时间步下的企业关联数据;将当前时间步下的企业关联数据及当前时间步上一时间步的隐藏状态,输入至预先训练得到的第一估值模型中,得到与宏观经济数据相对应的门控参数向量;基于门控参数向量、企业关联数据、隐藏状态及上一时间步的记忆元信息,确定在当前时间步下的待使用记忆元信息;基于待使用记忆元信息、企业资产数据及隐藏状态,确定每个估值因子的特征值;基于特征值,确定待估值企业的估值结果,解决了现有技术中人工处理企业数据进行估值,存在估值准确性差、可靠性低的问题,实现通过对当前时间步下的宏观经济数据以及当前时间步上一时间步的隐藏状态进行处理,得到门控参数向量,不仅通过引入宏观经济变量,更全面地反映宏观经济环境对企业定价的影响,还能够通过门控参数向量精准控制宏观经济数据对于当前时间步下估值的影响程度,进而,依据门控参数向量、企业关联数据、隐藏状态以及上一时间步的记忆元信息,确定在当前时间步下的待使用记忆元信息,通过待使用记忆元信息、企业资产数据以及隐藏状态,预测估值因子的特征值,提高估值因子表示的准确性,使用估值因子的特征值进行企业估值,实现在降低企业估值成本的同时,达到提高估值准确性和可靠性的技术效果。
实施例二
图2是根据本发明实施例二提供的一种基于因子的深度学习估值方法的流程图,在前述实施例的基础上,还可以通过预先训练得到的第二估值模型进行企业估值。其具体的实施方式可以参见本实施例技术方案。其中,与上述实施例相同或者相应的技术术语在此不再赘述。
如图2所示,该方法具体包括如下步骤:
S210、对企业资产数据和宏观经济数据进行哈达玛积处理,得到协变量。
在本实施例中,可以使用哈达玛积函数对企业资产数据和宏观经济数据进行哈达玛积处理,得到的处理结果作为协变量。
示例性的,协变量zi,t=Xasset⊙Xmacro。其中Xasset是企业资产数据的特征矩阵,Xmacro是宏观经济数据的特征矩阵。
S220、基于协变量和企业资产数据,确定输入数据。
在本实施例中,将协变量和企业资产数据进行拼接,得到的拼接数据作为输入数据。
S230、将输入数据以及当前时间步上一时间步所对应的隐藏状态,输入至预先训练得到的第二估值模型中,得到每个估值因子的特征值,以基于每个估值因子的特征值,确定待估值企业的估值结果。
其中,第二估值模型用于确定估值因子的特征值,第二估值模型可以为LSTM(LongShort-Term Memory,长短期记忆)模型。
在本实施例中,可以将输入数据及当前时间步上一时间步的隐藏状态作为第二估值模型的输入,经第二估值模型处理,预测每个估值因子的特征值,以基于每个估值因子的特征值,确定待估值企业的估值结果。
可选的,第二估值模型中包括输入门、遗忘门、候选记忆单元、记忆元、输出门、隐藏层和输出层。在本实施例中,将输入数据以及当前时间步上一时间步所对应的隐藏状态,输入至预先训练得到的第二估值模型中,得到每个估值因子的特征值,包括:基于第二估值模型中的输入门,对输入数据以及当前时间步上一时间步所对应的隐藏状态进行处理,得到第五处理数据;基于第二估值模型中的遗忘门,对输入数据以及当前时间步上一时间步所对应的隐藏状态进行处理,得到第六处理数据;基于第二估值模型中的候选记忆单元,对输入数据以及当前时间步上一时间步所对应的隐藏状态进行处理,得到第七处理数据;基于第五处理数据、第六处理数据、第七处理数据以及上一时间步所对应的记忆元信息,确定在当前时间步下的待应用记忆元信息;基于第二估值模型中的输出门,对输入数据以及当前时间步上一时间步所对应的隐藏状态进行处理,得到第八处理数据;基于第二估值模型中的隐藏层,对待应用记忆元信息和第八处理数据,得到与当前时间步相对应的隐藏状态,并基于输出层对隐藏状态进行处理,得到每个估值因子的特征值。
具体的,可以通过第二估值模型中的输入门的目标函数分别对输入数据和上一时间步的隐藏状态进行加权处理,依据目标函数中的激活函数,对各加权结果进行处理,得到的处理结果可以作为第五处理数据。通过第二估值模型中遗忘门的遗忘函数分别对输入数据和隐藏状态进行加权处理,依据遗忘函数中的激活函数,对各加权结果进行处理,得到的处理结果可以作为第六处理数据。依据候选记忆单元的候选函数中的权重参数,分别对输入数据和隐藏状态进行加权处理,得到多个加权结果,进而依据候选函数中的双曲正切函数,对多个加权结果进行处理,得到的处理结果可以作为第七处理数据。进一步的,通过第二估值模型中的记忆元中的记忆函数,对第六处理数据和上一时间步的记忆元信进行哈达玛积处理,对第五处理数据和第七处理数据进行哈达玛积处理,通过两个哈达玛积处理后的结果,得到当前时间步的待应用记忆元信息。通过第二估值模型中的输出门的目标函数分别对输入数据和隐藏状态进行加权处理,依据激活函数对各加权结果进行处理,得到的处理结果可以作为第八处理数据。再进一步的,通过第二估值模型中的隐藏层的隐藏函数对待应用记忆元信息进行双曲正切处理,得到正切结果,进而对第八处理数据和正切结果进行哈达玛积处理,得到的处理结果可以作为当前时间步的隐藏状态。通过输出层的输出函数对隐藏状态进行处理,得到每个估值因子的特征值。
示例性的,第二估值模型中候选记忆单元的候选函数可以表示为:CCt=tanh(XtWxc+Ht-1Whc+bc),其中,Xt表示输入数据。需要说明的是,第二估值模型中的输入门、遗忘门、记忆元、输出门、隐藏层和输出层与第二估值模型中的输入门、遗忘门、记忆元、输出门、隐藏层和输出层类似,在此不做赘述。
本实施例的技术方案,通过将哈达玛积后的协变量与企业资产数据作为第二估值模型的输入数据,使得通过宏观经济变量直接影响模型的输出,影响企业估值,提高估值的准确性。
实施例三
作为上述实施例的一可选实施例,图3是根据本发明实施例三提供的一种基于因子的深度学习估值方法的流程图。具体的,可以参见下述具体内容。
参见图3,可以预先训练得到第一估值模型和第二估值模型。在预先训练得到第一估值模型和第二估值模型之前,可以选择因子、财务指标、宏观经济变量和数据时间范围等,进而,基于选取信息收集数据,并基于收集数据确定样本集,以基于样本集中的训练样本训练模型,测试样本测试模型性能等。示例性的,收集每个季度的宏观经济变量值,收集上市企业每个季度的成长因子、财务杠杆因子、动量因子等,以及其他资产定价因子、多个行业部门虚拟变量和NE/BE、NE/Rev等财务指标的数据。在数据收集之后,进行数据清理和筛选,处理可能存在的错误、缺失值或异常值。在数据处理之后,得到每个季度的企业数据,构建样本集。对于第一估值模型的样本中包括由宏观经济变量值和企业自身数据两部分组成的企业数据以及估值因子的真实值。对于第二估值模型的样本中包括由协变量与企业自身数据拼接组成的企业数据以及估值因子的真实值。协变量是基于对宏观经济变量值和企业自身数据进行哈达玛积处理得到的。
需要说明的是,第一估值模型和第二估值模型的模型结构不同,对应的样本数据不同。第一估值模型中包括LSTM模型和门控循环单元。第二估值模型是LSTM模型。还需要说明的是,训练得到第一估值模型和第二估值模型的方式类似,可以以训练得到第一估值模型为例进行介绍。
在本实施例中,可以以τ为序列长度,使用时间窗口的方式,τ个时间点的数据作为一个时间窗口,将τ个连续季度的样本数据输入至第一估值模型,得到模型输出的估值因子的预测值。可以使用损失函数对估值因子的预测值和真实值进行损失处理,可以将第一损失函数收敛作为训练目标,通过损失值对第一估值模型中的模型参数进行修正,当判定第一损失函数收敛时,认为此时训练完成,得到第一估值模型。通过时间窗口的方式进行样本输入,便于模型能够更好地捕捉时序信息。需要说明的是,在训练估值模型时,采用滚动训练的方式,即逐步增加τ个时间序列的数据,以确保模型能够适应更长的时间跨度,通过多个时间点上的样本数据,可以更好地捕捉到时间上的动态变化。在此过程中,还可以使用多头注意力机制加强对不同时间点的关注,提高模型对时序变化的企业估值的灵敏度。。
示例性的,可以使用Huber损失函数作为第一损失函数,Huber损失函数可以表示为:
其中,y为真实值,f(x)为预测值,δ为Huber损失函数的参数。Huber损失函数在|y-f(x)|≤δ范围内采用均方误差,超过δ范围时则采用线性误差,这使得Huber损失函数对于大的误差更加鲁棒,对于异常值的敏感性较小,相比于均方误差能够更好地处理异常值。还可以使用优化算法(如Adam、SGD等)对第一估值模型进行训练,以最小化预测值与真实值之间的误差。
在上述方案的基础上,还可以使用测试样本对第一估值模型进行测试,如将估值因子对应的真实值和预测值输入至性能评估函数中,得到模型预测的性能,在模型预测性能达到要求时,认为第一估值模型训练好了,可以将训练好的第一估值模型应用于非上市企业的估值因子预测。如果模型预测性能未达到要求,可以继续对第一估值模型进行模型训练,提高模型鲁棒性和精度。示例性的,性能评估函数可以为:其中,/>表示模型性能;τ3表示拟合只对测试样本进行评估,其测试样本不进入模型估计或调优;vi,t+1表示资产i第t+1时刻估值因子的真实值;v, i,t+1表示资产i第t+1时刻估值因子的预测值。
在上述技术方案的基础上,可以将训练得到的第一估值模型和第二估值模型应用于非上市企业的估值,为了适应不同行业和企业规模等,还可以根据实际情况调整模型的参数和权重,以确保其在非上市企业上的估值精度。实现克服因非上市企业数据不透明,导致非上市企业估值困难的问题,达到保证估值精度的同时,提高估值全面性和通用性的技术效果。
本实施例的技术方案,通过对当前时间步下的宏观经济数据以及当前时间步上一时间步的隐藏状态进行处理,得到门控参数向量,不仅通过引入宏观经济变量,更全面地反映宏观经济环境对企业定价的影响,还能够通过门控参数向量精准控制宏观经济数据对于当前时间步下估值的影响程度,进而,依据门控参数向量、企业关联数据、隐藏状态以及上一时间步的记忆元信息,确定在当前时间步下的待使用记忆元信息,通过待使用记忆元信息、企业资产数据以及隐藏状态,预测估值因子的特征值,提高估值因子表示的准确性,使用估值因子的特征值进行企业估值,实现在降低企业估值成本的同时,达到提高估值准确性和可靠性的技术效果。
实施例四
图4是根据本发明实施例四提供的一种基于因子的深度学习估值装置的结构示意图。如图4所示,该装置包括:数据获取模块310、门控参数向量确定模块320、记忆元信息确定模块330和特征值确定模块340和估值结果确定模块350。
其中,数据获取模块310,用于获取待估值企业在当前时间步下的企业关联数据;其中,所述企业关联数据包括企业资产数据以及宏观经济数据;所述宏观经济数据中包括至少一个宏观经济变量值;所述企业资产数据中包括多个非估值因子下的资产数据,所述非估值因子包括资产定价因子和财务指标;门控参数向量确定模块320,用于将所述当前时间步下的企业关联数据以及所述当前时间步上一时间步所对应的隐藏状态,输入至预先训练得到的第一估值模型中,得到与所述宏观经济数据相对应的门控参数向量;记忆元信息确定模块330,用于基于所述门控参数向量、所述企业关联数据、所述隐藏状态以及所述上一时间步所对应的记忆元信息,确定在所述当前时间步下的待使用记忆元信息;特征值确定模块340,用于基于所述待使用记忆元信息、所述企业资产数据以及所述隐藏状态,确定每个估值因子的特征值;估值结果确定模块350,用于基于所述特征值,确定所述待估值企业的估值结果。
本实施例的技术方案,通过获取待估值企业在当前时间步下的企业关联数据;将当前时间步下的企业关联数据及当前时间步上一时间步的隐藏状态,输入至预先训练得到的第一估值模型中,得到与宏观经济数据相对应的门控参数向量;基于门控参数向量、企业关联数据、隐藏状态及上一时间步的记忆元信息,确定在当前时间步下的待使用记忆元信息;基于待使用记忆元信息、企业资产数据及隐藏状态,确定每个估值因子的特征值;基于特征值,确定待估值企业的估值结果,解决了现有技术中人工处理企业数据进行估值,存在估值准确性差、可靠性低的问题,实现通过对当前时间步下的宏观经济数据以及当前时间步上一时间步的隐藏状态进行处理,得到门控参数向量,不仅通过引入宏观经济变量,更全面地反映宏观经济环境对企业定价的影响,还能够通过门控参数向量精准控制宏观经济数据对于当前时间步下估值的影响程度,进而,依据门控参数向量、企业关联数据、隐藏状态以及上一时间步的记忆元信息,确定在当前时间步下的待使用记忆元信息,通过待使用记忆元信息、企业资产数据以及隐藏状态,预测估值因子的特征值,提高估值因子表示的准确性,使用估值因子的特征值进行企业估值,实现在降低企业估值成本的同时,达到提高估值准确性和可靠性的技术效果。
在上述装置的基础上,可选的,所述第一估值模型中包括门控循环单元,所述门控参数向量确定模块320,用于基于所述第一估值模型中门控循环单元,对所述当前时间步下的宏观经济数据以及所述当前时间步上一时间步所对应的隐藏状态进行处理,得到与所述宏观经济数据相对应的门控参数向量。
在上述装置的基础上,可选的,所述第一估值模型中包括输入门、遗忘门和候选记忆单元,所述记忆元信息确定模块330包括:第一处理数据确定单元、第二处理数据确定单元、第三处理数据确定单元和记忆元信息确定单元。
其中,第一处理数据确定单元,用于基于所述第一估值模型中的输入门对所述企业资产数据和所述隐藏状态进行处理,得到第一处理数据;第二处理数据确定单元,用于基于所述第一估值模型中的遗忘门对所述企业资产数据和所述隐藏状态进行处理,得到第二处理数据;第三处理数据确定单元,用于基于所述第一估值模型中的候选记忆单元,对所述门控参数向量、所述企业关联数据和所述隐藏状态进行处理,得到第三处理数据;记忆元信息确定单元,用于基于所述第一处理数据、所述第二处理数据、所述第三处理数据以及所述上一时间步所对应的记忆元信息,确定在所述当前时间步下的待使用记忆元信息。
在上述装置的基础上,可选的,第三处理数据确定单元包括:加权结果确定单元、哈达玛积结果确定单元和第三处理数据确定子单元。
其中,加权结果确定单元,用于依据候选记忆单元中的候选函数,分别对企业资产数据、宏观经济数据、隐藏状态进行加权处理,得到多个加权结果;哈达玛积结果确定单元,用于依据所述门控参数向量与所述宏观经济数据相对应的加权结果进行哈达玛积处理,得到哈达玛积结果;第三处理数据确定子单元,用于基于所述哈达玛积结果以及与所述企业资产数据和所述隐藏状态相对应的加权结果,确定第三处理数据。
在上述装置的基础上,可选的,所述第一估值模型中包括输出门、隐藏层和输出层,所述特征值确定模块340包括:第四处理数据确定单元和特征值确定单元。
其中,第四处理数据确定单元,用于基于所述第一估值模型中的输出门,对所述企业资产数据以及所述隐藏状态进行处理,得到第四处理数据;特征值确定单元,用于基于所述第一估值模型中的隐藏层,对所述第四处理数据和所述待使用记忆元信息进行处理,得到与所述当前时间步相对应的隐藏状态,并基于输出层对所述隐藏状态进行处理,得到每个估值因子的特征值。
在上述装置的基础上,可选的,所述装置还包括:协变量确定模块,用于对所述企业资产数据和所述宏观经济数据进行哈达玛积处理,得到协变量;输入数据确定模块,用于基于所述协变量和所述企业资产数据,确定输入数据;估值模块,用于将所述输入数据以及所述当前时间步上一时间步所对应的隐藏状态,输入至预先训练得到的第二估值模型中,得到每个估值因子的特征值,以基于所述特征值,确定所述待估值企业的估值结果。
在上述装置的基础上,可选的,所述第二估值模型中包括输入门、遗忘门、候选记忆单元、输出门、隐藏层和输出层,估值模块包括:第五处理数据确定单元、第六处理数据确定单元、第七处理数据确定单元、记忆元处理单元、第八处理数据确定单元和估值单元。
其中,第五处理数据确定单元,用于基于所述第二估值模型中的输入门,对所述输入数据以及所述当前时间步上一时间步所对应的隐藏状态进行处理,得到第五处理数据;第六处理数据确定单元,用于基于所述第二估值模型中的遗忘门,对所述输入数据以及所述当前时间步上一时间步所对应的隐藏状态进行处理,得到第六处理数据;第七处理数据确定单元,用于基于所述第二估值模型中的候选记忆单元,对所述输入数据以及所述当前时间步上一时间步所对应的隐藏状态进行处理,得到第七处理数据;记忆元处理单元,用于基于所述第五处理数据、第六处理数据、所述第七处理数据以及所述上一时间步所对应的记忆元信息,确定在所述当前时间步下的待应用记忆元信息;第八处理数据确定单元,用于基于所述第二估值模型中的输出门,对所述输入数据以及所述当前时间步上一时间步所对应的隐藏状态进行处理,得到第八处理数据;估值单元,用于基于所述第二估值模型中的隐藏层,对所述待应用记忆元信息和所述第八处理数据,得到与所述当前时间步相对应的隐藏状态,并基于输出层对所述隐藏状态进行处理,得到每个估值因子的特征值。
本发明实施例所提供的基于因子的深度学习估值装置可执行本发明任意实施例所提供的基于因子的深度学习估值方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5是实现本发明实施例的基于因子的深度学习估值方法的电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如基于因子的深度学习估值方法。
在一些实施例中,基于因子的深度学习估值方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的基于因子的深度学习估值方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于因子的深度学习估值方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种基于因子的深度学习估值方法,其特征在于,包括:
获取待估值企业在当前时间步下的企业关联数据;其中,所述企业关联数据包括企业资产数据以及宏观经济数据;所述宏观经济数据中包括至少一个宏观经济变量值;所述企业资产数据中包括多个非估值因子下的资产数据,所述非估值因子包括资产定价因子和财务指标;
将所述当前时间步下的企业关联数据以及所述当前时间步上一时间步所对应的隐藏状态,输入至预先训练得到的第一估值模型中,得到与所述宏观经济数据相对应的门控参数向量;
基于所述门控参数向量、所述企业关联数据、所述隐藏状态以及所述上一时间步所对应的记忆元信息,确定在所述当前时间步下的待使用记忆元信息;
基于所述待使用记忆元信息、所述企业资产数据以及所述隐藏状态,确定每个估值因子的特征值;
基于所述特征值,确定所述待估值企业的估值结果。
2.根据权利要求1所述的方法,其特征在于,所述第一估值模型中包括门控循环单元,所述将所述当前时间步下的企业关联数据以及所述当前时间步上一时间步所对应的隐藏状态,输入至预先训练得到的第一估值模型中,得到与所述宏观经济数据相对应的门控参数向量,包括:
基于所述第一估值模型中门控循环单元,对所述当前时间步下的宏观经济数据以及所述当前时间步上一时间步所对应的隐藏状态进行处理,得到与所述宏观经济数据相对应的门控参数向量。
3.根据权利要求1所述的方法,其特征在于,所述第一估值模型中包括输入门、遗忘门和候选记忆单元,所述基于所述门控参数向量、所述企业关联数据、所述隐藏状态以及所述上一时间步所对应的记忆元信息,确定在所述当前时间步下的待使用记忆元信息,包括:
基于所述第一估值模型中的输入门对所述企业资产数据和所述隐藏状态进行处理,得到第一处理数据;
基于所述第一估值模型中的遗忘门对所述企业资产数据和所述隐藏状态进行处理,得到第二处理数据;
基于所述第一估值模型中的候选记忆单元,对所述门控参数向量、所述企业关联数据和所述隐藏状态进行处理,得到第三处理数据;
基于所述第一处理数据、所述第二处理数据、所述第三处理数据以及所述上一时间步所对应的记忆元信息,确定在所述当前时间步下的待使用记忆元信息。
4.根据权利要求1所述的方法,其特征在于,所述基于所述第一估值模型中的候选记忆单元,对所述门控参数向量、所述企业关联数据和和所述隐藏状态,确定第三处理数据,包括:
依据候选记忆单元中的候选函数,分别对企业资产数据、宏观经济数据、隐藏状态进行加权处理,得到多个加权结果;
依据所述门控参数向量与所述宏观经济数据相对应的加权结果进行哈达玛积处理,得到哈达玛积结果;
基于所述哈达玛积结果以及与所述企业资产数据和所述隐藏状态相对应的加权结果,确定第三处理数据。
5.根据权利要求1所述的方法,其特征在于,所述第一估值模型中包括输出门、隐藏层和输出层,所述基于所述待使用记忆元信息、所述企业资产数据以及所述隐藏状态,确定每个估值因子的特征值,包括:
基于所述第一估值模型中的输出门,对所述企业资产数据以及所述隐藏状态进行处理,得到第四处理数据;
基于所述第一估值模型中的隐藏层,对所述第四处理数据和所述待使用记忆元信息进行处理,得到与所述当前时间步相对应的隐藏状态,并基于输出层对所述隐藏状态进行处理,得到每个估值因子的特征值。
6.根据权利要求1所述的方法,其特征在于,还包括:
对所述企业资产数据和所述宏观经济数据进行哈达玛积处理,得到协变量;
基于所述协变量和所述企业资产数据,确定输入数据;
将所述输入数据以及所述当前时间步上一时间步所对应的隐藏状态,输入至预先训练得到的第二估值模型中,得到每个估值因子的特征值,以基于所述特征值,确定所述待估值企业的估值结果。
7.根据权利要求6所述的方法,其特征在于,所述第二估值模型中包括输入门、遗忘门、候选记忆单元、输出门、隐藏层和输出层,将所述输入数据以及所述当前时间步上一时间步所对应的隐藏状态,输入至预先训练得到的第二估值模型中,得到每个估值因子的特征值,包括:
基于所述第二估值模型中的输入门,对所述输入数据以及所述当前时间步上一时间步所对应的隐藏状态进行处理,得到第五处理数据;
基于所述第二估值模型中的遗忘门,对所述输入数据以及所述当前时间步上一时间步所对应的隐藏状态进行处理,得到第六处理数据;
基于所述第二估值模型中的候选记忆单元,对所述输入数据以及所述当前时间步上一时间步所对应的隐藏状态进行处理,得到第七处理数据;
基于所述第五处理数据、第六处理数据、所述第七处理数据以及所述上一时间步所对应的记忆元信息,确定在所述当前时间步下的待应用记忆元信息;
基于所述第二估值模型中的输出门,对所述输入数据以及所述当前时间步上一时间步所对应的隐藏状态进行处理,得到第八处理数据;
基于所述第二估值模型中的隐藏层,对所述待应用记忆元信息和所述第八处理数据,得到与所述当前时间步相对应的隐藏状态,并基于输出层对所述隐藏状态进行处理,得到每个估值因子的特征值。
8.一种基于因子的深度学习估值装置,其特征在于,包括:
数据获取模块,用于获取待估值企业在当前时间步下的企业关联数据;其中,所述企业关联数据包括企业资产数据以及宏观经济数据;所述宏观经济数据中包括至少一个宏观经济变量值;所述企业资产数据中包括多个非估值因子下的资产数据,所述非估值因子包括资产定价因子和财务指标;
门控参数向量确定模块,用于将所述当前时间步下的企业关联数据以及所述当前时间步上一时间步所对应的隐藏状态,输入至预先训练得到的第一估值模型中,得到与所述宏观经济数据相对应的门控参数向量;
记忆元信息确定模块,用于基于所述门控参数向量、所述企业关联数据、所述隐藏状态以及所述上一时间步所对应的记忆元信息,确定在所述当前时间步下的待使用记忆元信息;
特征值确定模块,用于基于所述待使用记忆元信息、所述企业资产数据以及所述隐藏状态,确定每个估值因子的特征值;
估值结果确定模块,用于基于所述特征值,确定所述待估值企业的估值结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的基于因子的深度学习估值方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基于因子的深度学习估值方法。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118246932A true CN118246932A (zh) | 2024-06-25 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Berkowitz et al. | Evaluating value-at-risk models with desk-level data | |
WO2020143345A1 (zh) | 仓单质押的信贷风险监控方法及装置 | |
CN108921688A (zh) | 构建预测模型的方法及装置 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN115759845A (zh) | 碳市场运行情况评价方法及装置 | |
CN114493208A (zh) | 工程项目全寿命周期的评价方法、装置、电子设备及介质 | |
CN117333076A (zh) | 一种基于混合专家模型的估值方法、装置、设备及介质 | |
CN117593115A (zh) | 信贷风险评估模型的特征值确定方法、装置、设备和介质 | |
CN112184415A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN115759751A (zh) | 一种企业风险预测方法、装置、存储介质、电子设备及产品 | |
CN112069045A (zh) | 基于隐马尔可夫的云平台软件性能预测方法 | |
CN118246932A (zh) | 基于因子的深度学习估值方法、装置、设备及介质 | |
Gonchar | Scientific and methodical bases of perfection enterprise capacity assessment | |
CN113392373A (zh) | 一种VaR置信区间预测方法 | |
CN112907141A (zh) | 一种压力测试方法、装置、设备及存储介质 | |
Pyrantas et al. | THE IMPACT OF MACROECONOMIC FACTORS ON THE PERFORMANCE OF THE CONSTRUCTION SECTOR IN LITHUANIA. | |
CN118246938A (zh) | 基于因子的机器学习估值方法、装置、设备及介质 | |
Ahmed et al. | Forecasting GDP of Bangladesh using time series analysis | |
CN110020783A (zh) | 电子装置、资产预期损失的计量方法和存储介质 | |
CN102129651A (zh) | 一种智能确定离群点和优化显示方式的财务预测方法 | |
CN115170329A (zh) | 一种科技项目的投资效益评价方法 | |
Fredriksson et al. | Backtesting Expected Shortfall | |
Johansson et al. | Backtesting Expected Shortfall A comparative empirical evaluation of different backtests | |
Michaelsen | Information flow dependence in return and trading volume across different stocks | |
CN117635310A (zh) | 贷款逾期风险的确定方法、装置、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |