一种基于深度学习的企业财务风险预警方法及系统

1.本发明涉及企业财务风险预警技术领域，具体而言，涉及一种基于深度学习的企业财务风险预警方法及系统。


背景技术：

2.企业财务风险是指在各项财务活动过程中，由于各种难以预料或控制的因素影响，财务状况具有不确定性，从而使企业有蒙受损失的可能性。按财务活动的主要环节，可以分为流动性风险、信用风险、筹资风险、投资风险。按可控程度分类，可分为可控风险和不可控风险。
3.企业财务风险管理是指经营主体对其理财过程中存在的各种风险进行识别、度量和分析评价，并适时采取及时有效的方法进行防范和控制，以经济合理可行的方法进行处理，以保障理财活动安全正常开展，保证企业经济利益免受损失的管理过程。而这个过程，具有不容忽视的法律意义。
4.传统企业财务预警的方法只是评价和预测企业内部的财务风险,并没有找出导致财务风险的外部条件所在,显然具有片面性和滞后性,这正是过去在风险预警管理研究中所忽视而恰恰又是当前急需特别关注的前沿性研究问题。
5.随着经济的不断发展，企业的经营环境面临的不确定性愈来愈多，财务危机频频发生，因此建立一个准确性较高的财务风险预警模型愈发重要。


技术实现要素：

6.鉴于传统方法的不足,本发明目的是利用深度学习原理构建企业财务预警模型，提高对财务风险的预警效果。从而帮助企业从自身实际出发，探索建立企业财务预警机制，以便在公司陷入财务困境之前发出预警信号，正确解决由财务危机所引起的经营困难。
7.为了实现上述技术目的，本技术提供了一种基于深度学习的企业财务风险预警方法，包括以下步骤：
8.构建财务风险预警模型，财务风险预警模型用于通过财务数据分析方法对企业财务数据进行分析，生成企业财务报告，其中，企业财务报告用于表示企业是否存在财务风险；
9.根据企业财务数据，构建财务风险评价指标体系，其中，财务风险评价指标体系包括反应公司财务状况的若干个一级指标，以及每个一级指标对应的二级指标；
10.基于一级指标和二级指标，通过mapminmax函数进行归一化处理后，生成财务数据分析方法；
11.采集企业的二级指标，通过财务风险预警模型和财务数据分析方法，生成企业财务报告。
12.优选地，在构建财务风险预警模型的过程中，财务风险预警模型由依次连接的输入层、隐含层、输出层组成，其中，隐含层包括三层，输出层为二维网络，用于生成企业财务
报告，企业财务报告包括正常企业或财务危机企业。
13.优选地，在生成企业财务报告的过程中，通过隐含层，将二级指标将降到l维表示，通过输出层，生成企业财务报告。
14.优选地，在构建财务风险评价指标体系的过程中，一级指标包括偿债能力指标、盈利能力指标、营运能力指标、发展能力指标、现金流量指标、风险水平指标、非财务指标；
15.二级指标包括流动比率、速动比率、现金比率、资产负债率、总资产报酬率、净资产收益率、总资产净利率、营业利润率、每股收益、总资产周转率、存货周转率、应收账款周转率、净利润增长率、总资产增长率、营业收入增长率、现金回收率、现金营运指数、营业收入现金净含量、净利润现金净含量、经营活动净流量增长率、财务杠杆、经营杠杆、第一大股东持股比例。
16.优选地，在生成财务数据分析方法的过程中，第一指标包括第一权重，第二指标包括第二权重；
17.根据第二指标对应的第二权重，以及第二指标对应的第一指标的第一权重，生成第一财务数据分析方法；
18.根据第二指标对应的第二权重，生成第二财务数据分析方法；
19.根据第一指标对应的第一权重，生成第三财务数据分析方法；
20.基于第二权重，根据第一财务数据分析方法和第二财务数据分析方法，生成第四财务数据分析方法；
21.基于第一权重，根据第一财务数据分析方法和第三财务数据分析方法，生成第五财务数据分析方法；
22.基于第一权重和第二权重，根据第四财务数据分析方法和第五财务数据分析方法，生成第六财务数据分析方法；
23.财务数据分析方法包括第四财务数据分析方法和/或第五财务数据分析方法和/或第六财务数据分析方法。
24.优选地，在通过财务风险预警模型和财务数据分析方法生成企业财务报告的过程中，使用matlab r2015b软件进行对财务风险预警模型的训练，用于提高模型的准确率。
25.本发明还提供了一种基于深度学习的企业财务风险预警系统，包括：
26.数据采集模块，用于采集企业的企业财务数据；
27.数据处理模块，用于根据企业财务数据，构建财务风险评价指标体系，其中，财务风险评价指标体系包括反应公司财务状况的若干个一级指标，以及每个一级指标对应的二级指标；
28.第一数据分析模块，用于基于一级指标和二级指标，通过mapminmax函数进行归一化处理后，生成财务数据分析方法；
29.第二数据分析模块，用于构建财务风险预警模型，并根据财务数据分析方法，对二级指标进行分析，生成企业财务报告。
30.优选地，第一数据分析模块包括一级指标单元和二级指标单元；
31.一级指标单元，用于获取企业的偿债能力指标、盈利能力指标、营运能力指标、发展能力指标、现金流量指标、风险水平指标、非财务指标；
32.二级指标单元，用于获取企业的流动比率、速动比率、现金比率、资产负债率、总资
产报酬率、净资产收益率、总资产净利率、营业利润率、每股收益、总资产周转率、存货周转率、应收账款周转率、净利润增长率、总资产增长率、营业收入增长率、现金回收率、现金营运指数、营业收入现金净含量、净利润现金净含量、经营活动净流量增长率、财务杠杆、经营杠杆、第一大股东持股比例。
33.本发明公开了以下技术效果：
34.第一、本发明基于深度学习方法来构建财务风险预警模型，可以拓宽深度学习应用领域，也是财务困境预测领域应用方法的创新，预计能够得到更高的准确率，提高对财务风险的预警效果。利用深度学习提取遭遇财务困境的公司以及没有遭遇财务困境的公司的财务风险预警指标数据特征,构建财务风险预警模型对公司是否遭遇财务困境进行区分。深度学习相比传统神经网络及现有的预警模型，具有一定的优势，深度学习具有自我学习的效果，能够处理从新的数据中不断学习特征，因此是一种适应性很高的方法，这是传统财务风险预警方法所不具有的。
35.第二、使用深度学习网络建立更为科学完善、有效的财务困境预测模型，从而帮助企业从自身实际出发，探索建立企业财务预警机制，以便在公司陷入财务困境之前发出预警信号，对于精确地预测企业的财务状态从而及时有效地为社会各方提供决策支持具有非常重要的实践价值，对于各利益相关主体来说都具有重要的现实意义。
附图说明
36.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。
37.图1是本发明所述的系统结构架构图；
38.图2是本发明所述的方法步骤流程图。
具体实施方式
39.下为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中附图，对本技术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技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
40.如图1-2所示，本发明提供了一种基于深度学习的企业财务风险预警方法，包括以下步骤：
41.构建财务风险预警模型，财务风险预警模型用于通过财务数据分析方法对企业财务数据进行分析，生成企业财务报告，其中，企业财务报告用于表示企业是否存在财务风险；
42.根据企业财务数据，构建财务风险评价指标体系，其中，财务风险评价指标体系包
括反应公司财务状况的若干个一级指标，以及每个一级指标对应的二级指标；
43.基于一级指标和二级指标，通过mapminmax函数进行归一化处理后，生成财务数据分析方法；
44.采集企业的二级指标，通过财务风险预警模型和财务数据分析方法，生成企业财务报告。
45.进一步优选地，在构建财务风险预警模型的过程中，财务风险预警模型由依次连接的输入层、隐含层、输出层组成，其中，隐含层包括三层，输出层为二维网络，用于生成企业财务报告，企业财务报告包括正常企业或财务危机企业。
46.进一步优选地，在生成企业财务报告的过程中，通过隐含层，将二级指标将降到l维表示，通过输出层，生成企业财务报告。
47.进一步优选地，在构建财务风险评价指标体系的过程中，一级指标包括偿债能力指标、盈利能力指标、营运能力指标、发展能力指标、现金流量指标、风险水平指标、非财务指标；
48.二级指标包括流动比率、速动比率、现金比率、资产负债率、总资产报酬率、净资产收益率、总资产净利率、营业利润率、每股收益、总资产周转率、存货周转率、应收账款周转率、净利润增长率、总资产增长率、营业收入增长率、现金回收率、现金营运指数、营业收入现金净含量、净利润现金净含量、经营活动净流量增长率、财务杠杆、经营杠杆、第一大股东持股比例。
49.进一步优选地，在生成财务数据分析方法的过程中，第一指标包括第一权重，第二指标包括第二权重；
50.根据第二指标对应的第二权重，以及第二指标对应的第一指标的第一权重，生成第一财务数据分析方法；
51.根据第二指标对应的第二权重，生成第二财务数据分析方法；
52.根据第一指标对应的第一权重，生成第三财务数据分析方法；
53.基于第二权重，根据第一财务数据分析方法和第二财务数据分析方法，生成第四财务数据分析方法；
54.基于第一权重，根据第一财务数据分析方法和第三财务数据分析方法，生成第五财务数据分析方法；
55.基于第一权重和第二权重，根据第四财务数据分析方法和第五财务数据分析方法，生成第六财务数据分析方法；
56.财务数据分析方法包括第四财务数据分析方法和/或第五财务数据分析方法和/或第六财务数据分析方法。
57.进一步优选地，在通过财务风险预警模型和财务数据分析方法生成企业财务报告的过程中，使用matlab r2015b软件进行对财务风险预警模型的训练，用于提高模型的准确率。
58.本发明还提供了一种基于深度学习的企业财务风险预警系统，包括：
59.数据采集模块，用于采集企业的企业财务数据；
60.数据处理模块，用于根据企业财务数据，构建财务风险评价指标体系，其中，财务风险评价指标体系包括反应公司财务状况的若干个一级指标，以及每个一级指标对应的二
级指标；
61.第一数据分析模块，用于基于一级指标和二级指标，通过mapminmax函数进行归一化处理后，生成财务数据分析方法；
62.第二数据分析模块，用于构建财务风险预警模型，并根据财务数据分析方法，对二级指标进行分析，生成企业财务报告。
63.进一步优选地，第一数据分析模块包括一级指标单元和二级指标单元；
64.一级指标单元，用于获取企业的偿债能力指标、盈利能力指标、营运能力指标、发展能力指标、现金流量指标、风险水平指标、非财务指标；
65.二级指标单元，用于获取企业的流动比率、速动比率、现金比率、资产负债率、总资产报酬率、净资产收益率、总资产净利率、营业利润率、每股收益、总资产周转率、存货周转率、应收账款周转率、净利润增长率、总资产增长率、营业收入增长率、现金回收率、现金营运指数、营业收入现金净含量、净利润现金净含量、经营活动净流量增长率、财务杠杆、经营杠杆、第一大股东持股比例。
66.本发明所涉及的深度学习网络的模型设计主要包括两个部分。第一个部分是指标体系的确立，指标体系确立后才能够确定网络的输入层。第二部分是模型的训练和测试，通过训练确定网络的隐含层层数、训练参数。当这个模型构建完成，就可以对案例企业进行财务风险预警分析。共分为以下四个步骤：
67.步骤一：确定深度学习的财务风险评价指标体系。选取合适的财务指标，可以代表企业的财务状况并作为神经网络的输入。
68.1.1指标的选取数量：选取的指标会影响神经网络输入节点的数量，因此指标的数量应该控制在一个合理的范围内，不宜过多或者过少。
69.1.2指标体系的确定，从偿债能力指标、盈利能力指标、营运能力指标、发展能力指标、现金流量指标、风险水平指标、非财务指标7类一级指标考虑公司的财务状况，并选取23个二级指标，建立了最终的财务指标体系。具体指标的选取如表1所示:
70.表1
[0071][0072]
步骤二：选取样本并进行预处理。在确定了指标体系之后，选取上市公司作为样本，并使用matlab软件进行数据处理。
[0073]
在近十年上市公司中选取样本，并根据是否被特殊处理(st)分为两部分，分别用于训练和测试。将样本公司的23个指标数据作为输入值后，由于各种指标的数据单位并不一致且变动范围不一，因此需要对数据进行非量纲归一化处理。
[0074]
本发明使用matlab中的mapminmax函数对数据进行归一化处理。该函数的表达式如下。
[0075]
y＝(y
max-y
min
)
×
(x-x
min
)
÷
(x
max-x
min
)+y
min
[0076]
其中y
max
和y
min
是设定好的常数，分别为1和-1。这个函数可以将数据归一化到[-1,1]的区间。经过处理后的数据可以直接用于深度学习网络的训练。
[0077]
在matlab中的调用函数形式如下。
[0078]
[y,ps]＝mapminmax(x)
[0079]
其中x为需要进行归一化处理的数据集，y为归一化处理后输出的数据集。ps记载了归一化处理的映射记录。
[0080]
步骤三：构建深度学习财务风险预警模型。使用matlab软件进行模型的训练与测试，可以得到效果良好的深度学习网络模型
[0081]
本发明使用matlab r2015b软件进行对深度学习网络的训练，从而让网络具备预警能力，由于训练参数设置的不同，训练结果也会不同。为了取得良好预测效果，需要进行
上百次网络的训练，最终确定良好的网络结构设计和效果最好的参数。
[0082]
在训练过程中，首先要确定输入层的变量数，这是由指标体系所决定。其次，需要确定隐含层的层数及各层变量数。这也是训练的一个难点，为了取得良好的网络模型，需要不断的训练测试，才能确定适用于财务风险预警的网络参数。具体过程就是不断地修改网络结构、训练次数及步长等参数，得到准确率最高的网络模型。
[0083]
深度学习网络结构设计可分为以下三部分：
[0084]
(1)输入层
[0085]
输入层即原始数据进入网络的起点，本发明共由23个二级指标构成深度学习网络的输入层，因此输入层有23个变量，对应关系如表2所示。
[0086]
表2
[0087]
序号指标名称序号指标名称1流动比率13净利润增长率2速动比率14总资产增长率3现金比率15营业收入增长率4资产负债率16全部现金回收率5总资产报酬率17现金营运指数6净资产收益率18营业收入现金净含量7总资产净利率19净利润现金净含量8营业利润率20经营活动净流量增长率9每股收益21财务杠杆10总资产周转率22经营杠杆11存货周转率23第一大股东持股比例12应收账款周转率
ꢀꢀ
[0088]
(2)隐含层
[0089]
隐含层是深度学习网络的重要部分，隐含层的设计很大程度上影响网络模拟的效率和有效性。深度学习的隐含层代表了网络内部每层用于表达输入数据特征的维数，深度学习网络的应用就是一个不断降维的过程，从而使得对数据的表示越来越抽象，最后能用来预测结果。
[0090]
本发明需要经过上百次的调试，最终确定针对本研究效果最好的隐含层层数。分别是m、n、l这三层隐含层，表示数据特征由23维逐渐降到l维表示。
[0091]
(3)输出层
[0092]
由于本发明用于企业的财务风险预警并得到是否有财务危机的结果，因此本发明的输出层应该是一个2维的网络，对应正常企业和财务危机企业两个结果，其中正常企业用(1，0)来表示，危机企业用(0,1)表示。
[0093]
因此本发明共构建了一个5层深度学习网络，每层的维数分别为23,m,n,l,2。同时通过调试最终确定训练次数numepochs以及训练批大小batchsize，从而构建出深度学习的财务风险预警模型。
[0094]
步骤四：深度学习财务风险预警模型的验证。
[0095]
在对网络进行训练之后，使用测试样本进行测试。测试样本是独立于训练样本的
数据，用于检测网络预测的准确率。通过对测试结果的统计分析，得到总体的判断准确率，从而验证深度学习进行财务风险预警的使用效果。
[0096]
本发明提到的深度学习技术为财务风险预警的方法研究提供了新的思路，通过将深度学习理论用于企业财务风险分析，并提出了基于深度学习的财务风险预警模型，相比于传统的财务风险预警方法，深度学习具有自我学习的能力，可以从新获取的数据中不断学习特征，适应性很高，从而能够得到更高的准确率，提高对财务风险的预警效果。从而帮助企业从自身实际出发，探索建立企业财务预警机制，以便在公司陷入财务困境之前发出预警信号，正确解决由财务危机所引起的经营困难。
[0097]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0098]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。