一种企业财务风险识别方法、装置、设备及存储介质与流程

本发明属于大数据分析，具体涉及一种企业财务风险识别方法、装置、设备及存储介质。

背景技术：

1、在现有企业财务风险识别手段中，阿特曼z-score模型(其是以多变量的统计方法为基础，以破产企业为样本，通过大量的实验，对企业的运行状况、破产与否进行分析、判别的系统)是从大量企业财报样本中计算出一组反映企业财务危机程度的财务指标，并根据这些指标对企业财务危机警示作用的大小给予不同的权重，最终加权计算得到一个企业的综合分；而沃尔分析法(其是一种用于评估公司财务状况的方法,由亚历山大·沃尔在20世纪初提出)是提出信用能力指数概念，将选定的财务比率用线性关系结合起来，以此来评价企业的财务状况。

2、但是，上述现有企业财务风险识别手段都很难去设定一个标准来判定相关指标的好坏，进而使得很难精确识别财务风险程度，同时相关模型指标权重的设立，都是根据专家经验进行人为设定，无法反映真实数据规律。

技术实现思路

1、本发明的目的是提供一种企业财务风险识别方法、装置、计算机设备及计算机可读存储介质，用以解决现有企业财务风险识别手段所存在识别准确性有限以及需要依靠专家人为经验的问题。

2、为了实现上述目的，本发明采用以下技术方案：

3、第一方面，提供了一种企业财务风险识别方法，包括：

4、获取建模样本集合，并将所述建模样本集合拆分为训练样本集合、测试样本集合和验证样本集合，其中，在所述建模样本集合中的每个建模样本包含有多维企业财务指标值并对应有一个企业财务风险标签；

5、根据所述训练样本集合，基于不同的多个有监督机器学习算法建立不同的多个企业财务风险分类模型，其中，所述多个企业财务风险分类模型与所述多个有监督机器学习算法一一对应；

6、针对在所述多个企业财务风险分类模型中的各个企业财务风险分类模型，应用所述测试样本集合进行对应模型的模型效果评估，得到对应的模型效果评估结果；

7、应用无监督孤立森林算法对所述验证样本集合进行异常样本剔除处理，得到验证样本新集合；

8、针对所述各个企业财务风险分类模型，应用所述验证样本新集合进行对应模型的模型稳定性观察，得到对应的模型稳定性观察结果；

9、根据所述各个企业财务风险分类模型的模型效果评估结果及模型稳定性观察结果，从所述多个企业财务风险分类模型中综合选取最优分类模型；

10、获取目标企业的财务报表；

11、根据所述财务报表，计算得到所述目标企业的所述多维企业财务指标值；

12、将所述目标企业的所述多维企业财务指标值导入所述最优分类模型，输出得到所述目标企业的企业财务风险分类结果。

13、基于上述
技术实现要素：
，提供了一种基于机器学习算法进行企业财务风险识别的新方案，即先将建模样本集合拆分为训练样本集合、测试样本集合和验证样本集合，然后根据训练样本集合，基于不同的多个有监督机器学习算法建立不同的多个企业财务风险分类模型，再然后针对各个分类模型，应用测试样本集合得到对应的模型效果评估结果，以及应用基于无监督孤立森林算法对验证样本集合进行异常样本剔除处理后所得的验证样本新集合，得到对应的模型稳定性观察结果，最后根据两种结果综合选取最优分类模型并应用于目标企业的财务风险识别，如此通过基于有监督模型与无监督模型的交叉结合进行分类模型择优，可以避免有监督模型样本不均衡的缺点，进而可有效提高企业财务风险识别准确性，同时无需依靠专家人为经验，便于实际应用和推广。

14、在一个可能的设计中，所述多维企业财务指标值包含有盈利能力维度指标值、营运能力维度指标值、偿债能力维度指标值和成长能力维度指标值。

15、在一个可能的设计中，将所述建模样本集合拆分为训练样本集合、测试样本集合和验证样本集合，包括：

16、从所述建模样本集合中随机抽取60％的建模样本组成训练样本集合，以及再从剩余的所有建模样本中随机抽取一半的建模样本组成测试样本集合，以及还将最终剩余的所有建模样本组成验证样本集合。

17、在一个可能的设计中，所述多个有监督机器学习算法包括有逻辑回归算法、随机森林算法、xgboost算法和/或深度森林算法。

18、在一个可能的设计中，所述模型效果评估结果包含有模型的acu值和/或ks值。

19、在一个可能的设计中，所述模型稳定性观察结果包含有psi值和/或csi值。

20、在一个可能的设计中，根据所述各个企业财务风险分类模型的模型效果评估结果及模型稳定性观察结果，从所述多个企业财务风险分类模型中综合选取最优分类模型，包括：

21、根据所述各个企业财务风险分类模型的模型效果评估结果，对所述多个企业财务风险分类模型进行从好到差的排序，得到一个第一模型序列；

22、根据所述各个企业财务风险分类模型的模型稳定性观察结果，对所述多个企业财务风险分类模型进行从稳定到不稳定的排序，得到一个第二模型序列；

23、针对所述各个企业财务风险分类模型，按照如下公式计算得到对应的综合分值p：

24、p＝p1×p2

25、其中，p1表示对应模型在所述第一模型序列中的序号，p2表示对应模型在所述第二模型序列中的序号；

26、将在所述多个企业财务风险分类模型中的且具有最低综合分值的某个企业财务风险分类模型作为最优分类模型。

27、第二方面，提供了一种企业财务风险识别装置，包括有样本集合取拆模块、分类模型建立模块、模型效果评估模块、异常样本剔除模块、模型稳定观察模块、最优模型选取模块、财务报表获取模块、多维指标计算模块和最优模型应用模块；

28、所述样本集合取拆模块，用于获取建模样本集合，并将所述建模样本集合拆分为训练样本集合、测试样本集合和验证样本集合，其中，在所述建模样本集合中的每个建模样本包含有多维企业财务指标值并对应有一个企业财务风险标签；

29、所述分类模型建立模块，通信连接所述样本集合取拆模块，用于根据所述训练样本集合，基于不同的多个有监督机器学习算法建立不同的多个企业财务风险分类模型，其中，所述多个企业财务风险分类模型与所述多个有监督机器学习算法一一对应；

30、所述模型效果评估模块，分别通信连接所述样本集合取拆模块和所述分类模型建立模块，用于针对在所述多个企业财务风险分类模型中的各个企业财务风险分类模型，应用所述测试样本集合进行对应模型的模型效果评估，得到对应的模型效果评估结果；

31、所述异常样本剔除模块，通信连接所述样本集合取拆模块，用于应用无监督孤立森林算法对所述验证样本集合进行异常样本剔除处理，得到验证样本新集合；

32、所述模型稳定观察模块，分别通信连接所述分类模型建立模块和所述异常样本剔除模块，用于针对所述各个企业财务风险分类模型，应用所述验证样本新集合进行对应模型的模型稳定性观察，得到对应的模型稳定性观察结果；

33、所述最优模型选取模块，分别通信连接所述模型效果评估模块和所述模型稳定观察模块，用于根据所述各个企业财务风险分类模型的模型效果评估结果及模型稳定性观察结果，从所述多个企业财务风险分类模型中综合选取最优分类模型；

34、所述财务报表获取模块，用于获取目标企业的财务报表；

35、所述多维指标计算模块，通信连接所述财务报表获取模块，用于根据所述财务报表，计算得到所述目标企业的所述多维企业财务指标值；

36、所述最优模型应用模块，分别通信连接所述最优模型选取模块和所述多维指标计算模块，用于将所述目标企业的所述多维企业财务指标值导入所述最优分类模型，输出得到所述目标企业的企业财务风险分类结果。

37、第三方面，本发明提供了一种计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意可能设计所述的企业财务风险识别方法。

38、第四方面，本发明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上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意可能设计所述的企业财务风险识别方法。

39、第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意可能设计所述的企业财务风险识别方法。

40、上述方案的有益效果：

41、(1)本发明创造性提供了一种基于机器学习算法进行企业财务风险识别的新方案，即先将建模样本集合拆分为训练样本集合、测试样本集合和验证样本集合，然后根据训练样本集合，基于不同的多个有监督机器学习算法建立不同的多个企业财务风险分类模型，再然后针对各个分类模型，应用测试样本集合得到对应的模型效果评估结果，以及应用基于无监督孤立森林算法对验证样本集合进行异常样本剔除处理后所得的验证样本新集合，得到对应的模型稳定性观察结果，最后根据两种结果综合选取最优分类模型并应用于目标企业的财务风险识别，如此通过基于有监督模型与无监督模型的交叉结合进行分类模型择优，可以避免有监督模型样本不均衡的缺点，进而可有效提高企业财务风险识别准确性，同时无需依靠专家人为经验，便于实际应用和推广。