本申请涉及数据风险分析，尤其涉及一种基于强化学习的财务数据风险分析方法、设备及介质。
背景技术：
1、财务数据是企业生产经营决策与计划合理性的重要量化体现，因此对财务数据风险的识别与分析，可作为企业管理者制定后续经营规划的关键依据。然而，受全球经济环境动态变化及企业经营管理复杂度持续提升的影响，企业面临的财务数据风险在类型与规模上均呈现快速增长态势。在此背景下，若无法及时、精准地识别财务数据风险并据此调整经营规划，将直接制约企业实现长期可持续发展。
2、在财务数据风险分析领域，目前主流方法仍停留在传统人工统计分析或神经网络预测层面，但这两类方法均存在显著局限性。首先，传统人工统计分析不仅难以高效处理海量财务数据，导致时效性不足，影响风险评估的全面性与准确性。其次，神经网络模型虽能应对大批量数据的分析需求，但难以适配市场环境的动态变化。神经网络模型仅能依据历史数据模式识别已知范围内的异常，对全新风险缺乏感知与预警能力。此外，现有方法在完成财务数据风险分析后，仍需人工查验报告，由于不同分析人员的专业背景、判断逻辑存在差异，风险应对计划难以充分落地。
技术实现思路
1、本申请实施例提供了一种基于强化学习的财务数据风险分析方法、设备及介质，解决了的现有技术中财务数据风险分析时效性和适应性不足以及依赖人工处理的技术问题。
2、第一方面，本申请实施例提供了一种基于强化学习的财务数据风险分析方法，其特征在于，方法包括：获取财务相关数据，并对财务相关数据进行拼接指标的时序处理，以确定财务时序向量；对财务时序向量进行时间段划分的特征提取，以得到财务特征向量；基于财务特征向量，通过学习智能体的财务计划风险分析，确定财务计划风险值；根据财务计划风险值，通过随机梯度下降更新的参数化学习，得到训练后的强化学习智能体；将财务时序向量输入至强化学习智能体，以确定风险值函数，并基于风险值函数，通过计划特征分析，确定财务数据风险分析报告。
3、在本申请的一种实现方式中，对财务相关数据进行拼接指标的时序处理，以确定财务时序向量，具体包括：对财务相关数据进行数据预处理，以得到归一化财务相关数据；其中，数据预处理包括：数据去重、异常值修正、数据归一化；对归一化财务相关数据进行数据划分，以确定财务相关数据类型；其中，财务相关数据类型包括：财务静态数据、财务动态数据；对财务静态数据进行固定指标排序，以得到第一财务时序向量；对财务动态数据进行时间序列的多期指标拼接，以得到第二财务时序向量；基于第一财务时序向量和第二财务时序向量，确定财务时序向量。
4、在本申请的一种实现方式中，对财务时序向量进行时间段划分的特征提取，以得到财务特征向量，具体包括：对财务特征向量进行数据关联分析，以得到财务数据关联指标；其中，数据关联分析包括：相关性分析、重要性分析；基于财务数据关联指标，对财务特征向量进行特征提取，以确定待划分特征向量；对待划分特征向量进行周期区间划分，以得到财务特征向量。
5、在本申请的一种实现方式中，基于财务特征向量，通过学习智能体的财务计划风险分析，确定财务计划风险值，具体包括：通过预设的学习智能体，执行财务特征向量对应的财务计划，以得到当前特征风险值；基于当前特征风险值，执行预定时间段后的财务计划，确定更新特征风险值；根据当前特征风险值和更新特征风险值，通过风险值最优判断，确定财务计划风险值。
6、在本申请的一种实现方式中，根据财务计划风险值，通过随机梯度下降更新的参数化学习，得到训练后的强化学习智能体，具体包括：对财务计划风险值进行学习参数泛化处理，确定风险函数对；基于风险函数对，通过特征基设计，得到学习参数组；对学习参数组进行随机梯度下降处理，以确定更新参数组；根据更新参数组，训练当前的学习智能体至模型收敛，以得到训练后的强化学习智能体。
7、在本申请的一种实现方式中，基于风险值函数，通过计划特征分析，确定财务数据风险分析报告，具体包括：对风险值函数进行时间区间对齐，以确定同一时间区间下的风险值；对同一时间区间下的风险值进行风险值对比，以得到风险值对应的风险数据特征；基于风险数据特征，通过风险数据状态标记，确定风险分析数据；根据风险分析数据，通过计划模板生成，确定财务数据风险分析报告。
8、在本申请的一种实现方式中，在基于风险值函数，通过计划特征分析，确定财务数据风险分析报告之后，方法还包括：对财务数据风险分析报告进行财务环境状态感知，以确定财务风险环境状态；基于财务风险环境状态，通过动态阈值优化，得到财务数据风险阈值；根据财务数据风险阈值，更新财务数据风险分析报告。
9、在本申请的一种实现方式中，基于财务风险环境状态，通过动态阈值优化，得到财务数据风险阈值，具体包括：对财务风险环境状态进行强化学习的风险阈值优化，以得到阈值奖励函数；基于阈值奖励函数，通过指数加权移动平均处理，得到财务数据风险阈值。
10、第二方面，本申请实施例还提供了一种基于强化学习的财务数据风险分析设备，其特征在于，设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：获取财务相关数据，并对财务相关数据进行拼接指标的时序处理，以确定财务时序向量；对财务时序向量进行时间段划分的特征提取，以得到财务特征向量；基于财务特征向量，通过学习智能体的财务计划风险分析，确定财务计划风险值；根据财务计划风险值，通过随机梯度下降更新的参数化学习，得到训练后的强化学习智能体；将财务时序向量输入至强化学习智能体，以确定风险值函数，并基于风险值函数，通过计划特征分析，确定财务数据风险分析报告。
11、第三方面，本申请实施例还提供了一种基于强化学习的财务数据风险分析的非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，计算机可执行指令设置为：获取财务相关数据，并对财务相关数据进行拼接指标的时序处理，以确定财务时序向量；对财务时序向量进行时间段划分的特征提取，以得到财务特征向量；基于财务特征向量，通过学习智能体的财务计划风险分析，确定财务计划风险值；根据财务计划风险值，通过随机梯度下降更新的参数化学习，得到训练后的强化学习智能体；将财务时序向量输入至强化学习智能体，以确定风险值函数，并基于风险值函数，通过计划特征分析，确定财务数据风险分析报告。
12、本申请实施例提供了一种基于强化学习的财务数据风险分析方法、设备及介质，通过学习智能体的财务计划风险分析、学习智能体的对应训练以及财务数据风险值的计划特征分析，解决了的现有技术中财务数据风险分析时效性和适应性不足以及依赖人工处理的技术问题，实现了后续风险应对计划的智能化生成，提高了财务数据风险分析的自适应性。
1.一种基于强化学习的财务数据风险分析方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于强化学习的财务数据风险分析方法，其特征在于，对所述财务相关数据进行拼接指标的时序处理，以确定财务时序向量，具体包括：
3.根据权利要求1所述的一种基于强化学习的财务数据风险分析方法，其特征在于，对所述财务时序向量进行时间段划分的特征提取，以得到财务特征向量，具体包括：
4.根据权利要求1所述的一种基于强化学习的财务数据风险分析方法，其特征在于，基于所述财务特征向量，通过学习智能体的财务计划风险分析，确定财务计划风险值，具体包括：
5.根据权利要求1所述的一种基于强化学习的财务数据风险分析方法，其特征在于，根据所述财务计划风险值，通过随机梯度下降更新的参数化学习，得到训练后的强化学习智能体，具体包括：
6.根据权利要求1所述的一种基于强化学习的财务数据风险分析方法，其特征在于，基于所述风险值函数，通过计划特征分析，确定财务数据风险分析报告，具体包括：
7.根据权利要求1所述的一种基于强化学习的财务数据风险分析方法，其特征在于，在基于所述风险值函数，通过计划特征分析，确定财务数据风险分析报告之后，所述方法还包括：
8.根据权利要求7所述的一种基于强化学习的财务数据风险分析方法，其特征在于，基于所述财务风险环境状态，通过动态阈值优化，得到财务数据风险阈值，具体包括：
9.一种基于强化学习的财务数据风险分析设备，其特征在于，所述设备包括：
10.一种基于强化学习的财务数据风险分析的非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：