财务风险预测方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种财务风险预测方法，包括：获取采样客户的财务数据；根据财务数据计算采样客户的风险评价指标的功效系数值，通过熵权法计算各个风险评价指标的风险权重；根据风险评价指标的功效系数值和风险权重计算采样客户的财务风险评分，并定义风险等级；根据滑动周期、风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练，生成神经网络预测模型；将目标客户的当前财务风险指标输入该神经网络预测模型，得到目标客户的财务风险等级。本发明专利技术公开的一种财务风险预测方法，能够针对不同的风险评价指标进行权重划分，提高财务风险预测准确率。本发明专利技术还公开了一种财务风险预测装置和存储介质。

Financial Risk Prediction Method, Device and Storage Media

The invention discloses a financial risk prediction method, which includes: acquiring the financial data of sampled customers; calculating the efficacy coefficient value of the risk evaluation index of sampled customers according to the financial data; calculating the risk weight of each risk evaluation index through the entropy weight method; calculating the financial risk score of sampled customers according to the efficacy coefficient value and risk weight of the risk evaluation index, and defining the wind. Risk grade; Neural network training is carried out according to the sliding period, the efficacy coefficient value of risk evaluation index, risk weight and risk grade to generate the prediction model of neural network; the current financial risk index of target customer is input into the prediction model of neural network, and the financial risk grade of target customer is obtained. The invention discloses a financial risk prediction method, which can divide weights according to different risk evaluation indexes, and improve the accuracy of financial risk prediction. The invention also discloses a financial risk prediction device and a storage medium.

【技术实现步骤摘要】
财务风险预测方法、装置及存储介质
本专利技术涉及财务风险预测
，尤其涉及一种财务风险预测方法、装置及存储介质。
技术介绍
目前关于风险预警模型的对象大多数集中在上市公司，且大多采用多变量模型。现有技术中，多变量模型有逻辑回归模型、多元线性判定模型、Z-score模型等。本专利技术人在实施本专利技术的过程中发现，现有技术中存在以下技术问题：上述模型均采用破产或者财务连续两年出现亏损定义为财务最严重的风险，风险判定指标较单一，未考虑到公司发展过程中的财务数据的影响，导致预测模型的准确率较低。
技术实现思路
本专利技术实施例提供一种财务风险预测方法，能够针对不同的风险评价指标进行权重划分，提高财务风险预测准确率。本专利技术实施例一提供一种财务风险预测方法，包括：获取采样客户的财务数据；根据所述财务数据计算所述采样客户的风险评价指标的功效系数值，通过熵权法计算各个所述风险评价指标的风险权重；根据所述风险评价指标的功效系数值和风险权重计算采样客户的财务风险评分，并定义风险等级；根据滑动周期、所述风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练，生成神经网络预测模型；将目标客户的当前财务风险指标输入该神经网络预测模型，得到所述目标客户的财务风险等级。作为上述方案的改进，所述财务数据包括：年初人均产值预计值、实际人均产值、年初人均成本预计值和实际人均成本；根据所述财务数据计算所述采样客户的风险评价指标，具体为：根据所述年初人均产值预计值和实际人均产值计算人均产值功效系数值；根据所述年初人均成本预计值和实际人均成本计算人均成本功效系数值；其中，所述人均产值功效系数值如下式(1)，所述人均成本功效系数值如下式(2)；作为上述方案的改进，通过熵权法计算各个所述风险评价指标的风险权重，具体为：定义所述采样客户数量为n，风险评价指标数量为m，计算财务风险评价矩阵为X’＝(xij’)n×m；其中，xij’表示第i个所述采样客户的第j个风险评价指标的功效系数值；第j个风险评价指标的熵值ej如下式(3)所示，熵的冗余度hj如下式(4)所示：hj＝1-ej(4)其中，k为常数；风险评价指标j的熵权wj如下式(5)所示，作为上述方案的改进，根据滑动周期、所述风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练，生成神经网络预测模型，具体为：设定滑动周期，计算不同滑动周期内所述采样客户的风险评价指标的功效系数值、风险权重和风险等级；选取不同滑动周期内风险权重稳定的风险评价指标作为稳定指标，并增加所述稳定指标的训练权重；根据不同滑动周期内的所述风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练，生成对周期敏感的神经网络预测模型。本专利技术实施例二对应提供了一种财务风险预测装置，包括：数据获取单元，用于获取采样客户的财务数据；权重计算单元，用于根据所述财务数据计算所述采样客户的风险评价指标的功效系数值，通过熵权法计算各个所述风险评价指标的风险权重；风险等级定义单元，用于根据所述风险评价指标的功效系数值和风险权重计算采样客户的财务风险评分，并定义风险等级；预测模型生成单元，用于根据滑动周期、所述风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练，生成神经网络预测模型；财务风险预测单元，用于将目标客户的当前财务风险指标输入该神经网络预测模型，得到所述目标客户的财务风险等级。本专利技术实施例三对应提供了一种财务风险预测装置，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如本专利技术实施例一所述的一种财务风险预测方法。本专利技术实施例四对应提供了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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如本专利技术实施例一所述的一种财务风险预测方法。本专利技术实施例提供的一种财务风险预测方法，具有如下有益效果：采用熵权客观评估影响财务风险的风险评价指标的功效系数值的权重，实现风险的量化；采用标准人均产值功效系数和标准人均成本功效系数界定财务风险，提高风险预测的准确性；通过定义风险等级，能够反映了客户的实际的运营情况，提供风险预警；通过设置滑动周期进行神经网络训练，能够反映不同时间段中，不同财务风险指标的所占权重；选择不同滑动周期内风险权重稳定的风险评价指标作为稳定指标，对稳定指标进行主要监控，能够进一步提高预测模型的准确率。附图说明图1是本专利技术实施例一提供的一种财务风险预测方法的流程示意图。图2是本专利技术实施例二提供的一种财务风险预测装置的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参见图1，是本专利技术实施例一提供的一种财务风险预测方法的流程示意图，包括：S101、获取采样客户的财务数据；S102、根据财务数据计算采样客户的风险评价指标的功效系数值，通过熵权法计算各个风险评价指标的风险权重；S103、根据风险评价指标的功效系数值和风险权重计算采样客户的财务风险评分，并定义风险等级；S104、根据滑动周期、风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练，生成神经网络预测模型；S105、将目标客户的当前财务风险指标输入该神经网络预测模型，得到目标客户的财务风险等级。进一步的，财务数据包括：年初人均产值预计值、实际人均产值、年初人均成本预计值和实际人均成本；根据财务数据计算采样客户的风险评价指标，具体为：根据年初人均产值预计值和实际人均产值计算人均产值功效系数值；根据年初人均成本预计值和实际人均成本计算人均成本功效系数值；其中，人均产值功效系数值如下式(1)，人均成本功效系数值如下式(2)；优选的，采用人均产值和人均成本的实际结果与预期结果的偏差来界定财务风险。在具体的实施例中，采样用户为各个省分公司。由于各个省分公司的发展成熟度的差异性较大，本专利技术改进的功效系数法对产值和成本在各个省份的差异性体现出来，在一个相对公平的尺度下测量财务风险，具有实操性。进一步的，通过熵权法计算各个风险评价指标的风险权重，具体为：定义采样客户数量为n，风险评价指标数量为m，计算财务风险评价矩阵为X’＝(xij’)n×m；其中，xij’表示第i个采样客户的第j个风险评价指标的功效系数值；第j个风险评价指标的熵值ej如下式(3)所示，熵的冗余度hj如下式(4)所示：hj＝1-ej(4)其中，k为常数；风险评价指标j的熵权wj如下式(5)所示，优选的，结合权重α和β，财务风险评分如下式：财务风险评分＝α×人均产值功效系数值+β×人均成本功效系数值权重反映人均产值和人均成本在财务风险评定中的重要程度，也就是衡量人均产值和人均成本对财务风险的“贡献度”。在具体的实施例中，在获得各指标权值的基础上，对每一年的分公司财务风险进行评分，对各分公司的评分值进行降序排名，根据二八原则，将排名前80％分公司的风险等级定义为正常，后20％分公司的风险等级定义为异常。进一步的，根据滑动周本文档来自技高网...

【技术保护点】
1.一种财务风险预测方法，其特征在于，包括：获取采样客户的财务数据；根据所述财务数据计算所述采样客户的风险评价指标的功效系数值，通过熵权法计算各个所述风险评价指标的风险权重；根据所述风险评价指标的功效系数值和风险权重计算采样客户的财务风险评分，并定义风险等级；根据滑动周期、所述风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练，生成神经网络预测模型；将目标客户的当前财务风险指标输入该神经网络预测模型，得到所述目标客户的财务风险等级。

【技术特征摘要】
1.一种财务风险预测方法，其特征在于，包括：获取采样客户的财务数据；根据所述财务数据计算所述采样客户的风险评价指标的功效系数值，通过熵权法计算各个所述风险评价指标的风险权重；根据所述风险评价指标的功效系数值和风险权重计算采样客户的财务风险评分，并定义风险等级；根据滑动周期、所述风险评价指标的功效系数值、风险权重和风险等级进行神经网络训练，生成神经网络预测模型；将目标客户的当前财务风险指标输入该神经网络预测模型，得到所述目标客户的财务风险等级。2.如权利要求1所述的一种财务风险预测方法，其特征在于，所述财务数据包括：年初人均产值预计值、实际人均产值、年初人均成本预计值和实际人均成本；根据所述财务数据计算所述采样客户的风险评价指标，具体为：根据所述年初人均产值预计值和实际人均产值计算人均产值功效系数值；根据所述年初人均成本预计值和实际人均成本计算人均成本功效系数值；其中，所述人均产值功效系数值如下式(1)，所述人均成本功效系数值如下式(2)；3.如权利要求2所述的一种财务风险预测方法，其特征在于，通过熵权法计算各个所述风险评价指标的风险权重，具体为：定义所述采样客户数量为n，风险评价指标数量为m，计算财务风险评价矩阵为X’＝(xij’)n×m；其中，xij’表示第i个所述采样客户的第j个风险评价指标的功效系数值；第j个风险评价指标的熵值ej如下式(3)所示，熵的冗余度hj如下式(4)所示：hj＝1-ej(4)其中，k为常数；风险评价指标j的熵权wj如下式(5)所示，4.如权利要求3所述的一种财务风险预测方法，其特征在于，根据滑动...

【专利技术属性】
技术研发人员：段术，
申请(专利权)人：广州杰赛科技股份有限公司，广州杰赛通信规划设计院有限公司，
类型：发明
国别省市：广东,44