【技术实现步骤摘要】
基于机器学习算法的电网企业融资决策方法
专利技术属于电网企业融资决策方法，特别涉及基于机器学习算法的电网企业融资决策方法。
技术介绍
属于资产密集型行业的省级电网企业具有投资资金需求大、收支资金流规模大和支付安全性社会影响大等特点。随着投资规模和投资需求的增长，需要更多的资金支持正常经营活动；省级电网企业投资需求的不断扩大，每年因支付借款利息引起的财务费用也持续增加；而目前电网企业通过自身经营活动带来的收益并不能完全满足投资需求与融资规模扩大导致的财务费用增加。与此同时，诸如控制固定资产投资规模、设置节能降耗目标等国家经济环境变化与政府政策调控需求，使得电网企业的投资不确定性扩大，融资风险也不断增加。因此，如何更好地评价和预测融资风险、根据融资环境和条件制定最优融资决策方案是省级电网企业所面临的、亟待解决的重要难题之一。融资缺口在一定程度上能够很好地反映电网企业在某一阶段的融资需求，但目前可行的融资缺口计算方法主要针对于中小型企业，大多通过解释融资缺口形成原因给出相应的估算值。针对大型企业特别是省级电网企业这样的国有...
【技术保护点】
1.基于机器学习算法的电网企业融资决策方法，其特征在于包括以下几个步骤：/n步骤1，获取数据，计算月度融资缺口：/n获取的数据包括：经营活动产生的现金流量净额C
【技术特征摘要】
1.基于机器学习算法的电网企业融资决策方法，其特征在于包括以下几个步骤：
步骤1，获取数据，计算月度融资缺口：
获取的数据包括：经营活动产生的现金流量净额C1，投资活动产生的现金流量净额C2，融资活动产生的现金流量净额C3，现金及现金等价物期初余额C0，最低现金保有量S；
当(C1+C2+C3+C0)>S，则融资缺口G＝0，否则G＝S-(C1+C2+C3+C0)；
步骤2，基于融资风险指标体系，计算出逐月的融资风险指数CRI：
步骤2.1，指标数据的输入：按设定的时间范围，输入流动比率、资产负债率、经营现金净流量、总负债、流动资产周转率、总资产先进回收率、总资产周转率、营业利润率、资产报酬率、净利润增长率、营业利润增长率、净资产增长率、总资产增长率、融资缺口规模和SHIBOR共15项指标数据；
步骤2.2，建立原始评价指标矩阵：
对于有m个月待评价融资风险和n个评价指标，n＝15，设原始评价指标矩阵A为：
A＝(aij)m×n
其中，aij为第i个待评价融资风险的第j个指标取值；
步骤2.3，评价指标的标准化：对于步骤2.1中的5项指标，进行标准化处理，令aij标准化处理后为bij，对于效益型指标，有：
对于成本型指标，则有：
步骤2.4，计算评价指标的信息熵值：
其中，Ej为指标j的信息熵，pij表示为：
为避免熵值法标准化后可能出现ln0的无意义情形，为计算简单起见，若pij＝0，则定义lnpij＝0；
步骤2.5，计算各项评价指标的权重，指标j的权重wj的计算公式为：
步骤2.6，计算融资风险指数CRI：
其中，cj为该值的标准化值；
步骤3，基于XGBoost模型对融资风险进行预测：
步骤3.1，构建XGBoost模型：
当模型中存在t个决策树时，第i个样本完成t次决策树后的预测值yi(t)可表示为：
其中，s为样本数量，fk为1至t棵回归树之间的第k棵回归树，ft为第t颗回归树，F为所有分类和回归树的集合空间；模型的损失函数表示为：
其中，l为真实值和预测值间的偏离度，w表示叶节点权重，γ和λ为正则化系数，T为决策树叶节点个数；
对损失函数进行泰勒级数展开，可得下式：
其中，C为常数项，gi和hi为一阶偏导数二阶偏导数导数具体为：
分别定义Gj和Hj为：
最终可求得目标函数的最优值为：
步骤3.2，利用GridSearch方法对XGBoost模型中的以下参数变量进行优化：
回归树个数n_estimators，最小叶节点样本权重和min_child_weight，决策树最大树深度max_depth，指定节点分裂所需最小损失函数的下降值gamma，控制每棵树随机采样比例subsample，用来控制每棵树随机采样时特征占比colsample_bytree，决定着目标函数能否收敛到局部最小值以及何时收敛到最小值learning_rate，权重的L1的正则化alpha等8个参数变量；
首先采用K折交叉验证方法选择你和优度值最高时的n_estimators，然后采用GridSearch方式对其余参数进行优化，选择最佳取值；
步骤3.3，基于XGBoost对电网融资风险指...
【专利技术属性】
技术研发人员：綦方中，周家恺，曹聪，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。