基于神经网络的供应链金融风险监控方法及系统技术方案

本方案公开了一种基于神经网络的供应链金融风险监控方法及系统，包括训练好的支持向量机和神经网络，金融风险监控方法，包括，S1.获取目标企业的多维数据条；S2.由训练好的支持向量机对多维数据条分类；S3.将分类结果和多维数据条输入训练好的神经网络；S4.由神经网络基于多维数据条及其分类结果预测风险等级并输出。本方案基于影响金融风险因素众多，且训练数据有限的背景，提出针对性的解决方案，不仅将影响金融风险的众多因素均作为风险预测依据，而且能够在影响因素众多而训练数据有限的情况下确保神经网络具有较好的训练效果，用于解决供应链链上企业的金融风险监控难题，为企业的良性健康发展提供有力的监控手段。段。段。

【技术实现步骤摘要】
基于神经网络的供应链金融风险监控方法及系统


[0001]本专利技术属于金融风险监控
，尤其是涉及一种基于神经网络的供应链金融风险监控方法及系统。

技术介绍

[0002]金融风险监控是指对企业的金融风险进行监控，主要用于供应链企业。供应链是指围绕核心企业，从配套零件开始，制成中间产品以及最终产品，最后由销售网络把产品送到消费者手中的，将供应商、制造商、分销商直到最终用户连成一个整体的功能网链结构。
[0003]在供应链背景下，链上企业的金融风险不仅受自身风险因素的影响，同时还受供应链因素的影响，为确保企业的良性健康发展，需要对供应链金融风险进行管控。但是目前并没有有效的监控手段提供，每个企业对自己的下游企业或上游企业的风险评估只能依靠一些外部数据，无法做出较为准确的判断，而且评估过程也是间断性的，被动的，无法做到持续性的自动监控，这就增加了供应链企业的潜在风险。此外，银行在向供应链企业发放贷款时也会需要对贷款企业的金融风险进行评估，但是目前，银行只是在放款之前对企业进行一些简单地审核，放款之后更是无法实现对贷款企业进行有效实时的金融风险监控，常常出现因审核不全，监控不力导致烂账的情况，
[0004]综上，由于供应链金融风险监控的必要性，如何对企业的金融风险进行高效且准确地监控，成为链上企业亟需解决的技术问题。
[0005]使用神经网络进行预测是一个很好的思路。当数据样本的维度较低时，如一维二维，能够使用较少的训练数据训练神经网络的预测能力，但是实际情况是，影响供应链金融风险的因素众多，各个因素之间又存在着相互制约的关系，且各个因素与供应链金融风险之间的关系又存在着差异，若一个数据样本只有一维或两维，如只有销售数据、采购数据，这样的训练数据显然是不够具有代表性的，最终训练得到的神经网络的预测能力将十分有限。如前面所说，影响供应链金融风险的因素很多，训练数据的维度越高，即每条训练数据包含的因素越多，神经网络越能够学习到更多的细节，最终的神经网络也将有更好的预测能力。但是，有一个矛盾点，每条训练数据包含的因素越多，训练神经网络所需要的样本集就越多，否则神经网络同样难以学习到足够的知识。但是，在实际应用时是很难得到足够的训练数据的，也就是说，用于训练神经网络的训练数据量不足以使其训练至较好的预测能力。由于前述的一些原因，神经网络在供应链金融风险监控领域的应用一直没有被推行。

技术实现思路

[0006]本专利技术的目的是针对上述问题，提供一种基于神经网络算法的供应链金融风险监控方法及系统，用于解决供应链链上企业的金融风险监控难题，为企业的良性健康发展提供有力的监控手段。
[0007]为达到上述目的，本专利技术采用了下列技术方案：
[0008]一种基于神经网络算法的供应链金融风险监控方法，基于神经网络的供应链金融
风险监控方法，包括训练好的支持向量机和神经网络，金融风险监控方法包括：
[0009]S1.获取目标企业的多维数据条；
[0010]S2.由训练好的支持向量机对多维数据条分类；
[0011]S3.将分类结果和所述的多维数据条输入训练好的神经网络；
[0012]S4.由所述的神经网络基于多维数据条及其分类结果预测风险等级并输出。
[0013]在上述的基于神经网络的供应链金融风险监控方法中，所述的支持向量机通过带类别标签的多维数据条进行训练使其具备对多维数据条进行分类的能力；
[0014]所述的神经网络通过具备类别标签和样本标签的多维数据条进行训练使其具备基于带特征的多维数据条进行风险预测的能力；
[0015]类别标签用于表示对应多维数据条的特征类别，样本标签用于表示对应多维数据条的风险等级。
[0016]在上述的基于神经网络的供应链金融风险监控方法中，训练过程中，先使用带类别标签的多维数据条训练支持向量机；
[0017]然后使用训练后的支持向量机对未携带类别标签的多维数据条进行分类使其携带类别特征；
[0018]使用携带类别特征/类别标签和样本标签的多维数据条训练神经网络；
[0019]所述多维数据条的类别标签和样本标签由人工提前标注。
[0020]在上述的基于神经网络的供应链金融风险监控方法中，所述的多维数据条包括N个能力维度的n个指标数据。
[0021]在上述的基于神经网络的供应链金融风险监控方法中，用于实现本金融风险监控方法的系统通过数据采集器连接于目标企业的内部系统，从内部系统中获取企业数据，并通过金融计算公式基于企业数据得到所述N个能力维度的n个指标数据。
[0022]在上述的基于神经网络的供应链金融风险监控方法中，所述的多维数据条包括发展能力、偿债能力、盈利能力、营运能力四个能力维度；
[0023]偿债能力维度包括流动比率X1、资产负债率X2两个指标数据；
[0024]盈利能力维度包括主营业务毛利率X3、资产净利率X4、净资产收益率X5三个指标数据
[0025]营运能力维度包括应收款项周转率X6、总资产周转率X7、总资产增长率X8三个指标数据；
[0026]发展能力维度包括三年利润平均增长率X9、销售收入增长率X10两个指标数据。
[0027]在上述的基于神经网络的供应链金融风险监控方法中，所述的支持向量机采用多分类算法；
[0028]用于训练支持向量机的多维数据条训练集通过类别标签被划分为多个类别。
[0029]在上述的基于神经网络的供应链金融风险监控方法中，用于训练支持向量机的训练数据集的类别标签包括A、B、C、D、E五类；人工事先对训练数据集各多维数据条标注类别标签的规则为：
[0030]任意一类能力低于相应阈值时将相应的多维数据条标注为A类；
[0031]任意两类能力低于相应的阈值时将相应的多维数据条标注为B类；
[0032]任意三类能力低于相应的阈值时将相应的多维数据条标注为C类
[0033]四类能力均低于相应的阈值时将相应的多维数据条标注为D类；
[0034]所有能力均在相应阈值之上时，将相应的多维数据条标注为E类。
[0035]在上述的基于神经网络的供应链金融风险监控方法中，所述的神经网络包括输入层、隐藏层和输出层，且所述的输入层具有n个神经元，每个指标数据对应一个神经元；
[0036]所述输出层具有m个神经元，每个神经元对应一个神经网络预测的风险等级；
[0037]所述的隐含层的神经元个数通过如下方式确定：
[0038]p＝log2m(2)；
[0039]a为[1,10]之间的任意常数，取上述三个公式中p最小的值向下取整为隐含层的神经元个数。
[0040]一种基于神经网络的供应链金融风险监控系统，用于执行上述供应链金融风险监控方法，且本系统通过数据采集器连接于目标企业的内部系统，以从内部系统中提取企业数据，并通过金融计算公式基于企业数据得到由n个指标数据构成的多维数据条，基于得到的多维数据条输出预测的风险等级。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的供应链金融风险监控方法，其特征在于，包括训练好的支持向量机和神经网络，金融风险监控方法包括：S1.获取目标企业的多维数据条；S2.由训练好的支持向量机对多维数据条分类；S3.将分类结果和所述的多维数据条输入训练好的神经网络；S4.由所述的神经网络基于多维数据条及其分类结果预测风险等级并输出。2.根据权利要求1所述的基于神经网络的供应链金融风险监控方法，其特征在于，所述的支持向量机通过带类别标签的多维数据条进行训练使其具备对多维数据条进行分类的能力；所述的神经网络通过具备类别标签和样本标签的多维数据条进行训练使其具备基于带特征的多维数据条进行风险预测的能力；类别标签用于表示对应多维数据条的特征类别，样本标签用于表示对应多维数据条的风险等级。3.根据权利要求2所述的基于神经网络的供应链金融风险监控方法，其特征在于，训练过程中，先使用带类别标签的多维数据条训练支持向量机；然后使用训练后的支持向量机对未携带类别标签的多维数据条进行分类使其携带类别特征；使用携带类别特征/类别标签和样本标签的多维数据条训练神经网络；所述多维数据条的类别标签和样本标签由人工提前标注。4.根据权利要求1所述的基于神经网络的供应链金融风险监控方法，其特征在于，所述的多维数据条包括N个能力维度的n个指标数据。5.根据权利要求4所述的基于神经网络的供应链金融风险监控方法，其特征在于，用于实现本金融风险监控方法的系统通过数据采集器连接于目标企业的内部系统，从内部系统中获取企业数据，并通过金融计算公式基于企业数据得到所述N个能力维度的n个指标数据。6.根据权利要求4所述的基于神经网络的供应链金融风险监控方法，其特征在于，所述的多维数据条包括发展能力、偿债能力、盈利能力、营运能力四个能力维度；偿债能力维度包括流动比率X1、资产负债率X2两个指标数据；盈利能力维度包括主营业务毛利率X...

【专利技术属性】
技术研发人员：赵京，谭凤宜，陈少清，楼兴兵，
申请(专利权)人：广东海术云电子科技有限公司，
类型：发明
国别省市：