基于DBN和RL的财务数据分析方法、系统及模型训练方法技术方案

本发明专利技术公开了基于DBN和RL的财务数据分析方法、系统及模型训练方法，属于财务数据分析技术领域，可以实现将深度信念神经网络与强化学习的优势相互结合，为企业财务数据分析提供一种效率更高的方法，使企业财务分析更精确，间接提升企业收益，提高对财务数据的采集分类以及处理分析效率及质量，同时在财务分析系统内设置数据修正模块和数据模拟模块，通过数据预测模块对企业的财务数据分析结果进行预测，并提出修正方案，且模拟企业财务运行，直至最终的输出结果为正向或者符合企业财务计划，然后作为企业的财务计划指导，提高企业的盈利和企业财务分析效率，企业财务管理领域智能一体化发展。化发展。化发展。

【技术实现步骤摘要】
基于DBN和RL的财务数据分析方法、系统及模型训练方法


[0001]本专利技术涉及财务数据分析
，更具体地说，涉及基于DBN和RL的财务数据分析方法、系统及模型训练方法。

技术介绍

[0002]财务报表的数据可以真实反映出一个企业当前的运营情况，为信贷、投资、审计等业务提供数据参考。从财务报表角度出发，财务数据作为一项定量指标，可以对企业运营情况加以科学界定。相比于市场中的其他信息，财务报表所展现的数据一般以定量指标为主，在形式上同市场分析、行业评估以及政策分析等内容存在明显差异，更具合理性和精准性，能够真实反映出企业的实际情况。同时由于企业具有相同的会计基础，使得同行业中不同企业之间财务数据能够进行横向比较，有利于机构对企业当前所处的市场环境及行业地位进行客观评估。
[0003]财务报表分析的主要依据是财务报表的数据资料。在实务中，每个季度，相应业务人员需要从客户那里收集财务报表，可能是纸质、EXCEL、PDF、传真等各种格式，再经由人工录入财务分析系统中。
[0004]然而，由于处理的数据量级大且需求急迫，业务人员的财务报表认识并不全面，在进行财务报表数据转录的过程中，存在一定的片面性和主观性，给后续财报分析的可信度和工作落实增加难度。
[0005]另外传统的神经网络仍存在一些局限：传统的神经网络一般都是单隐层，最多两个隐层，因为一旦神经元个数太多、隐层太多，模型的参数数量迅速增长，模型训练的时间非常之久；传统的神经网络，随着层数的增加，采用随机梯度下降的话一般很难找到最优解，容易陷入局部最优解。在反向传播过程中也容易出现梯度弥散或梯度饱和的情况，导致模型结果不理想；随着神经网络层数的增加，深度神经网络的模型参数很多，就要求在训练时需要有很大的标签数据，因为训练数据少的时候很难找到最优解，也就是说深度神经网络不具备解决小样本问题的能力。
[0006]在上述问题之外现有的企业财务终端只能实现对企业财务信息进行分析整理，不具备对信息进行模拟处理的能力，使得企业的财务管理需要人为修正，从而降低企业财务信息的安全性，且降低企业财务分析效率和财务终端的智能化。

技术实现思路

[0007]1.要解决的技术问题
[0008]针对现有技术中存在的问题，本专利技术的目的在于提供基于DBN和RL的财务数据分析方法、系统及模型训练方法，可以实现将深度信念神经网络与强化学习的优势相互结合，为企业财务数据分析提供一种效率更高的方法，使企业财务分析更精确，间接提升企业收益，提高对财务数据的采集分类以及处理分析效率及质量，同时在财务分析系统内设置数据修正模块和数据模拟模块，通过数据预测模块对企业的财务数据分析结果进行预测，并
提出修正方案，且模拟企业财务运行，直至最终的输出结果为正向或者符合企业财务计划，然后作为企业的财务计划指导，提高企业的盈利和企业财务分析效率，企业财务管理领域智能一体化发展。
[0009]2.技术方案
[0010]为解决上述问题，本专利技术采用如下的技术方案。
[0011]基于DBN和RL的财务数据分析方法，包括以下步骤：
[0012]S1、企业财务人员在财务终端管理员的许可下进入财务终端，并注册账号和完成登录；
[0013]S2、企业财务人员对企业的财务数据进行采集和分类并录入企业财务数据库，通过财务数据处理器对财务数据进行处理和分析，并形成财务报表储存在企业财务数据库内；
[0014]S3、财务数据处理器对数据进行分析后产生结果报告，财务数据处理器参考数据结果报告对企业未来的财务数据信息进行预测。
[0015]进一步的，所述当企业的财务预测结果为亏损结果，财务数据处理器可根据企业财务数据信息预测结果为企业设计修正方案，并以修正方案为基础对企业财务经营进行模拟，然后提交模拟数据至财务数据处理器，通过财务数据处理器对企业模拟数据进行再次分析。
[0016]进一步的，所述财务数据处理器对模拟的财务数据进行二次分析后，得出企业财务盈亏结果。
[0017]基于DBN和RL的财务数据分析系统，所述财务分析系统连接有神经网络模块和算法学习模块，所述神经网络模块为深度信念神经网络，所述算法学习模块为强化学习。
[0018]进一步的，所述财务分析系统连接有用户注册模块，所述用户注册模块连接有登录模块，所述财务分析系统包括数据采集模块，所述数据采集模块连接有数据分类模块，所述数据分类模块连接有数据录入模块，所述数据录入模块连接有数据处理模块，所述数据处理模块连接有数据分析模块，所述数据分析模块连接有数据报表模块，所述数据报表模块连接有数据结果输出模块，所述数据结果输出模块连接有数据预测模块。
[0019]进一步的，所述用户注册模块包括企业财务人员单元、企业管理员单元和政府负责人单元，企业财务人员、企业管理员和政府负责人均可注册账号进入财务终端内，对企业财务情况进行了解。
[0020]进一步的，所述数据分析模块包括资产负债分析单元、现金收支分析单元、成本利润分析单元、预算分析单元和项目分析单元，财务数据处理器对数据进行分析后产生多份结果报告，使数据分析结果更加直观。
[0021]进一步的，所述数据报表模块包括收入报表单元、成本报表单元和利润报表单元，进入数据库的人员可通过查看整理后的报表内容，直观的看到企业盈亏状态。
[0022]进一步的，所述数据预测模块连接有修正模块，所述修正模块连接有数据模拟模块，所述数据模拟模块连接有数据提交模块，所述数据提交模块与数据分析模块连接。
[0023]基于DBN和RL的财务数据分析的模型训练方法，通过对样本财务数据进行逐层训练，为整个网络赋予初始权值，使得网络只要经过微调就可以达到最优解；通过训练其神经元间的权重，可以让整个神经网络按照最大概率来生成训练数据；所述神经网络结构包括
可视层和隐层，在每一层中，通过数据向量推断隐层，再把该隐层当作下一层的数据向量，训练过程中，需要充分训练上一层的融合神经网络后才能训练当前层，直至最后一层。
[0024]3.有益效果
[0025]相比于现有技术，本专利技术的优点在于：
[0026]本方案可以实现将深度信念神经网络与强化学习的优势相互结合，为企业财务数据分析提供一种效率更高的方法，使企业财务分析更精确，间接提升企业收益，提高对财务数据的采集分类以及处理分析效率及质量，同时在财务分析系统内设置数据修正模块和数据模拟模块，通过数据预测模块对企业的财务数据分析结果进行预测，并提出修正方案，且模拟企业财务运行，直至最终的输出结果为正向或者符合企业财务计划，然后作为企业的财务计划指导，提高企业的盈利和企业财务分析效率，企业财务管理领域智能一体化发展。
附图说明
[0027]图1为本专利技术的财务分析方法的流程图；
[0028]图2为本专利技术的财务分析系统的系统原理图；
[0029]图3为本专利技术的用户注册模块图；
[0030]图4为本专利技术的数据采集模块图；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于DBN和RL的财务数据分析方法，其特征在于：包括以下步骤：S1、企业财务人员在财务终端管理员的许可下进入财务终端，并注册账号和完成登录；S2、企业财务人员对企业的财务数据进行采集和分类并录入企业财务数据库，通过财务数据处理器对财务数据进行处理和分析，并形成财务报表储存在企业财务数据库内；S3、财务数据处理器对数据进行分析后产生结果报告，财务数据处理器参考数据结果报告对企业未来的财务数据信息进行预测。2.根据权利要求1所述的基于DBN和RL的财务数据分析方法，其特征在于：所述当企业的财务预测结果为亏损结果，财务数据处理器可根据企业财务数据信息预测结果为企业设计修正方案，并以修正方案为基础对企业财务经营进行模拟，然后提交模拟数据至财务数据处理器，通过财务数据处理器对企业模拟数据进行再次分析。3.根据权利要求1所述的基于DBN和RL的财务数据分析方法，其特征在于：所述财务数据处理器对模拟的财务数据进行二次分析后，得出企业财务盈亏结果。4.基于DBN和RL的财务数据分析系统，其特征在于：所述财务分析系统连接有神经网络模块和算法学习模块，所述神经网络模块为深度信念神经网络，所述算法学习模块为强化学习。5.根据权利要求4所述的基于DBN和RL的财务数据分析系统，其特征在于：所述财务分析系统连接有用户注册模块，所述用户注册模块连接有登录模块，所述财务分析系统包括数据采集模块，所述数据采集模块连接有数据分类模块，所述数据分类模块连接有数据录入模块，所述数据录入模块连接有数据处理模块，所述数据处理模块连接有数据分析模块，所述数据分析模块连接有数据报表模块，所述数据报表...

【专利技术属性】
技术研发人员：原铭琳，胡延东，李晶晶，韩明磊，武文佳，陈伊琳，银浩羽，周佳炫，
申请(专利权)人：原铭琳，
类型：发明
国别省市：