【技术实现步骤摘要】
一种基于变分自编码器的企业资金链风险判定方法
[0001]本专利技术属于机器学习及企业风控领域,具体涉及一种基于变分自编码器的企业资金链风险判定方法。
技术介绍
[0002]随着经济技术的发展,企业将面临着各种各样的经营风险。资金链风险是一种常见的企业经营风险。随着市场竞争的加剧,资金链风险已经逐步成为了企业经营过程中所面临的最重要的风险之一。
[0003]为了防范和化解资金链风险,企业通常需要及时识别和预测资金缺口,从而制定相应的风险控制措施。目前,传统的企业资金链风险判定方法,依旧依赖于企业的财务报表和财务指标,即企业财务人员根据自身的经验和技术背景,根据企业的财务报表和财务指标,人为的对企业的资金链风险进行预测和判定。但是,明显的,现有的人工判定的方式,不仅费时费力,而且主观性高,缺乏高效且客观科学的企业资金链的风险判定方案。
技术实现思路
[0004]本专利技术的目的在于提供一种可靠性高、准确性好且客观科学的基于变分自编码器的企业资金链风险判定方法。
[0005]本专利技术提供的这种基于变分自编码器的企业资金链风险判定方法,包括如下步骤:S1. 获取企业历史财务数据信息;S2. 根据步骤S1获取的数据信息,基于财务指标索引和财务指标数据构建二维财务数据矩阵,从而得到训练数据集;S3. 基于卷积神经网络模型和变分自编码器模型,构建企业资金链风险判定模型;S4. 采用步骤S2得到的训练数据集,对步骤S3构建的企业资金链风险判定模型进行训练,得到训练后的企业资金链风险判定模型;S5. ...
【技术保护点】
【技术特征摘要】
1.一种基于变分自编码器的企业资金链风险判定方法,其特征在于包括如下步骤:S1. 获取企业历史财务数据信息;S2. 根据步骤S1获取的数据信息,基于财务指标索引和财务指标数据构建二维财务数据矩阵,从而得到训练数据集;S3. 基于卷积神经网络模型和变分自编码器模型,构建企业资金链风险判定模型;S4. 采用步骤S2得到的训练数据集,对步骤S3构建的企业资金链风险判定模型进行训练,得到训练后的企业资金链风险判定模型;S5. 将目标企业的实际财务数据信息,输入到步骤S4得到的训练后的企业资金链风险判定模型,得到资金链缺口数据;S6. 根据步骤S5得到的资金链缺口数据,进行企业资金链风险的判定。2.根据权利要求1所述的基于变分自编码器的企业资金链风险判定方法,其特征在于所述的步骤S2,具体包括如下步骤:构建二维财务数据矩阵X为,其中元素x
i,j
表示第i个财务指标所对应的第j个时间段的取值;n为财务指标索引的总数;m为时间段的总数。3.根据权利要求2所述的基于变分自编码器的企业资金链风险判定方法,其特征在于所述的步骤S3,具体包括如下步骤:所述的企业资金链风险判定模型包括资金链特征提取模型和资金链风险判定模型;所述的资金链特征提取模型基于低秩卷积神经网络构成,用于从输入的二维财务数据矩阵中提取得到企业的资金链特征数据;所述的资金链风险判定模型基于变分自编码器构成,用于根据输入的资金链特征数据,对企业的资金链风险程度和风险类型进行判定。4.根据权利要求3所述的基于变分自编码器的企业资金链风险判定方法,其特征在于所述的步骤S3,具体包括如下内容:资金链特征提取模型:基于低秩卷积神经网络构建资金链特征提取模型;资金链特征提取模型包括第一卷积层、第二卷积层、最大池化层和全连接层,并采用ReLU函数作为激活函数;其中,第一卷积层的通道数为32,第二卷积层的通道数为64;对两个卷积层的卷积核均进行SVD分解:卷积层的输入为,卷积核为,则将卷积核W分解为第一矩阵、第二矩阵和第三矩阵的乘积;其中,表示X为n
×
m的实数矩阵,表示W为h
×
w的实数矩阵,h为卷积核的高度,w为卷积核的宽度,r为奇异值的个数,表示U为h
×
r的实数矩阵,表示X为r
×
r的实数矩阵,表示V
T
为r
×
r的实数矩阵;将第二卷积层的输出通过最大池化层进行特征融合,并将融合后的特征采用全连接层进行展平,从而得到最终的资金链特征向量F;资金链特征提取模型的计算过程表示为:F=FC(MaxPool(Conv
SVD
(X)));式中Conv
SVD
()...
【专利技术属性】
技术研发人员:胡为民,黄婵娟,何永定,陈赛霞,
申请(专利权)人:深圳市迪博企业风险管理技术有限公司,
类型:发明
国别省市:
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。