【技术实现步骤摘要】
本专利技术属于金融风险预测，具体是指一种基于人工智能的金融风险预测方法及系统。
技术介绍
1、基于人工智能的金融风险预测方法及系统是一种采用利用人工智能技术来预测企业金融风险的方法和系统，该方法和系统通过对企业的历年财务数据进行分析和建模，利用卷积神经网络等深度学习算法来提取特征，并进行对企业金融风险进行预测，通过该方法和系统，能够更加准确地对企业的金融风险进行评估。
2、但现有的基于人工智能的金融风险预测方法及系统仍然存在诸多缺陷：
3、1、对企业的金融风险等级进行预测时，由于财务状况良好和财务状况异常或其他状况异常的企业较少，而财务状况一般的企业较多，极易导致样本数据不平衡，使得预测模型对财务状况良好和财务状况异常或其他状况异常的企业的预测效果较差，为此，现有技术通常采用欠采样方法删除多数种类的样本数据来平衡数据，或采用过采样方法复制少数种类的样本数据或合成新样本来增加少数种类的样本数据的数量，但欠采样和过采样均存在不足之处：（1）破坏原始样本数据的特征：欠采样会删除多数种类的样本数据，易导致部分重要信息丢失，而过采样通过简单的复制少数种类的样本或合成新样本，可能会引入冗余信息，从而导致原始样本数据的特征遭到破坏；（2）过采样通过简单的复制少数种类的样本数据或合成新样本，易导致样本数据之间的相似性增加，从而导致样本数据缺乏多样性，易导致样本数据的数量过多，从而影响模型的训练效果；（3）在过采样方法中，简单的复制或生成合成样本可能会引入噪声，从而导致模型过拟合。
4、2、不同行业的公司通常需
5、3、现有方式难以准确获取企业财务风险等级标签，从而影响金融风险预测结果。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种基于人工智能的金融风险预测方法及系统，针对采用欠采样方法删除多数种类的样本数据来平衡数据，或采用过采样方法复制少数种类的样本数据或合成新样本来增加少数种类的样本数据的数量，易导致的破坏原始样本数据的特征的技术问题、样本数据之间的相似性增加，从而导致样本数据缺乏多样性，易导致样本数据的数量过多，从而影响模型的训练效果的技术问题，以及在过采样方法中，简单的复制或生成合成样本可能会引入噪声，从而导致模型过拟合的技术问题，本方案通过计算少数种类的样本数据x到少数种类的样本数据集中的其他少数种类的样本数据之间的欧氏距离，得到k个最近邻，并选择最近邻样本进行新样本的合成，能够更好地保留原始数据的特征，解决了欠采样会删除多数种类的样本数据，易导致部分重要信息丢失，而过采样通过简单的复制少数种类的样本数据或合成新样本，可能会引入冗余信息，从而导致原始样本数据的特征遭到破坏的技术问题，本方案通过选择最近邻样本进行新样本的合成，既能够有效地增加样本数据的多样性，提高模型的泛化能力，解决了过采样通过简单的复制少数种类的样本数据或合成新样本，易导致样本数据之间的相似性增加，从而导致样本数据缺乏多样性的技术问题，又能够减少噪声的引入，从而解决了在过采样方法中，简单的复制或生成合成样本可能会引入噪声，从而导致模型过拟合的技术问题，本方案通过计算k个最近邻样本进行新样本的合成，并在步骤s53中遍历完所有少数种类的样本数据后停止，可以控制合成样本数据的数量，并使用焦点损失函数代替传统的多类交叉熵损失函数，通过对不平衡数据赋予不同的权重来进一步平衡数据，解决了过采样通过简单的复制少数种类的样本数据或合成新样本，易导致样本数据的数量过多，从而影响模型的训练效果的技术问题；针对现有方式通常难以准确选择合适的财务指标进行金融风险预测的技术问题，本方案通过相关系数法对财务指标进行相关性分析，得到相关性分析的结果，根据相关性分析的结果，选择相关性高的财务指标作为评价指标，从而有效地提高了金融风险预测结果的准确性；针对现有方式难以准确获取企业财务风险等级标签，从而影响金融风险预测结果的技术问题，本方案根据样本数据和评价指标计算正评价得分和负评价得分，根据正评价得分和负评价得分计算各个企业的综合评价得分，并通过各个企业的综合评价得分对样本数据进行聚类，能够得到更加准确的企业财务风险等级标签，从而进一步提高金融风险预测结果的准确性。
2、本专利技术采取的技术方案如下：本专利技术提供的一种基于人工智能的金融风险预测方法，包括：
3、步骤s1：数据采集，具体为，收集若干个企业的历年财务数据，并剔除异常和缺失的财务数据，得到不含异常和缺失的若干个企业的历年财务数据，将不含异常和缺失的若干个企业的历年财务数据设置为样本数据；所述若干个企业包括st企业和非st企业，所述st企业为出现财务状况异常或其他状况异常的企业；
4、步骤s2：构建评价指标，具体为，通过相关系数法对财务指标进行相关性分析，得到相关性分析的结果，根据相关性分析的结果，选择相关性高的财务指标作为评价指标；
5、步骤s3：计算综合评价得分，具体为，根据样本数据和评价指标计算正评价得分和负评价得分，并根据正评价得分和负评价得分计算各个企业的综合评价得分；
6、步骤s4：构建样本数据集，具体为，根据各个企业的综合评价得分对样本数据进行聚类，得到各个样本数据对应的企业财务风险等级标签，并根据样本数据和各个样本数据对应的企业财务风险等级标签构建样本数据集，所述样本数据包括少数种类的样本数据和多数种类的样本数据，所述样本数据集包括少数种类的样本数据集和多数种类的样本数据集；
7、步骤s5：更新样本数据集，具体为，根据少数种类的样本数据合成新样本，并将新样本加入到样本数据集，得到更新后的样本数据集；
8、步骤s6：模型训练，具体为，将更新后的样本数据集输入至预训练的卷积神经网络进行训练，得到金融风险预测模型；
9、所述预训练的卷积神经网络包括卷积层、池化层和全连接层；
10、所述卷积层对更新后的样本数据集中的样本数据进行卷积运算，得到卷积层的输出结果，并将卷积层的输出结果发送至池化层；
11、所述池化层对卷积层的输出结果进行最大池化操作，得到池化层的输出结果，并将池化层的输出结果发送至全连接层；
12、所述全连接层通过softmax激活函数对池化层的输出结果进行处理，得到预测的输出结果；
13、步骤s7：金融风险预测，具体为，通过金融风险预测模型进行金融风险预测，得到金融风险预测结果。
14、作为本方案的进一步改进，在步骤s3中，所述计算综合评价得分的步骤，包括：
15、步骤s31：构建归一化后的评价矩阵，具体为，建立评价矩阵，并对评价矩阵中的数据进行最大最小值归一化处理，得到归一化后的评价矩阵，所述归一化后的评价矩阵的公式为：
16、；
17、式中，a表示归一化后的评价矩阵，表示归一化后的评价矩阵的第i行第j列的元素，即归一化后的第i个企业的第j个评价指标的值本文档来自技高网...
【技术保护点】
1.一种基于人工智能的金融风险预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于人工智能的金融风险预测方法，其特征在于：在步骤S3中，所述计算综合评价得分的步骤，包括：
3.根据权利要求2所述的一种基于人工智能的金融风险预测方法，其特征在于：在步骤S32中，所述构建权重矩阵的步骤，包括：
4.根据权利要求3所述的一种基于人工智能的金融风险预测方法，其特征在于：在步骤S322中，所述计算评价指标的权重的步骤，包括：
5.根据权利要求2所述的一种基于人工智能的金融风险预测方法，其特征在于：在步骤S34中，所述计算接近程度的步骤，包括：
6.根据权利要求2所述的一种基于人工智能的金融风险预测方法，其特征在于：在步骤S35中，所述计算正相关度和负相关度的步骤，包括：
7.根据权利要求1所述的一种基于人工智能的金融风险预测方法，其特征在于：在步骤S4中，所述构建样本数据集的步骤，包括：
8.根据权利要求1所述的一种基于人工智能的金融风险预测方法，其特征在于：在步骤S5中，所述更新样本数据集的步骤
9.根据权利要求1所述的一种基于人工智能的金融风险预测方法，其特征在于：在步骤S6中，所述模型训练的步骤，包括：
10.一种基于人工智能的金融风险预测系统，用于实现如权利要求1-9中任一项所述的一种基于人工智能的金融风险预测方法，其特征在于，包括数据采集模块、评价指标构建模块、评价模型构建模块、样本数据集构建模块、样本数据集更新模块、模型训练模块和金融风险预测模块；
...【技术特征摘要】
1.一种基于人工智能的金融风险预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于人工智能的金融风险预测方法，其特征在于：在步骤s3中，所述计算综合评价得分的步骤，包括：
3.根据权利要求2所述的一种基于人工智能的金融风险预测方法，其特征在于：在步骤s32中，所述构建权重矩阵的步骤，包括：
4.根据权利要求3所述的一种基于人工智能的金融风险预测方法，其特征在于：在步骤s322中，所述计算评价指标的权重的步骤，包括：
5.根据权利要求2所述的一种基于人工智能的金融风险预测方法，其特征在于：在步骤s34中，所述计算接近程度的步骤，包括：
6.根据权利要求2所述的一种基于人工智能的金融风险预测方法，其特征在于：在步骤s35中，...
【专利技术属性】
技术研发人员：王澈，董思涵，王鑫洲，顾志劢，卢禹承，
申请(专利权)人：南京师范大学，
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。