[发明专利]一种年报数据质量评价方法、装置、电子设备及存储介质

权利要求书

1.一种年报数据质量评价方法，其特征在于，该检测方法包括以下步骤：

对获取的企业年报数据进行标准化处理，得到标准化数据；

将所述标准化数据输入由多种异常值检测算法构成的机器学习模型中识别相应的异常值；

根据所述异常值对所述企业年报数据中相应的数据指标进行投票，若某一数据指标被两个及两个以上的异常值检测算法识别出异常而进行投票，则记录所述数据指标所关联的企业的异常得分，汇总所述企业所有数据指标的异常得分，得到所述企业的总异常得分。

2.根据权利要求1所述的一种年报数据质量评价方法，其特征在于，所述多种由大数据算法构成的机器学习模型包括：双变量boxplot离群值模型、Cook距离模型、K均值聚类算法模型和Autoencoder自编码模型中的两种或者多种模型。

3.根据权利要求1所述的一种年报数据质量评价方法，其特征在于，在所述将所述标准化数据输入多种由大数据算法构成的机器学习模型中识别相应的异常值之后，还包括以下步骤：

判断所述企业年报数据的某一数据指标的同环比是否在合理区间；

若利用同环比判别出的年报数据的异常企业数量大于所述机器学习模型识别出来的数量，则通过适当调整所述机器学习模型参数和/或增加训练集样本数量的方法，进一步优化机器学习模型。

4.根据权利要求1所述的一种年报数据质量评价方法，其特征在于，所述将所述标准化数据输入多种由大数据算法构成的机器学习模型中识别相应的异常值之后，还包括以下步骤：

利用业务逻辑验证模型的准确性；

如果利用所述业务逻辑判别出的年报数据的异常企业数量大于所述机器学习模型识别出来的数量，则通过适当调整机器学习模型参数和/或增加训练集样本数量的方法，进一步优化机器学习模型。

5.一种年报数据质量评价装置，其特征在于，该装置包括：

预处理模块，用于对获取的企业年报数据进行标准化处理，得到标准化数据；

识别模块，用于将所述标准化数据输入由多种异常值检测算法构成的机器学习模型中识别相应的异常值；

评分模块，用于根据所述异常值对所述企业年报数据中相应的数据指标进行投票，若某一数据指标被两个及两个以上的异常值检测算法识别出异常而进行投票，则记录所述数据指标所关联的企业的异常得分，汇总所述企业所有数据指标的异常得分，得到所述企业的总异常得分。

6.根据权利要求5所述的一种年报数据质量评价装置，其特征在于，所述识别模块中包括双变量boxplot离群值模型、Cook距离模型、K均值聚类算法模型和Autoencoder自编码模型中的两种或者多种机器学习模型。

7.根据权利要求5所述的一种年报数据质量评价装置，其特征在于，该装置还包括反馈模块，该反馈模块包括同环比反馈模块，用于判断所述企业年报数据的某一数据指标的同环比是否在合理区间，若利用同环比判别出的年报数据的异常企业数量大于所述机器学习模型识别出来的数量，则通过适当调整所述机器学习模型参数和/或增加训练集样本数量的方法，进一步优化机器学习模型。

8.根据权利要求7所述的一种年报数据质量评价装置，其特征在于，该反馈模块包括逻辑判断反馈模块，用于利用业务逻辑验证模型的准确性，如果利用所述业务逻辑判别出的年报数据的异常企业数量大于所述机器学习模型识别出来的数量，则通过适当调整机器学习模型参数和/或增加训练集样本数量的方法，进一步优化机器学习模型。

9.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1至4中任意一项所述的方法。

10.一种存储介质，该存储介质中存储有计算机可读的程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。