[发明专利]基于异构图神经网络的企业估值方法及系统

说明书

本发明公开了一种基于异构图神经网络的企业估值方法及系统，属于图神经网络领域。该方法包括如下步骤：搭建行业异构图；待估值企业邻居采样；对采样节点注意力聚合学习；加权融合异构节点的聚合特征；预测企业估值。本发明采用图神经网络作为基本模型，在异构图神经网络的聚合学习中引入公司节点和人员节点的连接信息并通过注意力机制融合；由于引入了图神经网络算法，相较于传统专家估值效率大幅度提升，在公司和人员信息变更、市场出现波动时，可以对企业估值快速更新；从行业领域信息从高层次视角聚焦公司估值，依托海量数据有效地解决了专家对企业直接建模导致的认知偏差和主观局限性。

技术领域

本发明属于图神经网络领域，特别涉及一种基于异构图神经网络的企业估值方法及系统。

背景技术

企业估值技术针对上市或未上市公司，依靠公司的估值模型从企业的资产和获利能力出发，对企业的内在价值进行评估。通过分析估值模型和挖掘相关影响因素，可以将对行业和公司的认知基础转化为具体的投资建议，此外基于模型能够预测公司策略、资本性交易等对企业价值的影响。对企业价值进行合理地评估是投融资和各种交易的基础。

现有的企业估值方法依靠领域专家综合分析行业信息、公司核心资源等数据对公司的市场价值做出估计。传统的估值方法主要分为现金贴现法和相对估值法两种，前者用企业未来特定期间内的预期现金流量还原为当前现值，从企业基本情况出发，评估专家通过分析影响企业未来获利的各种因素来对现金流做出合理预测，并基于对企业未来的风险判断给出折现率，通过现金流和折现率做出企业估值；后者通过寻找可比资产或公司，使用市盈率、市净率、市售率、市现率等价格指标与可比资产或公司进行对比，借用可比资产或公司价值来估计企业价值。经过研究发现，现有的估值方法存在的问题主要有：

1)需要领域专家基于对行业和公司情况充分理解并在此基础上建立模型，存在较多主观因素。

2)在市场出现较大波动时，相关参考指标变化幅度较大，会对公司的价值评估产生误导。

3)受限于人力成本和效率，难以对市场的短期波动给出及时响应。

深度学习是机器学习中一种基于对数据进行表征学习的算法，相关模型作为SAAS为各行各业提供解决方案，成为推动传统行业升级发展的重要因素。近年来，深度学习在图结构上的应用日益增长，研究人员借鉴卷积网络和循环网络的思想设计模型处理图结构数据，一系列针对非欧式数据的图神经网络算法应运而生。

企业的估值建模不仅需要考虑公司本身的特征，如基本信息、经营情况等，还需要公司之间相互关联所构成的复杂行业领域数据，除了企业的有形资产外，以技术为资本的人才资源、知识产权也日渐成为企业未来盈利能力的主要决定因素，为此将公司和人员视作节点并构建行业异构图结构。

发明内容

本发明为解决对企业估值的专家方法主观和低效的问题，提出了一种基于异构图神经网络的企业估值方法及系统，有效解决人为的主观因素影响，可以快速捕捉市场波动和异常指标并给出及时的估值反馈。

本发明采用的技术方案如下：

第一方面，提供一种基于异构图神经网络的企业估值方法，包括如下步骤：

步骤1，搭建行业异构图；

步骤2，待估值企业邻居采样；

步骤3，对节点使用注意力聚合学习；

步骤4，加权融合异构节点的聚合特征；

步骤5，预测企业估值。

进一步的，行业异构图由公司和人员两种节点构成，将公司和人员根据投资和任职关系相互连接。

进一步的，使用随机游走算法对类型和数量不同的邻居节点进行规范化采样，具体如下：