[发明专利]一种财报关键数据筛选方法及财报预测模型

权利要求书

1.一种财报关键数据筛选方法，其特征在于，包括以下步骤：

S1、获取各公司历年的财报数据，分析并选取能够反映各公司财务情况的多个参量，以得到多个公司对应的多组参量样本；

S2、对多组参量样本进行标准化处理，以得到多组标准化后的参量样本；

S3、构建BP神经网络模型，并用多组标准化后的参量样本作为训练样本对模型进行训练，以得到训练后的模型；

S4、选取一组训练样本中的一个参量，并对所选训练样本中的所选参量分别进行上、下浮动调整，并分别将上、下浮动调整后的参量值代替原来的参量，以得到所选训练样本所选参量对应的一组上浮动调整后参量样本、下浮动调整后参量样本；

S5、循环步骤S4，以得到所选训练样本各参量对应的多组上浮动调整后参量样本、下浮动调整后参量样本；

S6、基于所选训练样本各参量对应的多组上浮动调整后参量样本、下浮动调整后参量样本以及训练后的模型，计算所选训练样本各参量对模型输出的各影响权重；

S7、基于各影响权重，筛选相应参量作为财报关键数据。

2.根据权利要求1所述的一种财报关键数据筛选方法，其特征在于，步骤S1中，财报数据包括各财务参量值以及财报健康状况值。

3.根据权利要求1所述的一种财报关键数据筛选方法，其特征在于，步骤S2中，根据参量样本建立对应的参量数据矩阵，并对参量数据矩阵进行标准化处理，以得到多组标准化后的参量数据矩阵，标准化后的参量数据矩阵即为标准化后的参量样本。

4.根据权利要求3所述的一种财报关键数据筛选方法，其特征在于，采用零均值规范法对参量数据矩阵进行标准化处理，计算公式为：

V＝(V_i-V₀)/V_m，

其中，V_i表示第i个参量样本的参量数据矩阵的值，V₀表示多组参量样本的参量数据矩阵的平均值，V_m表示多组参量样本的参量数据矩阵的标准差，V表示标准化后的参量数据矩阵。

5.根据权利要求1所述的一种财报关键数据筛选方法，其特征在于，步骤S4中，对所选训练样本中的所选参量分别进行上、下浮动调整的幅度为10％。

6.根据权利要求5所述的一种财报关键数据筛选方法，其特征在于，步骤S6包括步骤：

S6.1、将所选训练样本一个参量对应的一组上浮动调整后参量样本、下浮动调整后参量样本分别输入至训练后的模型中，以分别输出两个影响值，并计算两个影响值的差值，

S6.2、将所选训练样本中所选参量对应的的两个影响值的差值，按所选训练样本中的参数数量进行平均，以得到所选训练样本中该参量对模型输出的影响权重；

S6.3、循环步骤S6.1～S6.2，以得到所选训练样本中各参量对模型输出的影响权重。

7.根据权利要求6所述的一种财报关键数据筛选方法，其特征在于，步骤S6.2中计算所选训练样本中所选参量对模型输出的影响权重的计算公式为：

MIV＝(A₁-A₂)/n，

其中，MIV表示所选训练样本中所选参量对模型输出的影响权重，n表示所选训练样本中的参量数量，A₁表示将所选训练样本所选参量进行上浮动调整后输入模型得到的影响值，A₂表示将所选训练样本所选参量进行下浮动调整后输入模型得到的影响值。

8.根据权利要求7所述的一种财报关键数据筛选方法，其特征在于，步骤S7中，对所选训练样本各参量对模型输出的影响权重按照绝对值进行排序，并基于排序结果筛选相应参量作为关键数据。

9.一种财报预测模型，其特征在于，基于权利要求1-8任一项所述的一种财报关键数据筛选方法筛选得到的关键数据作为训练样本的参量，对构建的BP神经网络模型进行训练得到。

10.根据权利要求9所述的一种财报预测模型，其特征在于，对构建的BP神经网络模型进行训练的过程中，使用的误差函数的计算公式为：

其中，n表示样本数量，w表示参数权值向量，e_i(w)表示模型输出层第i个节点的误差值，E(w)表示模型预测结果与真实结果的差距。