[发明专利]一种财报关键数据筛选方法及财报预测模型

说明书

本发明属于数据处理技术领域，具体涉及一种财报关键数据筛选方法及财报预测模型。一种财报关键数据筛选方法，先分析并选取公司财报中能反映公司财务情况的多个参量，构建并训练BP神经网络模型，并用训练后的模型对财报中的参量进行进一步筛选，从众多参量中，筛选得到对该公司财报整体影响较大的参量以进行后续的分析。通过对财报中的关键数据进行筛选，并用筛选得到的数据进行后续分析，能有效解决在财务分析过程中因参量太多而导致分析困难的问题，能够有效降低财报分析的难度。同时，应用平均影响值算法，能够得到财报中各参量对财报整体的影响权重，并依据各参量对财报整体的影响权重来筛选财报中的关键数据，实现对数据筛选过程的解释。

技术领域

本发明属于数据处理技术领域，具体涉及一种财报关键数据筛选方法及财报预测模型。

背景技术

随着人工智能技术的不断发展，财务预测模型已成为金融行业和投资领域中的一项重要工具。财务预测模型通过对公司财务数据进行分析和处理，能够预测公司未来的经济状况和财务状况，并提供重要的参考信息，帮助投资者和分析师更准确地评估公司的财务状况。其中，基于机器学习算法和深度学习神经网络模型的财务预测模型能够自动识别财务数据中的模式和趋势，并发现可能存在的问题，这为分析师和投资者提供了更加精确和可靠的预测结果。

财务预测是对未来财务状况进行预测和估计的过程。当前常用的财务预测研究方法有基于专家系统的预测方法、基于机器学习的研究方法等。该方法将专家知识和经验融入到预测模型中，利用专家判断和推理能力进行财务预测。但该方法缺乏灵活性和可解释性。基于机器学习的预测方法对特征工程的要求较高，因此机器学习模型对特征的选择和处理十分关键，需要对数据进行深入的特征工程。

发明内容

本发明的目的在于提供一种财报关键数据筛选方法及财报预测模型，在对公司财报进行分析前基于公司自身的财务特征对财报的关键数据进行筛选，以获得更准确的财务预测结果。

为实现以上目的，本发明采用以下技术方案：

本发明实施例第一方面提供一种财报关键数据筛选方法，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。

作为优选方案，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。

作为优选方案，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。

作为优选方案，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，