一种企业财务风险预警方法、装置及计算机可读存储介质

技术领域

本发明属于财务风险预警领域，具体地涉及一种企业财务风险预警方法、装置及计算机可读存储介质。

背景技术

财务风险是包含有企业可能丧失偿债能力的风险和股东收益的可变性。随债务、租赁和优先股筹资在企业资本结构中所占比重的提高，企业支出的固定费用将会增加，结果使企业丧失现金偿付能力的可能性也增大了。企业财务风险的另一方面涉及股东可能得到的收益的相对离差。总之，企业的财务风险包含了股东未来收益的可变性和企业丧失偿债能力的可能性。这两方面都同企业的经营风险，即预期营业收益离差直接相关。

目前，财务风险预警的方法大致有：量化趋势方法，利用净利润/股东权益和股东权益/负债等指标的趋势预测公司财务危机。其缺点在于不能透析公司财务指标之间的复杂联系，预测的效果不佳。判别模型法，采用Logistic回归模型，Fisher判别模型、Bayes判别模型，Z-score模型，二类线性判别模型等预测公司财务危机。其缺点在于，难以精确刻画公司的整体财务状况，准确率不高。

由于财务风险来源的复杂性，导致传统的模型和方法不能精确描述其内在规律从而导致风险预警准确率低。

发明内容

为了解决由于财务风险来源的复杂性，导致传统的模型和方法不能精确描述其内在规律从而导致风险预警准确率低的问题，本发明目的在于提供一种企业财务风险预警方法、装置及计算机可读存储介质，提高企业财务风险预警的准确率，为企业发展提供重要的参考依据。

第一方面，本发明第一方面提供了一种企业财务风险预警方法，包括以下步骤：

选取样本企业历史财务报表中的指标数据；所述指标数据至少包括三类指标项，三类指标项为利润表特征指标、资产负债表特征指标和现金流量表特征指标；

对所述指标数据进行归一化处理；

对长短期记忆神经网络模型新增历史数据特征融合通道，得到超长短期记忆神经网络模型；

采用所述超长短期记忆神经网络模型对归一化处理后的指标数据进行特征提取；

输出特征之后设有全连接层，所述全连接层用于二分类判断该企业是否具有财务风险，得到初步预警模型；

选取样本数据，赋予所述样本数据对应的权重，采用所述样本数据和权重对初初步预警模型进行训练，得到预警模型；

将欲评估企业财务信息的指标数据输入所述预警模型，得到评估结果。

根据上述技术，本发明从三大报表中，进行风险预测的多项财务指标的具体内容，核心的预测模型长短期记忆神经网络模型，通过长短期记忆神经网络模型网络的训练以及增加全连接层分构成的预测模型提高了财务预警精准性。

在一种可能的设计中，所述利润表特征指标至少包括营业收入、营业成本、营业利润、利润总额、所得税费用、净利润和基本每股收益指标；

所述资产负债表特征指标包括货币资金、应收账款、存货、流动资产合计、固定资产净额、资产总计、流动负债合计和非流动负债合计指标；

所述现金流量表特征指标包括负债合计、股东权益合计、期初现金及现金等价物余额、经营活动产生的现金流量净额、投资活动产生的现金流量净额、筹资活动产生的现金流量净额、现金及现金等价物净增加额和期末现金及现金等价物余额指标。

在一种可能的设计中，所述指标数据进行了归一化，采用如下公式将所有的指标数据转换为0到1之间的数据：

x为指标数据，

在一种可能的设计中，所述长短期记忆神经网络模型新增如下模型：

F1＝Relu(X

F2＝F1+Relu(σ*X

h

λ为0到1的系数；Relu为标准的Relu激活函数，tanh为tanh激活函数，σ为Sigmoid激活函数；X

在一种可能的设计中，所述超长短期记忆神经网络模型共有多次输入输出。

在一种可能的设计中，所述超长短期记忆神经网络模型共有多次输入输出的方法是：

获取样本企业历史财务报表中的指标数据时，根据时间段形成样本数据矩阵；

预设相应时间段对应的权重系数矩阵；

第一次输入为样本数据矩阵所有列的第1行到第n行形成的子矩阵，n为大于1的整数，该子矩阵代表一段时间内财务信息；该子矩阵的每一行和相应时间段的权重系数矩阵a1内积，得到的数据为第一次模型的标准输出；

第二次输入为第一次模型的标准输出、样本数据矩阵的第n+1行到第2n行形成的子矩阵每一行和对应时间段的权重系数矩阵a2内积的结果，得到的数据为第二次模型的标准输出；

第m次的输入为第m-1模型的标准输出、样本数据矩阵的第(m-1)n+1行到第m*n行形成的子矩阵每一行和对应时间段的系数矩阵a(m)内积的结果,m为大于2的整数，得到的数据为第m次模型的标准输出；

直到m*n为样本数据矩阵的总行数；将第m次模型的标准输出和对应所有时间的权重系数矩阵a内积后，输入标准的全连接层，得到风险概率和非风险概率的二维输出结果，当风险概率大于非风险概率时，判断为具有财务风险，当风险概率小于非风险概率时，判断为不具有财务风险。

在一种可能的设计中,距离现在时间越久的子矩阵对应的权重占比越小。

在一种可能的设计中，所述样本数据为包括无财务风险企业和有财务风险企业的财务数据，对于有财务风险企业，选取当前一年内首次被冠名风险的企业。

在第二方面，本发明提供了一种企业财务风险预警装置，包括依次相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行第一方面或第一方面中任意一种可能设计的所述方法。

在第三方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意一种可能设计的所述方法。

在第四方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如上第一方面或第一方面中任意一种可能设计的所述方法。

本发明的有益效果：

本发明从三大报表中提取用于风险预测的多项财务指标的具体内容，及其输入到模型中的顺序和权重，核心的预测模型长短期记忆神经网络模型的设计构造，通过多次长短期记忆神经网络模型网络的训练方式、权重系数矩阵、全连接层三部分构成的预测模型提高了财务预警精准性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的一种企业财务风险预警方法的步骤流程示意图。

图2是本发明提供的实施例中MLSTM模型图。

图3是本发明提供的实施例中预测模型整体结构示意图。

具体实施方式

下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。

应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。

应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。

应当理解，本文使用的术语仅用于描述特定实施例，并不意在限制本发明的示例实施例。若本文所使用的，单数形式“一”、“一个”以及“该”意在包括复数形式，除非上下文明确指示相反意思。还应当理解，若术语“包括”、“包括了”、“包含”和/或“包含了”在本文中被使用时,指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性,并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。

应当理解，还应当注意到在一些备选可能设计中，所出现的功能/动作可能与附图出现的顺序不同。例如,取决于所涉及的功能/动作,实际上可以实质上并发地执行,或者有时可以以相反的顺序来执行连续示出的两个图。

应当理解，在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实例中，可以不以非必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。

如图1所示，本实施例第一方面提供了一种企业财务风险预警方法，包括以下步骤：

选取样本企业历史财务报表中的指标数据；所述指标数据至少包括三类指标项，三类指标项为利润表特征指标、资产负债表特征指标和现金流量表特征指标；指标选取时，上市企业财务情况蕴含在企业的财务报表之中，因为财务报表全面系统地揭示了企业一定时期的经营成果和现金流量，展现了企业的盈利能力、偿债能力、投资收益、发展前景等。与此同时，其财务风险也暗藏在企业财务报表中，通过对财务报表中的一些指标进行分析，能够得到关于企业的风险评估，本发明分别从利润表，资产负债表，现金流量这三大报表中选取指标进行企业风险预测。

对所述指标数据进行归一化处理；为了消除财务指标的计量单位的不一致性，从而可能导致的模型梯度的不等长下降，对数据进行了归一化；采用如下公式将所有的指标数据转换为0到1之间的数据：

x为指标数据，

对长短期记忆神经网络模型新增历史数据特征融合通道，得到超长短期记忆神经网络模型；由于本发明涉及的财务风险预测是基于历史时间线数据，因此本发明基于长短期记忆神经网络(LSTM)，提出超长短期记忆神经网络(MLSTM)，其将上一时刻的隐藏层输出和当前时刻的数据一起作为此时刻的输入，这一独特的网络结构使得历史时刻的数据对于当前时刻的输出具有影响；

采用所述超长短期记忆神经网络模型对归一化处理后的指标数据进行特征提取，对于输出特征之后，设有全连接层，该全连接层用于二分类判断该企业是否具有财务风险，得到初步预警模型；具体实施时，所述二分类判断该企业是否具有财务风险即为判断该企业具有财务风险和不具有财务风险。

选取样本数据，采用所述样本数据输入到所述初步预警模型进行训练，得到预警模型；由于中国股市存在ST制度，即被冠以ST或*ST等的企业股票表明企业遇到了财务危机，本发明通过ST表征企业的财务风险。风险预警一般是针对当前没有出现风险的企业，即没有冠以ST的企业进行的，对于已经被冠以ST的企业，无风险预警的意义，因此，本发明为将选取的满足条件的样本数据项输入到步骤三中的模型进行训练。

将欲评估企业财务信息的指标数据输入所述预警模型，得到评估结果。

在一种可能的设计中，步骤一中的最终23指标：所涉及利润表，资产负债表，现金流量表三大报表。对于某一需要进行预测的企业，其中的每一项指标，都选取过去5年，每一季度的数据，即一共20项数据。那么23项指标共460项数据。这460项数据形成一个矩阵，矩阵的行为时间，共20行，第一行为5年前第一季度的数据，矩阵的列为指标，共23列，指标顺序按照表1中的顺序。所述利润表特征指标至少包括营业收入、营业成本、营业利润、利润总额、所得税费用、净利润和基本每股收益指标；

所述资产负债表特征指标包括货币资金、应收账款、存货、流动资产合计、固定资产净额、资产总计、流动负债合计和非流动负债合计指标；

所述现金流量表特征指标包括负债合计、股东权益合计、期初现金及现金等价物余额、经营活动产生的现金流量净额、投资活动产生的现金流量净额、筹资活动产生的现金流量净额、现金及现金等价物净增加额和期末现金及现金等价物余额指标。

采用超长短期记忆网络模型对财务报表中的23项指标对应的数据进行特征提取，超长短期记忆网络模型如图2所示，以黑色加粗线表示为新增加的模型；第一，新增历史数据特征进一步提取通道；该通道为F1，

F1＝Relu(X

中间数据值F2的数学表达式为：

F2＝F1+Relu(σ*X

其次：新增历史数据特征融合通道(图中下半部分加粗部分数据流)：由于企业的过去经营效益直接影响目前的财务状况，即在财务报表中的历史数据直接影响目前财务报表中的数据，因此新增历史数据融合通道，通道的数学表达式为：

F4＝λ*tanh(X

通道和传统的长短期记忆神经网络的中间输出结果F3以及新增的进一步提取通道中间数据F2进行融合，得到改进后的长短期记忆神经网络(MLSTM)的输出，数学表达式为：h

其中，传统的长短期记忆神经网络的中间输出结果F3的数学表达式为：

F3＝(σ*X

F5＝tanh(X

λ为0到1的系数；Relu为标准的Relu激活函数，tanh为tanh激活函数，σ为Sigmoid激活函数；X

基于上述MLSTM核心模型，步骤三中的方法全部流程模型如图2所示，超长短期记忆神经网络模型共有多次输入输出。

在一种可能的设计中，所述超长短期记忆神经网络模型共有多次输入输出的方法是：

获取样本企业历史财务报表中的指标数据时，根据时间段形成样本数据矩阵；

预设相应时间段对应的权重系数矩阵；

第一次输入为样本数据矩阵所有列的第1行到第n行形成的子矩阵，n为大于1的整数，该子矩阵代表一段时间内财务信息；该子矩阵的每一行和相应时间段的权重系数矩阵a1内积，得到的数据为第一次模型的标准输出；

第二次输入为第一次模型的标准输出、样本数据矩阵的第n+1行到第2n行形成的子矩阵每一行和对应时间段的权重系数矩阵a2内积的结果，得到的数据为第二次模型的标准输出；

第m次的输入为第m-1模型的标准输出、样本数据矩阵的第(m-1)n+1行到第m*n行形成的子矩阵每一行和对应时间段的系数矩阵a(m)内积的结果,m为大于2的整数，得到的数据为第m次模型的标准输出；

直到m*n为样本数据矩阵的总行数；将第m次模型的标准输出和对应所有时间的权重系数矩阵a内积后，输入标准的全连接层，得到风险概率和非风险概率的二维输出结果，当风险概率大于非风险概率时，判断为具有财务风险，当风险概率小于非风险概率时，判断为不具有财务风险。

以下给出具体示例进行说明，如图3所示，该步骤共5次输入输出：

第一次输入为步骤一中矩阵所有列的第1行到第4行形成的子矩阵，该子矩阵的每一行和系数矩阵a1内积，得到的数据为MLSTM的标准输出。第二次输入为第一次MLSTM的标准输出、步骤一中矩阵的第5行到第8行形成的子矩阵每一行和系数a2内积的结果，得到的数据为MLSTM的标准输出。以此类推，直到将20行数据输入模型。

最后第5次得到的数据为MLSTM的标准输出，为一个23列的输出矢量hn，将该hn矢量和系数a内积后，输入标准的全连接层，得到一个二维输出的结果：风险概率和非风险概率，都为0到1中间的实数，当风险概率大于非风险概率时，判断为具有财务风险，当风险概率小于非风险概率时，判断为不具有财务风险。

其中权重系数矩阵a，a1，a2，a3，a4，a5分别为：

a1＝[0.1，0.2,0.3，0.1,0.2，0.3,0.3，0.2，0.1，0.3，0.2，0.1，0.3，0.2，0.1，0.1，0.2，0.1，0.3，0.1，0.3，0.1，0.3]

a2＝[0.4，0.2,0.4，0.2,0.4，0.2,0.3，0.2，0.4，0.3，0.4，0.1，0.2，0.3，0.1，0.4，0.3，0.1，0.3，0.2，0.3，0.4，0.3]

a3＝[0.5，0.1,0.5，0.5,0.5，0.2,0.4，0.5，0.4，0.5，0.3，0.5，0.4，0.5，0.3，0.5，0.3，0.5，0.3，0.5，0.4，0.4，0.4]

a4＝[0.6，0.5,0.3，0.6,0.5，0.5,0.5，0.6，0.3，0.6，0.3，0.4，0.3，0.4，0.5，0.4，0.5，0.1，0.5，0.5，0.3，0.5，0.3]

a5＝[0.7，0.8,0.6，0.6,0.8，0.6,0.6，0.6，0.6，0.7，0.7，0.8，0.8，0.7，0.3，0.7，0.8，0.7，0.6，0.7，0.8，0.6，0.7]

a＝[0.9，0.8,0.8，0.8,0.9，0.9,0.8，0.9，0.8，0.8，0.8，0.9，0.9，0.8，0.9，0.8，0.9，0.9，0.9，0.9，0.9，0.9，0.8]。

在一种可能的设计中,距离现在时间越久的子矩阵对应的权重占比越小。由于时间越久，其数据的参考性越低，因此，越久的数据，设置权重越低，提高精准性。

在一种可能的设计中，所述样本数据为包括无财务风险企业和有财务风险企业的财务数据，对于有财务风险企业，选取当前一年内首次被冠名风险的企业。步骤四中为了训练的严谨性，对于无财务风险的企业，选取在过去5年中从未被ST的企业，而对于财务风险企业，选取今年首次被冠名ST的企业。经过上述条件的筛选后，本发明的训练实例一共选取了500家无风险企业和260家存在财务风险企业从2014到2020每一季度的23项总共419520个样本数据项输入到步骤三中的模型进行训练。

本发明从三大报表中，专家确定的可以进行风险预测的多项财务指标的具体内容，及其输入到模型中的顺序和权重，核心的预测模型MLSTM模型的设计构造，通过多次MLSTM网络的训练方式、权重系数矩阵、全连接层三部分构成的预测模型提高了财务预警精准性。

模型训练数据选取方式：对于财务风险企业，选取在过去5年中从未被ST的企业，今年首次被冠名ST的企业。对于无财务风险企业，选取在过去5年中从未被ST的企业，今年也未被冠名ST的企业。

本发明示例中，通过测试200家无风险上市企业和100家存在财务风险上市企业的财务状况验证提出方法的有效性，其预测结果如下表所示。

企业财务危机预测结果

该表中代表2020年预测发生财务危机的企业有85家其实际也发生了财务危机，2020年预测发生财务危机中有14家未发生财务危机；200家无风险上市企业中华，2020年预测未发生财务危机的企业中有15家企业实际发生财务危机；186家实际未发生财务危机；

可以看到，本发明方法对某企业是否陷入财务危机的预测准确率达到了90.33％，召回率达到了85.85％。由此可以说明本发明能够较为准确的预测企业财务风险，具有较高的实用性。

在第二方面，本发明提供了一种企业财务风险预警装置，包括依次相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行第一方面或第一方面中任意一种可能设计的所述方法。

本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果，可以参见如上第一方面或第一方面中任意一种可能设计所述的交互方法，于此不再赘述。

本实施例第三方面提供了另外一种执行在第一方面或第一方面中任意一种可能设计所述企业财务风险预警方法的一种企业财务风险预警装置，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如在第一方面或第一方面中任意一种可能设计中所执行步骤。具体举例的，所述存储器可以但不限于包括随机存取存储器(Random-AccessMemory，RAM)、只读存储器(Read-Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output，FIFO)和/或先进后出存储器(First Input Last Output，FILO)等等；所述处理器可以不限于采用型号为STM32F105系列的微处理器；所述收发器可以但不限于为无线保真(Wireless Fidelity，WiFi)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service，GPRS)无线收发器和/或紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议，ZigBee)无线收发器等。此外，所述企业财务风险预警装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。

本实施例第三方面提供的前述企业财务风险预警装置的工作过程、工作细节和技术效果，可以参见如上第一方面或第一方面中任意一种可能设计所述的交互方法，于此不再赘述。

本实施例第四方面提供了一种存储包含在第一方面或第一方面中任意一种可能设计所述一种企业财务风险预警方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如在第一方面或第一方面中任意一种可能设计所述的企业财务风险预警装置方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(MemoryStick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。

本实施例第四方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果，可以参见如上第一方面或第一方面中任意一种可能设计所述的交互方法，于此不再赘述。

本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如在第一方面或第一方面中任意一种可能设计所述的一种企业财务风险预警方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。

以上所描述的实施例仅仅是示意性的，若涉及到作为分离部件说明的单元，其可以是或者也可以不是物理上分开的；若涉及到作为单元显示的部件，其可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

最后应说明的是，本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。