一种金融公司的信用风险预警系统、方法、介质及设备

技术领域

本申请涉及金融公司信用评价领域，具体而言，涉及一种金融公司的信用风险预警系统、方法、介质及设备。

背景技术

目前，金融领域正积极推进信用评价系统的应用与改进。传统的评价方法通常是利用因子分析法对多项财务指标进行定量的数据分析，但传统的评价体系局限于财务指标。而综合的评估也仅仅针对定量的财务数据进行评估，常用方法是运用统计学的因子分析法对金融公司的财务指标进行归类和总结，将反映金融公司的众多指标归纳成几个方面，如盈利能力、偿债能力、成长能力、资产经营能力、市场表现能力、投资收益能力，然后对每个方面进行打分来反映金融公司在不同方面的得分，以帮助投资者对金融公司的财务状况和投资价值作出判断。但这种评价系统和方法存在明显的不足：

一是传统评价体系的定量指标不全，通常仅考虑财务指标。

二是传统评价体系的定性指标缺失。

三是传统评价方法——因子分析法存在的弊端。因子分析法最大的不足是会丢失一部分原数据信息：一般情况下，设F

因此，基于现有的信用评价体系，无法进一步提升针对金融公司进行的信用风险预警的可靠性。

发明内容

本申请实施例的目的在于提供一种金融公司的信用风险预警系统、方法、介质及设备，以进一步提升针对金融公司进行的信用风险预警的可靠性。

为了实现上述目的，本申请的实施例通过如下方式实现：

第一方面，本申请实施例提供一种金融公司的信用风险预警系统，包括：数据采集模块，用于从网络公开数据中获取多个金融公司的条件属性数据和决策属性数据，并以列向量的形式存储不同数据指标的数据，以行向量的形式存储不同金融公司的数据，其中，所述条件属性数据包括定量数据和定性数据，所述定量数据包括财务数据、公司规模数据、独董占比数据、公司管理经验之高管入职年份，所述定性数据包括公司管理经验之学历、监察措施文段和审计意见文段，所述决策属性数据为所述金融公司的风险评价标记文段，所述公司管理经验之高管入职年份和所述公司管理经验之学历均存在于公司管理经验文段；数据预处理模块，用于对所述定量数据进行定序分类赋值，并对所述定性数据进行量化赋值，得到包含多个条件属性数据指标的分值的条件属性数据集，以及，对所述决策属性数据进行量化赋值，得到包含决策属性数据指标的分值的决策属性数据集；数据处理及分析模块，用于根据所述条件属性数据集确定出条件信息粒矩阵，并根据所述决策属性数据集确定出决策信息粒矩阵；以及，基于所述条件信息粒矩阵和所述决策信息粒矩阵确定出每个数据指标的权重值；信用预警输出模块，用于基于所述条件属性数据集和每个数据指标的权重值，确定出每个金融公司的信用评分；以及，在任一信用评分小于预设预警分值时，生成并输出预警信息，所述预警信息用于提示用户该信用评分对应的金融公司存在信用风险。

在本申请实施例中，信用风险预警系统的数据采集模块从网络公开数据中获取多个金融公司的条件属性数据(既包括定量类型的财务数据、公司规模数据、独董占比数据、公司管理经验之高管入职年份，又包括定性类型的公司管理经验之学历、监察措施文段和审计意见文段)和决策属性数据(风险评价标记文段)。除财务指标外，金融公司其他的一些定量指标不容忽视，例如公司规模、独董比例、公司管理经验等，这些指标能非常客观地反映出金融公司实力和管理能力。而有些定性指标对于金融公司的风险评价也是非常重要的，例如监管措施和审计意见，这些指标刻画了金融公司的信息披露质量。在资本市场中，信息披露扮演着维护产权基础性功能的关键角色，起着保障性的作用。对投资者来说，金融公司的信息披露有着重要的参考价值，投资公众从公司信息披露中提取有用信息，为自己的投资项目提供数据理论上的支持。因此，真实可靠、详细具体的信息披露对投资公众来说具有非常重要的意义。本方案考虑了这些定性指标，并对这些定性指标进行量化赋值。同时为了尽可能保留原数据集的信息，得到客观的指标权重，本方案通过粒矩阵(即条件信息粒矩阵和决策信息粒矩阵)的方式，能够客观而全面地确定各个评价指标的权重，从而避免了在赋予评价指标权重过程中的人为主观因素影响，并且能够保证数据的全面性(区别于传统的因子分析法中的数据不全面问题)，使得得到的每个金融公司的信用评分具有很高的准确性和可靠性。从而能够在任一信用评分小于预设预警分值时，生成并输出预警信息，提示用户(或投资者)，该金融公司可能存在信用风险，起到可靠的信用风险预警作用。

结合第一方面，在第一方面的第一种可能的实现方式中，针对每个所述金融公司，所述财务数据包含多个财务数据分量，所述条件属性数据集包括财务数据指标分数集，所述数据预处理模块，还用于：针对所述财务数据中的每个所述财务数据分量，判断该财务数据分量是否符合对应的预设财务分量区间；若该财务数据分量符合对应的所述预设财务分量区间，将该财务数据分量赋值为1；若该财务数据分量不符合对应的所述预设财务分量区间，将该财务数据分量赋值为0；得到对所述财务数据中每个所述财务数据分量赋值后的所述财务数据指标分数集。

在该实现方式中，针对财务数据中的每个财务数据分量，判断该财务数据分量是否符合对应的预设财务分量区间；若符合，将该财务数据分量赋值为1；若不符合，将该财务数据分量赋值为0。这样的方式可以将财务数据中的每个财务数据分量进行精准的赋值，从而得到对财务数据中每个财务数据分量赋值后的财务数据指标分数集，有利于保证对金融公司的信用评价的准确性，从而有利于可靠地进行信用风险的预警。

结合第一方面，在第一方面的第二种可能的实现方式中，针对每个所述金融公司，所述公司规模数据包含多个公司规模数据分量，所述条件属性数据集包括公司规模数据指标分数集，所述数据预处理模块，还用于：针对所述公司规模数据中的每个所述公司规模数据分量，确定出该公司规模数据分量所处的规模区间；根据该公司规模数据分量所处的规模区间，对该公司规模数据分量进行赋值；得到对所述公司规模数据中每个所述公司规模数据分量赋值后的所述公司规模数据指标分数集。

在该实现方式中，针对公司规模数据中的每个公司规模数据分量，确定出该公司规模数据分量所处的规模区间；根据该公司规模数据分量所处的规模区间，对该公司规模数据分量进行赋值，从而得到对公司规模数据中每个公司规模数据分量赋值后的公司规模数据指标分数集，有利于保证对金融公司的信用评价的准确性，从而有利于可靠地进行信用风险的预警。

结合第一方面，在第一方面的第三种可能的实现方式中，所述条件属性数据集包括公司管理经验指标分数集，所述数据预处理模块，还用于：针对每个所述金融公司，读取所述公司管理经验文段，确定所述公司管理经验文段中包括的指定词语，其中，所述指定词语为“入职年份”、“学历”中的至少一项；确定出所述指定词语对应的入职年份数据和/或学历数据；根据所述入职年份数据和/或所述学历数据，以及所述入职年份数据和/或所述学历数据对应的分值，确定出该金融公司的所述公司管理经验指标分数，由此得到包含每个金融公司的管理经验指标分数的所述管理经验指标分数集。

在该实现方式中，针对每个金融公司，读取公司管理经验数据和文段。针对所述公司管理经验之高管入职年份，可以确定出该公司高管入职年份数据分量所处的就职时长；根据该公司高管入职年份所处的就职时长，对该公司管理经验之高管入职年份数据进行定序分类赋值，任职时长可以折射出针对该金融公司高管的管理经验储备水平。针对所述公司管理经验之高管学历，确定出文段中包含的指定词语，以“学历”作为锚定的标准，可以折射出针对该金融公司高管的专业管理背景，有利于将最能反映金融公司的信用情况的管理综合能力捕捉到，并作为评价该金融公司信用的一个指标，从而能够有效提升对金融公司的信用评价的准确性，有利于提升对金融公司的信用风险预警的准确性和可靠性。

结合第一方面，在第一方面的第四种可能的实现方式中，所述条件属性数据集包括监察措施指标分数集，所述数据预处理模块，还用于：针对每个所述金融公司，读取所述监察措施文段，确定所述监察措施文段中包含的指定词语，其中，所述指定词语为“公开认定”、“公开谴责”、“通报批评”、“监管关注”中的至少一项；根据所述监察措施文段中包含的指定词语，以及该指定词语所对应的分值，确定出该金融公司的所述监察措施指标分数，由此得到包含每个金融公司的监察措施指标分数的所述监察措施指标分数集。

在该实现方式中，针对每个金融公司，读取监察措施文段，并确定出监察措施文段中包含的指定词语，以“公开认定”、“公开谴责”、“通报批评”、“监管关注”等作为锚定的标准，可以折射出针对该金融公司的态度和监察措施，有利于将最能反映金融公司的信用情况的监察措施捕捉到，并作为评价该金融公司信用的一个指标，从而能够有效提升对金融公司的信用评价的准确性，有利于提升对金融公司的信用风险预警的准确性和可靠性。

结合第一方面，在第一方面的第五种可能的实现方式中，所述条件属性数据集包括审计意见指标分数集，所述数据预处理模块，还用于：针对每个所述金融公司，读取所述审计意见文段，确定所述审计意见文段中包含的指定语句，其中，所述指定语句包括“标准的无保留意见”、“带强调事项段的无保留意见”、“保留意见”、“否定意见”中的至少一项；根据所述审计意见文段中包含的指定语句，以及该指定语句所对应的分值，确定出该金融公司的所述审计意见指标分数，由此得到包含每个金融公司的审计意见指标分数的所述监察措施指标分数集。

在该实现方式中，针对每个金融公司，读取审计意见文段，并确定出审计意见文段中包含的指定语句，以“标准的无保留意见”、“带强调事项段的无保留意见”、“保留意见”、“否定意见”等作为锚定的标准，可以反映出对该金融公司的审计情况，是否合理编制报表，是否存在信任风险等，有利于将最能反映金融公司的信用情况的审计结论捕捉到，并作为评价该金融公司信用的一个指标，从而能够有效提升对金融公司的信用评价的准确性，有利于提升对金融公司的信用风险预警的准确性和可靠性。

结合第一方面，在第一方面的第六种可能的实现方式中，所述决策属性数据集包括股票定性指标分数集，所述数据预处理模块，还用于：针对每个所述金融公司，读取所述风险评价标记文段，确定所述风险评价标记文段中包含的股票定性标记，其中，所述股票定性标记为：不含“ST”、仅含“ST”、包含“*ST”；根据所述风险评价标记文段中包含的股票定性标记，以及该股票定性标记所对应的分值，确定出该金融公司的所述股票定性指标分数，由此得到包含每个金融公司的股票定性指标分数的所述股票定性指标分数集。

在该实现方式中，针对每个金融公司，读取风险评价标记文段(即包含股票定性标记的文段)，并从中确定出股票定性标记属于不含“ST”、仅含“ST”还是包含*ST”的类型(这些类型可以用于提示某金融公司的经营情况，起到提示重大风险的作用)，以此作为锚定的标准，可以反映出该金融公司的情况，有利于将最能反映金融公司的经营情况和风险提示情况的股票定性标记捕捉到，并作为评价该金融公司信用的一个指标，从而能够有效提升对金融公司的信用评价的准确性，有利于提升对金融公司的信用风险预警的准确性和可靠性。

结合第一方面，在第一方面的第七种可能的实现方式中，所述数据处理及分析模块，具体用于：根据所述条件信息粒矩阵和所述决策信息粒矩阵，确定出包含度矩阵，其中，所述包含度矩阵用于表征所述条件信息粒矩阵和所述决策信息粒矩阵之间的粒关系；根据所述包含度矩阵，确定出所述条件信息粒矩阵对所述决策信息粒矩阵的区分度；根据所述区分度，确定出不同数据指标的重要度，并进一步确定出不同数据指标的权重值。

在该实现方式中，通过条件信息粒矩阵和决策信息粒矩阵确定出包含度矩阵(反映二者之间的粒关系)，而后根据包含度矩阵，确定出条件信息粒矩阵对决策信息粒矩阵的区分度，再确定出不同数据指标的重要度，并进一步确定出不同数据指标的权重值，且得到的权重值完备、客观而公正，有利于提升信用评价的准确性，从而可靠地实现信用风险预警。

第二方面，本申请实施例提供一种金融公司的信用风险预警方法，包括：从网络公开数据中获取多个金融公司的条件属性数据和决策属性数据，并以列向量的形式存储不同数据指标的数据，以行向量的形式存储不同金融公司的数据，其中，所述条件属性数据包括定量数据和定性数据，所述定量数据包括财务数据、公司规模数据、独董占比数据、公司管理经验之高管入职年份，所述定性数据包括公司管理经验之学历、监察措施文段和审计意见文段，所述决策属性数据为所述金融公司的风险评价标记文段，所述公司管理经验之高管入职年份和所述公司管理经验之学历均存在于公司管理经验文段；对所述定量数据进行定序分类赋值，并对所述定性数据进行量化赋值，得到包含多个条件属性数据指标的分值的条件属性数据集，以及，对所述决策属性数据进行量化赋值，得到包含决策属性数据指标的分值的决策属性数据集；根据所述条件属性数据集确定出条件信息粒矩阵，并根据所述决策属性数据集确定出决策信息粒矩阵；以及，基于所述条件信息粒矩阵和所述决策信息粒矩阵确定出每个数据指标的权重值；基于所述条件属性数据集和每个数据指标的权重值，确定出每个金融公司的信用评分；以及，在任一信用评分小于预设预警分值时，生成并输出预警信息，所述预警信息用于提示用户该信用评分对应的金融公司存在信用风险。

结合第二方面，在第二方面的第一种可能的实现方式中，针对每个所述金融公司，所述财务数据包含多个财务数据分量，所述条件属性数据集包括财务数据指标分数集，所述对所述定量数据进行定序分类赋值，包括：针对所述财务数据中的每个所述财务数据分量，判断该财务数据分量是否符合对应的预设财务分量区间；若该财务数据分量符合对应的所述预设财务分量区间，将该财务数据分量赋值为1；若该财务数据分量不符合对应的所述预设财务分量区间，将该财务数据分量赋值为0；得到对所述财务数据中每个所述财务数据分量赋值后的所述财务数据指标分数集。

结合第二方面，在第二方面的第二种可能的实现方式中，针对每个所述金融公司，所述公司规模数据包含多个公司规模数据分量，所述条件属性数据集包括公司规模数据指标分数集，所述对所述定量数据进行定序分类赋值，包括：针对所述公司规模数据中的每个所述公司规模数据分量，确定出该公司规模数据分量所处的规模区间；根据该公司规模数据分量所处的规模区间，对该公司规模数据分量进行赋值；得到对所述公司规模数据中每个所述公司规模数据分量赋值后的所述公司规模数据指标分数集。

结合第二方面，在第二方面的第三种可能的实现方式中，所述条件属性数据集包括公司管理经验指标分数集，所述对所述定性数据进行量化赋值，包括：针对每个所述金融公司，读取所述公司管理经验文段，确定所述公司管理经验文段中包括的指定词语，其中，所述指定词语为“入职年份”、“学历”中的至少一项；确定出所述指定词语对应的入职年份数据和/或学历数据；根据所述入职年份数据和/或所述学历数据，以及所述入职年份数据和/或所述学历数据对应的分值，确定出该金融公司的所述公司管理经验指标分数，由此得到包含每个金融公司的管理经验指标分数的所述管理经验指标分数集。

结合第二方面，在第二方面的第四种可能的实现方式中，所述条件属性数据集包括监察措施指标分数集，所述对所述定性数据进行量化赋值，包括：针对每个所述金融公司，读取所述监察措施文段，确定所述监察措施文段中包含的指定词语，其中，所述指定词语为“公开认定”、“公开谴责”、“通报批评”、“监管关注”中的至少一项；根据所述监察措施文段中包含的指定词语，以及该指定词语所对应的分值，确定出该金融公司的所述监察措施指标分数，由此得到包含每个金融公司的监察措施指标分数的所述监察措施指标分数集。

结合第二方面，在第二方面的第五种可能的实现方式中，所述条件属性数据集包括审计意见指标分数集，所述对所述定性数据进行量化赋值，包括：针对每个所述金融公司，读取所述审计意见文段，确定所述审计意见文段中包含的指定语句，其中，所述指定语句包括“标准的无保留意见”、“带强调事项段的无保留意见”、“保留意见”、“否定意见”中的至少一项；根据所述审计意见文段中包含的指定语句，以及该指定语句所对应的分值，确定出该金融公司的所述审计意见指标分数，由此得到包含每个金融公司的审计意见指标分数的所述监察措施指标分数集。

结合第二方面，在第二方面的第六种可能的实现方式中，所述决策属性数据集包括股票定性指标分数集，所述对所述决策属性数据进行量化赋值，包括：针对每个所述金融公司，读取所述风险评价标记文段，确定所述风险评价标记文段中包含的股票定性标记，其中，所述股票定性标记为：不含“ST”、仅含“ST”、包含“*ST”；根据所述风险评价标记文段中包含的股票定性标记，以及该股票定性标记所对应的分值，确定出该金融公司的所述股票定性指标分数，由此得到包含每个金融公司的股票定性指标分数的所述股票定性指标分数集。

结合第二方面，在第二方面的第七种可能的实现方式中，所述基于所述条件信息粒矩阵和所述决策信息粒矩阵确定出每个数据指标的权重值，包括：根据所述条件信息粒矩阵和所述决策信息粒矩阵，确定出包含度矩阵，其中，所述包含度矩阵用于表征所述条件信息粒矩阵和所述决策信息粒矩阵之间的粒关系；根据所述包含度矩阵，确定出所述条件信息粒矩阵对所述决策信息粒矩阵的区分度；根据所述区分度，确定出不同数据指标的重要度，并进一步确定出不同数据指标的权重值。

第三方面，本申请实施例提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行第二方面或第二方面可能的实现方式中任一项所述的金融公司的信用风险预警方法。

第四方面，本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行时实现第二方面或第二方面可能的实现方式中任一项所述的金融公司的信用风险预警方法。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例提供的金融公司的信用风险预警系统的示意图。

图2为本申请实施例提供的金融公司的信用风险预警方法的流程图。

图3为本申请实施例提供的数据采集模块采集金融公司的数据的过程示意图。

图4为本申请实施例提供的对财务数据中的财务数据分量进行定序分类赋值的流程图。

图5为本申请实施例提供的对公司规模数据中的公司规模数据分量进行定序分类赋值的流程图。

图6为本申请实施例提供的对公司管理经验进行的分类赋值的流程图。

图7为本申请实施例提供的对监察措施进行分类赋值的流程图。

图8为本申请实施例提供的对审计意见进行分类赋值的流程图。

图9为本申请实施例提供的对风险评价标记进行分类赋值的流程图。

图10为本申请实施例提供的信用预警输出模块运行的流程图。

图11为本申请实施例提供的一种电子设备的结构框图。

图标：100-信用风险预警系统；110-数据采集模块；120-数据预处理模块；130-数据处理及分析模块；140-信用预警输出模块；200-电子设备；210-存储器；220-通信模块；230-总线；240-处理器。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

请参阅图1，图1为本申请实施例提供的金融公司的信用风险预警系统100的示意图。在本实施例中，信用风险预警系统100可以包括数据采集模块110、数据预处理模块120、数据处理及分析模块130和信用预警输出模块140。为了对信用风险预警系统100中各个模块进行更清楚详细的介绍，此处将结合金融公司的信用风险预警方法一起介绍，以便理解。

请参阅图2，图2为本申请实施例提供的金融公司的信用风险预警方法的流程图。在本实施例中，信用风险预警方法可以包括步骤S10、步骤S20、步骤S30和步骤S40。

示例性的，数据采集模块110的功能可以通过执行步骤S10实现，数据预处理模块120的功能可以通过执行步骤S20实现，数据处理及分析模块130的功能可以通过执行步骤S30实现，而信用预警输出模块140的功能可以通过执行步骤S40实现。

为了实现对金融公司的预警，数据采集模块110可以执行步骤S10。

步骤S10：从网络公开数据中获取多个金融公司的条件属性数据和决策属性数据，并以列向量的形式存储不同数据指标的数据，以行向量的形式存储不同金融公司的数据，其中，所述条件属性数据包括定量数据和定性数据，所述定量数据包括财务数据、公司规模数据、独董占比数据、公司管理经验之高管入职年份，所述定性数据包括公司管理经验之学历、监察措施文段和审计意见文段，所述决策属性数据为所述金融公司的风险评价标记文段，所述公司管理经验之高管入职年份和所述公司管理经验之学历均存在于公司管理经验文段。

在本实施例中，数据采集模块110可以从网络公开数据中获取多个金融公司的条件属性数据和决策属性数据，并以列向量的形式存储不同数据指标的数据，以行向量的形式存储不同金融公司的数据。此处的条件属性数据可以包括定量数据(例如财务数据、公司规模数据、独董占比数据、公司管理经验之高管入职年份)和定性数据(例如公司管理经验之高管学历、监察措施文段、审计意见文段)，而决策属性数据可以为金融公司的风险评价标记文段(其中包含股票定性标记，例如：非“ST”、“ST”、“*ST”等)。

示例性的，可以利用python抓取网络公开数据(包含多个金融公司的网络公开数据)，例如上海证券交易所公开数据、和讯主页公开数据，此处抓取的数据可以为财务数据、公司规模数据(例如公司总资产、注册资金、营业收入、员工数量)、独董占比数据、高管入职年份等。对于定性数据(高管学历、监察措施文段、审计意见文段)和决策属性数据(风险评价标记文段)，可以利用python(例如利用python开发的爬虫工具)实现这些数据的抓取。

获取多个金融公司的条件属性数据和决策属性数据后，可以以列向量的形式存储原始指标数据(即不同数据指标的数据，例如财务数据中的资产负债率为一列、净资产收益率为一列等)，以行向量的形式存储每个金融公司的样本数据(即不同金融公司的数据，例如甲公司的数据为一行，乙公司的数据为一行)，从而可以得到存储好的数据集合。

以存储不同金融公司的财务数据为例，在上海证券交易所官网获取上市公司具有代表性的财务数据，请参阅表1：

表1：财务数据表

表1中代表公司偿债能力的指标是资产负债率、流动比率、速动比率，资产负债率在40％至60％之间为佳，流动比率在1.5至2之间为佳，速动比率维持在1左右比较好。代表公司运营能力的指标是流动资产周转率、总资产周转率，流动资产周转率在不低于2时为佳，总资产周转率在80％以上为佳。代表公司获利能力的指标是净资产收益率，净资产收益率达到10％以上为佳。

数据采集模块110在整体上采集的数据过程可以参阅图3，图3为本申请实施例提供的数据采集模块110采集金融公司的数据的过程示意图。

在本实施例中，数据采集模块110采集的财务数据可以包括：资产负债率、流动比率、速动比率、流动资产周转率、总资产周转率、净资产收益率等；采集的公司规模数据可以包括公司总资产、注册资金、营业收入、公司员工数等；采集的公司管理经验数据可以包括公司高管(可以是全部高管，以便保证数据的全面性和准确性)的入职年份和学历；采集的独董占比数据可以包括独立董事人数、董事人数、董事长(及副董事长)、其他高管人数等。数据采集模块110采集的财务数据、公司规模数据、独董占比数据、公司管理经验之高管入职年份等均为定量数据，而针对定性数据的采集，可以通过采集公司管理经验之高管公司管理经验文段(公司管理经验之高管入职年份和公司管理经验之学历均存在于公司管理经验文段)、监管措施文段、审计意见文段来实现，监察措施文段中通常包含“监管关注”、“通报批评”、“公开谴责”、“公开认定”等表示结论性态度的词语；审计意见文段通常包含“标准的无保留意见”、“带强调事项段的无保留意见”、“保留意见”、“否定意见”等结论性的语句。另外，针对决策属性数据的采集，也可也通过采集风险评价标记文段来实现，其中，风险评价标记文段中通常包含的股票定性标记，例如：不含“ST”、仅含“ST”、包含“*ST”等，此处的ST表示特别处理，*ST表示该股票存在退市风险。

通过这样的方式可以实现数据采集模块110的功能，即：从网络公开数据中获取多个金融公司的条件属性数据和决策属性数据，并以列向量的形式存储不同数据指标的数据，以行向量的形式存储不同金融公司的数据，以实现数据的存储。

在采集好数据后，可以进行数据的预处理，即实现数据预处理模块120的功能，可以通过数据预处理模块120执行步骤S20实现。

步骤S20：对所述定量数据进行定序分类赋值，并对所述定性数据进行量化赋值，得到包含多个条件属性数据指标的分值的条件属性数据集，以及，对所述决策属性数据进行量化赋值，得到包含决策属性数据指标的分值的决策属性数据集。

在本实施例中，数据预处理模块120可以对定量数据进行定序分类赋值，例如，针对财务数据进行定序分类赋值。

示例性的，财务数据可以包含多个财务数据分量，那么，针对财务数据中的每个财务数据分量，数据预处理模块120可以判断该财务数据分量是否符合对应的预设财务分量区间(例如[0.4,0.6]等，可以根据实际情况进行调节，不同的财务分量，其对应的预设财务分量区间可以相同，也可以不同)。若该财务数据分量符合对应的预设财务分量区间，将该财务数据分量赋值为1；若该财务数据分量不符合对应的预设财务分量区间，将该财务数据分量赋值为0。由此，即可得到对财务数据中每个财务数据分量赋值后的财务数据指标分数集。

例如，请参阅图4，图4为本申请实施例提供的对财务数据中的财务数据分量进行定序分类赋值的流程图，即财务数据分量a1[i]数据预处理的流程。

这样的方式可以将财务数据中的每个财务数据分量进行精准合理的赋值，从而得到对财务数据中每个财务数据分量赋值后的财务数据指标分数集，有利于保证对金融公司的信用评价的准确性和合理性，从而有利于可靠地进行信用风险的预警。

在本实施例中，数据预处理模块120也可以针对公司规模数据进行定序分类赋值。

示例性的，公司规模数据可以包含多个公司规模数据分量，那么，针对公司规模数据中的每个公司规模数据分量，数据预处理模块120可以确定出该公司规模数据分量所处的规模区间(例如1～50、51～200、201及以上等区间，此处仅是示例性的，使用中可以根据实际情况调节设定的规模区间，不作限定)，而后根据该公司规模数据分量所处的规模区间，对该公司规模数据分量进行赋值；由此，可以得到对公司规模数据中每个公司规模数据分量赋值后的公司规模数据指标分数集。

例如，请参阅图5，图5为本申请实施例提供的对公司规模数据中的公司规模数据分量进行定序分类赋值的流程图，即公司规模数据分量a2[i]数据预处理的流程。

通过这样的方式针对公司规模数据中的每个公司规模数据分量进行赋值，从而得到对公司规模数据中每个公司规模数据分量赋值后的公司规模数据指标分数集，有利于保证对金融公司的信用评价的准确性，从而有利于可靠地进行信用风险的预警。

在本实施例中，数据预处理模块120也可以利用预设的独董占比数据计算公式(a4＝独董人数÷董事会成员人数总和)，结合采集的独董占比数据，计算出独董占比a4，由此可以得到每个金融公司的独董占比数据指标分数集。

在本实施例中，数据预处理模块120也可以对条件属性数据中的定量+定性数据进行分类赋值。示例性的，公司管理经验数据可以包括公司高管入职年份和公司高管学历。其中，对于公司高管入职年份，可以采用对于定量数据进行赋值的定序分类赋值方法进行赋值，对于高管学历，可以采用对于定性数据进行赋值的分类赋值方法进行赋值，此处不作限定。

针对公司高管入职年份，数据预处理模块120可以确定出该公司管理经验之高管入职年份所处的数据区间(例如5年内，5～10年，10年以上等区间，此处仅是示例性的，使用中可以根据实际情况调节设定的就职时长，不作限定)，此数据区间即代表高管的就职时长，而后根据该就职时长，可以对该公司高管入职分量进行定序分类赋值；由此，可以得到对公司管理经验之高管入职数据中每个公司高管入职年份数据分量赋值，得到公司管理经验之高管入职年份指标分数集。针对公司高管学历，数据预处理模块120可以确定文段中包含的指定词语“学历”，而后可以对公司高管学历定序分类赋值，再累积分值。

例如，请参阅图6，图6为本申请实施例提供的对公司管理经验之高管学历数据进行分量赋值的流程图。

针对每个金融公司，高管任职时长可以折射出针对该金融公司高管的管理经验储备水平。高管学历可以折射出针对该金融公司高管的专业管理背景，有利于将最能反映金融公司的信用情况的管理综合能力捕捉到，并作为评价该金融公司信用的一个指标，从而能够有效提升对金融公司的信用评价的准确性，有利于提升对金融公司的信用风险预警的准确性和可靠性。

在本实施例中，数据预处理模块120也可以对条件属性数据中的定性数据进行分类赋值。例如，数据预处理模块120可以针对每个金融公司，读取监察措施文段，从而确定监察措施文段中包含的指定词语(“公开认定”、“公开谴责”、“通报批评”、“监管关注”中的至少一项)，有的监察措施文段中包含的指定词语不止一项，或者，某一项指定词语出现的次数不止一次，因此，可以根据实际需要进行设定，例如，针对出现的每项指定词语视为出现，仅统计一次，而后进行赋值，或者，针对每项指定词语出现的频率，进行统计(例如出现的频率在2～5次，则统计2次，赋值2次；出现的频率在5～10次，则统计3次，赋值3次)，也可以每出现一次即统计一次，赋值一次，此处不作限定。

而后，数据预处理模块120可以根据监察措施文段中包含的指定词语，以及该指定词语所对应的分值，确定出该金融公司的所述监察措施指标分数，由此得到包含每个金融公司的监察措施指标分数的所述监察措施指标分数集。

例如，请参阅图7，图7为本申请实施例提供的对监察措施进行分类赋值的流程图。

针对每个金融公司，读取监察措施文段，并确定出监察措施文段中包含的指定词语，以“公开认定”、“公开谴责”、“通报批评”、“监管关注”等作为锚定的标准，可以折射出针对该金融公司的态度和监察措施，有利于将最能反映金融公司的信用情况的监察措施捕捉到，并作为评价该金融公司信用的一个指标，从而能够有效提升对金融公司的信用评价的准确性，有利于提升对金融公司的信用风险预警的准确性和可靠性。

示例性的，数据预处理模块120也可以针对每个金融公司，读取审计意见文段，确定审计意见文段中包含的指定语句(“标准的无保留意见”、“带强调事项段的无保留意见”、“保留意见”、“否定意见”中的至少一项)。而后可以根据审计意见文段中包含的指定语句，以及该指定语句所对应的分值，确定出该金融公司的审计意见指标分数，由此可以得到包含每个金融公司的审计意见指标分数的监察措施指标分数集。当然，此处的统计方式可以参阅前文对监察措施的统计方式，而赋值方式也可以参阅前文对指定词语的赋值方式，但赋分的分值(即参数)可以有所不同，以实际需要为准，此处不作限定。

例如，请参阅图8，图8为本申请实施例提供的对审计意见进行分类赋值的流程图。

针对每个金融公司，读取审计意见文段，并确定出审计意见文段中包含的指定语句，以“标准的无保留意见”、“带强调事项段的无保留意见”、“保留意见”、“否定意见”等作为锚定的标准，可以反映出对该金融公司的审计情况，是否合理编制报表，是否存在信任风险等，有利于将最能反映金融公司的信用情况的审计结论捕捉到，并作为评价该金融公司信用的一个指标，从而能够有效提升对金融公司的信用评价的准确性，有利于提升对金融公司的信用风险预警的准确性和可靠性。

而针对决策属性数据，也可以使用分类赋值的方式。由于金融公司在同一时间通常只存在一种股票定性标记(即不含“ST”、仅含“ST”、包含“*ST”中的任意一种)。因此，数据预处理模块120可以针对每个金融公司，读取风险评价标记文段，确定风险评价标记文段中包含的股票定性标记，其中，股票定性标记为：不含“ST”、仅含“ST”、包含“*ST”中的任意一种。而后，数据预处理模块120可以根据风险评价标记文段中包含的股票定性标记，以及该股票定性标记所对应的分值，确定出该金融公司的股票定性指标分数，由此可以得到包含每个金融公司的股票定性指标分数的股票定性指标分数集。

例如，请参阅图9，图9为本申请实施例提供的对风险评价标记进行分类赋值的流程图。

针对每个金融公司，读取风险评价标记文段(即包含股票定性标记的文段)，并从中确定出股票定性标记属于不含“ST”、仅含“ST”还是包含“*ST”的类型(这些类型可以用于提示某金融公司的经营情况，起到提示重大风险的作用)，以此作为锚定的标准，可以反映出该金融公司的情况，有利于将最能反映金融公司的经营情况和风险提示情况的股票定性标记捕捉到，并作为评价该金融公司信用的一个指标，从而能够有效提升对金融公司的信用评价的准确性，有利于提升对金融公司的信用风险预警的准确性和可靠性。

基于获得的财务数据指标分数集、公司规模数据指标分数集、独董占比数据指标分数集、公司管理经验数据指标分数集、监察措施指标分数集和审计意见指标分数集，可以得到包含每个金融公司的条件属性数据集。而基于股票定性指标分数集则可以得到决策属性数据集。

在通过数据预处理模块120的预处理得到条件属性数据集和决策属性数据集后，数据处理及分析模块130可以执行步骤S30。

步骤S30：根据所述条件属性数据集确定出条件信息粒矩阵，并根据所述决策属性数据集确定出决策信息粒矩阵；以及，基于所述条件信息粒矩阵和所述决策信息粒矩阵确定出每个数据指标的权重值。

在本实施例中，数据处理及分析模块130可以根据条件属性数据集确定出条件信息粒矩阵。

示例性的，条件属性数据集记为A1，是m个样本(即金融公司)n个指标(即不同的数据类型)的条件属性数据通过数据预处理得到的数据集。由此，数据处理及分析模块130可以基于条件属性数据集A1计算条件信息粒矩阵：

其中，

以及，数据处理及分析模块130可以根据决策属性数据集确定出决策信息粒矩阵。

示例性的，决策属性数据集记为A2，是m个样本的决策属性数据通过数据预处理得到的数据集。由此，数据处理及分析模块130可以基于决策属性数据集A2计算决策信息粒矩阵：

其中，

得到条件信息粒矩阵和决策信息粒矩阵后，数据处理及分析模块130可以基于条件信息粒矩阵和决策信息粒矩阵确定出每个数据指标的权重值。

在本实施例中，数据处理及分析模块130可以根据条件信息粒矩阵和决策信息粒矩阵，确定出包含度矩阵，其中，包含度矩阵用于表征条件信息粒矩阵和决策信息粒矩阵之间的粒关系。

示例性的，数据处理及分析模块130可以计算条件信息粒矩阵X

而后，数据处理及分析模块130可以根据包含度矩阵，确定出条件信息粒矩阵对决策信息粒矩阵的区分度。

示例性的，数据处理及分析模块130可以计算：

H

再通过以下方式确定出条件信息粒矩阵X

为了实现多个指标的区分度计算，可以依次且仅删除一个数据指标i(i＝1,2,…,n)，并重复上述步骤(从计算条件信息粒矩阵和决策信息粒矩阵开始)，依次得到每个数据指标对应的区分度

得到每个数据指标对应的区分度后，数据处理及分析模块130可以根据区分度，确定出不同数据指标的重要度，并进一步确定出不同数据指标的权重值。

示例性的，数据处理及分析模块130可以计算数据指标的重要度：

由此，可以进一步计算出数据指标的权重值：

这样可以得到每个金融公司中每个数据指标的权重值，进一步得到数据指标权重集合

通过条件信息粒矩阵和决策信息粒矩阵确定出包含度矩阵(反映二者之间的粒关系)，而后根据包含度矩阵，确定出条件信息粒矩阵对决策信息粒矩阵的区分度，再确定出不同数据指标的重要度，并进一步确定不同数据指标的权重值，且得到的权重值完备、客观而公正，有利于提升信用评价的准确性，从而可靠地实现信用风险预警。

得到每个金融公司中每个数据指标的权重值(或者数据指标权重集合)后，信用预警输出模块140可以执行步骤S40。

步骤S40：基于所述条件属性数据集和每个数据指标的权重值，确定出每个金融公司的信用评分；以及，在任一信用评分小于预设预警分值时，生成并输出预警信息，所述预警信息用于提示用户该信用评分对应的金融公司存在信用风险。

在本实施例中，信用预警输出模块140可以基于条件属性数据集和每个数据指标的权重值，确定出每个金融公司的信用评分。

示例性的，信用预警输出模块140可以定义变量存储m个样本和n个数据指标：double A[m][n]，G[m]，W[n]。而后，信用预警输出模块140可以计算每个样本分值G[i]：

确定出每个金融公司的信用评分后，信用预警输出模块140可以在任一信用评分小于预设预警分值时，生成并输出预警信息。

示例性的，信用预警输出模块140可以计算m个样本分值的平均值average(即多个金融公司的信用评分的均值)，以此作为预设预警分值，当然，再其他一些可能的实现方式中，预设预警分值也可以是预先设定的，例如，一个设定的分值60分、40分等，此处不作限定。

而后，信用预警输出模块140可以判断G[i]是否小于均值，若真，则输出G[i]。那么，G[i]对应的第i个样本(金融公司)就是信用评价预警的对象。

例如，请参阅图10，图10为本申请实施例提供的信用预警输出模块140运行的流程图。

由此，信用预警输出模块140可以实现对金融公司的信用风险预警。

此处提供一个实证分析的例子：

第一步：获取数据。

在上海证券交易所官网抓取上市公司公开数据，由图3流程图得到原始数据。

第二步：数据预处理。

财务数据的数据预处理：

资产负债率数据预处理：40％至60％之间的数据赋值为1，其他为0；

流动比率数据预处理：1.5至2之间的数据赋值为1，其他为0；

速动比率数据预处理：0.8至1.2之间的数据赋值为1，其他为0；

流动资产周转率数据预处理：大于2数据赋值为1，其他为0；

总资产周转率数据预处理：80％以上数据赋值为1，其他为0；

净资产收益率数据预处理：大于10％数据赋值为1，其他为0；

累计财务六个指标数值得到财务数据a1。

公司规模数据的数据预处理：

公司总资产10亿元以下赋值为1；10-100亿元赋值为2；100亿元以上赋值为3；

注册资金5亿元以下赋值为1；5-10亿元赋值为2；10亿元以上赋值为3；

营业收入50万元以下是微型企业，赋值为1；50-500万元是小型企业，赋值为2；500万元-2亿元是中型企业，赋值为3；

由于个别上市公司职工数据缺省，舍去该指标；

累计公司总资产、注册资金、营业收入三个指标数值，得到公司规模数据a2。

独董占比数据的数据预处理：

独董占比＝独董人数/董事会人数

得到独董占比数据a3。

公司管理经验数据的数据预处理：

高管学历的数据预处理：本科赋值为1，硕士赋值为2，博士赋值为3，MBA赋值为4；

高管平均学历＝(高管+董事会)总学历/(高管+董事会)总人数；

高管平均任职年限＝(高管+董事会)任职总年/(高管+董事会)总人数；

公司管理经验数据＝高管平均学历+高管平均任职年限；

得到公司管理经验数据a4。

监管措施数据的数据预处理：

见图7流程图，得到监管措施数据a5。

审计意见数据的数据预处理：

见图8流程图，得到审计意见数据a6。

第三步：数据处理及分析。

利用公式(1)得到条件信息粒矩阵：

利用公式(2)得到决策信息粒矩阵：

利用公式(3)(4)(5)，得到条件信息粒矩阵和决策信息粒矩阵的区分度：

第四步：信用预警。

利用权重值与条件属性数据集的矩阵乘积，得到各个金融公司的信用风险分值及排名，其中排名最后三个是样本12、6、7，设备给出预警提示。进一步分析这三个风险样本，发现它们的共同点是：财务指标数据均不符合有效区间，财务分值过低；公司规模小；高管入职时间短，管理公司经验不足；多次收到监管措施文段如监管关注和通报批评。

由此可以得知，利用本申请实施例提供的金融公司的信用风险预警系统进行信用预警，可以取得很好的信用预警效果。

请参阅图11，图11为本申请实施例提供的一种电子设备200的结构框图。

在本实施例中，电子设备200可以为终端，例如智能手机、平板电脑、个人电脑等；电子设备200也可以为云端服务器，例如云服务器、网络服务器、服务器集群等，此处不作限定。

示例性的，电子设备200可以包括：通过网络与外界连接的通信模块220、用于执行程序指令的一个或多个处理器240、总线230和不同形式的存储器210，例如，磁盘、ROM、或RAM，或其任意组合。存储器210、通信模块220、处理器240之间可以通过总线230连接。

示例性的，存储器210中存储有程序。处理器240可以从存储器210调用并运行这些程序，从而便可以通过运行程序而实现金融公司的信用风险预警方法。

本申请实施例还提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行本实施例中的金融公司的信用风险预警方法。

综上所述，本申请实施例提供一种金融公司的信用风险预警系统、方法、介质及设备，信用风险预警系统100的数据采集模块110从网络公开数据中获取多个金融公司的条件属性数据(既包括定量类型的财务数据、公司规模数据、独董占比数据、公司管理经验之高管入职年份，又包括定性类型的公司管理经验之公司管理经验文段、监察措施文段、审计意见文段)和决策属性数据(风险评价标记文段)。除财务指标外，金融公司其他的一些定量指标不容忽视，例如公司规模、独董比例、公司管理经验等，这些指标能非常客观地反映出金融公司实力和管理能力。而有些定性指标对于金融公司的风险评价也是非常重要的，例如监管措施和审计意见，这些指标刻画了金融公司的信息披露质量。在资本市场中，信息披露扮演着维护产权基础性功能的关键角色，起着保障性的作用。对投资者来说，金融公司的信息披露有着重要的参考价值，投资公众从公司信息披露中提取有用信息，为自己的投资项目提供数据理论上的支持。因此，真实可靠、详细具体的信息披露对投资公众来说具有非常重要的意义。本方案考虑了这些定性指标，并对这些定性指标进行量化赋值。同时为了尽可能保留原数据集的信息，得到客观的指标权重，本方案通过粒矩阵(即条件信息粒矩阵和决策信息粒矩阵)的方式，能够客观而全面地确定各个评价指标的权重，从而避免了在赋予评价指标权重过程中的人为主观因素影响，并且能够保证数据的全面性(区别于传统的因子分析法中的数据不全面问题)，使得得到的每个金融公司的信用评分具有很高的准确性和可靠性。从而能够在任一信用评分小于预设预警分值时，生成并输出预警信息，提示用户(或投资者)，该金融公司可能存在信用风险，起到可靠的信用风险预警作用。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件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。

再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。