[发明专利]一种上市公司经营异常智能审查方法及装置

权利要求书

1.一种上市公司经营异常智能审查方法，其特征在于，包括如下步骤：

S1：特征提取

提取待审查公司同领域所有上市公司的业务构成特征、收支比特征，结合业务构成特征和收支比特征构建组合特征；

S2：期望特征生成

生成收支比期望特征，拟合预测组合期望特征；

S3：计算偏离度

计算业务构成特征偏离度、收支比期望特征偏离度以及组合期望特征偏离度；

S4：基于S3中各偏离度计算待审查公司经营的异常值；

S5：设定经验阈值，异常值大于或等于经验阈值则标记审查公司经营异常；

所述S1中，从待审查公司同领域所有上市公司公告数据中提取业务构成数据，汇制成业务构成清单，基于one-hot表征与待审查公司同领域所有上市公司的业务构成特征；

所述收支比特征进行Min-max标准化处理后，采用生成对抗神经网络生成待审查公司同领域所有公司的收支比期望特征；

所述业务构成特征和所述收支比期望特征组合构建组合特征，采用自回归方法拟合历史组合特征值，并预测待审查公司当年组合特征的期望特征值；

所述S4中，异常值计算通过对业务特征偏离度、收支比期望特征偏离度以及组合期望特征偏离度设置不同权重，进行加权平均计算；

所述S2中，期望特征生成的过程包括如下步骤：

S21：收支比期望特征的生成

采用生成对抗神经网络生成待审查公司同领域其他公司的收支比特征的期望特征值Ex(IE)={Ex(ie₁),Ex(ie₂),…,Ex(ie_n)}；

其中，生成对抗神经网络包括生成器G和判别器D，生成器由全连接层的输入层和输出层构成，输入层输入维度为10的初始化随机变量，输出层生成收支比特征向量；判别器由全连接层的输入层和输出层构成，输入层输入真实收支比特征向量或生成器生成的收支比特征向量，输出层输出生成样本和真实样本的置信度向量；

其中，生成器和判别器的全连接层采用Logistic激活函数激活，即：

Logistic=1/(1+exp{-ΣW·IE})；

式中，W表示神经元连接的权值；

生成器中权值更新采用梯度上升法，判别器中权值更新采用梯度下降法，其中学习率α=0.1；刻画标签y表示生成器生成样本y=0或真实样本y=1；

判别器中全连接层输出后使用交叉熵作为损失函数，即：

LOSS=-y·log(Logistic(W·IE))-(1-y)·log(1-Logistic(W·IE))；

通过生成对抗神经网络训练待审查公司同领域其他公司的收支比特征向量，生成对抗神经网络模型收敛时生成器中输出层输出的收支比特征向量即为收支比期望特征Ex(IE)；

S22：组合特征自回归期望特征的计算

采用滚动自回归方法拟合历史组合特征值C_i,T={C_i,^T₀,C_i,^T₁,…,C_i,^T_t-1}，利用所有历史组合特征值拟合C_i,T-1={C_i,^T₀,C_i,^T₁,…,C_i,^T_t-2}中的每一项特征值，采用多元线性回归进行拟合，拟合后得到多元线性回归模型权重系数Q，即：

Q·C_i,T-1=C_i,t-1

= Q·C_i,T-1·C_i,^T_T-1=C_i,t-1·C_i,^T_T-1

= Q=(C_i,t-1·C_i,^T_T-1)·(C_i,T-1·C_i,^T_T-1)^-1

依据权重系数Q，进而通过输入历史组合特征值C_i,T={C_i,^T₀,C_i,^T₁,…,C_i,^T_t-1}，预测待审查公司当前组合期望特征值Ex(C_i,t)=Q·C_i,T。