[发明专利]基于DBN和RL的财务数据分析方法、系统及模型训练方法

说明书

本发明公开了基于DBN和RL的财务数据分析方法、系统及模型训练方法，属于财务数据分析技术领域，可以实现将深度信念神经网络与强化学习的优势相互结合，为企业财务数据分析提供一种效率更高的方法，使企业财务分析更精确，间接提升企业收益，提高对财务数据的采集分类以及处理分析效率及质量，同时在财务分析系统内设置数据修正模块和数据模拟模块，通过数据预测模块对企业的财务数据分析结果进行预测，并提出修正方案，且模拟企业财务运行，直至最终的输出结果为正向或者符合企业财务计划，然后作为企业的财务计划指导，提高企业的盈利和企业财务分析效率，企业财务管理领域智能一体化发展。

技术领域

本发明涉及财务数据分析技术领域，更具体地说，涉及基于DBN和RL的财务数据分析方法、系统及模型训练方法。

背景技术

财务报表的数据可以真实反映出一个企业当前的运营情况，为信贷、投资、审计等业务提供数据参考。从财务报表角度出发，财务数据作为一项定量指标，可以对企业运营情况加以科学界定。相比于市场中的其他信息，财务报表所展现的数据一般以定量指标为主，在形式上同市场分析、行业评估以及政策分析等内容存在明显差异，更具合理性和精准性，能够真实反映出企业的实际情况。同时由于企业具有相同的会计基础，使得同行业中不同企业之间财务数据能够进行横向比较，有利于机构对企业当前所处的市场环境及行业地位进行客观评估。

财务报表分析的主要依据是财务报表的数据资料。在实务中，每个季度，相应业务人员需要从客户那里收集财务报表，可能是纸质、EXCEL、PDF、传真等各种格式，再经由人工录入财务分析系统中。

然而，由于处理的数据量级大且需求急迫，业务人员的财务报表认识并不全面，在进行财务报表数据转录的过程中，存在一定的片面性和主观性，给后续财报分析的可信度和工作落实增加难度。

另外传统的神经网络仍存在一些局限：传统的神经网络一般都是单隐层，最多两个隐层，因为一旦神经元个数太多、隐层太多，模型的参数数量迅速增长，模型训练的时间非常之久；传统的神经网络，随着层数的增加，采用随机梯度下降的话一般很难找到最优解，容易陷入局部最优解。在反向传播过程中也容易出现梯度弥散或梯度饱和的情况，导致模型结果不理想；随着神经网络层数的增加，深度神经网络的模型参数很多，就要求在训练时需要有很大的标签数据，因为训练数据少的时候很难找到最优解，也就是说深度神经网络不具备解决小样本问题的能力。

在上述问题之外现有的企业财务终端只能实现对企业财务信息进行分析整理，不具备对信息进行模拟处理的能力，使得企业的财务管理需要人为修正，从而降低企业财务信息的安全性，且降低企业财务分析效率和财务终端的智能化。

发明内容

1.要解决的技术问题

针对现有技术中存在的问题，本发明的目的在于提供基于DBN和RL的财务数据分析方法、系统及模型训练方法，可以实现将深度信念神经网络与强化学习的优势相互结合，为企业财务数据分析提供一种效率更高的方法，使企业财务分析更精确，间接提升企业收益，提高对财务数据的采集分类以及处理分析效率及质量，同时在财务分析系统内设置数据修正模块和数据模拟模块，通过数据预测模块对企业的财务数据分析结果进行预测，并提出修正方案，且模拟企业财务运行，直至最终的输出结果为正向或者符合企业财务计划，然后作为企业的财务计划指导，提高企业的盈利和企业财务分析效率，企业财务管理领域智能一体化发展。

2.技术方案

为解决上述问题，本发明采用如下的技术方案。

基于DBN和RL的财务数据分析方法，包括以下步骤：

S1、企业财务人员在财务终端管理员的许可下进入财务终端，并注册账号和完成登录；

S2、企业财务人员对企业的财务数据进行采集和分类并录入企业财务数据库，通过财务数据处理器对财务数据进行处理和分析，并形成财务报表储存在企业财务数据库内；