CN106067094A - 一种动态评估方法及*** - Google Patents

Abstract

本发明公开了一种动态评估方法及***，该方法包括：预先建立基于智能决策支持系的动态评估模型***，动态评估模型***包括：基于远程数据搜索模式的开放式动态数据库***、分类模型库***、智能评估***、以及基于单接口封装的可视化评估框架的人机交互***。智能评估***用于调用、管理动态数据库***及分类模型库***，并与人机交互***进行信息交互。智能评估***通过判断评估对象的类别并据此选择评估模型及相关的评估参数，并在评估模型库中选取最优模型对待评估的公司进行股权评估。通过实施本发明能够搭建一个融通的评估平台，结合具有简单便捷的相对估值法与客观准确的绝对估值法，形成一套完整的智能动态评估体系。

Description

一种动态评估方法及***

技术领域

本发明涉及计算机智能评估技术领域，特别涉及一种动态评估方法及动态评估模型***。

背景技术

近年来，智能决策支持系(IDSS，Intelligent Decision Support System)己成为***工程与计算机应用领域中的重要研究课题。通过众多相关专家、学者的不断探索和研究，IDSS在学术界的理论研究和国民经济的实际应用中得到了迅猛发展。自IDSS开发以来，与它的理论研究相比，实际应用工作开展得更早，它广泛用于企业管理、***开发、经济分析与规划、战略研究、资源管理、投资规划等方面，支持各类决策问题的决策支持***大量出现并已投入使用。

概括来讲，IDSS是以管理科学、运筹学、控制论和行为科学为基础，以计算机技术、人工智能技术和信息技术为手段，智能化地支持决策活动的计算机***。它通过人机对话进行分析、比较和判断，进而识别问题，建立或修改模型，帮助决策者明确决策目标，为决策者提供各种方案并对其进行评价和优选，为正确决策提供有益帮助。

但是，智能财务***还大多局限在利用图表对现有状况进行描述，在解决企业普遍的管理与决策问题方面仍然处于研究探索阶段。这里，以企业股权价值评估为例，目前的股权价值评估主要基于评估参与者对大量财务数据的分析，以评估参与者自身的知识、经验、技术等因素为基础对股权价值进行非常主观的评估，这样做既费时又耗力，而且不够准确、智能。

发明内容

有鉴于此，本发明实施例的目的在于提出一种动态评估方法及动态评估模型***，设计一种智能动态的评估体系，能够实现高效精准的评估。

进一步来讲，该动态评估方法包括以下步骤：预先建立基于智能决策支持系(IDSS)的动态评估模型***，所述动态评估模型***包括：基于远程数据搜索模式的开放式动态数据库***、分类模型库***、智能评估***、以及基于单接口封装的可视化评估框架的人机交互***；所述智能评估***通过人机交互***获取评估对象的身份信息；调用所述动态数据库***，所述动态数据库***根据所述评估对象的身份信息、所述智能评估***设置的筛选条件、搜索路径及搜索关键词搜索并获取关于所述评估对象的目标数据所在的HTML源码，并对所述HTML源码进行数据解析及重构；

调用所述分类模型库***，所述分类模型库***根据所述动态数据库***获得的目标数据，提取能够反映所述评估对象的结构特征数据，对所述结构特征数据进行识别和分类分析运算；所述智能评估***根据所述分类模型库***的运算结果，判断所述评估对象是属于离群样本还是属于合群样本，并选取对应的最优评估模型对所述评估对象进行评估；若所述评估对象属于合群样本，则根据所述分类分析结果及设置的评估参数，在所述分类模型库***中调用与所述评估对象相匹配的评估模型，采用相对估值方式，对所述评估对象进行评估，并输出评估结果；若所述评估对象属于离群样本，则根据所述分类分析结果及设置的评估参数，采用绝对估值方式，对所述评估对象进行评估，并输出评估结果。

可选地，在一些实施例中，所述动态数据库***根据所述评估对象的身份信息、所述智能评估***设置的筛选条件、搜索路径及搜索关键词搜索并获取关于所述评估对象的目标数据所在的HTML源码，并对所述HTML源码进行数据解析及重构包括：根据所述评估对象的身份信息选定评估对象，获取预先设置的对应的筛选条件、搜索路径及搜索关键词；所述动态数据库***采用基于开放式爬虫算法的远程在线数据库建库模式，当所述评估对象选定后，通过开放式爬虫算法根据评估对象相关信息以及预设的URL站点搜索评估所需数据，以关键词响应的方式访问一个或多个远程服务器端口，搜集并下载相应的目标数据所在的HTML源码；其中，所述远程服务器端口存储在所述动态数据库***中，通过URL调用的方式访问目标页面；通过正则表达式字符串特征分类的方式解析、下载所述HTML源码到本地服务器，从而形式一个动态的临时远程在线数据库；其中，所述正则表达式与所述目标数据的关键词相匹配。

可选地，在一些实施例中，所述分类模型库***根据所述动态数据库***，提取能够反映所述评估对象的结构特征数据，对所述结构特征数据进行识别和分类分析包括：采用预先建立的数据分析模型对所述评估对象的结构特征数据进行提取；其中，所述数据分析模型包括用于对所述评估对象的进行特征压缩和维度归约的主成分分析(PCA)模型；采用预先建立的混合模型对所述评估对象进行分类分析；其中，所述混合模型包括：层次聚类模型和支持向量机(SVM)模型，所述层次聚类模型用于识别所述评估对象与同类参考对象的关联程度、并为这种关联程度打上关联标签的层次聚类模型；支持向量机(SVM)模型用于根据所述关联标签判断所述评估对象是否能匹配到可作为评估参考的同类参考对象，如果所述评估对象能匹配到可作为评估参考的同类参考对象，则所述评估对象属于合群样本，否则所述评估对象属于离群样本。

可选地，在一些实施例中，所述分类模型库用于为所述智能评估***提供其存储的各类模型，所述分类模型库还配置有模型库管理***，所述模型库管理***用于对存储的模型进行模型提取、访问、更新和合成操作；其中，所述分类模型库针对同类参考对象设置有专用模型、例行分析模型、组合模型以及临时模型；所述分类模型库还配置有模型库管理***，所述模型库管理***包括构造管理模块、存取管理模块、运行管理模块，还设置有模型字典、内部数据库和外部数据库，用于管理、调用、配置所述分类模型库中的相关模型。

可选地，在一些实施例中，所述评估对象为目标企业的股权价值，所述评估对象的身份信息为公司名字或股票代码；所述相对估值方式包括市盈率(P/E)模型、市净率(P/B)模型及市销率(P/S)模型；所述智能评估***根据基于理论知识和专家经验设计的评估参数，选取对应的最优评估模型对属于合群样本的评估对象进行股价价值评估；所述绝对估值方式包括净现金流折现(NPV)模型、实物期权(ROpt.)估值模型；所述智能评估***根据基于理论知识和专家经验设计的评估参数，选取对应的最优评估模型对属于离群样本的评估对象进行股价价值评估；其中，所述层次聚类模型为用于分析相关企业关联度的Kmeans聚类模型。

可选地，在一些实施例中，所述智能评估***设置的筛选条件为基于理论知识和专家经验设计出来的逻辑推理原则，以代码形式封装于所述智能评估***，并按顺序进行编码，可被规格化、***化的调用。

为实现上述动态评估方法，本发明还提出一种动态评估模型***。进一步来讲，该动态评估模型***包括：人机交互***，基于单接口封装，具有可视化评估框架，设置有人机交互界面及结果输出显示界面；动态数据库***，基于远程数据搜索模式，具有开放式动态在线数据库，用于根据所述评估对象的身份信息、所设置的筛选条件、搜索路径及搜索关键词搜索并获取关于所述评估对象的目标数据所在的HTML源码，并对所述HTML源码进行数据解析及重构；分类模型库***，用于根据所述动态数据库***获得的目标数据，提取能够反映所述评估对象的结构特征数据，对所述结构特征数据进行识别和分类分析运算；智能评估***，用于根据所述分类模型库***的运算结果，判断所述评估对象是属于离群样本还是属于合群样本，并选取对应的最优评估模型对所述评估对象进行评估；当所述评估对象属于合群样本时，用于根据所述分类分析结果及设置的评估参数，在所述分类模型库***中调用与所述评估对象相匹配的评估模型，采用相对估值方式，对所述评估对象进行评估，并输出评估结果；以及，当所述评估对象属于离群样本时，用于根据所述分类分析结果及设置的评估参数，采用绝对估值方式，对所述评估对象进行评估，并输出评估结果。

可选地，在一些实施例中，所述动态数据库***包括：开放式的远程在线数据库、本地数据库及数据库管理***；所述动态数据库***采用开放式爬虫算法作为建库引擎；和/或，所述分类模型库***包括分类模型簇以及模型库管理***，所述分类模型簇为所述智能评估***提供其存储的各类模型，所述模型库管理***用于对存储的模型进行模型提取、访问、更新和合成操作；所述分类模型库***用于采用预先建立的数据分析模型对所述评估对象的结构特征数据进行提取、以及用于采用预先建立的混合模型对所述评估对象进行分类分析；其中，所述分类模型簇包括数据分析模型，所述数据分析模型包括用于对所述评估对象的进行特征压缩和维度归约的主成分分析(PCA)模型；所述混合模型包括：层次聚类模型和支持向量机(SVM)模型，所述层次聚类模型用于识别所述评估对象与同类参考对象的关联程度、并为这种关联程度打上关联标签的层次聚类模型；支持向量机(SVM)模型用于根据所述关联标签判断所述评估对象是否能匹配到可作为评估参考的同类参考对象，如果所述评估对象能匹配到可作为评估参考的同类参考对象，则所述评估对象属于合群样本，否则所述评估对象属于离群样本；所述分类模型簇还包括股权价值评估模型，所述股权价值评估模型包括：第一模型库中的市盈率(P/E)模型、市净率(P/B)模型、市销率(P/S)模型；以及，第二模型库中的净现金流折现(NPV)模型、以及实物期权(ROpt.)；其中，所述第一模型库和所述第二模型库中各模型的调用条件由所述智能评估***设置的评估参数决定。

可选地，在一些实施例中，所述智能评估***用于调用、管理所述动态数据库***及分类模型库***，并与所述人机交互***进行信息交互；所述智能评估***包括：本体领域模块，用于提供对相关理论的共享概念模型和形式化规范说明；逻辑推理模块：用于提供相关理论与对应的逻辑关系的匹配方式；任务计算模块：用于根据确定的估值模型进行计算并将计算结果输出。

可选地，在一些实施例中，所述智能评估***设置的筛选条件为基于理论知识和专家经验设计出来的逻辑推理原则，以代码形式封装于所述智能评估***，并按顺序进行编码，可被规格化、***化的调用。

相对于现有技术，本发明各实施例具有以下优点：

采用本发明实施例的技术方案后，通过引入信息搜索、数据挖掘、专家知识推理等技术，针对上市公司股权价值建立一套基于IDSS的动态评估模型***，该动态评估模型***包括动态数据库***、分类模型库***、智能评估***以及人机交互***。其中，智能评估***用于调用、管理所述动态数据库***及分类模型库***，并与所述人机交互***进行信息交互。智能评估***采用一种基于二叉树的条件判断来对估值模型的选用进行推理筛选，来判断评估对象与参考评估模型是否存在着较高的相似度，并在评估模型库中选取最优模型对待评估的公司进行股权评估。本发明采用数学逻辑和算法推演，搭建一个融通的评估平台，结合具有简单化、便捷化与时效化等特征的相对估值法与具有客观性、准确性及完备性等特征绝对估值法，形成一套完整的智能动态评估体系。而且通过设计一种开放式的远程在线数据库***，在作价值评估时，不需要人工去收集评估所需要的数据，并通过正则表达式将网路上爬取的非结构化数据解析为结构化数据，最后将获取的结构化数据下载到本地的一个临时数据库，作为评估的数据支持。这样既规避了传统人力评估所产生的主观误差，又最大限度的降低了评估过程所照成的成本损耗，将人力从繁重的评估工作中解放出来。

本发明实施例的更多特点和优势将在之后的具体实施方式予以说明。

附图说明

构成本发明实施例一部分的附图用来提供对本发明实施例的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例提供的动态评估方法的流程示意图；

图2为本发明实施例提供的动态评估模型***的组成框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明实施例及实施例中的特征可以相互组合。

下面结合附图，对本发明的各实施例作进一步说明：

方法实施例

为解决，本发明实施例提出一种动态评估方法，参照图1所示的流程示意图，该方法包括以下处理步骤：

S102：预先建立基于智能决策支持系(IDSS)的动态评估模型***，动态评估模型***包括：基于远程数据搜索模式的开放式动态数据库***、分类模型库***、智能评估***、以及基于单接口封装的可视化评估框架的人机交互***。

S104：智能评估***通过人机交互***获取评估对象的身份信息。

其中，人机交互***采用单接口封装的可视化评估框架(SIPVF)的I/O设计架构，可极大地简化评估过程，提高评估的效率。

S106：调用动态数据库***，动态数据库***根据评估对象的身份信息、智能评估***设置的筛选条件、搜索路径及搜索关键词搜索并获取关于评估对象的目标数据所在的HTML源码，并对HTML源码进行数据解析及重构。

本步骤中，动态数据库***采用的是基于开放式爬虫算法的在线数据库建库模式，采用这样的在线数据库建库模式建立的数据仓库是动态的、面向对象的，即当评估对象选定后，模型库的爬虫算法会根据评估对象，以及事先设定好的URL站点搜索评估所需数据，并通过正则表达式解析、下载这些数据到本地服务器，从而形式一个动态的临时数据库。这种基于开放式爬虫算法的在线数据库的好处在于：它既提高了评估的效率，又保证评估数据的质量，并且这种建库方式适用于几乎所有上市公司。

S108：调用分类模型库***，分类模型库***根据动态数据库***获得的目标数据，提取能够反映评估对象的结构特征数据，对结构特征数据进行识别和分类分析运算；

S110：智能评估***根据分类模型库***的运算结果，判断评估对象是属于离群样本还是属于合群样本，并选取对应的最优评估模型对评估对象进行评估，若评估对象属于合群样本，则执行步骤S112；若评估对象属于离群样本，则执行步骤S114；

S112：根据分类分析结果及设置的评估参数，在分类模型库***中调用与评估对象相匹配的评估模型，采用相对估值方式，对评估对象进行评估，并输出评估结果；

S114：根据分类分析结果及设置的评估参数，采用绝对估值方式，对评估对象进行评估，并输出评估结果。

上述实施例建立了基于IDSS的上市公司股权价值评估体系的基本架构，采用数学逻辑和算法推演搭建融通的评估平台，通过判断评估对象的类别并据此选择评估模型及相关的评估参数，并在评估模型库中选取最优估值模型对待评估的公司进行股权评估，这样能够基本实现对于各类上市公司股权价值的智能化、自动化评估，结合具有简单化、便捷化与时效化等特征的相对估值法与具有客观性、准确性及完备性等特征绝对估值法，形成一套完整的智能动态评估体系，这种特例过滤型推理模式，不仅满足普通企业的评估，还能找出特殊企业所适合的股权评估模型。因此，上述实施例既规避了传统人力评估所产生的主观误差，又最大限度的降低了评估过程所照成的成本损耗，将人力从繁重的评估工作中解放出来。

作为一种可选的实施方式，上述实施例S106中，动态数据库***根据评估对象的身份信息、智能评估***设置的筛选条件、搜索路径及搜索关键词搜索并获取关于评估对象的目标数据所在的HTML源码，并对HTML源码进行数据解析及重构的步骤包括以下处理过程：

S1061：根据评估对象的身份信息选定评估对象，获取预先设置的对应的筛选条件、搜索路径及搜索关键词；

S1062：动态数据库***采用基于开放式爬虫算法的远程在线数据库建库模式，当评估对象选定后，通过开放式爬虫算法根据评估对象相关信息以及预设的URL站点搜索评估所需数据，以关键词响应的方式访问一个或多个远程服务器端口，搜集并下载相应的目标数据所在的HTML源码；其中，远程服务器端口存储在动态数据库***中，通过URL调用的方式访问目标页面；

S1063：通过正则表达式字符串特征分类的方式解析、下载HTML源码到本地服务器，从而形式一个动态的临时远程在线数据库；其中，正则表达式与目标数据的关键词相匹配。

上述实施例中，以评估对象为上市公司为例，通过采用智能的网络爬虫算法构建开放式动态数据库***，该动态数据库***将根据评估对象的名称或关键字(如：上市公司股票代码)及筛选条件等，通过一种关键词响应的方式访问一个(或几个)远程服务器端口，在互联网上对评估对象及其行业相关公司财务资料的URL(统一资源***)端口进行搜索、并通过正则表达式对Web字符串进行解析，提取关键的财务数据，并下载到本地。其中，远程服务器端口指的是一些开源的财经类数据库、门户网站、资讯中心的API端口。这些API端口将会事先被指定被保存在IDSS数据仓库的一个核心模块中，并通过URL调用的方式来访问。而这些财经类数据库、门户网站、资讯中心的API端口一般都涵盖了大量的不同类型的公司财务数据，它们分布在网站站点下的各个THML文件中，且相互之间存在关联，因此，运用爬虫算法可将其逐一找到并下载下来。

下面对正则表达式作一下说明：上述实施例中通过爬虫算法我们可以获取目标数据所在的HTML源码，然而HTML源码中包含有大量的冗余信息。通过观察可知，HTML中的代码是以字符串的形式显示，并且这些字符串大多都有特定的结构特征。由于HTML的源代码被嵌入在字符串中，无法直接将其取出并保存于本地的数据库中，因此，采用一种用于字符串匹配的语法规则(即正则表达式)，来解析HTML中源码的字符串，以便提取字符串中有用的数据。这里，正则表达式又称正规表示法(Regular Expression，在代码中常简写为regex、regexp或RE)，是一种以字符串集中各字符串的共有特征为依据的描述字符串集的方法。正则表达式可以用于搜索、编辑或者是操作文本和数据。在本文中，正则表达式被用匹配上市公司股价价值评估所需的财务数据的关键词(如下表中所示)，并根据这些关键词搜索具体的财务数据。

正则表达式转义符列表

上表给出了正则表达式常用的转义符，将利用这些转义符的组合来构成正则表达式的语法，并用这种语法来提取评估所需要的信息。

作为一种可选的实施方式，上述实施例S108中，分类模型库***根据动态数据库***，提取能够反映评估对象的结构特征数据，对结构特征数据进行识别和分类分析的步骤包括以下处理流程：

S1081：采用预先建立的数据分析模型对评估对象的结构特征数据进行提取；

其中，数据分析模型包括用于对评估对象的进行特征压缩和维度归约的主成分分析(Principal Component Analysis，PCA)模型。

S1082：采用预先建立的混合模型对评估对象进行分类分析；

其中，混合模型包括层次聚类模型和支持向量机(SVM)模型，层次聚类模型用于识别评估对象与同类参考对象的关联程度、并为这种关联程度打上关联标签的层次聚类模型；支持向量机(SVM)模型用于根据关联标签判断评估对象是否能匹配到可作为评估参考的同类参考对象，如果评估对象能匹配到可作为评估参考的同类参考对象，则评估对象属于合群样本，否则评估对象属于离群样本。

下面，对PCA模型作进一步说明：

为了对评估对象进行全面客观的分析，分别从标的上市企业的每股指标、盈利能力、成长能力、营运能力、偿债及资本结构、现金流量等6个方面84个具体财务指标出发，判断评估公司所属类别、及其与相关行业公司的关联度。然而，不可否认，这84个财务指标所构成的评估数据不仅特征维度高、冗余性强，而且指标与指标之间往往也存在着共线性。想要直接通过对这些财务指标的分析来了解评估公司及其行业相关公司的关联性却也并非易事。因此，本实施例提出了一种基于主成分分析(PCA)的特征提取模型，来对评估数据进行特征压缩和维度归约。PCA是种降维的方法，它借助于一个正交变换，将多个变量转化为少数价格综合变量(即：主成分)，其中每个主成分都是原始变量的线性组合，各主成分之间互不相关，从而这些主成分能够反映变量的绝大部分信息，且所含信息互不重叠。通过运用PCA模型，能获得更加精准的评估数据，这些数据既代表原有的数据特征，又减少的数据量、提高了模型运算效能、减少了***的复杂程度。

例如，此处可用p个特征(财务指标)来描述研究对象(评估公司及其行业相关公司)，分别用X₁,X₂,X₃,…,X_p来表示，这p个特征构成一p维向量X＝(X₁,X₂,X₃,…,X_p)^T。设该向量X的均值为μ，协方差均值为∑。假设X是以n个样本量变量组成的列向量，并且μ_k式其第k个元素的期望值，即：μ_k＝E〔X_k〕，协方差矩阵被定义为：

对X进行线性变换，考虑原始变量的线性组合：

$\left\{\begin{array}{c}{Z}_1={\mathrm{\μ}}_{11}{X}_1+{\mathrm{\μ}}_{12}{X}_2+\mathrm{...}+{\mathrm{\μ}}_{1n}{X}_n\\ Z_2={\mathrm{\μ}}_{21}{X}_1+{\mathrm{\μ}}_{22}{X}_2+\mathrm{...}+{\mathrm{\μ}}_{2n}{X}_n\\ .\\ .\\ .\\ Z_p={\mathrm{\μ}}_{p1}{X}_1+{\mathrm{\μ}}_{p2}{X}_2+\mathrm{...}+{\mathrm{\μ}}_{pn}{X}_n\end{array}\right.$

主成分是不相关d额线性组合Z₁，Z₂，…，Z_p，并且Z₁是X₁，X₂，…，X_p的线性组合中方差最大者，Z₂是与Z₁不相关的线性组合中方差最大者，……,Z_p是与Z₁，Z₂，…，Z_p-1都不相关的线性组合中方差最大者。

其中，上述对84个公司财务指标数据进行主成分分析的基本步骤如下：

第一步：选取n个与评估公司相关的上市公司，分别获得这n家公司的p＝84个财务指标，由估计样本的原始数据可得矩阵X＝〔x_i，j〕_n×p，其中x_i，j表示第i家上市公司的第j项财务指标数据。

第二步：为了消除各项财务指标之间在量纲和数量级上的差别，对财务指数进行标准化，得到标准化矩阵。标准化公式如下：y

$Y_{i,j}=\frac{X_{i,j}-\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{X}_{i,j}}{\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\Σ}}{(X_{i,j}-\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{X}_{i,j})}^2}}$

其中，i＝1，2，…，n；j＝1，2，…，p。

第三步：根据标准化数据矩阵建立协方差矩阵R，是反映标准化后的数据之间相关关系密切程度的统计指标，值越大，说明有必要对数据进行主成分分析。其中，阵R_ij为原始变量x_i与x_j的相关系数。R_ij为是对称矩阵，只需计算其上三角元素或下三角元素即可，其计算公式为：

$R_{ij}=\frac{\underset{k=1}{\overset{n}{\Σ}}(X_{kj}-X_i)(X_{kj}-X_j)}{\sqrt{\underset{k=1}{\overset{n}{\Σ}}{(X_{kj}-X_i)}^2{(X_{kj}-X_j)}^2}}$

第四步：根据协方差矩阵R求出特征值、主成分贡献率和累计方差贡献率，确定主成分个数。根据选取主成分个数的原则(即：累计贡献率达80％-90％)选取主成分个数来作为新的特征变量进行分析。

下面，对上述混合模型作进一步说明：层次聚类模型为用于分析相关企业关联度的Kmeans聚类模型。上述实施例中，采用由Kmeans聚类算法和SVM算法构成的混合模型，用于获取评估对象所处行业的关联程度。进一步来讲，先通过Kmeans聚类模型对行业企业数据进行聚类，再通过SVM模型学习这种聚类的特征结构，以便***自动判断被评估公司与同行业相关联企业的相似程度。

需要说明的是，上述实施例中，分类模型库用于为智能评估***提供其存储的各类模型，分类模型库还配置有模型库管理***，模型库管理***用于对存储的模型进行模型提取、访问、更新和合成操作。其中，分类模型库针对同类参考对象设置有专用模型、例行分析模型、组合模型以及临时模型；分类模型库还配置有模型库管理***，模型库管理***包括构造管理模块、存取管理模块、运行管理模块，还设置有模型字典、内部数据库和外部数据库，用于管理、调用、配置分类模型库中的相关模型。

上述实施例中，采用由Kmeans聚类算法和SVM算法构成的混合模型，来获取评估对象所处行业的关联程度，进而对评估公司做分类分析，下面结合一实例，对其进一步的处理过程说明如下：

这里，通过对样本公司的财务指标做PCA分析后，可得到反映公司特征变化的主成分变量，然后采用Kmeans聚类模型研究同行业相关企业的关联程度，并为这种关联程度打上标签；支持向量机(SVM)模型根据这些标签判断在被评估公司所处的行业中，是否有其相似的企业可用作为评估参考。

在动态评估模型***中，上述混合模型决定了后续的智能评估***的判断逻辑，从而决定了选用怎样的评估模型进行评估。进一步来讲，若Kmeans+SVM的混合模型判断出被评估公司与所在行业的某些企业之间存在着较强的关联性，则智能评估***将会选择相对估值模型对被评估公司进行估值；但若Kmeans+SVM混合模型判断出被评估公司并非属于某一类特定的关联性较强的企业，则智能评估***将会选择绝对估值模型对被评估公司进行估值，具体处理过程如下所示：

在Kmeans聚类模型中，首先需要定义在实例间的相似性度量，或等价地，定义距离度量。本实施例中使用的2阶范数闵氏距离(Minkowksi Distance)即：欧几里得距离来度量样本数据间的相似程度。其定义为：

$D_m(x^s,x^r)={\[\underset{j=1}{\overset{d}{\Σ}}{(x^r-x^s)}^2\]}^{\frac{1}{2}}$

通过相似度函数，能够度量出样本点之间的距离。其次，假设提取到原始数据的集合为Y＝(y₁，y₂，…，y_i),其中，i≤p＝84。Kmeans聚类的目标是要找到Z的一个划分P＝{C₁，C₂，…，C_k}，使目标函数最小：

$J={\arg }_p\min \underset{i=1}{\overset{n}{\Σ}}\underset{Z_i\∈k}{\Σ}\left|\right|y_i-v_k|{|}^2$

这里的υ_k表示为分类C_k的平均值。

采用Kmeans聚类模型对同行业相关企业的关联程度分析时，其具体处理过程如下：

(1)假设由PCA分析得到的主成分变量为Y＝(y₁，y₂，…，y_i)，从Y中随机取出k＝2个元素，作为k个簇的中心，这里k取2是因为，意在判断与评估相关的公司是否存在着关联度，若存在着给予标签+1，若不存在这打上标签-1。

(2)先计算Y中个元素的平均值，再根据前述公式分别计算各元素的到中心点的欧式距离，将这些距离分别划归到相似度最低的簇中。

(3)根据聚类结果，重新计算k个簇的中心，计算公式：其中，r_nr在数据点n被归类到k个簇时为1，否则为0。可以采用交叉迭代寻优的方式来确定υ_k、r_nr，即：先固定υ_k，对前述公式求导，当时求出极值r_nr。再固定r_nr，对υ_k求偏导，当时求出极值υ_k，反复之便能求出最优值。

(4)重复第3步，直到聚类结果不再变化。

(5)输出结果。

上述实施例通过Kmeans聚类能够获得所有相关公司的一个相似性程度的划分，并通过+1和-1进行标记。其中，若样本y_i∈C₁，则r_i＝+1，反之，若y_i∈C₂，则r_i＝-1。对于样本χ＝{y_i，r_i}。希望找到ω和ω₀使得：

r_i(ω^Ty_i+ω₀)≥1

当r_i∈{+1，-1}时，上式可以记作

$\frac{r_i({\mathrm{\ω}}^T{y}_i+{\mathrm{\ω}}_0)}{\left|\right|\mathrm{\ω}\left|\right|}\≥\mathrm{\ρ},\∀i$

其中，ρ是某个特定的值，希望其越大越好。但是缩放ω，可以得到的解的个数可以是无限多个。为了获得唯一的解，就要固定ρ||ω||＝1，这样为了最大边缘化，就要最小化｜｜ω｜｜，因此，可得出如下最优分离超平面：

采用Lagrange乘子将其转换为非约束优化问题，即：

$L=\frac{1}{2}\left|\right|\mathrm{\ω}|{|}^2-\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i\[({\mathrm{\ω}}^T{y}_i-{\mathrm{\ω}}_0)-1\]-\frac{1}{2}|\left|\mathrm{\ω}\right|{|}^2-\underset{i}{\Σ}{\mathrm{\α}}_i{r}_i({\mathrm{\ω}}^T{y}_i+{\mathrm{\ω}}_0)+\underset{i}{\Σ}{\mathrm{\α}}_i$

方程关于ω和ω₀最小化，关于α_i≥0最大化，鞍点出给出了解值。

方程为一凸二次优化问题，因此可使用Karush-Kuhn-Tucker条件解其对偶问题，对偶问题是关于α_i最大化L_p，受限于约束ω和ω₀，分别对其偏导为0时的值：

$\frac{\∂L_p}{\∂\mathrm{\ω}}=0\⇒\mathrm{\ω}=\underset{i}{\Σ}{\mathrm{\α}}_i{r}_i{y}_i$

$\frac{\∂L_p}{\∂{\mathrm{\ω}}_0}=0\⇒\underset{i}{\Σ}{\mathrm{\α}}_i{r}_i=0$

将其代入公式，得出对偶问题：

$\begin{array}{c}{L}_d=\frac{1}{2}\left({\mathrm{\ω}}^T\mathrm{\ω}\right)-{\mathrm{\ω}}^T\underset{i}{\Σ}{\mathrm{\α}}_i{r}_i{y}_i-{\mathrm{\ω}}_0\underset{i}{\Σ}{\mathrm{\α}}_i{r}_i+\underset{i}{\Σ}{\mathrm{\α}}_i\\ =\frac{1}{2}\left({\mathrm{\ω}}^T\mathrm{\ω}\right)+\underset{i}{\Σ}{\mathrm{\α}}_i=\frac{1}{2}\underset{i}{\Σ}\underset{j}{\Σ}{\mathrm{\α}}_i{\mathrm{\α}}_j{r}_i{r}_j{\left(y_i\right)}^T{y}_i+\underset{i}{\Σ}{\mathrm{\α}}_i\end{array}$

这样只需关注α_i对L_d的最大化即可，其受限于约束：一旦解出了α_i的具体值，可以看到尽管它们有N个，但是多半以α_i＝0的形式消失了，只有少量满足α_i≥0的向量的集合，构成了所谓的“支持向量”，这些支持向量确立了问题的一个分类，这样就建立了样本与分类结果的一个映射关系，根据这个映射函数就能算出评估的目标企业与哪些样本企业之间存在着相似度关系。

因此，通过Kmeans聚类，能获得所有相关公司的一个标记，这个标记维一地决定了样本公司之间的相似性程度，然后通过SVM来学习这个标记，让其在样本和分类之间建立一个合理的映射，这个映射关系能够帮助判断，特定样本是否属于一个关联性较强的群内。这样做的好处在于：当在对公司进行股权价值评估时，可以先通过SVM算法来判断是否有与目标公司财务状况相似的公司。若存在相似的公司，相对的估值模型将会被用于股权价值的评估，若不存在相似的公司，则绝对的估值模型才会被采用。

作为一种可选的实施方式，上述实施例中，评估对象为上市企业的股权价值，评估对象的身份信息为公司名字或股票代码。上述智能评估***采用一种基于二叉树的条件判断来对估值模型的选用进行推理筛选，上述智能评估***会首先会根据分类模型簇的运算结果，来判断被评估公司是否有与同行业相关公司存在着较高的相似度，并在估值模型库中选取最优模型对待评估的公司进行股权评估。

作为一种可选的实施方式，上述实施例中，相对估值方式包括市盈率(P/E)模型、市净率(P/B)模型及市销率(P/S)模型；智能评估***根据基于理论知识和专家经验设计的评估参数，选取对应的最优评估模型对属于合群样本的评估对象进行股价价值评估。

作为一种可选的实施方式，上述实施例中，绝对估值方式包括净现金流折现(NPV)模型、实物期权(ROpt.)估值模型；智能评估***根据基于理论知识和专家经验设计的评估参数，选取对应的最优评估模型对属于离群样本的评估对象进行股价价值评估。

作为一种可选的实施方式，上述实施例中，智能评估***设置的筛选条件为基于理论知识和专家经验设计出来的逻辑推理原则，以代码形式封装于智能评估***，并按顺序进行编码，可被规格化、***化的调用。

上述各实施例通过引入信息搜索、数据挖掘、专家知识推理等技术，针对上市公司股权价值，建立了一套基于IDSS的动态评估模型***以及动态评估方法。采用数学逻辑和算法推演，搭建一个融通的评估平台，结合具有简单化、便捷化与时效化等特征的相对估值法与具有客观性、准确性及完备性等特征绝对估值法，形成一套完整的智能动态评估体系。这样既规避了传统人力评估所产生的主观误差，又最大限度的降低了评估过程所照成的成本损耗，将人力从繁重的评估工作中解放出来。

需要说明的是，对于前述的方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明所必需的。

***实施例

为实现上述方法，本发明提出一种动态评估模型***，参照图2所示的该***的组成框图，该动态评估模型***包括以下组成：

1)人机交互***，基于单接口封装，具有可视化评估框架，设置有人机交互界面及结果输出显示界面；

2)动态数据库***，基于远程数据搜索模式，具有开放式动态在线数据库，用于根据评估对象的身份信息、所设置的筛选条件、搜索路径及搜索关键词搜索并获取关于评估对象的目标数据所在的HTML源码，并对HTML源码进行数据解析及重构；

3)分类模型库***，用于根据动态数据库***获得的目标数据，提取能够反映评估对象的结构特征数据，对结构特征数据进行识别和分类分析运算；

4)智能评估***，用于根据分类模型库***的运算结果，判断评估对象是属于离群样本还是属于合群样本，并选取对应的最优评估模型对评估对象进行评估；当评估对象属于合群样本时，用于根据分类分析结果及设置的评估参数，在分类模型库***中调用与评估对象相匹配的评估模型，采用相对估值方式，对评估对象进行评估，并输出评估结果；以及，当评估对象属于离群样本时，用于根据分类分析结果及设置的评估参数，采用绝对估值方式，对评估对象进行评估，并输出评估结果。

上述实施例中，人机交互***采用单接口封装的可视化评估框架(SingleInterface Package Visualization Framework，SIPVF)，这样可以使得面向对象的公司股权价值评估过程变得简洁明了。例如，在传统的公司股价价值评估中，评估人员不仅要掌握评估相关的财务知识与企业价值理论，而且还要在评估前对所评公司的具体状况(如：公司的行业性质、公司的财务指标、同类企业的经营状况、市场的经济环境等)进行数据收集与整理，并根据这些数据做出具体的分析；而SIPVF采用的单接口封装技术则最大限度地规避了这样的问题。单接口封装是指，我们将整个动态评估的处理机制(包括：动态数据库***、分类模型库***、智能评估***的建立与运用)全部隐藏于***内部，只预留一个外接的输入端口。评估人员只需向***输入评估对象(上市公司)的名称或股票代码，动态评估模型***便能完成从评估数据收集，到数据分类分析，再到财务模型选取，以及到股权价值评估，直到评估结果输出的全过程。因此，采用这种面向对象的单接口封装技术，可评估***便于操作，帮助那些即使不了解股权评估理论的人员也能对相应的评估对象做出合理的估值。

此外，动态评估模型***的SIPVF采用可视化框架技术，帮助使用动态数据库***的评估人员能够明确、直观地了解到在动态评估模型***中，股权价值的评估结果受到哪些具体因素的影响、以及影响程度有多大，从而帮助决策人员在后续的企业战略分析中，做出相应的决策判断。本实施例中，可视化框架是采用仿射投影(Affine Transformation)、降维(Re-dimensional)等方式来分析多维数据的全局信息，这使得决策人员能够更加直观轻松的进行数据分析。

作为一种可选的实施方式，上述实施例中，动态数据库***包括：开放式的远程在线数据库、本地数据库及数据库管理***；动态数据库***采用开放式爬虫算法作为建库引擎。

其中，动态数据库***采用的是一种基于开放式爬虫算法的在线数据仓库。该数据仓库的设计思路在于：本实施例采用的是一种开放式的远程在线数据仓库，在作价值评估时，与传统的本地数据仓库不同，并不需要人工去收集评估所需要的数据，而是采用一种预先设计好的爬虫算法会在指定的一个(或几个)开放式的远程服务器端口(如：大型综合类财经网站的API端口)搜索相应的评估数据，再通过正则表达式将网路上爬取的非结构化数据解析为结构化数据，最后将获取的结构化数据下载到本地的一个临时数据库，作为股权估值的数据支持。

作为一种可选的实施方式，上述实施例中，分类模型库***包括分类模型簇以及模型库管理***，分类模型簇为智能评估***提供其存储的各类模型，模型库管理***用于对存储的模型进行模型提取、访问、更新和合成操作。分类模型库***用于调用预先建立的分类模型簇中的数据分析模型，对评估对象的结构特征数据进行提取；以及，用于采用预先建立的混合模型对评估对象进行分类分析。

进一步来讲，上述实施例中，分类模型簇中所涉及的模型主要分为两大类：

1、数据分析模型

数据分析模型包括用于对评估对象的进行特征压缩和维度归约的主成分分析(PCA)模型；混合模型包括：层次聚类模型和支持向量机(SVM)模型，层次聚类模型用于识别评估对象与同类参考对象的关联程度、并为这种关联程度打上关联标签的层次聚类模型；支持向量机(SVM)模型用于根据关联标签判断评估对象是否能匹配到可作为评估参考的同类参考对象，如果评估对象能匹配到可作为评估参考的同类参考对象，则评估对象属于合群样本，否则评估对象属于离群样本。

进一步来讲，PCA模型用来进行评估数据的特征提取、分析各种财务指标对公司价值的影响，以及怎样通过指标压缩来形成新的指标，这些新的指标既能反映公司的整体财务状况又能减少分析的复杂度。层次聚类模型和支持向量机(SVM)模型，用来对评估标的企业进行分类，将对评估标的企业及其相关企业做一个类别划分，这个类别划分有利于帮助动态评估***判断股权估值时是采用相对估值法还是绝对估值法。

2、用于股权价值评估模型

评估模型包括：第一模型库中的市盈率(P/E)模型、市净率(P/B)模型、市销率(P/S)模型；以及，第二模型库中的净现金流折现(NPV)模型、以及实物期权(ROpt.)；其中，所述第一模型库和所述第二模型库中各模型的调用条件由所述智能评估***设置的评估参数决定。其中：

(1)以相对估值法理论为主的市盈率(P/E)模型、市净率(P/B)模型及市销率(P/S)模型，它们将运来为属于合群样本的标的企业进行股权估值；

(2)以绝对估值法理论为主的实物期权估值模型，它将用来对属于离群样本的标的企业进行股价价值的评估。

需要强调的是，上述实施例中，智能评估***用于调用、管理所述动态数据库***及分类模型库***，并与所述人机交互***进行信息交互。例如，智能评估***可用于针对股权价值评估模型如市盈率(P/E)模型、市净率(P/B)模型、市销率(P/S)模型，以及净现金流折现(NPV)模型、以及实物期权(ROpt.)，设置各模型的调用条件，调用条件可通过设置的评估参数决定。

从功能上划分，上述智能评估管理***可包括：本体领域模块，用于提供对相关理论知识的共享概念模型和形式化规范说明；逻辑推理模块：用于提供相关理论与对应的逻辑关系的匹配方式；任务计算模块：用于根据确定的估值模型进行计算并将计算结果输出。

进一步来讲，本体领域模块中，搭建领域集合，包括理论知识域和关系域。其中，本体是对相关知识的共享概念模型和明确的形式化规范说明，它提供了智能评估管理***中基本术语(理论知识原子)与关系，并利用这些基本术语和关系构成理论知识的外延规则和复杂定义。

进一步来讲，逻辑推理模块中，逻辑推理可提供一种理论知识与逻辑关系的匹配方式，通过将理论知识域中的理论知识符号化，对本体进行编码，使理论知识与对应的逻辑关系进行匹配，从而确定整体领域本体中所有理论知识的逻辑关系。

进一步来讲，任务计算模块中，确定任务的目标输出，通过逻辑推理关系计算出***输出，从而能够给出智能评估***的最终输出。

作为一种可选的实施方式，上述实施例中，智能评估***设置的筛选条件为基于理论知识和专家经验设计出来的逻辑推理原则，以代码形式封装于智能评估***，并按顺序进行编码，可被规格化、***化的调用。

需要指出的是，上述实施例中的动态评估模型***与上述动态评估方法相对应，具体的实施过程可参照前述方法实施例。由于上述任一种动态评估方法具有上述技术效果，因此，该动态评估模型***也应具备相应的技术效果，其具体实施过程与上述实施例类似，兹不赘述。

显然，本领域的技术人员应该明白，上述的本发明实施例的动态评估模型***中的各模块或动态评估方法中的各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。所述存储装置为非易失性存储器，如：ROM/RAM、闪存、磁碟、光盘等。

以上所述仅为本发明的实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种动态评估方法，其特征在于，包括：

预先建立基于智能决策支持系(IDSS)的动态评估模型***，所述动态评估模型***包括：基于远程数据搜索模式的开放式动态数据库***、分类模型库***、智能评估***、以及基于单接口封装的可视化评估框架的人机交互***；

所述智能评估***通过人机交互***获取评估对象的身份信息；

调用所述动态数据库***，所述动态数据库***根据所述评估对象的身份信息、所述智能评估***设置的筛选条件、搜索路径及搜索关键词搜索并获取关于所述评估对象的目标数据所在的HTML源码，并对所述HTML源码进行数据解析及重构；

调用所述分类模型库***，所述分类模型库***根据所述动态数据库***获得的目标数据，提取能够反映所述评估对象的结构特征数据，对所述结构特征数据进行识别和分类分析运算；

所述智能评估***根据所述分类模型库***的运算结果，判断所述评估对象是属于离群样本还是属于合群样本，并选取对应的最优评估模型对所述评估对象进行评估；若所述评估对象属于合群样本，则根据所述分类分析结果及设置的评估参数，在所述分类模型库***中调用与所述评估对象相匹配的评估模型，采用相对估值方式，对所述评估对象进行评估，并输出评估结果；若所述评估对象属于离群样本，则根据所述分类分析结果及设置的评估参数，采用绝对估值方式，对所述评估对象进行评估，并输出评估结果。

2.根据权利要求1所述的动态评估方法，其特征在于，所述动态数据库***根据所述评估对象的身份信息、所述智能评估***设置的筛选条件、搜索路径及搜索关键词搜索并获取关于所述评估对象的目标数据所在的HTML源码，并对所述HTML源码进行数据解析及重构包括：

根据所述评估对象的身份信息选定评估对象，获取预先设置的对应的筛选条件、搜索路径及搜索关键词；

所述动态数据库***采用基于开放式爬虫算法的远程在线数据库建库模式，当所述评估对象选定后，通过开放式爬虫算法根据评估对象相关信息以及预设的URL站点搜索评估所需数据，以关键词响应的方式访问一个或多个远程服务器端口，搜集并下载相应的目标数据所在的HTML源码；其中，所述远程服务器端口存储在所述动态数据库***中，通过URL调用的方式访问目标页面；

通过正则表达式字符串特征分类的方式解析、下载所述HTML源码到本地服务器，从而形式一个动态的临时远程在线数据库；其中，所述正则表达式与所述目标数据的关键词相匹配。

3.根据权利要求1或2所述的动态评估方法，其特征在于，所述分类模型库***根据所述动态数据库***，提取能够反映所述评估对象的结构特征数据，对所述结构特征数据进行识别和分类分析包括：

采用预先建立的数据分析模型对所述评估对象的结构特征数据进行提取；其中，所述数据分析模型包括用于对所述评估对象的进行特征压缩和维度归约的主成分分析(PCA)模型；

采用预先建立的混合模型对所述评估对象进行分类分析；其中，所述混合模型包括：层次聚类模型和支持向量机(SVM)模型，所述层次聚类模型用于识别所述评估对象与同类参考对象的关联程度、并为这种关联程度打上关联标签的层次聚类模型；支持向量机(SVM)模型用于根据所述关联标签判断所述评估对象是否能匹配到可作为评估参考的同类参考对象，如果所述评估对象能匹配到可作为评估参考的同类参考对象，则所述评估对象属于合群样本，否则所述评估对象属于离群样本。

4.根据权利要求3所述的动态评估方法，其特征在于：

所述分类模型库用于为所述智能评估***提供其存储的各类模型，所述分类模型库还配置有模型库管理***，所述模型库管理***用于对存储的模型进行模型提取、访问、更新和合成操作；

其中，所述分类模型库针对同类参考对象设置有专用模型、例行分析模型、组合模型以及临时模型；所述分类模型库还配置有模型库管理***，所述模型库管理***包括构造管理模块、存取管理模块、运行管理模块，还设置有模型字典、内部数据库和外部数据库，用于管理、调用、配置所述分类模型库中的相关模型。

5.根据权利要求1至4任一项所述的动态评估方法，其特征在于，所述评估对象为目标企业的股权价值，所述评估对象的身份信息为公司名字或股票代码；

所述相对估值方式包括市盈率(P/E)模型、市净率(P/B)模型及市销率(P/S)模型；所述智能评估***根据基于理论知识和专家经验设计的评估参数，选取对应的最优评估模型对属于合群样本的评估对象进行股价价值评估；

所述绝对估值方式包括净现金流折现(NPV)模型、实物期权(ROpt.)估值模型；所述智能评估***根据基于理论知识和专家经验设计的评估参数，选取对应的最优评估模型对属于离群样本的评估对象进行股价价值评估；

其中，所述层次聚类模型为用于分析相关企业关联度的Kmeans聚类模型。

6.根据权利要求1至4任一项所述的动态评估方法，其特征在于，所述智能评估***设置的筛选条件为基于理论知识和专家经验设计出来的逻辑推理原则，以代码形式封装于所述智能评估***，并按顺序进行编码，可被规格化、***化的调用。

7.一种动态评估模型***，其特征在于，包括：

人机交互***，基于单接口封装，具有可视化评估框架，设置有人机交互界面及结果输出显示界面；

动态数据库***，基于远程数据搜索模式，具有开放式动态在线数据库，用于根据所述评估对象的身份信息、所设置的筛选条件、搜索路径及搜索关键词搜索并获取关于所述评估对象的目标数据所在的HTML源码，并对所述HTML源码进行数据解析及重构；

分类模型库***，用于根据所述动态数据库***获得的目标数据，提取能够反映所述评估对象的结构特征数据，对所述结构特征数据进行识别和分类分析运算；

智能评估***，用于根据所述分类模型库***的运算结果，判断所述评估对象是属于离群样本还是属于合群样本，并选取对应的最优评估模型对所述评估对象进行评估；当所述评估对象属于合群样本时，用于根据所述分类分析结果及设置的评估参数，在所述分类模型库***中调用与所述评估对象相匹配的评估模型，采用相对估值方式，对所述评估对象进行评估，并输出评估结果；以及，当所述评估对象属于离群样本时，用于根据所述分类分析结果及设置的评估参数，采用绝对估值方式，对所述评估对象进行评估，并输出评估结果。

8.根据权利要求7所述的动态评估模型***，其特征在于：

所述动态数据库***包括：开放式的远程在线数据库、本地数据库及数据库管理***；所述动态数据库***采用开放式爬虫算法作为建库引擎；和/或，

所述分类模型库***包括分类模型簇以及模型库管理***，所述分类模型簇为所述智能评估***提供其存储的各类模型，所述模型库管理***用于对存储的模型进行模型提取、访问、更新和合成操作；所述分类模型库***用于采用预先建立的数据分析模型对所述评估对象的结构特征数据进行提取、以及用于采用预先建立的混合模型对所述评估对象进行分类分析；

其中，所述分类模型簇包括数据分析模型，所述数据分析模型包括用于对所述评估对象的进行特征压缩和维度归约的主成分分析(PCA)模型；所述混合模型包括：层次聚类模型和支持向量机(SVM)模型，所述层次聚类模型用于识别所述评估对象与同类参考对象的关联程度、并为这种关联程度打上关联标签的层次聚类模型；支持向量机(SVM)模型用于根据所述关联标签判断所述评估对象是否能匹配到可作为评估参考的同类参考对象，如果所述评估对象能匹配到可作为评估参考的同类参考对象，则所述评估对象属于合群样本，否则所述评估对象属于离群样本；

所述分类模型簇还包括股权价值评估模型，所述股权价值评估模型包括：第一模型库中的市盈率(P/E)模型、市净率(P/B)模型、市销率(P/S)模型；以及，第二模型库中的净现金流折现(NPV)模型、以及实物期权(ROpt.)；其中，所述第一模型库和所述第二模型库中各模型的调用条件由所述智能评估***设置的评估参数决定。

9.根据权利要求7或8所述的动态评估模型***，其特征在于，所述智能评估***用于调用、管理所述动态数据库***及分类模型库***，并与所述人机交互***进行信息交互；

所述智能评估***包括：本体领域模块，用于提供对相关理论的共享概念模型和形式化规范说明；逻辑推理模块：用于提供相关理论与对应的逻辑关系的匹配方式；任务计算模块：用于根据确定的估值模型进行计算并将计算结果输出。

10.根据权利要求9所述的动态评估模型***，其特征在于：

所述智能评估***设置的筛选条件为基于理论知识和专家经验设计出来的逻辑推理原则，以代码形式封装于所述智能评估***，并按顺序进行编码，可被规格化、***化的调用。