CN115239502A - 一种分析师模拟方法、***、电子设备及存储介质 - Google Patents
一种分析师模拟方法、***、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115239502A CN115239502A CN202210856513.7A CN202210856513A CN115239502A CN 115239502 A CN115239502 A CN 115239502A CN 202210856513 A CN202210856513 A CN 202210856513A CN 115239502 A CN115239502 A CN 115239502A
- Authority
- CN
- China
- Prior art keywords
- data
- analyst
- surplus
- analysis
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000004458 analytical method Methods 0.000 claims abstract description 273
- 238000010801 machine learning Methods 0.000 claims abstract description 109
- 238000012360 testing method Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000007405 data analysis Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims description 22
- 238000011161 development Methods 0.000 claims description 20
- 238000005516 engineering process Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 19
- 238000010998 test method Methods 0.000 claims description 18
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 claims description 15
- 238000011160 research Methods 0.000 claims description 13
- 238000012935 Averaging Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 5
- 230000007812 deficiency Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 2
- 238000012517 data analytics Methods 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 238000010606 normalization Methods 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 8
- 230000009467 reduction Effects 0.000 description 8
- 238000007689 inspection Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及金融数据分析处理领域,提供一种分析师模拟方法、***、电子设备及存储介质,所述分析师模拟方法应用于一种分析师模拟***,所述分析师模拟***配置于一电子设备中,所述方法及***通过获取现有分析师盈余分析数据和会计信息数据;将现有分析师盈余分析数据与会计信息数据关联对齐以形成基础数据库,并将基础数据库分为训练数据集与测试数据集;构建机器学习模型,并利用训练数据集对机器学习模型进行训练,利用测试数据集对训练好的机器学习模型进行测试;利用测试好的机器学习模型进行盈余数据分析。本发明实现了对缺乏分析师追踪公司的业绩进行有效的人工智能分析,为投资者进行投资决策时提供信息参考和帮助。
Description
技术领域
本发明涉及金融数据分析处理领域,尤其涉及一种分析师模拟方法、***、电子设备及存储介质。
背景技术
随着资本市场的不断发展和金融体系在经济增长中作用日益显现,证券分析师(以下简称分析师)的角色和功能开始受到关注。分析师通过收集上市公司的各种数据、信息,运用专业知识对公司及其行业未来前景进行分析、剖析,并得到投资决策参考建议。这些分析师的信息与建议,特别是他们给的盈余分析是许多投资者进行投资决策的重要依据。
我国上市公司有很多,分析师追踪和提供分析信息的公司仅占其中一部分,还有很多的上市公司缺乏分析师的快速、有效追踪和提供分析信息,这也是国内投资者进行投资决策时面临的重大障碍。
发明内容
为解决上述问题,当前随着各类统计技术及计算机技术发展日益成熟。通过机器学习等人工智能方法,利用数据推断分析可提供有效的解决方案。本发明通过实时收集获取现有分析师分析数据,借助于机器学习等人工智能模型及方法,对缺乏分析师追踪公司的业绩进行分析。
为达到上述目的,本发明采取的技术方案如下:
一种分析师模拟方法,应用于一种分析师模拟***,所述分析师模拟***配置于一电子设备中,所述电子设备与第一设备通信连接,所述电子设备与第二设备通信连接,所述方法包括:
从所述第一设备处获取现有分析师盈余分析数据,从所述第二设备处获取会计信息数据;
将现有分析师盈余分析数据与会计信息数据关联对齐以形成基础数据库,并将基础数据库分为训练数据集与测试数据集;
构建机器学习模型,并利用训练数据集对机器学习模型进行训练,利用测试数据集对训练好的机器学习模型进行测试;
利用测试好的机器学习模型进行盈余数据分析预测。
进一步的,在将现有分析师盈余分析数据与会计信息数据关联对齐之前,先对现有分析师盈余分析数据进行筛选、均值化处理,对会计信息数据进行降维、缺失值处理和归一化。
进一步的,所述分析师模拟方法还包括以下步骤:
根据进行盈余数据分析预测得到的数据,构建填补数据集和全分析数据集;
对填补数据集和全分析数据集进行有效性验证。
进一步的,所述将现有分析师盈余分析数据与会计信息数据关联对齐以形成基础数据库,是指将基于同一上市公司、同一年、同一季度的现有分析师盈余分析数据与会计信息数据关联对齐,以具有现有分析师盈余分析数据的上市公司的关联数据形成基础数据库。
进一步的,所述机器学习模型按年度和行业分别建模以形成模型组。
进一步的,所述对现有分析师盈余分析数据进行筛选、均值化处理,是指筛选出上市公司各季度财务报表发布后相对应的各个分析师对未来若干年的盈余分析数据,基于各季度财务报表的未来若干年的现有分析师盈余分析数据,采用的是基于该季度的所有分析师盈余分析的平均值。
进一步的,所述对会计信息数据并进行缺失值处理是指对部分公司的部分指标数据缺失进行填补处理,包括以下步骤:
S1:利用该公司的指标均值替代缺失值;
S2:若步骤S1失败,则利用该公司所处行业的指标均值替代缺失值。
进一步的,所述填补数据集指对无分析师盈余分析数据的上市公司用机器学习模型进行盈余分析得到的数据,加上已具有分析师盈余分析数据的上市公司的数据而形成的数据集。
进一步的,所述全分析数据集是指对所有上市公司用机器学习模型进行盈余分析得到的数据集。
进一步的,所述对填补数据集和全分析数据集进行有效性验证是指将基础数据库中的现有分析师盈余分析数据、填补数据集、全分析数据集分别用Spearman Rank相关系数检验法、Pearson相关系数检验法进行收敛性检验,收敛则证明机器学习模型的盈余分析有效。
进一步的,所述分析师模拟方法还包括以下步骤:
获取上市公司产品技术发展、行业技术与市场发展趋势信息,识别上市公司产品特色与行业地位,形成单一公司行业前景文本,并整合该公司未来若干年的机器学习模型盈余分析数据及行业前景文本,以季度为期间形成公司与行业研究报告。
一种分析师模拟***,配置于一电子设备中,所述电子设备与第一设备通信连接,所述电子设备与第二设备通信连接,包括以下组件:
获取组件,其用于从所述第一设备处获取现有分析师盈余分析数据,从所述第二设备处获取会计信息数据;
关联组件,其用于将现有分析师盈余分析数据与会计信息数据关联对齐以形成基础数据库,并将基础数据库分为训练数据集与测试数据集;
模型组件,其用于构建机器学习模型,并利用训练数据集对机器学习模型进行训练,利用测试数据集对训练好的机器学习模型进行测试;
分析组件,其用于利用测试好的机器学习模型进行盈余数据分析预测。
进一步的,所述分析师模拟***还包括数据预处理组件,其用于在将现有分析师盈余分析数据与会计信息数据关联对齐之前,先对现有分析师盈余分析数据进行筛选、均值化处理,对会计信息数据进行降维、缺失值处理和归一化。
进一步的,所述分析师模拟***还包括验证组件,其用于根据进行盈余数据分析预测得到的数据,构建填补数据集和全分析数据集;对填补数据集和全分析数据集进行有效性验证。
进一步的,所述将现有分析师盈余分析数据与会计信息数据关联对齐以形成基础数据库,是指将基于同一上市公司、同一年、同一季度的现有分析师盈余分析数据与会计信息数据关联对齐,以具有现有分析师盈余分析数据的上市公司的关联数据形成基础数据库。
进一步的,所述机器学习模型按年度和行业分别建模以形成模型组。
进一步的,所述对现有分析师盈余分析数据进行筛选、均值化处理,是指筛选出上市公司各季度财务报表发布后相对应的各个分析师对未来若干年的盈余分析数据,基于各季度财务报表的未来若干年的现有分析师盈余分析数据,采用的是基于该季度的所有分析师盈余分析的平均值。
进一步的,所述对会计信息数据并进行缺失值处理是指对部分公司的部分指标数据缺失进行填补处理,包括以下步骤:
S1:利用该公司的指标均值替代缺失值;
S2:若步骤S1失败,则利用该公司所处行业的指标均值替代缺失值。
进一步的,所述填补数据集指对无分析师盈余分析数据的上市公司用机器学习模型进行盈余分析得到的数据,加上已具有分析师盈余分析数据的上市公司的数据而形成的数据集。
进一步的,所述全分析数据集是指对所有上市公司用机器学习模型进行盈余分析得到的数据集。
进一步的,所述对填补数据集和全分析数据集进行有效性验证是指将基础数据库中的现有分析师盈余分析数据、填补数据集、全分析数据集分别用Spearman Rank相关系数检验法、Pearson相关系数检验法进行收敛性检验,收敛则证明机器学习模型的盈余分析有效。
进一步的,所述分析师模拟***还包括一报告组件,其用于获取上市公司产品技术发展、行业技术与市场发展趋势信息,识别上市公司产品特色与行业地位,形成单一公司行业前景文本,并整合该公司未来若干年的机器学习模型盈余分析数据及行业前景文本,以季度为期间形成公司与行业研究报告。
一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行以上所述的分析师模拟方法。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现以上所述的分析师模拟方法。
本发明涉及金融数据分析处理领域,提供一种分析师模拟方法、***、电子设备及存储介质,所述分析师模拟方法应用于一种分析师模拟***,所述分析师模拟***配置于一电子设备中,所述电子设备与第一设备通信连接,所述电子设备与第二设备通信连接,所述方法及***通过从所述第一设备处获取现有分析师盈余分析数据,从所述第二设备处获取会计信息数据;将现有分析师盈余分析数据与会计信息数据关联对齐以形成基础数据库,并将基础数据库分为训练数据集与测试数据集;构建基于AdaBoost回归树模型的机器学习模型,并利用训练数据集对机器学习模型进行训练,利用测试数据集对训练好的机器学习模型进行测试;利用测试好的机器学习模型进行盈余数据分析。本发明实现了对缺乏分析师追踪公司的业绩进行有效的人工智能分析,同时通过将人工智能分析的业绩数据与自动文本技术相结合,自动为投资者提供公司与行业研究报告,为投资者进行投资决策时及时提供全面的信息参考和帮助。
附图说明
图1为一种分析师模拟方法流程图;
图2AdaBoost算法回归流程图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,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,都属于本公开保护的范围。
实施例一
当前随着各类统计技术及计算机技术发展日益成熟。通过机器学习等人工智能方法,利用数据推断分析可提供有效的解决方案。本发明通过实时收集获取现有分析师分析数据,借助于机器学习等人工智能模型及方法,对缺乏分析师追踪公司的业绩进行分析。
如图1所示为一种分析师模拟方法流程图,应用于一种分析师模拟***,所述分析师模拟***配置于一电子设备中,所述电子设备与第一设备通信连接,所述电子设备与第二设备通信连接,所述方法包括:
从所述第一设备处获取现有分析师盈余分析数据,从所述第二设备处获取会计信息数据;
将现有分析师盈余分析数据与会计信息数据关联对齐以形成基础数据库,并将基础数据库分为训练数据集与测试数据集;
构建机器学习模型,并利用训练数据集对机器学习模型进行训练,利用测试数据集对训练好的机器学习模型进行测试;所述机器学习模型可以基于AdaBoost回归树模型、支持向量机、自适应组Lasso等构建,也可以基于卷积神经网络、循环神经网络、长短期记忆模型等构建;
利用测试好的机器学习模型进行盈余数据分析预测。
具体实施中,在将现有分析师盈余分析数据与会计信息数据关联对齐之前,先对现有分析师盈余分析数据进行筛选、均值化处理,对会计信息数据进行降维、缺失值处理和归一化。
具体实施中,所述分析师模拟方法还包括以下步骤:
根据进行盈余数据分析预测得到的数据,构建填补数据集和全分析数据集;
对填补数据集和全分析数据集进行有效性验证。
具体实施中,所述将现有分析师盈余分析数据与会计信息数据关联对齐以形成基础数据库,是指将基于同一上市公司、同一年、同一季度的现有分析师盈余分析数据与会计信息数据关联对齐,以具有现有分析师盈余分析数据的上市公司的关联数据形成基础数据库。
具体实施中,所述机器学习模型按年度和行业分别建模以形成模型组。
具体实施中,所述对现有分析师盈余分析数据进行筛选、均值化处理,是指筛选出上市公司各季度财务报表发布后相对应的各个分析师对未来若干年的盈余分析数据,基于各季度财务报表的未来若干年的现有分析师盈余分析数据,采用的是基于该季度的所有分析师盈余分析的平均值。
具体实施中,所述对会计信息数据并进行缺失值处理是指对部分公司的部分指标数据缺失进行填补处理,包括以下步骤:
S1:利用该公司的指标均值替代缺失值;
S2:若步骤S1失败,则利用该公司所处行业的指标均值替代缺失值。
具体实施中,所述填补数据集指对无分析师盈余分析数据的上市公司用机器学习模型进行盈余分析得到的数据,加上已具有分析师盈余分析数据的上市公司的数据而形成的数据集。
具体实施中,所述全分析数据集是指对所有上市公司用机器学习模型进行盈余分析得到的数据集。
具体实施中,所述对填补数据集和全分析数据集进行有效性验证是指将基础数据库中的现有分析师盈余分析数据、填补数据集、全分析数据集分别用Spearman Rank相关系数检验法、Pearson相关系数检验法进行收敛性检验,收敛则证明机器学习模型的盈余分析有效。
具体实施中,所述分析师模拟方法还包括以下步骤:
获取上市公司产品技术发展、行业技术与市场发展趋势信息,识别上市公司产品特色与行业地位,形成单一公司行业前景文本,并整合该公司未来若干年的机器学习模型盈余分析数据及行业前景文本,以季度为期间形成公司与行业研究报告。
一种分析师模拟***,配置于一电子设备中,所述电子设备与第一设备通信连接,所述电子设备与第二设备通信连接,包括以下组件:
获取组件,其用于从所述第一设备处获取现有分析师盈余分析数据,从所述第二设备处获取会计信息数据;
关联组件,其用于将现有分析师盈余分析数据与会计信息数据关联对齐以形成基础数据库,并将基础数据库分为训练数据集与测试数据集;
模型组件,其用于构建机器学习模型,并利用训练数据集对机器学习模型进行训练,利用测试数据集对训练好的机器学习模型进行测试;所述机器学习模型可以基于AdaBoost回归树模型、支持向量机、自适应组Lasso等构建,也可以基于卷积神经网络、循环神经网络、长短期记忆模型等构建;
分析组件,其用于利用测试好的机器学习模型进行盈余数据分析预测。
具体实施中,所述分析师模拟***还包括数据预处理组件,其用于在将现有分析师盈余分析数据与会计信息数据关联对齐之前,先对现有分析师盈余分析数据进行筛选、均值化处理,对会计信息数据进行降维、缺失值处理和归一化。
具体实施中,所述分析师模拟***还包括验证组件,其用于根据进行盈余数据分析预测得到的数据,构建填补数据集和全分析数据集;对填补数据集和全分析数据集进行有效性验证。
具体实施中,所述将现有分析师盈余分析数据与会计信息数据关联对齐以形成基础数据库,是指将基于同一上市公司、同一年、同一季度的现有分析师盈余分析数据与会计信息数据关联对齐,以具有现有分析师盈余分析数据的上市公司的关联数据形成基础数据库。
具体实施中,所述机器学习模型按年度和行业分别建模以形成模型组。
具体实施中,所述对现有分析师盈余分析数据进行筛选、均值化处理,是指筛选出上市公司各季度财务报表发布后相对应的各个分析师对未来若干年的盈余分析数据,基于各季度财务报表的未来若干年的现有分析师盈余分析数据,采用的是基于该季度的所有分析师盈余分析的平均值。
具体实施中,所述对会计信息数据并进行缺失值处理是指对部分公司的部分指标数据缺失进行填补处理,包括以下步骤:
S1:利用该公司的指标均值替代缺失值;
S2:若步骤S1失败,则利用该公司所处行业的指标均值替代缺失值。
具体实施中,所述填补数据集指对无分析师盈余分析数据的上市公司用机器学习模型进行盈余分析得到的数据,加上已具有分析师盈余分析数据的上市公司的数据而形成的数据集。
具体实施中,所述全分析数据集是指对所有上市公司用机器学习模型进行盈余分析得到的数据集。
具体实施中,所述对填补数据集和全分析数据集进行有效性验证是指将基础数据库中的现有分析师盈余分析数据、填补数据集、全分析数据集分别用Spearman Rank相关系数检验法、Pearson相关系数检验法进行收敛性检验,收敛则证明机器学习模型的盈余分析有效。
具体实施中,所述分析师模拟***还包括一报告组件,其用于获取上市公司产品技术发展、行业技术与市场发展趋势信息,识别上市公司产品特色与行业地位,形成单一公司行业前景文本,并整合该公司未来若干年的机器学习模型盈余分析数据及行业前景文本,以季度为期间形成公司与行业研究报告。
一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行以上所述的分析师模拟方法。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现以上所述的分析师模拟方法。
实施例二
当前随着各类统计技术及计算机技术发展日益成熟。通过机器学习等人工智能方法,利用数据推断分析可提供有效的解决方案。本发明通过实时收集获取现有分析师分析数据,借助于机器学习等人工智能模型及方法,对缺乏分析师追踪公司的业绩进行分析。
本实施例通过现有的分析师盈余分析数据与会计信息数据,构建基于AdaBoost回归树模型组的分析师模拟***,并结合资本市场***息源,借助于文本智能分析技术,以提供3年内公司业绩的智能研报***为例。首先,从分析师盈余分析数据的获取与整理、会计信息指标缺失值填补等方面入手,完成对基础数据库的建设。其次,利用AdaBoost回归树模型进行建模和训练,构建基于机器学习模型的分析师模拟***。再次,通过SpearmanRank相关系数检验法和Pearson相关系数检验法,验证智能模型模拟分析的数据的收敛性来证明模拟的有效性。最后,结合资本市场***息源,借助于文本智能分析技术,提供公司和行业业绩的智能研报。
如图1所示为一种分析师模拟方法流程图,应用于一种分析师模拟***,所述分析师模拟***配置于一电子设备中,所述电子设备与第一设备通信连接,所述电子设备与第二设备通信连接,包括:
从所述第一设备处获取现有分析师盈余分析数据,从所述第二设备处获取会计信息数据;
所述电子设备通过所述分析师模拟***先对现有分析师盈余分析数据进行筛选、均值化处理,对会计信息数据进行降维、缺失值处理和归一化;
然后将现有分析师盈余分析数据与会计信息数据关联对齐以形成基础数据库,并将基础数据库分为训练数据集与测试数据集;
再构建机器学习模型,所述机器学习模型按年度和行业分别建模以形成模型组,然后利用训练数据集对机器学习模型进行训练,利用测试数据集对训练好的机器学习模型进行测试;所述机器学习模型可以基于AdaBoost回归树模型、支持向量机、自适应组Lasso等构建,也可以基于卷积神经网络、循环神经网络、长短期记忆模型等构建;
最后利用测试好的机器学习模型进行盈余数据分析预测;
根据进行盈余数据分析预测得到的数据,构建填补数据集和全分析数据集;
对填补数据集和全分析数据集进行有效性验证;
获取上市公司产品技术发展、行业技术与市场发展趋势信息,识别上市公司产品特色与行业地位,形成单一公司行业前景文本,并整合该公司未来若干年的机器学习模型盈余分析数据及行业前景文本,以季度为期间形成该公司与行业研究报告。
本实施例涉及分析师现有盈余分析数据。一般来说,分析师会对公司未来三年的年度EPS(每股收益)进行分析。需要指出的是,本实施例以同一时期内所有分析师盈利分析均值作为训练和测试机器学习模型的现有分析值参数指标。如以某上市公司为例,表1列示了该公司2013-2017年财报中的EPS数据。其中,S4为年报数据。以2014年第一季度S1为例,分析师的分析2014、2015、2016三年度的EPS。同理,当2014年S2季度财报发布后,分析师仍然分析2014、2015、2016三年度的EPS。由于分析师的信息集中增加了2014年第二季度的盈余信息,分析师的分析数据也会随之调整。以此类推,每次新的财报公布的EPS数据,都会导致分析师分析结果数据的改变。另外,年末财报公布时,分析师分析年度改变,向前推移一年。例如,2014年年报(S4)发布后,分析师的分析期间变更为2015、2016、2017年度。
表1 2013年-2017年期间分析师对公司所做盈利预测与公司报告信息整理
具体实施中,所述在将现有分析师盈余分析数据与会计信息数据关联对齐之前,先对现有分析师盈余分析数据进行筛选、均值化处理,对会计信息数据并进行缺失值处理和归一化,包括两部分的数据处理:
(1)所述对现有分析师盈余分析数据进行筛选、均值化处理,是指筛选出上市公司各季度财务报表发布后相对应的各个分析师对未来若干年的盈余分析数据,基于各季度财务报表的未来若干年的现有分析师盈余分析数据,采用的是基于该季度的所有分析师盈余分析的平均值。比如,本实施例中通过抓取得到现有分析师盈余分析数据。针对分析师盈余分析数据,筛选出(上市公司各季度财务报表发布后)分析师对公司未来三年做出的盈余分析结果数据,分别记为分析师EPSt,分析师EPSt+1,分析师EPSt+2。由于一家公司同时存在被多个分析师追踪的情况。因此,分析师盈余分析结果数据采用的是所有分析师盈余分析数据的平均值,最终构建现有分析师盈余分析数据库(本实施例中设定具有分析师追踪的公司数量为1/4上市公司,即现有分析师分析数据库为该1/4上市公司的数据)。
(2)在本实施例中,通过***息得到上市公司各季度的会计信息和金融信息618项,借助于逐步回归、主成分分析以及偏最小二乘回归等降维方法萃取出影响分析师预测的重要信息,包括但不限于Eps、流通股比例、每股净资产、每股营业收入等等,因此,所述进行降维处理方法包括逐步回归、主成分分析以及偏最小二乘回归等方法。由于出现少数的公司数据缺失,因此需要对指标缺失值进行处理,所述对会计信息数据并进行缺失值处理是指对部分公司的部分指标数据缺失进行填补处理,包括以下步骤:S1:利用该公司的指标均值替代缺失值;S2:若步骤S1失败,则利用该公司所处行业的指标均值替代缺失值。
其次,对处理后的指标数据进行归一化,归一化公式如下:
其中,μ为所有样本数据的均值,σ为所有样本数据的标准差,最终构建所有上市公司的会计信息数据库。
具体实施中,所述将现有分析师盈余分析数据与会计信息数据关联对齐以形成基础数据库,是指将基于同一上市公司、同一年、同一季度的现有分析师盈余分析数据与会计信息数据关联对齐,以具有现有分析师盈余分析数据的上市公司的关联数据形成基础数据库。
由于现有分析师盈余分析数据结果受到当年公司披露信息与行业的影响,因此,基于以上现有分析师盈余分析数据库(1/4上市公司)和会计信息数据库(所有上市公司)中相应公司的会计信息数据,进行关联对齐形成基础数据库(即基础数据库中的数据为具有分析师追踪的1/4上市公司的分析师盈余分析数据和相关联的会计信息数据),然后将基础数据库分析训练数据集和测试数据集,采用按分年度分行业分别建立机器学***均结果,每一季度分别对分析师盈余预测,即分析师EPSt,分析师EPSt+1,分析师EPSt+2进行预测,以训练和测试效果最高为季度模型进行预测分析。在本实施例中,以AdaBoost回归树模型为例,基于AdaBoost回归树模型进行建模、学习训练后,对测试数据集的盈余进行模拟分析、预测,即模拟EPSt,模拟EPSt+1,模拟EPSt+2进行模拟预测。
具体训练、测试流程如下:
(1)给定输入样本总数为N的数据集为{(x1,y1),(x2,y2),…,(xN,yN)},其中x是会计信息特征,y是分析师盈余分析数据。
(2)对训练样本数据集权重初始化:
式中w1i是第i个会计信息特征数据的初始权重数值,i=1,2…N。
(3)训练弱回归器,设弱回归器迭代次数k,对于k=1,2,...M,M为总迭代次数:
(a)用具有权重分布的训练集Dk训练数据,得到弱回归器Gk(x)
(b)计算弱回归器Gk(x)的最大误差:
Ek=max|yi-GK(xi)|i=1,2,…,m (M3)
(c)计算每个样本的误差:
(d)计算弱回归器Gk(x)的回归误差率ek:
式中wki是迭代k次之后第i个特征数据的权重数值。
(e)根据误差率计算弱学习器Gk(x)的权值αk:
(f)更新样本集的权重分布wk+1,i:
式中Zk是规范化因子,有
(4)重复步骤(a)~(b)迭代M次,构建最终强回归器为:
(5)构建最终强回归器后,用测试数据集进行测试,选择R2做为评价指标。R2体现模型的拟合效果,取值范围在[0,1]。R2越大表示模型的拟合效果越好:
本实施例通过参数调优,确保了训练集上的R2在0.9以上,测试集上的R2在0.8以上。
因此,所述机器学习模型可以基于AdaBoost回归树模型、支持向量机、自适应组Lasso等构建,也可以基于卷积神经网络、循环神经网络、长短期记忆模型等构建。
所述利用测试好的机器学习模型进行盈余数据分析,根据进行盈余数据分析预测得到的数据,构建填补数据集和全分析数据集:
a.填补数据集:所述填补数据集指对无分析师盈余分析数据的上市公司用机器学习模型进行盈余分析得到的数据,加上已具有分析师盈余分析数据的上市公司的数据而形成的数据集,即已有的1/4上市公司加上用机器学习模型分析预测出来的另外3/4公司的盈余分析数据,合在一起形成的数据集。
b.全分析数据集:所述全分析数据集是指对所有上市公司用机器学习模型进行盈余分析得到的数据集。
具体实施中,所述对填补数据集和全分析数据集进行有效性验证是指将基础数据库中的现有分析师盈余分析数据、填补数据集、全分析数据集分别用Spearman Rank相关系数检验法、Pearson相关系数检验法进行收敛性检验,收敛则证明机器学习模型的盈余分析有效。
本实施例通过验证机器学习模型的分析结果收敛,确保分析数据的有效性。
(1)机器学习模型分析结果收敛检验
(a)Spearman Rank相关系数检验法
Spearman Rank相关系数用来估计两个变量X、Y之间的相关性,其中变量间的相关性可以使用单调函数来描述。如果两个变量取值的两个集合中均不存在相同的两个元素,那么,当其中一个变量可以表示为另一个变量的很好的单调函数时(即两个变量的变化趋势相同),两个变量之间的ρ可以达到+1或-1。
假设两个随机变量分别为X、Y,它们的元素个数均为N,两个随机变量取的第i(1<=i<=N)个值分别用Xi、Yi表示。对X、Y进行排序(同时为升序或降序),得到两个元素排行集合x、y,其中元素xi、yi分别为Xi在X中的排行以及Yi在Y中的排行。将集合x、y中的元素对应相减得到一个排行差分集合d,其中di=xi-yi,1<=i<=N。随机变量X、Y之间的斯皮尔曼等级相关系数可以由x、y或者d计算得到,其计算方式如下所示:
以某上司公司为例,说明Spearman Rank相关系数计算的数据组织与思路,可参考表2,分析师从2014年第四季度(Q4)开始到2017年第三季度(Q3),共有12个季度对2017年EPS进行分析。首先,以分析师做出分析当季到2017年第四季度(Q4)的季度间隔为距离变量,对距离变量进行升序排序得y(当变量的两个值相同时,它们的排行是通过对它们位置进行平均而得到的)。例如,2014第四季度(Q4)距离2017年第四季度(Q4)间隔季度为12。然后,以分析师当季分析值与实际EPS之间的绝对误差为分析偏差,对分析偏差进行升序排序得到偏差排序x。通过偏差排序x和距离y计算di=xi-yi(1<=i<=12)。最后,根据公式M11计算秩相关系数,用其检验分析师分析精度随季度间距的变化规律。秩相关系数越大,表明分析师分析值与被分析年度越接近,分析精度越高,则说明分析师盈余分析是收敛有效的。
表2分析师对公司所做盈利分析与计算整理
通过计算得到分析师对该公司在2017年盈余分析的秩相关系数为0.837,说明分析师的分析结果是收敛有效的。即分析师能通过不断积累对该公司的盈余信息,调整分析值不断接近真实数据。
为了检验距离y与分析偏差x之间的相关性强弱,引入Spearman Rank的假设检验,进一步验证分析师盈余分析值的有效性。对用模型分析得到的两个数据集进行SpearmanRank相关系数检验法检验,并对其满足秩相关系数>0和显著性P<0.05的比例统计,结果如下:
表3满足Spearman Rank相关系数检验整理
根据表3可知,基于机器学习模型分析的全分析数据集中,满足秩相关系数>0和显著性P<0.05的比例最高,即通过训练的机器学习模型分析的数据与真实数据更为接近,收敛趋势更为明显,其次是填补数据集,最后才是人工的分析师盈余分析数据库。
(b)Pearson相关系数检验法
皮尔逊相关也称为积差相关,假设有两个变量X、Y,那么两变量间的皮尔逊相关系数可通过以下公式计算:
通过计算得分析师对上述表2所列公司在2017年盈余分析Pearson相关系数为0.779,说明分析师分析精度与距离之间有正的线性相关关系。即随着距离缩小,分析偏差不断较小,分析师分析精度不断提升。根据表4可知,以分析偏差和距离为变量,利用式子M12计算Pearson相关系数,用来描述分析师分析偏差与距离的关系。对在模型分析得到的两个数据集进行Pearson相关系数检验法检验,并对其满足皮尔逊相关系数>0和显著性P<0.05的比例统计,结果如下:
表4满足Pearson相关系数检验整理
基于机器学习模型分析的全分析数据集中,满足皮尔逊相关系数>0和显著性P<0.05的比例最高,即通过训练的机器学习模型分析的数据与真实数据更为接近,收敛趋势更为明显,其次是填补数据集,最后才是人工的分析师盈余分析数据库。
一种分析师模拟***,配置于一电子设备中,所述电子设备与第一设备通信连接,所述电子设备与第二设备通信连接,包括以下组件:
获取组件,其用于从所述第一设备处获取现有分析师盈余分析数据,从所述第二设备处获取会计信息数据;
关联组件,其用于将现有分析师盈余分析数据与会计信息数据关联对齐以形成基础数据库,并将基础数据库分为训练数据集与测试数据集;
模型组件,其用于构建机器学习模型,并利用训练数据集对机器学习模型进行训练,利用测试数据集对训练好的机器学习模型进行测试;所述机器学习模型可以基于AdaBoost回归树模型、支持向量机、自适应组Lasso等构建,也可以基于卷积神经网络、循环神经网络、长短期记忆模型等构建;
分析组件,其用于利用测试好的机器学习模型进行盈余数据分析预测。
具体实施中,所述分析师模拟***还包括数据预处理组件,其用于在将现有分析师盈余分析数据与会计信息数据关联对齐之前,先对现有分析师盈余分析数据进行筛选、均值化处理,对会计信息数据进行降维、缺失值处理和归一化。
具体实施中,所述分析师模拟***还包括验证组件,其用于根据进行盈余数据分析预测得到的数据,构建填补数据集和全分析数据集;对填补数据集和全分析数据集进行有效性验证。
具体实施中,所述将现有分析师盈余分析数据与会计信息数据关联对齐以形成基础数据库,是指将基于同一上市公司、同一年、同一季度的现有分析师盈余分析数据与会计信息数据关联对齐,以具有现有分析师盈余分析数据的上市公司的关联数据形成基础数据库。
具体实施中,所述机器学习模型按年度和行业分别建模以形成模型组。
具体实施中,所述对现有分析师盈余分析数据进行筛选、均值化处理,是指筛选出上市公司各季度财务报表发布后相对应的各个分析师对未来若干年的盈余分析数据,基于各季度财务报表的未来若干年的现有分析师盈余分析数据,采用的是基于该季度的所有分析师盈余分析的平均值。
具体实施中,所述对会计信息数据并进行缺失值处理是指对部分公司的部分指标数据缺失进行填补处理,包括以下步骤:
S1:利用该公司的指标均值替代缺失值;
S2:若步骤S1失败,则利用该公司所处行业的指标均值替代缺失值。
具体实施中,所述填补数据集指对无分析师盈余分析数据的上市公司用机器学习模型进行盈余分析得到的数据,加上已具有分析师盈余分析数据的上市公司的数据而形成的数据集。
具体实施中,所述全分析数据集是指对所有上市公司用机器学习模型进行盈余分析得到的数据集。
具体实施中,所述对填补数据集和全分析数据集进行有效性验证是指将基础数据库中的现有分析师盈余分析数据、填补数据集、全分析数据集分别用Spearman Rank相关系数检验法、Pearson相关系数检验法进行收敛性检验,收敛则证明机器学习模型的盈余分析有效。
具体实施中,所述分析师模拟***还包括一报告组件,其用于获取上市公司产品技术发展、行业技术与市场发展趋势信息,识别上市公司产品特色与行业地位,形成单一公司行业前景文本,并整合该公司未来若干年的机器学习模型盈余分析数据及行业前景文本,以季度为期间形成公司与行业研究报告。
从***息源抓取上市公司产品技术发展趋势和行业技术与市场发展趋势信息;
识别公司产品特色与公司行业地位,形成单一公司行业前景文本;
整合单一公司(分析师未追踪)未来三年业绩智能模拟分析及其行业前景文本,以季度为期间形成公司与行业研究报告。
一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行以上所述的分析师模拟方法。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现以上所述的分析师模拟方法。
本发明涉及金融数据分析处理领域,提供一种分析师模拟方法、***、电子设备及存储介质,所述分析师模拟方法应用于一种分析师模拟***,所述分析师模拟***配置于一电子设备中,所述电子设备与第一设备通信连接,所述电子设备与第二设备通信连接,所述方法及***通过从所述第一设备处获取现有分析师盈余分析数据,从所述第二设备处获取会计信息数据;将现有分析师盈余分析数据与会计信息数据关联对齐以形成基础数据库,并将基础数据库分为训练数据集与测试数据集;构建基于AdaBoost回归树模型的机器学习模型,并利用训练数据集对机器学习模型进行训练,利用测试数据集对训练好的机器学习模型进行测试;利用测试好的机器学习模型进行盈余数据分析。本发明实现了对缺乏分析师追踪公司的业绩进行快速、有效的人工智能分析,根据分析结果可以为投资者进行投资决策时及时提供全面的信息参考和帮助,同时通过将人工智能分析的业绩数据与自动文本技术相结合,自动为投资者提供公司与行业研究报告。本发明以现有分析师的实时预测分析为基础,借助于机器学习等智能模拟技术,尝试刻画现有分析师的预测分析行为,即对真实分析师的智能模拟;借助于对真实分析师的智能模拟,对缺乏分析师追踪的上市公司提供季度基础的公司业绩的研究报告,填补我国资本市场投资决策依据的空白。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接或彼此可通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
以上仅为说明本发明的实施方式,并不用于限制本发明,对于本领域的技术人员来说,凡在本发明的精神和原则之内,不经过创造性劳动所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (24)
1.一种分析师模拟方法,应用于一种分析师模拟***,所述分析师模拟***配置于一电子设备中,所述电子设备与第一设备通信连接,所述电子设备与第二设备通信连接,其特征在于,所述方法包括:
从所述第一设备处获取现有分析师盈余分析数据,从所述第二设备处获取会计信息数据;
将现有分析师盈余分析数据与会计信息数据关联对齐以形成基础数据库,并将基础数据库分为训练数据集与测试数据集;
构建机器学习模型,并利用训练数据集对机器学习模型进行训练,利用测试数据集对训练好的机器学习模型进行测试;
利用测试好的机器学习模型进行盈余数据分析预测。
2.根据权利要求1所述的分析师模拟方法,其特征在于,在将现有分析师盈余分析数据与会计信息数据关联对齐之前,先对现有分析师盈余分析数据进行筛选、均值化处理,对会计信息数据进行降维、缺失值处理和归一化。
3.根据权利要求1所述的分析师模拟方法,其特征在于,还包括以下步骤:
根据进行盈余数据分析预测得到的数据,构建填补数据集和全分析数据集;
对填补数据集和全分析数据集进行有效性验证。
4.根据权利要求1所述的分析师模拟方法,其特征在于,所述将现有分析师盈余分析数据与会计信息数据关联对齐以形成基础数据库,是指将基于同一上市公司、同一年、同一季度的现有分析师盈余分析数据与会计信息数据关联对齐,以具有现有分析师盈余分析数据的上市公司的关联数据形成基础数据库。
5.根据权利要求1所述的分析师模拟方法,其特征在于,所述机器学习模型按年度和行业分别建模以形成模型组。
6.根据权利要求2所述的分析师模拟方法,其特征在于,所述对现有分析师盈余分析数据进行筛选、均值化处理,是指筛选出上市公司各季度财务报表发布后相对应的各个分析师对未来若干年的盈余分析数据,基于各季度财务报表的未来若干年的现有分析师盈余分析数据,采用的是基于该季度的所有分析师盈余分析的平均值。
7.根据权利要求2所述的分析师模拟方法,其特征在于,所述对会计信息数据并进行缺失值处理是指对部分公司的部分指标数据缺失进行填补处理,包括以下步骤:
S1:利用该公司的指标均值替代缺失值;
S2:若步骤S1失败,则利用该公司所处行业的指标均值替代缺失值。
8.根据权利要求3所述的分析师模拟方法,其特征在于,所述填补数据集指对无分析师盈余分析数据的上市公司用机器学习模型进行盈余分析得到的数据,加上已具有分析师盈余分析数据的上市公司的数据而形成的数据集。
9.根据权利要求3所述的分析师模拟方法,其特征在于,所述全分析数据集是指对所有上市公司用机器学习模型进行盈余分析得到的数据集。
10.根据权利要求3所述的分析师模拟方法,其特征在于,所述对填补数据集和全分析数据集进行有效性验证是指将基础数据库中的现有分析师盈余分析数据、填补数据集、全分析数据集分别用Spearman Rank相关系数检验法、Pearson相关系数检验法进行收敛性检验,收敛则证明机器学习模型的盈余分析有效。
11.根据权利要求1至10任一项所述的分析师模拟方法,其特征在于,还包括以下步骤:
获取上市公司产品技术发展、行业技术与市场发展趋势信息,识别上市公司产品特色与行业地位,形成单一公司行业前景文本,并整合该公司未来若干年的机器学习模型盈余分析数据及行业前景文本,以季度为期间形成公司与行业研究报告。
12.一种分析师模拟***,配置于一电子设备中,所述电子设备与第一设备通信连接,所述电子设备与第二设备通信连接,其特征在于,包括以下组件:
获取组件,其用于从所述第一设备处获取现有分析师盈余分析数据,从所述第二设备处获取会计信息数据;
关联组件,其用于将现有分析师盈余分析数据与会计信息数据关联对齐以形成基础数据库,并将基础数据库分为训练数据集与测试数据集;
模型组件,其用于构建机器学习模型,并利用训练数据集对机器学习模型进行训练,利用测试数据集对训练好的机器学习模型进行测试;
分析组件,其用于利用测试好的机器学习模型进行盈余数据分析预测。
13.根据权利要求12所述的分析师模拟***,其特征在于,还包括数据预处理组件,其用于在将现有分析师盈余分析数据与会计信息数据关联对齐之前,先对现有分析师盈余分析数据进行筛选、均值化处理,对会计信息数据进行降维、缺失值处理和归一化。
14.根据权利要求12所述的分析师模拟***,其特征在于,还包括验证组件,其用于根据进行盈余数据分析预测得到的数据,构建填补数据集和全分析数据集;对填补数据集和全分析数据集进行有效性验证。
15.根据权利要求12所述的分析师模拟***,其特征在于,所述将现有分析师盈余分析数据与会计信息数据关联对齐以形成基础数据库,是指将基于同一上市公司、同一年、同一季度的现有分析师盈余分析数据与会计信息数据关联对齐,以具有现有分析师盈余分析数据的上市公司的关联数据形成基础数据库。
16.根据权利要求12所述的分析师模拟***,其特征在于,所述机器学习模型按年度和行业分别建模以形成模型组。
17.根据权利要求13所述的分析师模拟***,其特征在于,所述对现有分析师盈余分析数据进行筛选、均值化处理,是指筛选出上市公司各季度财务报表发布后相对应的各个分析师对未来若干年的盈余分析数据,基于各季度财务报表的未来若干年的现有分析师盈余分析数据,采用的是基于该季度的所有分析师盈余分析的平均值。
18.根据权利要求13所述的分析师模拟***,其特征在于,所述对会计信息数据并进行缺失值处理是指对部分公司的部分指标数据缺失进行填补处理,包括以下步骤:
S1:利用该公司的指标均值替代缺失值;
S2:若步骤S1失败,则利用该公司所处行业的指标均值替代缺失值。
19.根据权利要求14所述的分析师模拟***,其特征在于,所述填补数据集指对无分析师盈余分析数据的上市公司用机器学习模型进行盈余分析得到的数据,加上已具有分析师盈余分析数据的上市公司的数据而形成的数据集。
20.根据权利要求14所述的分析师模拟***,其特征在于,所述全分析数据集是指对所有上市公司用机器学习模型进行盈余分析得到的数据集。
21.根据权利要求14所述的分析师模拟***,其特征在于,所述对填补数据集和全分析数据集进行有效性验证是指将基础数据库中的现有分析师盈余分析数据、填补数据集、全分析数据集分别用Spearman Rank相关系数检验法、Pearson相关系数检验法进行收敛性检验,收敛则证明机器学习模型的盈余分析有效。
22.根据权利要求12至21任一项所述的分析师模拟***,其特征在于,还包括一报告组件,其用于获取上市公司产品技术发展、行业技术与市场发展趋势信息,识别上市公司产品特色与行业地位,形成单一公司行业前景文本,并整合该公司未来若干年的机器学习模型盈余分析数据及行业前景文本,以季度为期间形成公司与行业研究报告。
23.一种电子设备,其特征在于,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-11任一所述的分析师模拟方法。
24.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至11中任一项所述的分析师模拟方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210856513.7A CN115239502A (zh) | 2022-07-20 | 2022-07-20 | 一种分析师模拟方法、***、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210856513.7A CN115239502A (zh) | 2022-07-20 | 2022-07-20 | 一种分析师模拟方法、***、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115239502A true CN115239502A (zh) | 2022-10-25 |
Family
ID=83673034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210856513.7A Pending CN115239502A (zh) | 2022-07-20 | 2022-07-20 | 一种分析师模拟方法、***、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115239502A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077867A (zh) * | 2023-09-08 | 2023-11-17 | 广州市中大信息技术有限公司 | 基于神经网络实现的企业数据智能分析方法及*** |
-
2022
- 2022-07-20 CN CN202210856513.7A patent/CN115239502A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077867A (zh) * | 2023-09-08 | 2023-11-17 | 广州市中大信息技术有限公司 | 基于神经网络实现的企业数据智能分析方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和*** | |
WO2019214248A1 (zh) | 一种风险评估方法、装置、终端设备及存储介质 | |
Lunde et al. | The hazards of mutual fund underperformance: A Cox regression analysis | |
Angilella et al. | A credit risk model with an automatic override for innovative small and medium-sized enterprises | |
CN111178675A (zh) | 基于LR-Bagging算法的电费回收风险预测方法、***、存储介质及计算机设备 | |
CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
CN106815652A (zh) | 一种基于大数据相关性分析的配电网供电可靠性预测方法 | |
CN111681022A (zh) | 一种网络平台数据资源价值评估方法 | |
CN113537807A (zh) | 一种企业智慧风控方法及设备 | |
CN114140013A (zh) | 一种基于xgboost的评分卡生成方法、装置及设备 | |
CN116452052A (zh) | 一种专利价值评估方法、***、装置及存储介质 | |
CN115239502A (zh) | 一种分析师模拟方法、***、电子设备及存储介质 | |
CN110738565A (zh) | 基于数据集合的房产金融人工智能复合风控模型 | |
CN117150232B (zh) | 一种大模型非时序训练数据质量评价方法 | |
CN113988459A (zh) | 一种基于电力营销数据的中小企业成长性评估方法及*** | |
CN117132383A (zh) | 一种信贷数据处理方法、装置、设备及可读存储介质 | |
CN111105127A (zh) | 一种基于数据驱动的模块化产品设计评价方法 | |
CN116108963A (zh) | 一种基于集成学习模块的电力碳排放预测方法及设备 | |
CN113177733B (zh) | 基于卷积神经网络的中小微企业数据建模方法及*** | |
CN113159634A (zh) | 一种金融产品管理方法、装置及电子设备 | |
CN113935846A (zh) | 一种基于数理统计的金融风险预测评估***及方法 | |
CN113537759A (zh) | 一种基于权重自适应的用户体验度量模型 | |
CN114565457A (zh) | 风险数据识别方法、装置、存储介质及电子设备 | |
Sugita et al. | Global value chains and aggregate income volatility | |
Choi | Offshoring, Matching, and Income Inequality: Theory and Empirics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221025 |
|
RJ01 | Rejection of invention patent application after publication |