本發(fā)明涉及數(shù)據(jù)分析，尤其涉及一種融資數(shù)據(jù)分析方法及系統(tǒng)。

背景技術(shù)：

1、企業(yè)融資數(shù)據(jù)，作為衡量企業(yè)財務(wù)健康狀況和市場競爭力的重要指標，其重要性不言而喻。這些數(shù)據(jù)不僅反映了企業(yè)當前和過去的融資活動，更預(yù)示著企業(yè)未來的發(fā)展方向和潛力。

2、首先，融資數(shù)據(jù)是企業(yè)制定戰(zhàn)略決策的重要依據(jù)。通過對融資數(shù)據(jù)的深入分析，企業(yè)可以清晰地了解到自身的資本結(jié)構(gòu)、融資成本以及融資效率等關(guān)鍵信息。這些信息有助于企業(yè)決策者判斷當前的融資策略是否有效，是否需要調(diào)整融資方式或渠道，以更好地滿足企業(yè)的資金需求。同時，融資數(shù)據(jù)還能幫助企業(yè)預(yù)測未來的資金需求，從而提前規(guī)劃融資計劃，確保企業(yè)資金鏈的穩(wěn)健運行。其次，融資數(shù)據(jù)對于提升企業(yè)的市場信譽和形象也至關(guān)重要。一個擁有良好融資記錄的企業(yè)，往往能夠更容易地獲得投資者的信任和青睞。這不僅有助于企業(yè)降低融資成本，還能為企業(yè)帶來更多的投資機會和合作伙伴。

3、因此，通過展示良好的融資數(shù)據(jù)，企業(yè)可以吸引更多的投資者和合作伙伴，從而拓展業(yè)務(wù)領(lǐng)域、提升市場份額。同時，融資數(shù)據(jù)還能為企業(yè)帶來融資創(chuàng)新的機會，如通過發(fā)行債券、股權(quán)融資等新型融資方式，進一步拓寬企業(yè)的融資渠道和降低融資成本。但現(xiàn)有技術(shù)中缺少對于融資數(shù)據(jù)的有效分析方法，難以實現(xiàn)對融資數(shù)據(jù)的高效展示。

技術(shù)實現(xiàn)思路

1、鑒于此，本發(fā)明實施例提供了一種融資數(shù)據(jù)分析方法，以消除或改善現(xiàn)有技術(shù)中存在的一個或更多個缺陷。

2、本發(fā)明的一個方面提供了一種融資數(shù)據(jù)分析方法，該方法的步驟包括：

3、從數(shù)據(jù)庫中調(diào)用原始融資數(shù)據(jù)，所述原始融資數(shù)據(jù)包括數(shù)值型數(shù)據(jù)、分類數(shù)據(jù)和時間數(shù)據(jù)；

4、對所述數(shù)值型數(shù)據(jù)進行定量特征提取，所述數(shù)值型數(shù)據(jù)包括融資金額、歷史借款次數(shù)、還款金額和貿(mào)易往來數(shù)據(jù)；

5、對所述分類數(shù)據(jù)進行定性特征提取，所述分類數(shù)據(jù)包括企業(yè)行業(yè)、企業(yè)規(guī)模和融資用途；

6、對所述時間數(shù)據(jù)進行時間特征提取，在時間特征提取過程中分解時間數(shù)據(jù)。

7、采用上述方案，本方案能夠從原始數(shù)據(jù)庫中采集原始融資數(shù)據(jù)，通過對多項的原始融資數(shù)據(jù)分別進行數(shù)據(jù)分析，得到對應(yīng)多個項目的分析后的數(shù)據(jù)，本方案能夠?qū)Χ囗椃治龊蟮臄?shù)據(jù)進行展示，實現(xiàn)融資數(shù)據(jù)的高效戰(zhàn)術(shù)。

8、在本發(fā)明的一些實施方式中，該方法的步驟還包括：對通過定量特征提取、定性特征提取和定性特征提取后得到的數(shù)據(jù)進行數(shù)據(jù)整合，將數(shù)據(jù)整合得到的數(shù)據(jù)輸入到預(yù)訓練的機器學習模型中，通過預(yù)訓練的機器學習模型輸出融資風險值。

9、在本發(fā)明的一些實施方式中，對通過定量特征提取、定性特征提取和定性特征提取后得到的數(shù)據(jù)進行數(shù)據(jù)整合的步驟中：

10、在所述定量特征提取的過程中，計算多個年份的融資金額的均值和標準差。

11、在本發(fā)明的一些實施方式中，對通過定量特征提取、定性特征提取和定性特征提取后得到的數(shù)據(jù)進行數(shù)據(jù)整合的步驟中：

12、對所述分類數(shù)據(jù)進行定性特征提取的過程中，采用標簽編碼或者獨熱編碼的方式對所述分類數(shù)據(jù)進行特征提取。

13、在本發(fā)明的一些實施方式中，對通過定量特征提取、定性特征提取和定性特征提取后得到的數(shù)據(jù)進行數(shù)據(jù)整合的步驟中：

14、對所述分類數(shù)據(jù)進行時間特征提取的過程中，分解所述融資時間數(shù)據(jù)的所處的年份、季度和月份。

15、在本發(fā)明的一些實施方式中，對通過定量特征提取、定性特征提取和定性特征提取后得到的數(shù)據(jù)進行數(shù)據(jù)整合的步驟中：

16、對所述分類數(shù)據(jù)進行時間特征提取的過程中，基于多個融資時間數(shù)據(jù)的時間點計算融資頻率。

17、在本發(fā)明的一些實施方式中，所述機器學習模型包括第一階段處理模型和第二階段處理模型，所述第一階段處理模型包括對應(yīng)定量特征、定性特征提取和時間特征的子模型，將數(shù)據(jù)整合得到的數(shù)據(jù)輸入到預(yù)訓練的機器學習模型中，通過預(yù)訓練的機器學習模型輸出融資風險值的步驟中，將提取得到的定量特征、定性特征提取和時間特征分別輸入到預(yù)訓練的子模型中，將多個子模型的輸出進行組合，并輸入到所述第二階段處理模型中，通過所述第二階段處理模型輸出融資風險值。

18、在本發(fā)明的一些實施方式中，該方法的步驟還包括：

19、提取企業(yè)財務(wù)報表中的財務(wù)指標數(shù)據(jù)，所述財務(wù)指標數(shù)據(jù)包括流動資產(chǎn)、流動負債、總負債和總資產(chǎn)；

20、基于所述流動資產(chǎn)和流動負債計算流動比率；

21、基于所述總負債和總資產(chǎn)計算資產(chǎn)負債率。

22、在本發(fā)明的一些實施方式中，在基于所述流動資產(chǎn)和流動負債計算流動比率的步驟中，計算流動資產(chǎn)/流動負債作為流動比率；計算總負債/總資產(chǎn)作為資產(chǎn)負債率。

23、本發(fā)明的第二方面還提供一種融資數(shù)據(jù)分析系統(tǒng)，該系統(tǒng)包括計算機設(shè)備，所述計算機設(shè)備包括處理器和存儲器，所述存儲器中存儲有計算機指令，所述處理器用于執(zhí)行所述存儲器中存儲的計算機指令，當所述計算機指令被處理器執(zhí)行時該系統(tǒng)實現(xiàn)如前所述方法所實現(xiàn)的步驟。

24、本發(fā)明的第三方面還提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時以實現(xiàn)前述融資數(shù)據(jù)分析方法所實現(xiàn)的步驟。

25、本發(fā)明的附加優(yōu)點、目的，以及特征將在下面的描述中將部分地加以闡述，且將對于本領(lǐng)域普通技術(shù)人員在研究下文后部分地變得明顯，或者可以根據(jù)本發(fā)明的實踐而獲知。本發(fā)明的目的和其它優(yōu)點可以通過在說明書以及附圖中具體指出并獲得。

26、本領(lǐng)域技術(shù)人員將會理解的是，能夠用本發(fā)明實現(xiàn)的目的和優(yōu)點不限于以上具體所述，并且根據(jù)以下詳細說明將更清楚地理解本發(fā)明能夠?qū)崿F(xiàn)的上述和其他目的。

技術(shù)特征：

1.一種融資數(shù)據(jù)分析方法，其特征在于，該方法的步驟包括：

2.根據(jù)權(quán)利要求1所述的融資數(shù)據(jù)分析方法，其特征在于，該方法的步驟還包括：對通過定量特征提取、定性特征提取和定性特征提取后得到的數(shù)據(jù)進行數(shù)據(jù)整合，將數(shù)據(jù)整合得到的數(shù)據(jù)輸入到預(yù)訓練的機器學習模型中，通過預(yù)訓練的機器學習模型輸出融資風險值。

3.根據(jù)權(quán)利要求2所述的融資數(shù)據(jù)分析方法，其特征在于，對通過定量特征提取、定性特征提取和定性特征提取后得到的數(shù)據(jù)進行數(shù)據(jù)整合的步驟中：

4.根據(jù)權(quán)利要求2所述的融資數(shù)據(jù)分析方法，其特征在于，對通過定量特征提取、定性特征提取和定性特征提取后得到的數(shù)據(jù)進行數(shù)據(jù)整合的步驟中：

5.根據(jù)權(quán)利要求2所述的融資數(shù)據(jù)分析方法，其特征在于，對通過定量特征提取、定性特征提取和定性特征提取后得到的數(shù)據(jù)進行數(shù)據(jù)整合的步驟中：

6.根據(jù)權(quán)利要求2所述的融資數(shù)據(jù)分析方法，其特征在于，對通過定量特征提取、定性特征提取和定性特征提取后得到的數(shù)據(jù)進行數(shù)據(jù)整合的步驟中：

7.根據(jù)權(quán)利要求2～6任一項所述的融資數(shù)據(jù)分析方法，其特征在于，所述機器學習模型包括第一階段處理模型和第二階段處理模型，所述第一階段處理模型包括對應(yīng)定量特征、定性特征提取和時間特征的子模型，將數(shù)據(jù)整合得到的數(shù)據(jù)輸入到預(yù)訓練的機器學習模型中，通過預(yù)訓練的機器學習模型輸出融資風險值的步驟中，將提取得到的定量特征、定性特征提取和時間特征分別輸入到預(yù)訓練的子模型中，將多個子模型的輸出進行組合，并輸入到所述第二階段處理模型中，通過所述第二階段處理模型輸出融資風險值。

8.根據(jù)權(quán)利要求1所述的融資數(shù)據(jù)分析方法，其特征在于，該方法的步驟還包括：

9.根據(jù)權(quán)利要求8所述的融資數(shù)據(jù)分析方法，其特征在于，在基于所述流動資產(chǎn)和流動負債計算流動比率的步驟中，計算流動資產(chǎn)/流動負債作為流動比率；計算總負債/總資產(chǎn)作為資產(chǎn)負債率。

10.一種融資數(shù)據(jù)分析系統(tǒng)，其特征在于，該系統(tǒng)包括計算機設(shè)備，所述計算機設(shè)備包括處理器和存儲器，所述存儲器中存儲有計算機指令，所述處理器用于執(zhí)行所述存儲器中存儲的計算機指令，當所述計算機指令被處理器執(zhí)行時該系統(tǒng)實現(xiàn)如權(quán)利要求1～9任一項所述方法所實現(xiàn)的步驟。

技術(shù)總結(jié)
本發(fā)明提供一種融資數(shù)據(jù)分析方法及系統(tǒng)，該方法的步驟包括：從數(shù)據(jù)庫中調(diào)用原始融資數(shù)據(jù)，所述原始融資數(shù)據(jù)包括數(shù)值型數(shù)據(jù)、分類數(shù)據(jù)和時間數(shù)據(jù)；對所述數(shù)值型數(shù)據(jù)進行定量特征提取，所述數(shù)值型數(shù)據(jù)包括融資金額、歷史借款次數(shù)、還款金額和貿(mào)易往來數(shù)據(jù)；對所述分類數(shù)據(jù)進行定性特征提取，所述分類數(shù)據(jù)包括企業(yè)行業(yè)、企業(yè)規(guī)模和融資用途；對所述時間數(shù)據(jù)進行時間特征提取，在時間特征提取過程中分解時間數(shù)據(jù)。本方案能夠從原始數(shù)據(jù)庫中采集原始融資數(shù)據(jù)，通過對多項的原始融資數(shù)據(jù)分別進行數(shù)據(jù)分析，得到對應(yīng)多個項目的分析后的數(shù)據(jù)，本方案能夠?qū)Χ囗椃治龊蟮臄?shù)據(jù)進行展示，實現(xiàn)融資數(shù)據(jù)的高效戰(zhàn)術(shù)。

技術(shù)研發(fā)人員：饒正榮,田天
受保護的技術(shù)使用者：北京中企云鏈產(chǎn)融科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/4/24