[发明专利]资产负债智能管理方法、装置及计算机可读存储介质

权利要求书

1.一种资产负债智能管理方法，其特征在于，所述方法包括：

通过源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中；

利用数据整合层根据所述编号，从所述数据库中提取所述企业数据，通过因子分析模型从所述企业数据中提取资产特征；

将所述资产特征及所述负债标签输入至前向神经网络层中训练，直至所述前向神经网络层的损失函数值满足预设阈值要求时，所述前向神经网络层退出训练；

接收用户的企业负债查询指令，利用所述数据整合层和所述前向神经网络层进行企业负债情况计算，输出企业负债结果。

2.如权利要求1所述的资产负债智能管理方法，其特征在于，所述通过源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中，包括：

接收企业数据及负债标签，并根据企业数据的类型对所述企业数据分类；

查询数据库的当前编号后，将所述当前编号的下一个编号作为分类后的所述企业数据及所述负债标签的编号；

将分类后的所述企业数据及所述负债标签输入至数据库，并更新所述数据库的当前编号。

3.如权利要求2所述的资产负债智能管理方法，其特征在于，所述利用数据整合层根据所述编号，从所述数据库中提取所述企业数据，通过因子分析模型从所述企业数据中提取资产特征，包括：

查询所述数据库的当前编号，根据所述编号从所述数据库中提取所述企业数据；

将所述企业数据作为因子分析模型的输入数据并训练所述因子分析模型，直至所述因子分析模型的最大化似然函数值小于阈值时，所述因子分析模型退出训练并输出资产特征。

4.如权利要求3所述的资产负债智能管理方法，其特征在于，所述因子分析模型包括似然函数和所述最大化似然函数，其中，所述似然函数为：

其中∧为变化矩阵，μ为高斯分布的均值，为高斯分布的方差，m为企业数据数量，p为概率函数，Xⁱ，Zⁱ分别为所述企业数据和所述资产特征；

所述最大化似然函数为：

其中Q_i(Zⁱ)为琴生不等式的参数值：

5.如权利要求1至4中任意一项所述的资产负债智能管理方法，其特征在于，将所述资产特征及所述负债标签输入至前向神经网络层中训练，直至所述前向神经网络层的损失函数值满足阈值要求时，所述前向神经网络层退出训练，包括：

将所述资产特征输入至所述前向神经网络层的输入层，所述负债标签输入至所述前向神经网络层的损失函数中；

根据所述输入层数据对所述前向神经网络层进行训练得出训练值，并将所述训练值输入至所述损失函数中；

通过所述损失函数，根据所述训练值与所述负债标签计算出损失值，并判断所述损失值与所述预设阈值的大小，直至所述损失值小于所述阈值时，所述前向神经网络层退出训练。

6.一种资产负债智能管理装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的资产负债智能管理程序，所述资产负债智能管理程序被所述处理器执行时实现如下步骤：

通过源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中；

利用数据整合层根据所述编号，从所述数据库中提取所述企业数据，通过因子分析模型从所述企业数据中提取资产特征；

将所述资产特征及所述负债标签输入至前向神经网络层中训练，直至所述前向神经网络层的损失函数值满足预设阈值要求时，所述前向神经网络层退出训练；

接收用户的企业负债查询指令，利用所述数据整合层和所述前向神经网络层进行企业负债情况计算，输出企业负债结果。