[发明专利]一种企业风险预警方法及电子设备

说明书

一种企业风险预警方法及电子设备。在该方法中，使用了企业风险预警融合模型，既兼顾了对高多维度复杂大数据的快速处理，又兼顾了对低多维度离散数据的归因解释清晰，提升了风险预警模型的泛化能力，从而提升了风险预警的准确度。

技术领域

本申请涉及风险预警领域，尤其涉及一种企业风险预警方法及电子设备。

背景技术

无论是大型企业集团，还是中小型企业，建立起有效的风险预警监控系统都对控制企业的风险有着重要意义。风险预警监控系统实际上就是根据企业的特点，通过收集企业多维度相关的资料信息，向决策层发出预警信号并提前采取预控对策的系统。

在相关技术中，可以通过机器学习模型来预测企业的风险，从而减少人为判断主观性强，容易受到情绪干扰的缺点。

然而，在使用这些机器学习模型在进行企业风险预测时会发现，这些机器学习模型的预测准确率不够高。特别是对于未采用其历史数据进行过模型训练的新企业，预测准确率下降明显。

发明内容

本申请提供了一种企业风险预警方法及电子设备，用于提升企业风险预警模型的泛化能力，从而提升对企业风险预警时的准确率。

第一方面，本申请提供了一种企业风险预警方法，包括：获取第一企业在第t年的信息特征因子；该t为正整数；将该信息特征因子中的高多维度因子的特征输入企业风险预警融合模型中的第一集成分类智能模型，得到第一风险概率；将该信息特征因子中的低多维度因子的特征输入该企业风险预警融合模型中的第一逻辑回归智能模型，得到第二风险概率；该高多维度因子中维度数目最小的特征的维度数目大于该低多维度因子中维度数目最大的特征的维度数目；将该第一风险概率与该第二风险概率输入该企业风险预警融合模型中的第二逻辑回归智能模型，得到该第一企业在第t+1年的风险预测值；该第二逻辑回归智能模型为与该第一逻辑回归智能模型不同的一个逻辑回归智能模型。

上述实施例中，由于先将信息特征因子中的高多维度因子的特征和低多维度因子的特征分别输入第一集成分类智能模型和第一逻辑回归智能模型，使得在提高了对高多维度因子的特征的分析能力的同时，对低多维度因子的特征与风险结果的对应关系的可解释性更强，极大的提升了企业风险预警融合模型的泛化能力，从而提升了对新企业进行风险预测的准确性。之后，在得到高多维度因子的特征对应的第一风险概率与低多维度因子的特征对应的第二风险概率后，再使用第二逻辑回归智能模型进行融合预测，进一步提升了风险预测的准确性。有效解决了常规机器学习模型泛化能力差，预测准确率低的问题，极大的提升了企业风险预警模型的泛化能力，有效提升了对企业进行风险预警的准确率。

结合第一方面的一些实施例，在一些实施例中，该高多维度因子包括财务数据，该高多维度因子中维度数目最小的特征的维度数目大于100；该低多维度因子包括工商司法信息和舆情信息，该低多维度因子中维度数目最大的特征的维度数目小于40。

上述实施例中，将维度数目大于100的财务数据作为高多维度因子，将维度数目小于40的工商司法信息和/或舆情信息作为低多维度因子，可以直接自动将企业信息中的各种信息特征因子进行分类，使其分别快速进入第一集成分类智能模型或第一逻辑回归智能模型，在提高预警模型泛化能力的同时，也提升了进行企业预警分析的效率。

结合第一方面的一些实施例，在一些实施例中，该第一集成分类智能模型为一种极端梯度提升XGB模型。

上述实施例中，集成分类智能模型有很多种，而使用XGB模型作为第一集成分类智能模型，是申请人经过大量实验而得出的融合效果及预测率最好的结果。