财务分析模型的训练方法、装置、设备及存储介质与流程

1.本技术属于数据处理技术领域，尤其涉及一种财务分析模型的训练方法、装置、设备及存储介质。


背景技术：

2.对企业进行财务分析是反映企业财务状况的会计要素，也是反映企业健康程度的主要方法。主要指对公司目前资产、负债和所有者权益的各个方面进行评价，分析企业资产结构、债务结构、变现能力、偿债能力、资本保值增值能力和现金流量。财务分析是指企业在一定时期内，以资产负债表、损益表、财务状况变动表及其它附表、财务情况说明书等为依据，分析企业的财务状况，做出财务评价，为投资者、债权人、国家有关政府部门，以及其他与企业有关的单位，提供财务报告。
3.现已有使用模型进行企业财务分析的方法，但是现有的财务分析模型过分依赖专家经验，分析效果较差。


技术实现要素：

4.本技术实施例提供一种财务分析模型的训练方法、装置、设备及存储介质，能够解决现有的财务分析模型分析效果较差的问题。
5.第一方面，本技术实施例提供一种财务分析模型的训练方法，包括：
6.获取参考对象的市场财务报表数据和市场表现数据；
7.提取财务报表数据和市场表现数据的财务指标；
8.将财务指标作为回归模型的解释变量，企业财务是否存在风险作为回归模型的被解释变量训练回归模型，得到财务分析模型。
9.在一种实施例中，将财务指标作为回归模型的解释变量，企业财务是否存在风险作为回归模型的被解释变量训练回归模型，得到财务分析模型，包括：
10.根据财务指标对应的参考对象的类型对财务指标进行分组，得到多组财务指标集合；
11.从每一组的财务指标集合中随机抽取预设个数的财务指标；
12.分别根据从每一组的财务指标集合中随机抽取的预设个数的财务指标训练回归模型，得到各参考对象类型对应的财务分析模型。
13.在一种实施例中，分别根据从每一组的财务指标集合中随机抽取的预设个数的财务指标训练回归模型，得到各参考对象类型对应的财务分析模型，包括：
14.将从每一组的财务指标中抽取的预设个数的财务指标分别输入回归模型，输出预设个数的分析特征，分析特征用于表征参考对象存在风险的概率；
15.计算表征预设个数的分析特征的整体大小程度的总分析特征；
16.在总分析特征满足预设条件的情况下，得到各参考对象类型对应的财务分析模型。
17.在一种实施例中，方法还包括：
18.将财务分析模型的输出特征作为标签数据，根据财务指标训练神经网络模型；
19.逐卷积层遍历神经网络模型，将上一层元素值作为输入，下一层元素值作为输出，构建决策树模型；决策树模型用于输出参考对象存在风险与财务指标的财务指标维度的相关性参数。
20.在一种实施例中，财务指标对应的财务指标维度包括：
21.资产负债结构、收入结构、利润水平、偿债能力和发展前景。
22.第二方面，本技术实施例提供一种应用财务分析模型分析企业财务的方法，财务分析模型通过如权利要求的方法训练得到，方法包括：
23.获取目标对象的对公财务数据；
24.提取对公财务数据的财务指标；
25.将对公财务数据的财务指标输入财务分析模型进行财务分析，输出目标对象的财务分析数据。
26.在一种实施例中，方法还包括：
27.将对公财务数据的财务指标输入预先训练出的神经网络模型；
28.逐卷积层遍历神经网络模型，将上一层元素值作为输入，下一层元素值作为输出，构建决策树模型；
29.通过决策树模型输出目标对象存在风险与财务指标的财务指标维度的目标参数。
30.第三方面，本技术实施例提供一种财务分析模型的训练装置，其特征在于，包括：
31.获取模块，用于获取参考对象的市场财务报表数据和市场表现数据；
32.提取模块，用于提取财务报表数据和市场表现数据的财务指标；
33.训练模块，用于将财务指标作为回归模型的解释变量，企业财务是否存在风险作为回归模型的被解释变量训练回归模型，得到财务分析模型。
34.在一种实施例中，训练模块，包括分组单元，抽取单元和训练单元；
35.分组单元，用于根据财务指标对应的参考对象的类型对财务指标进行分组，得到多组财务指标集合；
36.抽取单元，用于从每一组的财务指标集合中随机抽取预设个数的财务指标；
37.训练单元，用于分别根据从每一组的财务指标集合中随机抽取的预设个数的财务指标训练回归模型，得到各参考对象类型对应的财务分析模型。
38.在一种实施例中，训练单元，具体用于：
39.将从每一组的财务指标中抽取的预设个数的财务指标分别输入回归模型，输出预设个数的分析特征，分析特征用于表征参考对象存在风险的概率；
40.计算表征预设个数的分析特征的整体大小程度的总分析特征；
41.在总分析特征满足预设条件的情况下，得到各参考对象类型对应的财务分析模型。
42.在一种实施例中，装置还包括构建模块；
43.训练模块，还用于将财务分析模型的输出特征作为标签数据，根据财务指标训练神经网络模型；
44.构建模块，用于逐卷积层遍历神经网络模型，将上一层元素值作为输入，下一层元
素值作为输出，构建决策树模型；决策树模型用于输出参考对象存在风险与财务指标的财务指标维度的相关性参数。
45.在一种实施例中，财务指标对应的财务指标维度包括：
46.资产负债结构、收入结构、利润水平、偿债能力和发展前景。
47.第四方面，本技术实施例提供一种应用财务分析模型分析企业财务的装置，财务分析模型通过如权利要求的装置训练得到，装置包括：
48.获取单元，用于获取目标对象的对公财务数据；
49.提取单元，用于提取对公财务数据的财务指标；
50.分析单元，用于将对公财务数据的财务指标输入财务分析模型进行财务分析，输出目标对象的财务分析数据。
51.在一种实施例中，装置还包括输入模块，构建模块和输出模块；
52.输入模块，用于将对公财务数据的财务指标输入预先训练出的神经网络模型；
53.构建模块，用于逐卷积层遍历神经网络模型，将上一层元素值作为输入，下一层元素值作为输出，构建决策树模型；
54.输出模块，用于通过决策树模型输出目标对象存在风险与财务指标的财务指标维度的目标参数。
55.第五方面，本技术实施例提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器执行时实现上述任一项的方法。
56.第六方面，本技术实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有信息传递的实现程序，程序被处理器执行时实现上述任一项的方法。
57.第七方面，本技术实施例提供一种计算机程序产品，计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备执行上述任一项的方法。
58.本技术实施例的财务分析模型的训练方法、装置、设备及存储介质，以参考对象的市场财务报表数据和市场表现数据作为模型训练的数据源，提取财务报表数据和市场表现数据的财务指标；然后将财务指标作为回归模型的解释变量，企业财务是否存在风险作为回归模型的被解释变量训练回归模型，得到财务分析模型，本技术实施例的财务分析模型，完全基于数据，不受专家经验影响，得到的财务分析模型的分析效果较好。
附图说明
59.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
60.图1是本技术实施例提供的一种财务分析模型的训练方法的流程示意图；
61.图2是本技术实施例提供的一种应用财务分析模型分析企业财务的方法的流程示意图；
62.图3是本技术实施例提供的一种财务分析模型的训练装置的结构示意图；
63.图4是本技术实施例提供的一种应用财务分析模型分析企业财务的装置的结构示意图；
64.图5是本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
65.下面将详细描述本技术的各个方面的特征和示例性实施例，为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本技术进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本技术，并不被配置为限定本技术。对于本领域技术人员来说，本技术可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本技术的示例来提供对本技术更好的理解。
66.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
67.此外，还需要说明的是，本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
68.现有财务分析模型过分依赖专家经验，而不同专家的意见很难统一，而且收集统计、研究调整的过程较长，不能及时捕捉宏观环境和市场参与者的观点变化；现有可解释财务分析模型在高维情形下预测效果不佳，当前用于财务分析建模的回归、决策树等可解释性模型，在面临高维输入时，由于输入特征普遍存在相关关系等原因，预测准确度、可扩展性有限，而且往往时间性能不佳，而在项目中作为诊断报告数据支撑的财务分析模型，必须具有大量的解释变量，而现有可容纳高维解释变量的神经网络模型不可解释，不能输出具有解释意义的计算中间过程，无法作为财务分析结果的解释和分析报告的数据支撑。现有可获取到的上市公司作为可标记样本，每个行业下可标注的企业样本量常常少于200，传统的可解释模型很难达到正常的预测效果。综上所述，导致现有的财务分析模型分析效果较差。
69.为了解决现有技术问题，本技术实施例提供了一种财务分析模型的训练方法、装置、设备及存储介质。本技术实施例以参考对象的市场财务报表数据和市场表现数据作为模型训练的数据源，提取财务报表数据和市场表现数据的财务指标；然后将财务指标作为回归模型的解释变量，企业财务是否存在风险作为回归模型的被解释变量训练回归模型，得到财务分析模型，本技术实施例的财务分析模型，完全基于数据，不受专家经验影响，得到的财务分析模型的分析效果较好。下面首先对本技术实施例所提供的财务分析模型的训练方法进行介绍。
70.图1示出了本技术一个实施例提供的财务分析模型的训练方法的流程示意图。如图1所示，该方法可以包括以下步骤：
71.s110，获取参考对象的市场财务报表数据和市场表现数据。
72.其中，参考对象可以选取存在获取市场财务报表数据和市场表现数据途径的对
象，例如，企业和个人等。以参考对象为a股上市公司为例，市场财务报表数据和市场表现数据可以预先设置其数据的时间跨度，例如，获取近四年的市场财务报表数据，获取近一年的市场表现数据。市场财务报表数据可以包括：资产负债表、现金流量表、利润表和附注表等；市场表现数据可以包括：涨跌幅、净流入和投资结构等。
73.s120，提取财务报表数据和市场表现数据的财务指标。
74.其中，将财务报表数据和市场表现数据按照参考对象和数据时间进行关联，再通过矩阵构建、特征线性化和特征融合，即可得到财务指标。例如：
75.基于财务报表数据形成矩阵fi，基于市场表现数据形成矩阵pi，pi＝(pi1,pi2,
…
,pii,pim),i＝1,2,
…
,m；m为市场表现数据包括的数据类型。将pi输入标准化函数进行变换，标准化函数可以预先选取，得到ps，ps＝(ps1,ps2,
…
,psi,psm)，标准化函数可以选用为：
[0076][0077]
其中，n表示样本数量，l表示市场表现数据的数据维度。然后将ps各列进行线性加和后结合预设的系数矩阵b计算市场综合表现向量p，系数矩阵b＝(b1,b2,
…
,bi,bm)
t
，p＝psb。然后合并fi和p，形成预建模数据集，即财务指标prd＝(fi,p)。
[0078]
s130，将财务指标作为回归模型的解释变量，企业财务是否存在风险作为回归模型的被解释变量训练回归模型，得到财务分析模型。
[0079]
在一种实施例中，s130可以包括：
[0080]
s1301，根据财务指标对应的参考对象的类型对财务指标进行分组，得到多组财务指标集合。
[0081]
s1302，从每一组的财务指标集合中随机抽取预设个数的财务指标。
[0082]
s1303，分别根据从每一组的财务指标集合中随机抽取的预设个数的财务指标训练回归模型，得到各参考对象类型对应的财务分析模型。
[0083]
其中，在对财务指标进行分组时，可以预先设置分组后财务指标集合的数据量最低阈值，小于该最低阈值的财务指标集合则删除，不参与模型训练，例如该最低阈值可以设定为100。回归模型可以选用为惩罚项改造后的logistic回归模型，模型算式可以表达为：0《g(z)《1，z表示解释变量，g(z)表示被解释变量，z＝fiθ
t
，θ＝1,2,
……
，in，θ
t
表示变换系数矩阵，in表示解释变量个数。
[0084]
本技术实施例按参考对象类型分别训练财务分析模型，对财务分析模型进行分析细化，并且删除了无法满足模型训练的较小财务指标集合，提升了财务分析模型的训练效率和精度。通过随机重抽样的模型训练财务分析模型，解决了样本不足以支撑财务分析模型训练的问题。
[0085]
在一种实施例中，s1303可以包括：
[0086]
将从每一组的财务指标中抽取的预设个数的财务指标分别输入回归模型，输出预设个数的分析特征，分析特征用于表征参考对象存在风险的概率。
[0087]
计算表征预设个数的分析特征的整体大小程度的总分析特征。
[0088]
在总分析特征满足预设条件的情况下，得到各参考对象类型对应的财务分析模型。
[0089]
其中，通过总分析特征能够表征预设个数的分析特征的整体大小程度，可以通过求均值、中位数和众数等计算方法进行求取。预设条件可以是根据总分析特征计算得到回归模型的损失函数符合某一预设条件。
[0090]
本技术实施例通过计算总分析特征来表示被解释变量，而该总分析特征是参考了整体财务指标而求出的，体现了整体财务指标状况，使得训练得到的财务分析模型精度较高。
[0091]
在一种实施例中，该方法还可以包括：
[0092]
s140，将财务分析模型的输出特征作为标签数据，根据财务指标训练神经网络模型。
[0093]
s150，逐卷积层遍历神经网络模型，将上一层元素值作为输入，下一层元素值作为输出，构建决策树模型。决策树模型用于输出参考对象存在风险与财务指标的财务指标维度的相关性参数。
[0094]
其中，考虑到作为财务分析报告数据来源的财务分析模型，必须具有输出大量可解释变量的功能，而回归模型无法输出大量可解释变量。本技术实施例首先训练神经网络模型，再将神经网络模型的各卷积层输出的元素值作为样本，构建决策树模型，得到的决策树模型能够输出大量可解释变量，即参考对象存在风险与财务指标的财务指标维度的相关性参数。例如，财务指标维度为资产负债结构的相关性参数为0.7，财务指标维度为收入结构的相关性参数为0.2，则认为该参考对象存在风险的主要原因是资产负债结构问题，次要原因是收入结构问题。
[0095]
本技术实施例通过训练神经网络模型，再将神经网络模型的各卷积层输出的元素值作为样本，构建决策树模型，得到的决策树模型能够输出大量可解释变量，能够作为财务分析结果的解释和分析报告的数据支撑。
[0096]
在一种实施例中，神经网络模型可以通过如下步骤训练得到：
[0097]
构建全排列指标对和1
×
3的双重卷积层，1
×
3卷积层与最大池化交替叠加，最后一层全排列卷积构建，以及密度层之前的数据增强 dropout层构建，并获得神经网络各层级元素的计算结果lpij，其中i＝1，2，
…
k；j＝1，2，
…
ni,k为层数，ni为i层元素个数。其中全排列指标对卷积是指构建指标对(cii，cij)，其中j＝1，2,
…
,in,并且i≠j，in表示解释变量个数，全排列指标对个数为in
×
(in-1)，将每个指标对作为一个卷积区域，即可得到神经网络模型。
[0098]
在一种实施例中，财务指标对应的财务指标维度可以包括：
[0099]
资产负债结构、收入结构、利润水平、偿债能力和发展前景。
[0100]
本技术实施例以参考对象的市场财务报表数据和市场表现数据作为模型训练的数据源，提取财务报表数据和市场表现数据的财务指标；然后将财务指标作为回归模型的解释变量，企业财务是否存在风险作为回归模型的被解释变量训练回归模型，得到财务分析模型，本技术实施例的财务分析模型，完全基于数据，不受专家经验影响，得到的财务分析模型的分析效果较好。对财务分析模型进行分析细化，并且删除了无法满足模型训练的较小财务指标集合，提升了财务分析模型的训练效率和精度。通过随机重抽样的模型训练
财务分析模型，解决了样本不足以支撑财务分析模型训练的问题。通过计算总分析特征来表示被解释变量，而该总分析特征是参考了整体财务指标而求出的，体现了整体财务指标状况，使得训练得到的财务分析模型精度较高。通过训练神经网络模型，再将神经网络模型的各卷积层输出的元素值作为样本，构建决策树模型，得到的决策树模型能够输出大量可解释变量，能够作为财务分析结果的解释和分析报告的数据支撑。
[0101]
图1描述了财务分析模型的训练方法，下面结合附图2描述本技术实施例提供的一种应用财务分析模型分析企业财务的方法，该财务分析模型通过如图1描述的方法训练得到，该方法包括。
[0102]
s210，获取目标对象的对公财务数据。
[0103]
其中，再目标对象为银行客户的情况下，对公财务数据可以是银行对公财务数据。
[0104]
s220，提取对公财务数据的财务指标。
[0105]
其中，提取财务指标的原理与步骤s120一致，在此不再赘述。
[0106]
s230，将对公财务数据的财务指标输入财务分析模型进行财务分析，输出目标对象的财务分析数据。
[0107]
其中，基于财务分析模型具备较好的识别效果，输出的财务分析数据准度较高。
[0108]
在一种实施例中，方法还包括：
[0109]
将对公财务数据的财务指标输入预先训练出的神经网络模型。
[0110]
逐卷积层遍历神经网络模型，将上一层元素值作为输入，下一层元素值作为输出，构建决策树模型。
[0111]
通过决策树模型输出目标对象存在风险与财务指标的财务指标维度的目标参数。
[0112]
本技术实施例中，通过将神经网络模型的各卷积层输出的元素值作为样本，构建决策树模型，得到的决策树模型能够输出大量可解释变量，能够作为财务分析结果的解释和分析报告的数据支撑。
[0113]
图1-2描述了本技术实施例提供的方法，下面结合图3-5介绍本技术实施例提供的装置。
[0114]
图3示出了本技术一个实施例提供的财务分析模型的训练装置的结构示意图，图3所示装置中各模块具有实现图1中各个步骤的功能，并能达到其相应技术效果。如图3所示，该装置可以包括：
[0115]
获取模块310，用于获取参考对象的市场财务报表数据和市场表现数据；
[0116]
提取模块320，用于提取财务报表数据和市场表现数据的财务指标；
[0117]
训练模块330，用于将财务指标作为回归模型的解释变量，企业财务是否存在风险作为回归模型的被解释变量训练回归模型，得到财务分析模型。
[0118]
本技术实施例以参考对象的市场财务报表数据和市场表现数据作为模型训练的数据源，提取财务报表数据和市场表现数据的财务指标；然后将财务指标作为回归模型的解释变量，企业财务是否存在风险作为回归模型的被解释变量训练回归模型，得到财务分析模型，本技术实施例的财务分析模型，完全基于数据，不受专家经验影响，得到的财务分析模型的分析效果较好。对财务分析模型进行分析细化，并且删除了无法满足模型训练的较小财务指标集合，提升了财务分析模型的训练效率和精度。通过随机重抽样的模型训练财务分析模型，解决了样本不足以支撑财务分析模型训练的问题。通过计算总分析特征来
表示被解释变量，而该总分析特征是参考了整体财务指标而求出的，体现了整体财务指标状况，使得训练得到的财务分析模型精度较高。通过训练神经网络模型，再将神经网络模型的各卷积层输出的元素值作为样本，构建决策树模型，得到的决策树模型能够输出大量可解释变量，能够作为财务分析结果的解释和分析报告的数据支撑。
[0119]
在一种实施例中，训练模块，包括分组单元，抽取单元和训练单元；
[0120]
分组单元，用于根据财务指标对应的参考对象的类型对财务指标进行分组，得到多组财务指标集合；
[0121]
抽取单元，用于从每一组的财务指标集合中随机抽取预设个数的财务指标；
[0122]
训练单元，用于分别根据从每一组的财务指标集合中随机抽取的预设个数的财务指标训练回归模型，得到各参考对象类型对应的财务分析模型。
[0123]
在一种实施例中，训练单元，具体用于：
[0124]
将从每一组的财务指标中抽取的预设个数的财务指标分别输入回归模型，输出预设个数的分析特征，分析特征用于表征参考对象存在风险的概率；
[0125]
计算表征预设个数的分析特征的整体大小程度的总分析特征；
[0126]
在总分析特征满足预设条件的情况下，得到各参考对象类型对应的财务分析模型。
[0127]
在一种实施例中，装置还包括构建模块；
[0128]
训练模块，还用于将财务分析模型的输出特征作为标签数据，根据财务指标训练神经网络模型；
[0129]
构建模块，用于逐卷积层遍历神经网络模型，将上一层元素值作为输入，下一层元素值作为输出，构建决策树模型；决策树模型用于输出参考对象存在风险与财务指标的财务指标维度的相关性参数。
[0130]
在一种实施例中，财务指标对应的财务指标维度包括：
[0131]
资产负债结构、收入结构、利润水平、偿债能力和发展前景。
[0132]
本技术实施例以参考对象的市场财务报表数据和市场表现数据作为模型训练的数据源，提取财务报表数据和市场表现数据的财务指标；然后将财务指标作为回归模型的解释变量，企业财务是否存在风险作为回归模型的被解释变量训练回归模型，得到财务分析模型，本技术实施例的财务分析模型，完全基于数据，不受专家经验影响，得到的财务分析模型的分析效果较好。对财务分析模型进行分析细化，并且删除了无法满足模型训练的较小财务指标集合，提升了财务分析模型的训练效率和精度。通过随机重抽样的模型训练财务分析模型，解决了样本不足以支撑财务分析模型训练的问题。通过计算总分析特征来表示被解释变量，而该总分析特征是参考了整体财务指标而求出的，体现了整体财务指标状况，使得训练得到的财务分析模型精度较高。通过训练神经网络模型，再将神经网络模型的各卷积层输出的元素值作为样本，构建决策树模型，得到的决策树模型能够输出大量可解释变量，能够作为财务分析结果的解释和分析报告的数据支撑。
[0133]
图3描述了财务分析模型的训练装置，下面结合附图4描述本技术实施例提供的一种应用财务分析模型分析企业财务的装置，该财务分析模型通过如图3描述的装置训练得到，该装置包括。
[0134]
获取单元410，用于获取目标对象的对公财务数据；
[0135]
提取单元420，用于提取对公财务数据的财务指标；
[0136]
分析单元430，用于将对公财务数据的财务指标输入财务分析模型进行财务分析，输出目标对象的财务分析数据。
[0137]
其中，基于财务分析模型具备较好的识别效果，输出的财务分析数据准度较高。
[0138]
在一种实施例中，装置还包括输入模块，构建模块和输出模块；
[0139]
输入模块，用于将对公财务数据的财务指标输入预先训练出的神经网络模型；
[0140]
构建模块，用于逐卷积层遍历神经网络模型，将上一层元素值作为输入，下一层元素值作为输出，构建决策树模型；
[0141]
输出模块，用于通过决策树模型输出目标对象存在风险与财务指标的财务指标维度的目标参数。
[0142]
本技术实施例中，通过将神经网络模型的各卷积层输出的元素值作为样本，构建决策树模型，得到的决策树模型能够输出大量可解释变量，能够作为财务分析结果的解释和分析报告的数据支撑。
[0143]
图5示出了本技术一个实施例提供的电子设备的结构示意图。如图5所示，该设备可以包括处理器501以及存储有计算机程序指令的存储器502。
[0144]
具体地，上述处理器501可以包括中央处理器(central processing unit，cpu)，或者特定集成电路(application specific integrated circuit，asic)，或者可以被配置成实施本技术实施例的一个或多个集成电路。
[0145]
存储器502可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器502可包括硬盘驱动器(hard disk drive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，usb)驱动器或者两个或更多个以上这些的组合。在一个实例中，存储器502可以包括可移除或不可移除(或固定)的介质，或者存储器502是非易失性固态存储器。存储器502可在综合网关容灾设备的内部或外部。
[0146]
在一个实例中，存储器502可以是只读存储器(read only memory，rom)。在一个实例中，该rom可以是掩模编程的rom、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、电可改写rom(earom)或闪存或者两个或更多个以上这些的组合。
[0147]
处理器501通过读取并执行存储器502中存储的计算机程序指令，以实现图1-2所示实施例中的方法，并达到图1-2所示实例执行其方法达到的相应技术效果，为简洁描述在此不再赘述。
[0148]
在一个示例中，该电子设备还可包括通信接口503和总线510。其中，如图5所示，处理器501、存储器502、通信接口503通过总线510连接并完成相互间的通信。
[0149]
通信接口503，主要用于实现本技术实施例中各模块、装置、单元和/或设备之间的通信。
[0150]
总线510包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(accelerated graphics port，agp)或其他图形总线、增强工业标准架构(extended industry standard architecture，eisa)总线、前端总线(front side bus，fsb)、超传输(hyper transport，ht)互连、工业标准架构(industry standard architecture，isa)总线、无限带宽互连、低引脚数(lpc)总线、存储器总线、微信道架构(mca)总线、外围组件互连(pci)总线、pci-express(pci-x)总线、串行
高级技术附件(sata)总线、视频电子标准协会局部(vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线510可包括一个或多个总线。尽管本技术实施例描述和示出了特定的总线，但本技术考虑任何合适的总线或互连。
[0151]
该电子设备可以执行本技术实施例中的财务分析模型的训练方法，从而实现图1-2描述的方法的相应技术效果。
[0152]
另外，结合上述实施例中的财务分析模型的训练方法，本技术实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种财务分析模型的训练方法。
[0153]
需要明确的是，本技术并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本技术的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本技术的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
[0154]
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(application specific integrated circuit，asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本技术的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(radio frequency，rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
[0155]
还需要说明的是，本技术中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本技术不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
[0156]
上面参考根据本技术的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本技术的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
[0157]
以上所述，仅为本技术的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。