一种小规模场景中金融市场主体价值定量评估的方法

1.本发明涉及金融领域，主要是一种金融市场主体的价值定量评估机制的改进，尤其涉及一种基于关系矩阵并针对小规模场景中金融市场主体价值定量评估的方法。


背景技术：

2.目前，在金融活动参与主体价值定量评估中，专利“基于关系矩阵的金融活动参与主体价值评估的方法cn201811076697.5”提出了一种显著提升评估准确性且更具普适性的定量评估方法。
3.与关联矩阵使用较为广泛的搜索引擎相比，金融市场主体价值定量评估中涉及个体数量整体较少，如截止2021年11月12日，沪深两市主板上市企业数量依次分别1693家和1519家。同时基于归属行业、市值等维度，各市场主体对金融市场稳定性影响和潜在投资价值也不尽相同。专利“基于关系矩阵的金融活动参与主体价值评估的方法”继承了搜索引擎场景中关联矩阵的应用框架，并借助正反向关联矩阵和虚拟权重有效地提升了评估的准确性和普适性，但该方法并没有从根本上解决小规模场景中财务舞弊的问题，同时关联矩阵横向归一化默认在提升算法普适性的同时，也因主体各种负面事件同票同权容易造成对围绕诸如上市公司、发债主体等小规模场景中的负面事件的评价失真。因此，该方法更适合于具备规模性领域的市场面评估，并不能准确评价判断该上市公司财务舞弊风险的高低。


技术实现要素：

4.本发明鉴于现有金融市场主体价值定量评估方法的不足，提出一种显著适用于小规模场景、支持同票不同权的定量评估方法。
5.为实现上述目的，本发明采用了如下技术方案：
6.一种小规模场景中金融市场主体价值定量评估的方法，包括如下步骤：
7.s1：系统初始化；初始化市场主体的负面事件的权重向量，然后转s2；
8.s2：利用s1中的负面事件的集合构建输出关联向量和投票权关联矩阵；基于市场主体各负面事件的实际投票权构建各负面事件的输出关联向量，构建各负面事件之间的投票权关联矩阵，然后转s3；
9.s3：构建虚关联关联矩阵并进行投票权关联矩阵优化；然后转s4；
10.s4：迭代计算市场主体中各负面事件的权重向量；对投票权关联矩阵和主体权重向量进行迭代优化；然后转s5；
11.s5：由s4迭代得到当前场景中的市场主体价值评估向量i
(k+1)
。
12.优选地，在步骤s1中，所述系统初始化的具体过程为：设n为目标场景中市场主体的负面事件的数量，e＝(e1，e2，
…
，en)为场景中市场主体的负面事件的集合；设e
(0)
＝(e
1(0)
，e
2(0)
，
…
，e
n(0)
)
t
为市场主体初始权重向量，原则上所有e
i(0)
不同时为零即可，且有e
i(0)
≥1，1≤i≤n；设实关系权重平衡系数为
ɑ
，则相应的虚关系权重系数为1-ɑ
；设主体权重向量迭代中止范数阈值为β，即当连续两次迭代范数小于β时，迭代优化过程中止。
13.优选地，步骤s2的具体过程为：设ri＝(r
i-》1
，r
i-》2
，
…
，r
i-》n
)
t
为以ei为输出节点的权重向量，其中r
i-》j
为ei投票给ej的权重，且有r
i-》j
≥1；注意，若ei没有投票给ej，则r
i-》j
＝0,1≤i,j≤n。令r为投票权关联矩阵，且有r＝(r
ij
)n×n为正向关联矩阵，即r＝(r1,r2,
…
,rn)
t
。
14.优选地，步骤s3的具体过程为：令p为投票权虚关系关联矩阵，且有p＝(p
ij
)n×
n,pij
≥0，通常若r
ij
≠0，则r
ij
远大于p
ij
,1≤i,j≤n。令t为优化投票权关联矩阵，且有t＝
ɑ
*r+(1-ɑ
)*p。
15.优选地，步骤s4的具体过程为：设i
(1)
＝e
(0)
，令i
(k+1)
＝t
t
*i
(k)
，若|i
(k+1)-i
(k)
|《β转步骤s5，否则对i
(k+1)
进行归一下化处理后继续进行迭代计算。
16.与现有技术相比，本发明的有益效果为：通过引入投票权关联矩阵，切实尊重并保留各市场主体实际市场影响力，特别是针对诸如上市公司、发债主体等小规模金融市场研究主体时，能够在有效地避免同票同权的同时，更真实地获取市场主体的权重和价值。同时借助权重向量归一化后置，进一步降低虚关联累计级联影响并提升了算法收敛速度，为复杂场景细分研究和实时价值评估提供途径，特别适用于小规模金融研究场景中的市场主体价值评估定量分析。
附图说明
17.图1为本发明的一种小规模场景中金融市场主体价值定量评估的方法的流程图；
18.图2为本发明的一种小规模场景中金融市场主体价值定量评估的方法的分析场景中市场主体关联关系示意图。
具体实施方式
19.为使对本发明的目的、构造、特征、及其功能有进一步的了解，兹配合实施例详细说明如下。
20.请结合参照图1和图2，本发明提供了一种小规模场景中金融市场主体价值定量评估的方法，其实质是一个典型的动态优化问题。针对该问题的金融市场主体价值定量评估，如何实施市场主体价值定量计算，主要策略如下：初始化市场主体权重向量，并基于市场主体个负面事件的实际投票权构建各市场主体负面事件的输出关联向量。构建各市场主体的各负面事件之间的投票权关联矩阵，并基于虚向量对投票权关联矩阵进行优化。对投票权关联矩阵对主体权重向量进行迭代优化，直到连续两次迭代范数小于某阈值，则得市场主体的价值评估向量，计算过程结束。
21.具体包括如下步骤：
22.s1：系统初始化；初始化市场主体的负面事件的权重向量，然后转s2。
23.所谓系统初始化即是本发明方法的初始化，即为将系统恢复到一个初始的默认值，把没准备的准备好，如此使系统模型启动。
24.具体初始化过程为：设n为目标场景中市场主体的负面事件的数量，e＝(e1，e2，
…
，en)为场景中市场主体的负面事件的集合；设e
(0)
＝(e
1(0)
，e
2(0)
，
…
，e
n(0)
)
t
为负面事件的初始权重向量(即为投票权的初始值)，原则上所有e
i(0)
不同时为零，就对结果无影响，且有e
i(0)
≥1，1≤i≤n；设实关系权重平衡系数为
ɑ
，则相应的虚关系权重系数为1-ɑ
；设主体权重向
量迭代中止范数阈值为β，即当连续两次迭代范数小于β时，迭代优化过程中止。
25.其中负面事件包括：监管措施、经营亏损、证券价格异动、行政处罚、高管离职、问询或关注、其他风险事件以及其他市场预警等等诸多经营异常事件。利用各种负面事件发生的概率来对公司是否存在财务舞弊进行判断。
26.s2：利用s1中的负面事件的集合构建输出关联向量和投票权关联矩阵；基于市场主体实际投票权构建各种负面事件的输出关联向量，构建各负面事件之间的投票权关联矩阵；设ri＝(r
i-》1
，r
i-》2
，
…
，r
i-》n
)
t
为以ei为输出节点的权重向量，其中r
i-》j
为ei投票给ej的权重，且有r
i-》j
≥1；注意，若ei没有投票给ej，则r
i-》j
＝0,1≤i,j≤n。令r为投票权关联矩阵，且有r＝(r
ij
)n×n为正向关联矩阵，即r＝(r1,r2,
…
,rn)
t
。然后转s3。其中所谓的输出节点ei即为步骤s1中的各个负面事件。根据各种负面事件的集合，即各负面事件发生的次数、发生的前后顺序关系等各种关联关系发生的概率构件结构稳定的投票权关联矩阵。
27.s3：构建虚关系关联矩阵并进行投票权关联矩阵优化；令p为投票权虚关系关联矩阵，且有p＝(p
ij
)n×
n,pij
≥0，通常若r
ij
≠0，则r
ij
远大于p
ij
,1≤i,j≤n。令t为优化投票权关联矩阵，且有t＝
ɑ
*r+(1-ɑ
)*p。然后转s4。
28.其中虚关系关联矩阵的构建最核心的目的是确保各节点(各负面事件)在关联关系上有限步可达，让整个评估体系能够顺利运转。将虚关系关联矩阵与投票权关联矩阵按t＝
ɑ
*r+(1-ɑ
)*p进行相加得出优化的投票权关联矩阵。
29.s4：迭代计算市场主体的负面事件的权重向量；对投票权关联矩阵和主体权重向量进行迭代优化；设i
(1)
＝e
(0)
，令i
(k+1)
＝t
t
*i
(k)
，若|i
(k+1)-i
(k)
|《β转步骤s5，否则对i
(k+1)
进行归一下化处理后继续进行迭代计算；然后转s5；
30.s5：由s4迭代得到当前场景中的市场主体价值评估向量i
(k+1)
。
31.在具体实施中，以发明专利“基于关系矩阵的金融活动参与主体价值评估的方法cn201811076697.5”提供的场景为分析对象，介绍本专利的具体实现方法。其中具体数据取自公开数据库中的数据。该分析场景共涉及7个负面事件，且相互之间的关联关系如图2所示。具体7个负面事件为：监管措施、经营亏损、证券价格异动、行政处罚、问询或关注、其他风险事件以及其他市场预警。同时为了更精准地阐述本技术算法执行过程并展示算法有效性，特在不改变各节点(即各负面事件)关联结构基础上，针对节点2增加指向自身的链接且权重为15，针对节点4增加指向自身的链接且权重为10，显然，节点2和节点4就是该场景股票权重明显高于其它主体。
32.采取以下步骤进行计算：
33.(1)系统初始化。e＝(e1,e2,
…
,e7)
t
为场景中各负面事件的集合。e0＝(1,1,
…
,1)
t
：
ɑ
＝0.85，β＝1e-04(即10的-4次方，具体为0.0001)。转步骤(2)。
34.(2)构建输出关联向量和投票权关联矩阵。得
35.r1＝(0,1,0,0,0,0,0)，r2＝(0,15,1,1,0,0,0)，r3＝(0,1,0,0,0,0,0)，r4＝(0,0,0,10,1,0,0)，r5＝(0,0,0,0,0,1,1)，r6＝(0,0,1,0,0,0,0)，r7＝(0,0,1,0,0,0,0)，且r＝(r1,r2,r3,r4,r5,r6,r7)
t
；转步骤(3)。
36.(3)构建虚关联关联矩阵并进行投票权关联矩阵优化。得：
37.因n＝7，则p＝(1/7)
7*7
；依据t＝
ɑ
*r+(1-ɑ
)*p＝0.85*r+0.15*p，得t＝((0.0214,0.8714,0.0214,0.0214,0.0214,0.0214,0.0214),(0.0214,12.7714,0.8714,0.8714,
0.0214,0.0214,0.0214),(0.0214,0.8714,0.0214,0.0214,0.0214,0.0214,0.0214),(0.0214,0.0214,0.0214,8.5214,0.8714,0.0214,0.0214),(0.0214,0.0214,0.0214,0.0214,0.0214,0.8714,0.8714),(0.0214,0.0214,0.8714,0.0214,0.0214,0.0214,0.0214),(0.0214,0.0214,0.0214,0.0214,0.0214,0.0214,0.0214))。转步骤(4)。
38.(4)计算市场主体的各负面事件的权重向量。设i
(1)
＝(1/7,1/7,
…
,1/7)
t
，采用公式i
(k+1)
＝t
t
*i
(k)
进行迭代计算，直到|i
(k+1)-i
(k)
|《β。具体如下：
39.第1次迭代，因i
(1)
＝e0，即i
(1)
＝(1/7,1/7,
…
,1/7)
t
，则迭代后得：i
(2)
＝(0.00515,0.50172,0.06357,0.32646,0.03436,0.03436,0.03436)
t
，|i
(2)-i
(1)
|＝1.0849。因1.08494》β，即|i
(2)-i
(1)
|》β，故继续进行迭代优化；
40.第2次迭代，因i
(2)
＝(0.00515,0.50172,0.06357,0.32646,0.03436,0.03436,0.03436)
t
，则迭代后得：i
(3)
＝(0.00202,0.61112,0.04502,0.30409,0.0282,0.00478,0.00478)
t
，|i
(3)-i
(2)
|＝0.21877。因0.21877》β，即|i
(3)-i
(2)
|》β，故继续进行迭代优化；
41.…
42.第12次迭代，因i
(12)
＝(0.00167,0.76724,0.05264,0.16088,0.01252,0.00252,0.00252)
t
，则迭代后得：i
(13)
＝(0.00167,0.7689,0.05275,0.15933,0.01235,0.0025,0.0025)
t
，|i
(13)-i
(12)
|＝0.00353。因0.00353》β，即|i
(13)-i
(12)
|》β，故继续进行迭代优化；
43.…
44.第21次迭代，因i
(21)
＝(0.00167,0.77206,0.05295,0.15636,0.01203,0.00247,0.00247)
t
，则迭代后得：i
(22)
＝(0.00167,0.7721,0.05295,0.15632,0.01202,0.00247,0.00247)
t
，|i
(22)-i
(21)
|＝0.0023。因0.0001》β，即|i
(22)-i
(21)
|》β，故迭代结束；转步骤(5)。
45.(5)得到市场主体价值评估向量。当前场景中的市场主体价值评估向量为i
(22)
。金融主体价值评估计算过程结束。
46.至此完成金融市场主体价值定量计算，在切实尊重并保留各市场主体实际市场影响力的同时，确保了算法执行效率更加高效且计算结果更加精准。
47.现有技术的市场价值评估方法是基于各个主体之间的相关运算来评价主体价值的高低，而本发明采用金融主体外围的各个异常事件发生指标，能够有效判断金融主体可能发生财务舞弊风险的高低，对于小规模金融研究场景评价更加准确。即本发明评价的目标为金融主体(上市公司)，主要判断该金融主体有没有财务舞弊行为，而评价的方法是利用主体所发生的具体负面事件，通过负面事件发生的关联关系，利用同票不同权的定量评估方法，有效评估金融主体发生财务舞弊风险的高低，准确性更高，且速度更快。
48.由上所述，本发明的一种小规模场景中金融市场主体价值定量评估的方法，通过引入投票权关联矩阵，切实尊重并保留各市场主体实际市场影响力，特别是针对诸如上市公司、发债主体等小规模金融市场研究主体时，能够在有效地避免同票同权的同时，更真实地获取市场主体的权重和价值。同时借助权重向量归一化后置，进一步降低虚关联累计级联影响并提升了算法收敛速度，为复杂场景细分研究和实时价值评估提供途径，特别适用于小规模金融研究场景中的市场主体价值评估定量分析。
49.本发明已由上述相关实施例加以描述，然而上述实施例仅为实施本发明的范例。必需指出的是，已揭露的实施例并未限制本发明的范围。相反地，在不脱离本发明的精神和范围内所作的更动与润饰，均属本发明的专利保护范围。

技术特征：
1.一种小规模场景中金融市场主体价值定量评估的方法，其特征在于：包括如下步骤：s1：系统初始化；初始化市场主体的负面事件的权重向量，然后转s2；s2：构建输出关联向量和投票权关联矩阵；基于市场主体的各负面事件的实际投票权构建各负面事件的输出关联向量，构建各负面事件之间的投票权关联矩阵，然后转s3；s3：构建虚关联关联矩阵并进行投票权关联矩阵优化；然后转s4；s4：迭代计算市场主体的各负面事件的权重向量；对投票权关联矩阵和主体权重向量进行迭代优化；然后转s5；s5：由s4迭代得到当前场景中的市场主体价值评估向量i
(k+1)
。2.如权利要求1所述的小规模场景中金融市场主体价值定量评估的方法，其特征在于：在步骤s1中，所述系统初始化的具体过程为：设n为目标场景中市场主体的负面事件的数量，e＝(e1，e2，
…
，e
n
)为场景中市场主体的各负面事件的集合；设e
(0)
＝(e
1(0)
，e
2(0)
，
…
，e
n(0)
)
t
为市场主体的各负面事件的初始权重向量，原则上所有e
i(0)
不同时为零即可，且有e
i(0)
≥1，1≤i≤n；设实关系权重平衡系数为
ɑ
，则相应的虚关系权重系数为1-ɑ
；设主体权重向量迭代中止范数阈值为β，即当连续两次迭代范数小于β时，迭代优化过程中止。3.如权利要求1所述的小规模场景中金融市场主体价值定量评估的方法，其特征在于：步骤s2的具体过程为：设r
i
＝(r
i->1
，r
i->2
，
…
，r
i->n
)
t
为以e
i
为输出节点的权重向量，其中r
i->j
为e
i
投票给e
j
的权重，且有r
i->j
≥1；注意，若e
i
没有投票给e
j
，则r
i->j
＝0,1≤i,j≤n。令r为投票权关联矩阵，且有r＝(r
ij
)
n
×
n
为正向关联矩阵，即r＝(r1,r2,
…
,r
n
)
t
。4.如权利要求1所述的小规模场景中金融市场主体价值定量评估的方法，其特征在于：步骤s3的具体过程为：令p为投票权虚关系关联矩阵，且有p＝(p
ij
)
n
×
n,pij
≥0，通常若r
ij
≠0，则r
ij
远大于p
ij
,1≤i,j≤n。令t为优化投票权关联矩阵，且有t＝
ɑ
*r+(1-ɑ
)*p。5.如权利要求1所述的小规模场景中金融市场主体价值定量评估的方法，其特征在于：步骤s4的具体过程为：设i
(1)
＝e
(0)
，令i
(k+1)
＝t
t
*i
(k)
，若|i
(k+1)-i
(k)
|<β转步骤s5，否则对i
(k+1)
进行归一下化处理后继续进行迭代计算。

技术总结
本发明提供一种小规模场景中金融市场主体价值定量评估的方法，包括如下步骤：初始化市场主体的各负面事件的权重向量、构建输出关联向量和投票权关联矩阵、构建虚关系关联矩阵并进行投票权关联矩阵优化、计算市场主体的各负面事件的权重向量、直至得市场主体的价值评估向量。本发明通过引入投票权关联矩阵，切实尊重并保留各负面事件实际市场影响力，特别是针对诸如上市公司、发债主体等小规模金融市场研究主体时，能够在有效地避免同票同权的同时，更真实地获取市场主体的权重和价值。同时借助权重向量归一化后置，进一步降低虚关联累计级联影响并提升算法收敛速度，为复杂场景细分研究和实时价值评估提供途径，特别适用于小规模金融研究场景。规模金融研究场景。


技术研发人员：张熠 李维萍 周晓文 雷万保 徐阳
受保护的技术使用者：南京审计大学
技术研发日：2021.12.09
技术公布日：2022/3/8