根据企业财务进行风险分析——基于pytorch

0.引言

现手头有500个左右的企业财务数据，共有12个特征，如：净资产收益率(年度)、总资产报酬率(年度)、成本费用利润率(年度)等等。本文目标是通过深度学习的方式来自动预测某一企业是否具有风险。

首先通过人工鉴别的方式，给150个企业做出标签：0代表无风险，1代表有风险。这150个企业是训练集，剩下350个企业是测试集。（按照机器学习的通常原则，一般是60%的训练集，20%的验证集，20%的测试集，但是由于人工鉴别费时费力，暂时先给150个企业做出标签，如果效果不错，就多做一些标签，增加训练集。）

然后训练出模型，最后使用模型对剩下350个企业进行测试。

1 配置环境

1.1 安装anaconda

不要装太新的，conda3.6或者3.7兼容性比较好。相关链接：
https://blog.csdn.net/u012318074/article/details/77075209

1.2 安装pytorch

由于数据量并不大，建议安装cpu版本的，这样可以避免安装GPU的相关驱动等复杂步骤。

在命令行中敲入：

conda install pytorch torchvision torchaudio cpuonly -c pytorch

1.3 安装编译器pycharm

pycharm有社区版本和专业版本。社区版本免费，专业版本需要收费，运行此模型，社区版本的足够了。相关链接：
https://blog.csdn.net/ifubing/article/details/104137585

2 训练模型

2.1 文件组织结构

其中文件夹data下面是数据，model下面是模型。

2.2 新建项目

2.3 训练代码

import pandas as pd
import numpy as np
import torch
from torch.functional import F


class Net(torch.nn.Module):
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net, self).__init__()
        self.hidden = torch.nn.Linear(n_feature, n_hidden)
        self.predict = torch.nn.Linear(n_hidden, n_output)

    def forward(self, x_input):
        x_hidden = F.relu(self.hidden(x_input))
        x_predict = self.predict(x_hidden)
        return x_predict
# 定义网络


if __name__ == '__main__':
    train = pd.read_csv('./data/train_data.csv', encoding="gb18030")
    data = train.values
    data = data[:, 3:16]
    # 选取标签和特征值

    data = data.astype(float)
    # 转化为浮点数
    data = torch.from_numpy(data)
    # 转化为张量
    x = data[:, (1, 2, 4, 5, 7, 8, 10, 11)].type(torch.FloatTensor)
    # print(x[0])
    # 此时的x代表每一个公司各方面的值，一共160个公司,现在只选择8个特征
    y = data[:, 0].type(torch.LongTensor)
    # 把标签也转化为张量
    # print(y)

    net = Net(8, 20, 2)
    opt = torch.optim.SGD(net.parameters(), lr=0.001, weight_decay=0.01)
    # 加了一个正则化 \lambda=0.01
    loss_func = torch.nn.CrossEntropyLoss()
    for step in range(200):
        # print("the step is: " + str(step))
        out = net(x)