企业数据推演计算系统及方法
阅读说明：本技术 企业数据推演计算系统及方法 (Enterprise data deduction computing system and method ) 是由 叶凯文 于 2021-09-03 设计创作，主要内容包括：本发明提供一种企业数据推演计算系统,包括业绩趋势建模模块、未来序列计算模块、现值计算模块、内部收益率计算模块、股权策略仿真模块、算法流程控制模块、云计算服务平台和数据存储模块,能够适应企业数据复杂多变、样本稀疏的特点,实现基于企业业绩的动态量化分析。所述企业数据推演计算系统涉及本发明提供的一种时间序列推演分析方法及其补充,通过分析差分值序列、差分变化率序列识别常态趋势方向形态及当前状态趋势方向形态建立未来序列推演模型,能够高效适应时间序列结构多变且样本稀疏量少的情况。所述企业数据推演计算系统还涉及本发明提供的一种联立时间序列集推演分析方法,按关系建立维度模型并构建联合推演模型,能够广泛描述时间序列系统并可灵活结合时间序列方法。(The invention provides an enterprise data deduction computing system which comprises a performance trend modeling module, a future sequence computing module, a present value computing module, an internal earning rate computing module, a share right strategy simulation module, an algorithm flow control module, a cloud computing service platform and a data storage module, and can adapt to the characteristics of complexity and changeability of enterprise data and sparse samples and realize dynamic quantitative analysis based on enterprise performance. The enterprise data deduction computing system relates to a time sequence deduction analysis method and supplement thereof, and a future sequence deduction model is established by analyzing a difference value sequence and a difference change rate sequence to identify a normal state trend direction form and a current state trend direction form, so that the enterprise data deduction computing system can be efficiently suitable for the conditions of variable time sequence structures and small sample sparse amount. The enterprise data deduction computing system also relates to a joint time sequence set deduction analysis method provided by the invention, a dimension model is built according to the relation, a joint deduction model is built, a time sequence system can be widely described, and the time sequence method can be flexibly combined.)
技术领域
本发明是一种企业数据推演计算系统，具体涉及一种时间序列推演分析方法及其补充方法和一种联立时间序列集推演分析方法。
背景技术
对于时间序列的分析推演方法，业界和学界普遍使用ARIMA模型、指数平滑法、移动平均法等统计分析方法，以及结合神经网络算法设计的LSTM(长短期记忆网络)算法等。由于时间序列样本具有时效性的特点，影响时间序列数据的外生变量往往在时间序列周期内发生明显且复杂的变化，尤其在时间序列样本时点间隔长、时间序列周期长、样本稀疏量少的情况下，使得目前普遍使用的统计方法和神经网络算法难以适应。具体存在的不足是：
ARIMA模型、指数平滑法、移动平均法等统计分析方法无法在外生变量结构急剧变化且难以监测、样本稀疏量少的情况下直接识别变化并选取合适的时间序列样本进行分析。
ARIMA模型在搜寻最优p,d,q、最优季节P,D,Q需要消耗较大的计算资源，以及需要在稳定的外生变量结构下采集数十个有效样本量才能进行合理的参数估计，无法适应时间周期长、外生变化大、样本稀释量少的情况，如企业季度时间序列分析的情况。
包括LSTM在内的神经网络算法，输入形式和神经节点的设置具有较大的随机性和主观性，而且即使设置较少节点也需要成千上万大数据样本进行训练，是一种消耗大量计算资源的暴力式的计算方法，显然不适用于数据稀缺、变化复杂的情况。
综上所述，现有的方法，尚未能够高效解决时间周期长、外生影响变化复杂、样本稀疏量少的时间序列分析推演问题。
对于企业数据推演计算和股权价值评估，一直存在着以下问题和挑战：
企业经营存在周期性，又时刻面临复杂多变的外部因素影响，因此企业数据具有数据间隔长、外生变量变化复杂的特点。
企业标准化公开数据的数据量少，公众可合法接触的企业标准化数据往往局限于上市公司定期报告的季度报告数据。非企业公开的数据通常又存在可信度问题。
企业估值常用的市盈率、市净率和市销率模型局限于企业当前绩效表现，无法体现企业业绩成长性。
对企业业绩成长性的分析，往往是通过人工进行逐个企业的定性分析，未能实现标准算法自动化定量化提升效率、透明度和客观度。
企业标准化时间序列数据体现的是一种相互关联的时间序列集合的动态系统，需要建立联立时间序列集的推演算法进行分析计算。
对上市企业股权交易策略的量化计算方法通常以短期技术指标和静态财务指标为主，缺乏对企业业绩数据的系统性动态推演分析。
综上所述，企业数据推演计算和股权价值评估需要解决企业时间序列数据时间周期长、外生影响变化复杂、样本稀疏量少的问题，需要合理的联立时间序列集模型对企业业绩数据进行系统性的动态推演分析，需要通过标准算法实现自动化定量化而提高相关工作的工作效率、透明度和客观度。
发明内容
发明内容1，针对时间周期长、外生影响变化复杂、样本稀疏量少的时间序列推演计算问题，本发明提供了一种时间序列推演分析方法。本发明的方法是通过如下技术方案实现的：
计算时间序列的差分值序列、差分变化率序列；按差分值序列、差分变化率序列和统计显著水平α，识别时间序列在NS步长内样本的常态趋势方向和形态；按差分值序列、差分变化率序列、置信步数S和统计显著水平α，识别时间序列与最后时间步样本变化特征相似的连续样本及该连续部分的当前状态趋势方向和形态；按退火率anr的时间权重法计算MS步长内时间序列模型推演参数并建立未来序列推演模型；按当前状态趋势方向和形态与常态趋势方向和形态的一致性，对未来序列推演模型进行惯性处理；具体包括以下步骤：
步骤1，计算时间序列的差分值序列和差分变化率序列；在分析季节性时间序列的情况下，使用按年进行差分的季度差分值序列和按年进行对比的季度差分变化率序列。
步骤2，剔除步骤1差分值序列中判定为异常样本的样本。
步骤3，按差分值序列、差分变化率序列和统计显著水平α，识别时间序列在NS步长内样本的常态趋势方向和形态。具体包括以下分步骤：
步骤3.1，使用步骤2处理后的差分值序列，按t分布且显著水平为α(0<α<0.5)，分别进行虚拟假设:差分值<＝0、对立假设:差分值>0以及虚拟假设:差分值>＝0、对立假设:差分值<0的单尾假设检验；如果单尾假设检验虚拟假设被拒绝，则接受对立假设。即拒绝差分值<＝0则接受差分值>0，常态趋势方向为增长；即拒绝差分值>＝0则接受差分值<0，常态趋势方向为下降；差分值<＝0和差分值>＝0的虚拟假设均未拒绝时，常态趋势方向为随机。
步骤3.2，按步骤3.1识别时间序列常态趋势方向为增长或下降时，使用步骤2处理后的差分值序列，如果该差分值序列样本数据不是均为正值且不是均为负值，则识别常态趋势形态为线性态；如果该差分值序列样本数据均为正值或均为负值，则计算差分值序列的变化率序列的对数序列，将对数序列按t分布且显著水平为α(0<α<0.5)，分别进行虚拟假设:对数值<＝0、对立假设：对数值>0以及虚拟假设:对数值>＝0、对立假设:对数值<0的单尾假设检验；如果单尾假设检验虚拟假设被拒绝，则接受对立假设。即拒绝对数值<＝0则接受对数值>0，常态趋势形态为指数态；即拒绝对数值>＝0则接受对数值<0，常态趋势形态为平缓态；对数值<＝0和对数值>＝0的虚拟假设均未拒绝时，常态趋势形态为线性态。
步骤4，按差分值序列、差分变化率序列、置信步数S和统计显著水平α，识别时间序列与最后时间步样本变化特征相似且与最后时间步连续的连续样本及该连续部分的当前状态趋势方向和形态。具体包括以下分步骤：
步骤4.1，使用步骤1的差分值序列。如果差分值序列长度大于等于置信步S且差分值序列最后S步数据均为正或者均为负，则将差分值序列中与差分值序列最后数据连续且正负同号的部分建立新的序列作为当前状态差分序列，如果当前状态差分序列数据均为正则当前状态趋势方向为增长，如果当前状态差分序列数据均为负则当前状态趋势方向为下降。如果差分值序列长度大于等于置信步S且差分值序列最后S步数据不是均为正且不是均为负，则将差分值序列中与差分值序列最后数据连续且样本与其之前S-1步数据并非均同号的部分建立新的序列作为当前状态差分序列。如果当前状态差分序列长度大于等于置信步S，则使用该序列按t分布且显著水平为α(0<α<0.5)，分别进行虚拟假设:差分值<＝0、对立假设:差分值>0以及虚拟假设:差分值>＝0、对立假设:差分值<0的单尾假设检验；如果单尾假设检验虚拟假设被拒绝，则接受对立假设。即拒绝差分值<＝0则接受差分值>0，当前状态趋势方向为增长；即拒绝差分值>＝0则接受差分值<0，当前状态趋势方向为下降；差分值<＝0和差分值>＝0的虚拟假设均未拒绝时，当前状态趋势方向为随机。如果差分值序列或当前状态差分序列长度小于置信步S，当前状态趋势方向为随机。
步骤4.2，按步骤4.1识别时间序列当前状态趋势方向为增长或下降时，使用步骤4.1的当前状态差分序列，如果当前状态差分序列均为正或均为负，使用步骤1的差分变化率序列，计算当前状态差分序列周期内差分变化率序列的对数序列。如果对数序列长度小于置信步S，当前状态趋势形态为线性态。如果对数序列长度大于等于置信步S且对数序列最后S步数据均为正或者均为负，则按对数序列中与对数序列最后数据连续且正负同号的部分的时间周期截取差分变化率序列样本建立新的差分变化率序列作为当前状态差分变化率序列，当前状态差分变化率序列均大于1则当前状态趋势形态为指数态，当前状态差分变化率序列均小于1则当前状态趋势形态为平缓态。如果对数序列长度大于等于置信步S且对数序列最后S步数据不是均为正且不是均为负，则按对数序列中与对数序列最后数据连续且样本与其之前S-1步数据并非均同号的部分的时间周期建立新的差分变化率序列作为当前状态差分变化率序列。如果当前状态差分变化率序列长度大于等于置信步S，计算当前状态差分变化率序列的对数序列，并使用该对数序列按t分布且显著水平为α(0<α<0.5)，分别进行虚拟假设:对数值<＝0、对立假设:对数值>0以及虚拟假设:对数值>＝0、对立假设:对数值<0的单尾假设检验；如果单尾假设检验虚拟假设被拒绝，则接受对立假设。即拒绝对数值<＝0则接受对数值>0，当前状态趋势形态为指数态；即拒绝对数值>＝0则接受对数值<0，当前状态趋势形态为平缓态；对数值<＝0和对数值>＝0的虚拟假设均未拒绝时，当前状态趋势形态为线性态。如果当前状态差分变化率序列长度小于置信步S，当前状态趋势形态为线性态。
步骤5，按退火率anr的时间权重法计算MS步长内时间序列模型推演参数并建立未来序列推演模型。具体分以下条件进行计算：
条件5.1，当前状态趋势方向为随机、或未识别趋势形态且当前状态差分序列按退火率anr的时间权重均值和当前状态方向不相符，且时间序列是季节性时间序列的条件。在该条件下，则将当前状态差分序列的时间周期再回溯4季度作为当前状态时间周期，按退火率anr计算该时间周期内各季度子时间序列的权重均值作为季度值参数，序列长度为0的季度使用其他季度值参数的均值。未来序列推演模型为，未来各季度的季度值为当季的季度值参数。
条件5.2，当前状态趋势方向为增长或下降且未识别趋势形态且当前状态差分序列按退火率anr的时间权重均值和当前状态方向相符且时间序列是季节性时间序列的条件。在该条件下，将时间序列各季度的最后样本作为季度值参数，序列长度为0的季度使用其他季度值参数的均值。按退火率anr计算当前状态差分序列各季度子序列的权重均值作为季度差分参数，序列长度为0的季度使用其他季度差分参数的均值。未来序列推演模型为，未来各季度的季度差分为当季的季度差分参数，未来各季度的季度值为当季的季度值参数与未来序列当季季度差分子序列截至该季的累加值的和。
条件5.3，当前趋势形态为线性态、或趋势形态为指数态或平缓态但当前状态差分变化率序列按退火率anr的权重均值和当前状态形态不相符，且时间序列是季节性时间序列的条件。在该条件下，将时间序列各季度的最后样本作为季度值参数，序列长度为0的季度使用其他季度值参数的均值。将当前状态差分变化率序列的样本时间点再回溯4季度作为当前状态时间周期，按退火率anr计算该时间周期内差分值序列各季度子序列的权重均值作为季度差分参数，序列长度为0的季度使用其他季度差分参数的均值。未来序列推演模型为，未来各季度的季度差分为当季的季度差分参数，未来各季度的季度值为当季的季度值参数与未来序列当季季度差分子序列截至该季的累加值的和。
条件5.4，当前趋势形态为指数态或平缓态且当前状态差分变化率序列按退火率anr的权重均值和当前状态形态相符，且时间序列是季节性时间序列的条件。在该条件下，将时间序列各季度的最后样本作为季度值参数，序列长度为0的季度使用其他季度值参数的均值。将差分值序列各季度的最后样本作为季度差分参数，序列长度为0的季度使用其他季度差分参数的均值。按退火率anr计算当前状态差分变化率序列各季度子序列的权重均值作为季度变化率参数，序列长度为0的季度使用其他季度变化率参数的均值。未来序列推演模型为，未来各季度的季度变化率为当季的季度变化率参数，未来各季度的季度差分为当季季度差分参数与未来序列当季季度变化率子序列截至该季的累乘值的积，未来各季度的季度值为当季的季度值参数与未来序列当季季度差分子序列截至该季的累加值的和。
条件5.5，当前状态趋势方向为随机、或未识别趋势形态且当前状态差分序列按退火率anr的时间权重均值和当前状态方向不相符，且时间序列是非季节性时间序列的条件。在该条件下，将当前状态差分序列的时间周期再回溯1步作为当前状态时间周期，按退火率anr计算该时间周期内时间序列的权重均值作为值参数。未来序列推演模型为，未来各序列步的值为值参数。
条件5.6，当前状态趋势方向为增长或下降且未识别趋势形态且当前状态差分序列按退火率anr的时间权重均值和当前状态方向相符且时间序列是非季节性时间序列的条件。在该条件下，将时间序列的最后样本作为值参数。按退火率anr计算当前状态差分序列权重均值作为差分参数。未来序列推演模型为，未来各序列步的差分为差分参数，未来各序列步的值为值参数与未来序列差分序列截至该步的累加值的和。
条件5.7，当前趋势形态为线性态、或趋势形态为指数态或平缓态但当前状态差分变化率序列按退火率anr的权重均值和当前状态形态不相符，且时间序列是非季节性时间序列的条件。在该条件下，将时间序列的最后样本作为值参数。将当前状态差分序列的时间周期再回溯1步作为当前状态时间周期，按退火率anr计算该时间周期内差分值序列权重均值作为差分参数。未来序列推演模型为，未来各序列步的差分为差分参数，未来各序列步的值为值参数与未来序列差分序列截至该步的累加值的和。
条件5.8，当前趋势形态为指数态或平缓态且当前状态差分变化率序列按退火率anr的权重均值和当前状态形态相符，且时间序列是非季节性时间序列的条件。在该条件下，将时间序列的最后样本作为值参数。将差分值序列的最后样本作为差分参数。按退火率anr计算当前状态差分变化率序列的权重均值作为变化率参数。未来序列推演模型为，未来各时间步的变化率为变化率参数，未来各时间步的差分为差分参数与未来序列变化率序列截至该步的累乘值的积，未来各时间步的值为值参数与未来序列差分序列截至该步的累加值的和。
步骤6，按当前状态趋势方向和形态与常态趋势方向和形态的一致性，对未来序列推演模型进行惯性处理。具体分以下条件进行计算：
条件6.1，如果当前状态趋势方向与常态趋势方向一致且如果当前状态趋势形态与常态趋势形态一致，则未来序列推演模型维持为步骤5的未来序列推演模型。
条件6.2，如果当前状态趋势方向和常态趋势方向不一致，则在惯性年数IY之后未来序列推演模型按中性趋势方向即随机趋势方向的方法进行推演；如果时间序列为季节性时间序列，惯性年数IY之后各季度的季度值为惯性年数IY内未来序列各季度值序列的最后季度值；如果时间序列为非季节性时间序列，惯性年数IY之后各序列步的值为惯性年数IY内未来序列最后序列步值。
条件6.3，如果当前状态趋势方向与常态趋势方向一致但如果当前状态趋势形态与常态趋势形态不一致，则在惯性年数IY之后未来序列推演模型按中性趋势形态即线性态趋势形态的方法进行推演；如果时间序列为季节性时间序列，惯性年数IY之后各季度的季度差分为惯性年数IY内未来序列各季度差分序列的最后季度差分，各季度的季度值为惯性年数IY内未来序列各季度值序列的最后季度值与惯性年数IY之后未来序列当季季度差分子序列截至该季的累加值的和；如果时间序列为非季节性时间序列，惯性年数IY之后各序列步的差分为惯性年数IY内未来序列差分序列的最后序列步值，各序列步的值为惯性年数IY内未来序列最后序列步值与惯性年数IY之后未来序列差分序列截至该步的累加值的和。
与现有技术相比，本发明提供的发明内容1的时间序列推演分析方法能够更好地适应外部因素变化复杂导致时间序列趋势结构多变的情况，能够敏感发现异常变化以及证实稳定显著趋势并进行自动化推演处理，即使在样本稀释量少的局限条件下也能够对时间序列进行有效的推演计算，而且耗费的计算资源量远远低于自动化ARIMA算法和神经网络算法。
发明内容2，本发明提供了一种与本发明提供的发明内容1的时间序列推演分析方法相似的一种时间序列推演分析方法，作为发明内容1的时间序列推演分析方法的补充。具体步骤1、步骤2、步骤3、步骤4、步骤6与发明内容1的时间序列推演分析方法的步骤1、步骤2、步骤3、步骤4、步骤6相同，步骤5具体分以下条件进行计算：
条件5.1，当前状态趋势方向为随机、或未识别趋势形态且按退火率anr计算差分值序列最后RS步内各季度子序列的权重均值和当前状态方向不相符，且时间序列是季节性时间序列的条件。在该条件下，按退火率anr计算时间序列最后RS步内各季度子时间序列的权重均值作为季度值参数，序列长度为0的季度使用其他季度值参数的均值。未来序列推演模型为，未来各季度的季度值为当季的季度值参数。
条件5.2，当前状态趋势方向为增长或下降且未识别趋势形态且当按退火率anr计算差分值序列最后RS步内各季度子序列的权重均值和当前状态方向相符、或当前趋势形态为线性态、或趋势形态为指数态或平缓态但按退火率anr计算差分变化率序列最后RS步内各季度子序列的权重均值和当前状态形态不相符，且时间序列是季节性时间序列的条件。在该条件下，将时间序列各季度的最后样本作为季度值参数，序列长度为0的季度使用其他季度值参数的均值。使用步骤1的差分值序列，按退火率anr计算差分值序列最后RS步内各季度子序列的权重均值作为季度差分参数，序列长度为0的季度使用其他季度差分参数的均值。未来序列推演模型为，未来各季度的季度差分为当季的季度差分参数，未来各季度的季度值为当季的季度值参数与未来序列当季季度差分子序列截至该季的累加值的和。
条件5.3，当前趋势形态为指数态或平缓态且按退火率anr计算差分变化率序列最后RS步内各季度子序列的权重均值和当前状态形态相符，且时间序列是季节性时间序列的条件。在该条件下，将时间序列各季度的最后样本作为季度值参数，序列长度为0的季度使用其他季度值参数的均值。将差分值序列各季度的最后样本作为季度差分参数，序列长度为0的季度使用其他季度差分参数的均值。使用步骤1的差分变化率序列，按退火率anr计算差分变化率序列最后RS步内各季度子序列的权重均值作为季度变化率参数，序列长度为0的季度使用其他季度变化率参数的均值。未来序列推演模型为，未来各季度的季度变化率为当季的季度变化率参数，未来各季度的季度差分为当季季度差分参数与未来序列当季季度变化率子序列截至该季的累乘值的积，未来各季度的季度值为当季的季度值参数与未来序列当季季度差分子序列截至该季的累加值的和。
条件5.4，当前状态趋势方向为随机、或未识别趋势形态且按退火率anr计算差分值序列最后RS步内各季度子序列的权重均值和当前状态方向不相符，且时间序列是非季节性时间序列的条件。在该条件下，按退火率anr计算时间序列最后RS步内的权重均值作为值参数。未来序列推演模型为，未来各序列步的值为值参数。
条件5.5，当前状态趋势方向为增长或下降且未识别趋势形态且按退火率anr计算差分值序列最后RS步内各季度子序列的权重均值和当前状态方向相符、或当前趋势形态为线性态、或趋势形态为指数态或平缓态但按退火率anr计算差分变化率序列最后RS步内各季度子序列的权重均值和当前状态形态不相符，且时间序列是非季节性时间序列的条件。在该条件下，将时间序列的最后样本作为值参数。使用步骤1的差分值序列，按退火率anr计算差分值序列最后RS步内权重均值作为差分参数。未来序列推演模型为，未来各序列步的差分为差分参数，未来各序列步的值为值参数与未来序列差分序列截至该步的累加值的和。
条件5.6，当前趋势形态为指数态或平缓态且按退火率anr计算差分变化率序列最后RS步内各季度子序列的权重均值和当前状态形态相符，且时间序列是非季节性时间序列的条件。在该条件下，将时间序列的最后样本作为值参数。将差分值序列的最后样本作为差分参数。使用步骤1的差分变化率序列，按退火率anr计算差分变化率序列最后RS步内的权重均值作为变化率参数。未来序列推演模型为，未来各时间步的变化率为变化率参数，未来各时间步的差分为差分参数与未来序列变化率序列截至该步的累乘值的积，未来各时间步的值为值参数与未来序列差分序列截至该步的累加值的和。
本发明提供的发明内容2的时间序列推演分析方法在发明内容1的时间序列推演分析方法的基础上，具有的有益技术效果为，能够缓冲异常因素对时间序列推演分析的过度影响，能够使显著稳定的时间序列推演分析更具时效性。
发明内容3，针对相互关联的时间序列集合的动态系统的推演分析问题，本发明提供了一种联立时间序列集推演分析方法。本发明的方法是通过如下技术方案实现的：
将存在关联关系的时间序列集合划分为自增时间序列、驱动时间序列、配额时间序列和复合时间序列，组成联立的时间序列集，按时间序列分类分别建立自增维度模型、驱动维度模型、配额维度模型和复合维度模型，组成联立时间序列集的联合推演模型；具体包括以下步骤：
步骤1，将存在关联关系的时间序列集合划分为自增时间序列、驱动时间序列、配额时间序列和复合时间序列，组成联立的时间序列集。
步骤2，将联立的时间序列集里所有自增时间序列计算未来序列推演模型作为自增维度模型。自增时间序列的未来序列推演模型为自增维度模型。
步骤3，定义联立时间序列集里所有驱动时间序列的牵引维度时间序列，牵引维度时间序列应为联立时间序列集里的时间序列，计算所有驱动时间序列与该序列的牵引维度时间序列的比值序列，将所有比值序列计算未来序列推演模型，驱动维度模型为，未来各序列步的值为比值序列的未来序列推演模型的未来各序列步的值与牵引维度时间序列的未来序列推演模型的未来各序列步的值的乘积。驱动时间序列的未来序列推演模型为驱动维度模型。
步骤4，构建所有配额时间序列的配额维度模型，定义配额时间序列的基准维度时间序列和配额时间序列的配额，基准维度时间序列应为联立时间序列集里的时间序列。配额维度模型为，未来各序列步的值为配额时间序列的配额与配额时间序列的基准维度时间序列的未来序列推演模型的未来各序列步的值的乘积。配额时间序列的未来序列推演模型为配额维度模型。
步骤5，构建所有复合时间序列的复合维度模型，定义复合时间序列的加维度时间序列集和复合时间序列的减维度时间序列集，加维度时间序列集和减维度时间序列集的时间序列应为联立时间序列集里的时间序列。复合维度模型为，未来各序列步的值为复合时间序列的加维度时间序列集所有时间序列的该序列步的值的总和与复合时间序列的减维度时间序列集所有时间序列的该序列步的值的总和的差值。复合时间序列的未来序列推演模型为复合维度模型。
步骤6，联立时间序列集里所有时间序列的未来序列推演模型均作为子模型共同构成联立时间序列集的联合推演模型。
本发明提供的发明内容3的联立时间序列集推演分析方法具有的有益技术效果为，能够广泛描述时间序列相互关联的动态系统，包括企业数据中相互关联的时间序列集合的动态系统。能够灵活结合各种时间序列推演分析方法进行联立时间序列集的联合模型推演分析。
发明内容4，针对企业数据推演计算和股权价值评估的问题和挑战，本发明提供了一种企业数据推演计算系统。具体采用以下技术方案实现：
一种企业数据推演计算系统，包括业绩趋势建模模块、未来序列计算模块、现值计算模块、内部收益率计算模块、股权策略仿真模块、算法流程控制模块、云计算服务平台和数据存储模块。所述业绩趋势建模模块包括时间序列模型建模模块和联立时间序列集建模模块。所述时间序列模型建模模块用于建立企业季报利润表各项维度相关历史时间序列数据的未来序列推演模型，包括状态更新模型模块、状态缓冲模型模块和ARIMA状态模型模块；所述状态更新模型模块是基于本发明提供的发明内容1的时间序列推演分析方法计算时间序列的未来序列推演模型；所述状态缓冲模型模块是基于本发明提供的发明内容2的时间序列推演分析方法计算时间序列的未来序列推演模型；所述ARIMA状态模型模块是基于ARIMA模型结合本发明提供的发明内容1的步骤1-3进行改进的时间序列推演分析方法计算时间序列的未来序列推演模型。所述联立时间序列集建模模块用于计算企业联立时间序列集的联合推演模型，包括普通企业联立时间序列集建模模块、银行企业联立时间序列集建模模块、证券企业联立时间序列集建模模块和保险企业时间序列集建模模块。
所述未来序列计算模块用于所述业绩趋势建模模块计算得出的企业联立时间序列集的联合推演模型的具体序列步长内未来序列的计算。
所述现值计算模块用于按具体折现率计算所述业绩趋势建模模块计算得出的企业联立时间序列集的联合推演模型中的各个子模型的无穷步长未来序列折现值；用于按具体折现率计算所述未来序列计算模块计算得出的具体有限步长未来序列的折现值。
所述内部收益率计算模块用于计算搜索所述现值计算模块计算得出的无穷步长未来序列折现值和具体价值相等时的折现率；用于计算搜索所述现值计算模块计算得出的具体有限步长未来序列折现值和具体价值相等时的折现率。
所述股权策略仿真模块包括因子值计算模块、因子逻辑判断模块、策略逻辑整合模块和交易模拟仿真模块；所述因子值计算模块用于计算价值因子、技术因子、财务因子，其中价值因子是基于现值计算模块或内部收益率计算模块的计算结果得出或衍生的因子值；所述因子逻辑判断模块用于根据所述因子值计算模块计算得出的因子值或因子序列进行真假逻辑计算；所述策略逻辑整合模块用于整合所述因子逻辑判断模块计算得出的因子逻辑判断结果；所述交易模拟仿真模块用于根据具体交易类型交易条件和所述策略逻辑整合模块计算得出的因子逻辑判断整合结果计算历史仿真交易操作数据和历史仿真交易收益数据。
所述算法流程控制模块，用于向所述业绩趋势建模模块、未来序列计算模块、现值计算模块、内部收益率计算模块、股权策略仿真模块传入指令和参数、安排计算流程，获取并处理计算结果；用于接收处理所述云计算服务平台的计算请求并反馈计算结果；用于向所述数据存储模块请求计算所需的数据并处理数据反馈；用于请求外部数据并处理外部数据反馈。
所述云计算服务平台，用于提供界面交互功能和HTTPS/HTTP API交互功能，包括界面功能模块、API功能模块、交互控制模块。所述界面功能模块包括业绩趋势建模界面功能模块、价值计算分析界面功能模块、策略历史仿真界面功能模块。所述业绩趋势建模界面功能模块包括状态更新模型计算界面功能模块、状态缓冲模型计算界面功能模块、ARIMA状态模型计算界面功能模块。所述状态更新模型计算界面功能模块、状态缓冲模型计算界面功能模块、ARIMA状态模型计算界面功能模块均包括计算参数模板设置功能、具体企业具体时期联立时间序列集联合推演模型计算功能、具体企业具体时期联立时间序列集未来序列集推演计算功能。所述价值计算分析界面功能模块包括业绩现值计算界面功能模块和业绩内部收益率计算界面功能模块。所述业绩现值计算界面功能模块包括计算参数模板设置功能和具体企业具体时期业绩现值计算功能。所述业绩内部收益率计算界面功能模块包括计算参数模板设置功能和具体企业具体时期业绩内部收益率计算功能。所述策略历史仿真界面功能模块包括普通策略仿真界面功能模块、融资策略仿真界面功能模块、融券策略仿真界面功能模块。所述普通策略仿真界面功能模块、融资策略仿真界面功能模块、融券策略仿真界面功能模块均包括策略参数模板设置编辑和具体企业具体时期策略仿真计算功能。
所述API功能模块包括状态更新模型计算API模块、状态缓冲模型计算API模块、ARIMA状态模型计算API模块、状态更新推演计算API模块、状态缓冲推演计算API模块、ARIMA状态推演计算API模块、业绩现值计算API模块、业绩内部收益率计算API模块、策略历史仿真API模块。所述状态更新模型计算API模块、状态缓冲模型计算API模块、ARIMA状态模型计算API模块均提供具体企业具体时期联立时间序列集联合推演模型计算功能。所述状态更新推演计算API模块、状态缓冲推演计算API模块、ARIMA状态推演计算API模块均提供具体企业具体时期联立时间序列集未来序列集推演计算功能。所述业绩现值计算API模块提供具体企业具体时期业绩现值计算功能。所述业绩内部收益率计算API模块提供具体企业具体时期业绩内部收益率计算功能。所述策略历史仿真API模块提供具体企业具体时期策略仿真计算功能。
所述交互控制模块，用于接收处理所述界面功能模块设置模板指令，将模板设置数据存储到所述数据存储模块；用于接收处理所述界面功能模块的数据请求，向所述数据存储模块获取数据，并向所述界面功能模块反馈数据结果；用于接收处理所述界面功能模块和API功能模块的计算请求，向所述算法流程控制模块提出计算请求并获取计算结果，处理转换计算结果并反馈至所述界面功能模块和API功能模块。
所述数据存储模块，用于存储所述状态更新模型计算界面功能模块、状态缓冲模型计算界面功能模块、ARIMA状态模型计算界面功能模块、业绩现值计算界面功能模块、业绩内部收益率计算界面功能模块等模块设置的计算参数模板数据，存储所述普通策略仿真界面功能模块、融资策略仿真界面功能模块、融券策略仿真界面功能模块等模块设置编辑的策略参数模板数据。
与现有技术相比，本发明提供的发明内容4的企业数据推演计算系统具有的有益技术效果是：使企业数据推演计算能够更好地适应企业时间序列数据外部因素影响复杂多变、数据稀疏量少的特点，实现相互关联的企业数据时间序列集合的联立动态推演分析，帮助用户基于企业业绩因素进行动态的上市企业股权交易量化计算，实现自动化定量化企业数据推演计算功能提升企业数据分析效率、透明度和客观度。
附图说明
图1是本发明发明内容1的相关算法流程图
图2是本发明发明内容1步骤3.1的相关算法流程图
图3是本发明发明内容1步骤3.2的相关算法流程图
图4是本发明发明内容1步骤4.1的相关算法流程图
图5是本发明发明内容1步骤4.2的相关算法流程图
图6是本发明发明内容1步骤5的时间序列为季节性时间序列的相关算法流程图
图7是本发明发明内容1步骤5的时间序列为非季节性时间序列的相关算法流程图
图8是本发明发明内容1步骤6的时间序列为季节性时间序列的相关算法流程图
图9是本发明发明内容1步骤6的时间序列为非季节性时间序列的相关算法流程图
图10是本发明发明内容2步骤5的时间序列为季节性时间序列的相关算法流程图
图11是本发明发明内容2步骤5的时间序列为非季节性时间序列的相关算法流程图
图12是本发明发明内容3的相关算法流程图
图13是本发明发明内容4的系统工作原理图
具体实施方式
为使本发明的技术方案易于理解，下面结合附图进一步阐述本发明，所述是对本发明的解释且本发明要求保护范围不受此限制。
A.本发明发明内容1，如图1、图2、图3、图4、图5、图6、图7、图8、图9所示，一种时间序列推演分析方法，包括6个步骤。
步骤1，计算时间序列0的差分值序列1和差分变化率序列2；在分析季节性时间序列的情况下，使用按年进行差分的季度差分值序列和按年进行对比的季度差分变化率序列。
步骤2，计算获取差分值序列1剔除异常样本后的差分值序列3。异常样本的判定步骤为：
步骤2.1，计算在时间序列0内以该样本为中心、直径为w的时间范围内的时间序列0的左右D分位值和中位值。
步骤2.2，如果样本数据小于左D分位值且样本数据与左D分位值的差值绝对值大于左D分位值与中位值的差值绝对值的M倍，或者样本数据大于右D分位值且样本数据与右D分位值的差值绝对值大于右D分位值与中位值的差值绝对值的M倍，则样本为异常样本。
步骤3，识别时间序列0在NS步长内样本的常态趋势方向4和常态趋势形态5。具体包括以下分步骤：
步骤3.1，识别时间序列0在NS步长内样本的常态趋势方向4，如图2所示，使用差分值序列1剔除异常样本后的差分值序列3，设显著水平为α(0<α<0.5)。建立虚拟假设：差分值<＝0，对立假设：差分值>0，按t分布显著水平为α进行单尾假设检验：
(1)如果拒绝差分值<＝0，则接受差分值>0，识别常态趋势方向4为增长；
(2)如果不拒绝差分值<＝0，则建立虚拟假设：差分值>＝0，对立假设：差分值<0，按t分布显著水平为α进行单尾假设检验：
(2.1)如果拒绝差分值>＝0，则接受差分值<0，识别常态趋势方向4为下降；
(2.2)如果不拒绝差分值>＝0，则识别常态趋势方向4为随机。
输出常态趋势方向4。
步骤3.2，常态趋势方向4为增长或下降时，识别时间序列0在NS步长内样本的常态趋势形态5，如图3所示，差分值序列1剔除异常样本后的差分值序列3，设显著水平为α(0<α<0.5)：
(1)如果差分值序列3数据均为正值或均为负值，计算差分值序列3的变化率序列的对数序列3101，建立虚拟假设：对数值<＝0，对立假设：对数值>0，按t分布显著水平为α进行单尾假设检验：
(1.1)如果拒绝对数值<＝0，则接受对数值>0，识别常态趋势形态5为指数态；
(1.2)如果不拒绝对数值<＝0，则建立虚拟假设：对数值>＝0，对立假设：对数值<0，按t分布显著水平为α进行单尾假设检验：
(1.2.1)如果拒绝对数值>＝0，则接受对立假设：对数值<0，识别常态趋势形态5为平缓态；
(1.2.2)如果不拒绝对数值>＝0，则识别常态趋势形态5为线性态；
(2)如果差分值序列3数据并非均为正值且并非均为负值，则识别常态趋势形态5为线性态。
输出常态趋势形态5。
步骤4，识别当前状态趋势方向7和当前状态趋势形态9。
步骤4.1，识别当前状态趋势方向7，如图4所示，判断：
(1)如果差分值序列1长度>＝置信步S，判断：
(1.1)如果差分值序列1最后S步均为正或均为负，差分值序列1最后S步构建当前状态差分序列6，从n＝S开始，循环n＝n+1，判断：
(1.1.1)如果n<＝差分值序列1长度且差分值序列1倒数第n个数据与倒数第1数据正负相同，则将差分值序列1倒数第n个数据纳入当前状态差分序列6，重复循环；
(1.1.2)否则，结束循环；
结束循环后，判断：
(1.1.a)如果当前状态差分序列6均为正，识别当前状态趋势方向7为增长；
(1.1.b)如果当前状态差分序列6均为负，识别当前状态趋势方向7为下降；
(1.2)如果差分值序列1最后S步并非均为正且并非均为负，差分值序列1最后1步构建当前状态差分序列6，从n＝1开始，循环n＝n+1，判断：
(1.2.1)如果n+S-1<＝差分值序列1长度，判断：
(1.2.1.1)如果差分值序列1倒数第n至倒数第n+S-1步数据不均为正且不均为负，则将差分值序列1倒数第n个数据纳入当前状态差分序列6，重复循环；
(1.2.1.2)否则，结束循环；
(1.2.2)如果n+S-1>差分值序列1长度，则使用差分值序列1为当前状态差分序列6，结束循环；
结束循环后，判断：
(1.2.a)如果当前状态差分序列6长度>＝置信步S，则建立虚拟假设：差分值<＝0，对立假设：差分值>0，按t分布显著水平为α进行单尾假设检验：
(1.2.a.1)如果拒绝差分值<＝0，则识别当前状态趋势方向7为增长；
(1.2.a.2)如果不拒绝差分值<＝0，建立虚拟假设：差分值>＝0，对立假设：差分值<0，按t分布显著水平为α进行单尾假设检验：
(1.2.a.2.1)如果拒绝差分值>＝0，则识别当前状态趋势方向7为下降；
(1.2.a.2.2)如果不拒绝差分值>＝0，则识别当前状态趋势方向7为随机；
(1.2.b)如果当前状态差分序列6长度<置信步S，则识别当前状态趋势方向7为随机；
(2)如果差分值序列1长度<置信步S，则识别当前状态趋势方向7为随机。
输出当前状态趋势方向7。
步骤4.2，当前状态差分序列6均为正或均为负时，识别当前状态趋势形态9，如图5所示，计算当前状态差分序列6时间周期内差分变化率序列2的对数序列4201，判断：
(1)如果对数序列4201长度>＝置信步S，判断：
(1.1)如果对数序列4201最后S步数据均为正或均为负，差分变化率序列2最后S步构建当前状态差分差分变化率8，从n＝S开始，循环n＝n+1，判断：
(1.1.1)如果n<＝对数序列4201长度且对数序列4201倒数第n个数据与倒数第1数据正负相同，则将差分变化率序列2倒数第n个数据纳入当前状态差分差分变化率8，重复循环；
(1.1.2)否则，结束循环；
结束循环后，判断：
(1.1.a)如果当前状态差分差分变化率8均大于1，则识别当前状态趋势形态9为指数态；
(1.1.b)如果当前状态差分差分变化率8均小于1，则识别当前状态趋势形态9为平缓态；
(1.2)如果对数序列4201最后S步数据并非均为正且并非均为负，差分变化率序列2最后1步构建当前状态差分差分变化率8，从n＝1开始，循环n＝n+1，判断：
(1.2.1)如果n+S-1<＝对数序列4201长度，则判断：
(1.2.1.1)如果对数序列4201倒数第n至倒数第n+S-1步不均为正且不均为负，则差分变化率序列2倒数第n个数据纳入当前状态差分差分变化率8，重复循环；
(1.2.1.2)否则，结束循环；
(1.2.2)如果n+S-1>对数序列4201长度，则使用差分变化率序列2为当前状态差分差分变化率8，结束循环；
结束循环后，判断：
(1.2.a)如果当前状态差分差分变化率8长度>＝置信步S，则使用当前状态差分差分变化率8的对数序列4202，建立虚拟假设：对数值<＝0，对立假设：对数值>0，按t分布显著水平为α进行单尾假设检验：
(1.2.a.1)如果拒绝对数值<＝0，则识别当前状态趋势形态9为指数态；
(1.2.a.2)如果不拒绝对数值<＝0，则建立虚拟假设：对数值>＝0，对立假设：对数值<0，按t分布显著水平为α进行单尾假设检验：
(1.2.a.2.1)如果拒绝对数值>＝0，识别当前状态趋势形态9为平缓态；
(1.2.a.2.2)如果不拒绝对数值>＝0，识别当前状态趋势形态9为线性态；
(1.2.b)如果当前状态差分差分变化率8长度<置信步S，则识别当前状态趋势形态9为线性态。
(2)如果对数序列4201长度<置信步S，则识别当前状态趋势形态9为线性态。
输出当前状态趋势形态9。
步骤5，计算MS步长内时间序列0模型推演参数并建立未来序列推演模型10，判断：
(1)如果时间序列0是季节性时间序列，如图6所示，判断：
(1.1)如果当前状态趋势方向7为随机，则将当前状态差分序列6回溯4季度作为当前状态时间周期501，按退火率anr计算时间序列0时间周期501部分各季度子序列的时间权重均值为季度值参数502，未来序列推演模型10为：
各季度季度值＝季度值参数502的当季值；
(1.2)如果当前状态趋势方向7不为随机，即为增长或下降，判断：
(1.2.1)如果当前状态趋势形态9未识别，则按退火率anr计算当前状态差分序列6各季度子序列的时间权重均值503，判断：
(1.2.1.1)如果时间权重均值503与当前状态趋势方向7不相符，则将当前状态差分序列6回溯4季度作为当前状态时间周期501，按退火率anr计算时间序列0时间周期501部分各季度子序列的时间权重均值为季度值参数502，未来序列推演模型10为：
各季度季度值＝季度值参数502的当季值；
(1.2.1.2)如果时间权重均值503与当前状态趋势方向7相符，则时间序列0各季度最后序列步值为季度值参数502，则按退火率anr计算当前状态差分序列6各季度子序列的时间权重均值为季度差分参数504，未来序列推演模型10为：
各季度季度差分＝季度差分参数504的当季值；
各季度季度值＝季度值参数502的当季值+未来序列当季季度差分子序列截至该季的累加值；
(1.2.2)如果当前状态趋势形态9为线性态，则时间序列0各季度最后序列步值为季度值参数502，将当前状态差分变化率序列8回溯4季度作为当前状态时间周期501，按退火率anr计算当前状态差分序列6时间周期501部分各季度子序列的时间权重均值为季度差分参数504，未来序列推演模型10为：
各季度季度差分＝季度差分参数504的当季值；
各季度季度值＝季度值参数502的当季值+未来序列当季季度差分子序列截至该季的累加值；
(1.2.3)如果当前趋势形态9不为线性态，即为指数态或平缓态，则按退火率anr计算当前状态差分变化率序列8各季度子序列的时间权重均值505，判断：
(1.2.3.1)如果时间权重均值505与当前状态趋势形态9不相符，则时间序列0各季度最后序列步值为季度值参数502，将当前状态差分变化率序列8回溯4季度作为当前状态时间周期501，按退火率anr计算当前状态差分序列6时间周期501部分各季度子序列的时间权重均值为季度差分参数504，未来序列推演模型10为：
各季度季度差分＝季度差分参数504的当季值；
各季度季度值＝季度值参数502的当季值+未来序列当季季度差分子序列截至该季的累加值；
(1.2.3.2)如果时间权重均值505与当前状态趋势形态9相符，则时间序列0各季度最后序列步值为季度值参数502，差分值序列1各季度最后序列步值为季度差分参数504，按退火率anr计算当前状态差分变化率序列8各季度子序列的时间权重均值为季度变化率参数506，未来序列推演模型10为：
各季度季度变化率＝季度变化率参数506当季值；
各季度季度差分＝季度差分参数504当季值*未来序列当季季度变化率子序列截至该季的累乘值；
各季度季度值＝季度值参数502的当季值+未来序列当季季度差分子序列截至该季的累加值；
(2)如果时间序列0是非季节性时间序列，如图7所示，判断：
(2.1)如果当前状态趋势方向7为随机，则将当前状态差分序列6回溯1序列步作为当前状态时间周期501，按退火率anr计算时间序列0时间周期501部分的时间权重均值为值参数502，未来序列推演模型10为：
各序列步值＝值参数502；
(2.2)如果当前状态趋势方向7不为随机，即为增长或下降，判断：
(2.2.1)如果当前状态趋势形态9未识别，则按退火率anr计算当前状态差分序列6的时间权重均值503，判断：
(2.2.1.1)如果时间权重均值503与当前状态趋势方向7不相符，则将当前状态差分序列6回溯1序列步作为当前状态时间周期501，按退火率anr计算时间序列0时间周期501部分的时间权重均值为值参数502，未来序列推演模型10为：
各序列步值＝值参数502；
(2.2.1.2)如果时间权重均值503与当前状态趋势方向7相符，则时间序列0最后序列步值为值参数502，按退火率anr计算当前状态差分序列6的时间权重均值为差分参数504，未来序列推演模型10为：
各序列步差分＝差分参数504；
各序列步值＝值参数502+未来序列差分序列截至该步的累加值；
(2.2.2)如果当前状态趋势形态9为线性态，则时间序列0最后序列步值为值参数502，将当前状态差分变化率序列8回溯1序列步作为当前状态时间周期501，按退火率anr计算当前状态差分序列6时间周期501部分的时间权重均值为差分参数504，未来序列推演模型10为：
各序列步差分＝差分参数504；
各序列步值＝值参数502+未来序列差分序列截至该步的累加值；
(2.2.3)如果当前趋势形态9不为线性态，即为指数态或平缓态，则按退火率anr计算当前状态差分变化率序列8的时间权重均值505，判断：
(2.2.3.1)时间权重均值505与当前状态趋势形态9不相符，则时间序列0最后序列步值为值参数502，将当前状态差分变化率序列8回溯1序列步作为当前状态时间周期501，按退火率anr计算当前状态差分序列6时间周期501部分的时间权重均值为差分参数504，未来序列推演模型10为：
各序列步差分＝差分参数504；
各序列步值＝值参数502+未来序列差分序列截至该步的累加值；
(2.2.3.2)时间权重均值505与当前状态趋势形态9相符，则时间序列0最后序列步值为值参数502，差分值序列1最后序列步值为差分参数504，按退火率anr计算当前状态差分变化率序列8时间权重均值为变化率参数506，未来序列推演模型10为：
各序列步变化率＝变化率参数506；
各序列步差分＝差分参数504*未来序列变化率序列截至该步的累乘值；
各序列步值＝值参数502+未来序列差分序列截至该步的累加值。
输出未来序列推演模型10及推演参数。
步骤6，对未来序列推演模型10进行惯性处理，判断：
(1)如果时间序列0是季节性时间序列，如图8所示，判断：
(1.1)如果当前状态趋势方向7与常态趋势方向4不一致，则未来序列推演模型10在惯性年数IY内模型及参数维持不变，计算惯性年数IY内未来序列各季度值序列的最后季度值为惯性年数IY后季度值参数601，未来序列推演模型10惯性年数IY年后：
各季度季度值＝季度值参数601的当季值；
(1.2)如果当前状态趋势方向7与常态趋势方向4一致，判断：
(1.2.1)如果当前状态趋势形态9与常态趋势形态5不一致，则未来序列推演模型10在惯性年数IY内模型及参数维持不变，计算惯性年数IY内未来序列各季度值序列的最后季度值为惯性年数IY后季度值参数601，计算惯性年数IY内未来序列各季度差分序列的最后季度差分为惯性年数IY后季度差分参数602，未来序列推演模型10惯性年数IY年后：
各季度季度差分＝季度差分参数602的当季值；
各季度季度值＝季度值参数601的当季值+惯性年数IY之后未来序列当季季度差分子序列截至该季的累加值；
(1.2.2)如果当前状态趋势形态9与常态趋势形态5一致，则未来序列推演模型10及参数维持不变；
(2)如果时间序列0是非季节性时间序列，如图9所示，判断：
(2.1)如果当前状态趋势方向7与常态趋势方向4不一致，则未来序列推演模型10在惯性年数IY内模型及参数维持不变，计算惯性年数IY内未来序列最后序列步值为惯性年数IY后值参数601，未来序列推演模型10惯性年数IY年后：
各序列步值＝值601；
(2.2)如果当前状态趋势方向7与常态趋势方向4一致，判断：
(2.2.1)如果当前状态趋势形态9与常态趋势形态5不一致，则未来序列推演模型10在惯性年数IY内模型及参数维持不变，计算惯性年数IY内未来序列最后序列步值为惯性年数IY后值参数601，计算惯性年数IY内未来序列差分序列的最后序列步值为惯性年数IY后差分参数602，未来序列推演模型10惯性年数IY年后：
各序列步差分＝差分参数602；
各序列步值＝值参数601的+惯性年数IY之后未来序列差分序列截至该步的累加值；
(2.2.2)如果当前状态趋势形态9与常态趋势形态5一致，则未来序列推演模型10及参数维持不变。
输出惯性处理后的未来序列推演模型10。
输出未来序列推演模型10及参数。
B.本发明发明内容2，一种时间序列推演分析方法，包括6个步骤，具体步骤1、步骤2、步骤3、步骤4、步骤6与发明内容1的时间序列推演分析方法的步骤1、步骤2、步骤3、步骤4、步骤6相同，步骤5计算时间序列0模型推演参数并建立未来序列推演模型10如图10、图11所示，判断：
(1)如果时间序列0是季节性时间序列，如图10所示，判断：
(1.1)如果当前状态趋势方向7为随机，则按退火率anr计算时间序列最后RS步内各季度子序列的时间权重均值为季度值参数502，未来序列推演模型10为：
各季度季度值＝季度值参数502的当季值
(1.2)如果当前状态趋势方向7不为随机，即为增长或下降，判断：
(1.2.1)如果当前状态趋势形态9未识别，则按退火率anr计算差分值序列1最后RS步内各季度子序列的时间权重均值503，判断：
(1.2.1.1)如果时间权重均值503与当前状态趋势方向7不相符，则按退火率anr计算时间序列最后RS步内各季度子序列的时间权重均值为季度值参数502，未来序列推演模型10为：
各季度季度值＝季度值参数502的当季值
(1.2.1.2)如果时间权重均值503与当前状态趋势方向7相符，则时间序列0各季度最后序列步值为季度值参数502，按退火率anr计算差分值序列1最后RS步内各季度子序列的时间权重均值为季度差分参数504，未来序列推演模型10为：
各季度季度差分＝季度差分参数504的当季值；
各季度季度值＝季度值参数502的当季值+未来序列当季季度差分子序列截至该季的累加值；
(1.2.2)如果当前状态趋势形态9为线性态，则时间序列0各季度最后序列步值为季度值参数502，按退火率anr计算差分值序列1最后RS步内各季度子序列的时间权重均值为季度差分参数504，未来序列推演模型10为：
各季度季度差分＝季度差分参数504的当季值；
各季度季度值＝季度值参数502的当季值+未来序列当季季度差分子序列截至该季的累加值；
(1.2.3)如果当前趋势形态9不为线性态，即为指数态或平缓态，则按退火率anr计算差分变化率序列2最后RS步内各季度子序列的时间权重均值505，判断：
(1.2.3.1)如果时间权重均值505与当前状态趋势形态9不相符，则时间序列0各季度最后序列步值为季度值参数502，按退火率anr计算差分值序列1最后RS步内各季度子序列的时间权重均值为季度差分参数504，未来序列推演模型10为：
各季度季度差分＝季度差分参数504的当季值；
各季度季度值＝季度值参数502的当季值+未来序列当季季度差分子序列截至该季的累加值；
(1.2.3.2)如果如果时间权重均值505与当前状态趋势形态9相符，则时间序列0各季度最后序列步值为季度值参数502，差分值序列1各季度最后序列步值为季度差分参数504，按退火率anr计算差分变化率序列2最后RS步内各季度子序列的时间权重均值为季度变化率参数506，未来序列推演模型10为：
各季度季度变化率＝季度变化率参数506当季值；
各季度季度差分＝季度差分参数504当季值*未来序列当季季度变化率子序列截至该季的累乘值；
各季度季度值＝季度值参数502的当季值+未来序列当季季度差分子序列截至该季的累加值
(2)如果时间序列0是非季节性时间序列，如图11所示，判断：
(2.1)如果当前状态趋势方向7为随机，则按退火率anr计算时间序列最后RS步内时间权重均值为值参数502，未来序列推演模型10为：
各序列步值＝值参数502
(2.2)如果当前状态趋势方向7不为随机，即为增长或下降，判断：
(2.2.1)如果当前状态趋势形态9未识别，则按退火率anr计算差分值序列1最后RS步内时间权重均值503，判断：
(2.2.1.1)如果时间权重均值503与当前状态趋势方向7不相符，则按退火率anr计算时间序列最后RS步内时间权重均值为值参数502，未来序列推演模型10为：
各序列步值＝值参数502
(2.2.1.2)如果时间权重均值503与当前状态趋势方向7相符，则时间序列0最后序列步值为值参数502，按退火率anr计算差分值序列1最后RS步内时间权重均值为差分参数504，未来序列推演模型10为：
各序列步差分＝差分参数504；
各序列步值＝值参数502+未来序列差分序列截至该步的累加值(2.2.2)如果当前状态趋势形态9为线性态，则时间序列0最后序列步值为值参数502，按退火率anr计算差分值序列1最后RS步内时间权重均值为差分参数504，未来序列推演模型10为：
各序列步差分＝差分参数504；
各序列步值＝值参数502+未来序列差分序列截至该步的累加值
(2.2.3)如果当前趋势形态9不为线性态，即为指数态或平缓态，则按退火率anr计算差分变化率序列2最后RS步内的时间权重均值505，判断：
(2.2.3.1)如果时间权重均值505与当前状态趋势形态9不相符，则时间序列0最后序列步值为值参数502，按退火率anr计算差分值序列1最后RS步内时间权重均值为差分参数504，未来序列推演模型10为：
各序列步差分＝差分参数504；
各序列步值＝值参数502+未来序列差分序列截至该步的累加值
(2.2.3.2)如果如果时间权重均值505与当前状态趋势形态9相符，则时间序列0最后序列步值为值参数502，差分值序列1最后序列步值为差分参数504，按退火率anr计算差分变化率序列2最后RS步内的时间权重均值为变化率参数506，未来序列推演模型10为：
各序列步变化率＝变化率参数506；
各序列步差分＝差分参数504*未来序列变化率序列截至该步的累乘值；
各序列步值＝值参数502+未来序列差分序列截至该步的累加值
输出未来序列推演模型10及推演参数。
C.本发明发明内容3，如图12所示，一种联立时间序列集推演分析方法，包括6个步骤。
步骤1，将存在关联关系的时间序列集合划分为自增时间序列、驱动时间序列、配额时间序列和复合时间序列，组成联立的时间序列集。
步骤2，设自增时间序列数A，从i＝1开始，循环按第i自增时间序列1计算未来序列推演模型2，将未来序列推演模型2定义为自增维度模型3，判断：
(1)如果n<A，则i＝i+1重复循环；
(2)否则，结束循环。
步骤3，设驱动时间序列数D，从i＝1开始，循环定义第i驱动时间序列4的牵引维度时间序列5，计算驱动时间序列4与牵引维度时间序列5的比值序列6，按比值序列6计算未来序列推演模型7，按模型7和牵引维度时间序列5的未来序列推演模型8的未来序列步值的乘积构建驱动维度模型9，模型9定义为驱动时间序列4的未来序列推演模型，判断：
(1)如果n<D，则i＝i+1重复循环；
(2)否则，结束循环。
步骤4，设配额时间序列数Q，从i＝1开始，循环定义第i配额时间序列10的基准维度时间序列11和配额12，按基准维度时间序列11的未来序列推演模型的未来序列步值和配额12的乘积构建配额维度模型13，模型13定义为配额时间序列10的未来序列推演模型，判断：
(1)如果n<Q，则i＝i+1重复循环；
(2)否则，结束循环。
步骤5，设复合时间序列数C，从i＝1开始，定义第i复合时间序列14的加维度时间序列集15和减维度时间序列集16，按加维度时间序列集15所有时间序列的未来序列总和与减维度时间序列集16所有时间序列的未来序列总和之差构建复合维度模型17，模型17定义为复合时间序列14的未来序列推演模型，判断：
(1)如果n<C，则i＝i+1重复循环；
(2)否则，结束循环。
步骤6，将所有自增维度模型3、驱动维度模型9、配额维度模型13、复合维度模型17联合构建构建联立时间序列集的联合推演模型18。
输出联合推演模型18。
D.本发明发明内容4，如图13所示，一种企业数据推演计算系统，包括业绩趋势建模模块1、未来序列计算模块2、现值计算模块3、内部收益率计算模块4、股权策略仿真模块6、算法流程控制模块7、云计算服务平台7和数据存储模块8。
所述业绩趋势建模模块1包括时间序列模型建模模块11和联立时间序列集建模模块12。所述时间序列模型建模模块11用于建立企业季报利润表各项维度相关历史时间序列数据的未来序列推演模型，包括状态更新模型模块111、状态缓冲模型模块112和ARIMA状态模型模块113；所述状态更新模型模块111是基于本发明提供的发明内容1的时间序列推演分析方法计算时间序列的未来序列推演模型；所述状态缓冲模型模块112是基于本发明提供的发明内容2的时间序列推演分析方法计算时间序列的未来序列推演模型；所述ARIMA状态模型模块113是基于ARIMA模型结合本发明提供的发明内容1的步骤1-3进行改进的时间序列推演分析方法计算时间序列的未来序列推演模型。时间序列模型建模模块11各子模块根据算法流程控制模块6传入指令与参数，计算提供时间序列的未来序列推演模型及参数。
所述联立时间序列集建模模块12用于计算企业联立时间序列集的联合推演模型，包括普通企业联立时间序列集建模模块121、银行企业联立时间序列集建模模块122、证券企业联立时间序列集建模模块123和保险企业时间序列集建模模块124。联立时间序列集建模模块12，各子模块根据算法流程控制模块6传入指令与参数，结合时间序列模型建模模块11计算提供的时间序列的未来序列推演模型及参数，计算提供联立时间序列集的联合推演模型及参数。
所述未来序列计算模块2根据算法流程控制模块6传入指令与参数，直接或间接获取所述业绩趋势建模模块1计算得出的企业联立时间序列集的联合推演模型及参数，计算提供具体序列步长内的未来序列。所述现值计算模块3根据算法流程控制模块6传入指令与参数，直接或间接获取所述业绩趋势建模模块1计算得出的企业联立时间序列集的联合推演模型及参数，计算提供联立时间序列集联合推演模型中各个子模型无穷步长未来序列的折现值；或，直接或间接获取所述未来序列计算模块2计算得出的具体序列步长内的未来序列，计算提供联立时间序列集联合推演模型中各个子模型具体有限步长未来序列的折现值。
所述内部收益率计算模块4根据算法流程控制模块6传入指令与参数，直接或间接获取现值计算模块3计算得出的未来序列折现值，搜索计算提供联立时间序列集联合推演模型中各个子模型未来序列的折现值和具体价值相等时的折现率。
所述股权策略仿真模块5包括因子值计算模块51、因子逻辑判断模块52、策略逻辑整合模块53和交易模拟仿真模块54。
所述因子值计算模块51根据算法流程控制模块6传入指令与参数计算提供价值因子、技术因子、财务因子，其中价值因子是根据直接或间接获取的现值计算模块3或内部收益率计算模块4计算提供的结果得出或衍生的因子值。
所述因子逻辑判断模块52根据算法流程控制模块6传入指令与参数，直接或间接获取因子值计算模块51计算得出的价值因子、技术因子或财务因子，计算提供因子值或因子序列的真假逻辑判断结果。
所述策略逻辑整合模块53根据算法流程控制模块6传入指令与参数，整合所有所述因子逻辑判断模块52计算得出的因子值或因子序列的真假逻辑判断结果，计算提供逻辑整合结果。
所述交易模拟仿真模块根据算法流程控制模块6传入指令与参数，包括具体交易类型交易条件，获取所述策略逻辑整合模块53计算得出的逻辑整合结果，计算提供历史仿真交易操作数据和历史仿真交易收益数据。
所述算法流程控制模块6，用于向业绩趋势建模模块1、未来序列计算模块2、现值计算模块3、内部收益率计算模块4、股权策略仿真模块5传入指令和参数、安排计算流程，获取并处理计算结果；用于接收处理云计算服务平台7的计算请求并反馈计算结果；用于向数据存储模块8请求计算所需的模板数据并处理数据反馈；用于请求外部数据并处理外部数据反馈。
所述云计算服务平台7，用于提供界面交互功能和HTTPS/HTTP API交互功能，包括界面功能模块71、API功能模块72、交互控制模块73。
所述界面功能模块71包括业绩趋势建模界面功能模块711、价值计算分析界面功能模块712、策略历史仿真界面功能模块713。
所述业绩趋势建模界面功能模块711包括状态更新模型计算界面功能模块7111、状态缓冲模型计算界面功能模块7112、ARIMA状态模型计算界面功能模块7113。所述状态更新模型计算界面功能模块7111、状态缓冲模型计算界面功能模块7112、ARIMA状态模型计算界面功能模块7113均包括计算参数模板设置功能、具体企业具体时期联立时间序列集联合推演模型计算功能、具体企业具体时期联立时间序列集未来序列集推演计算功能。
所述价值计算分析界面功能模块712包括业绩现值计算界面功能模块7121和业绩内部收益率计算界面功能模块7122。所述业绩现值计算界面功能模块7121包括计算参数模板设置功能和具体企业具体时期业绩现值计算功能。所述业绩内部收益率计算界面功能模块7122包括计算参数模板设置功能和具体企业具体时期业绩内部收益率计算功能。
所述策略历史仿真界面功能模块713包括普通策略仿真界面功能模块7131、融资策略仿真界面功能模块7132、融券策略仿真界面功能模块7133。所述普通策略仿真界面功能模块7131、融资策略仿真界面功能模块7132、融券策略仿真界面功能模块7133均包括策略参数模板设置编辑和具体企业具体时期策略仿真计算功能。
所述API功能模块72包括状态更新模型计算API模块721、状态缓冲模型计算API模块722、ARIMA状态模型计算API模块723、状态更新推演计算API模块724、状态缓冲推演计算API模块725、ARIMA状态推演计算API模块726、业绩现值计算API模块727、业绩内部收益率计算API模块728、策略历史仿真API模块729。
所述状态更新模型计算API模块721、状态缓冲模型计算API模块722、ARIMA状态模型计算API模块723均提供具体企业具体时期联立时间序列集联合推演模型计算功能。
所述状态更新推演计算API模块724、状态缓冲推演计算API模块725、ARIMA状态推演计算API模块726均提供具体企业具体时期联立时间序列集未来序列集推演计算功能。
所述业绩现值计算API模块727提供具体企业具体时期业绩现值计算功能。所述业绩内部收益率计算API模块728提供具体企业具体时期业绩内部收益率计算功能。所述策略历史仿真API模块729提供具体企业具体时期策略仿真计算功能。
所述交互控制模块73，用于接收处理界面功能模块71设置模板指令，将模板设置数据存储到数据存储模块8；用于接收处理界面功能模块71的数据请求，向数据存储模块8获取数据，并向界面功能模块71反馈数据结果；用于接收处理界面功能模块71和API功能模块72的计算请求，向算法流程控制模块6提出计算请求并获取计算结果，处理转换计算结果并反馈至界面功能模块71和API功能模块72。
所述数据存储模块8，用于存储所述状态更新模型计算界面功能模块7111、状态缓冲模型计算界面功能模块7112、ARIMA状态模型计算界面功能模块7113、业绩现值计算界面功能模块7121、业绩内部收益率计算界面功能模块7122等模块设置的计算参数模板数据，存储所述普通策略仿真界面功能模块7131、融资策略仿真界面功能模块7132、融券策略仿真界面功能模块7133等模块设置编辑的策略参数模板数据。
本发明提供的企业数据推演计算系统基于本发明提供的时间序列推演分析方法和联立时间序列季推演分析方法，能够高效率自动化地在外部因素影响复杂多变、内部关联关系错综紧密、样本稀疏的情况下进行企业联立时间序列集数据推演计算，相较自动化ARIMA算法和神经网络算法适应性更强而且大大节省了计算资源，实现基于企业业绩的动态量化分析。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：软件授权认证方法及装置