发帖
雷达卡
在数智时代，智能技术与数据深度融合，逐渐实现了大数据价值的充分挖掘与有效利用，为进一步推动数字经济发展奠定了坚实基础。数智时代的研究决策范式开始从“大数据”向“大知识”转变。“大知识”主要是应对从复杂大数据中挖掘海量知识的挑战。大知识既可以实现知识驱动的自动建模，也可以帮助决策者对结果进行理解和解释。
在此背景下，CSMAR推出了智能研究系列数据库，基于金融大数据，运用深度学习、自然语言处理等AI技术手段，从股价预测、舆情分析、财务诊断、风险感知四个方面着手，实现从数据获取、清洗到数据处理以及结果分析研判整个研究周期的智能化处理，帮助研究者搭建从金融领域“大数据”向“大知识”转变的桥梁，助力相关领域研究的深入开展。本期内容，我们将针对智能研究系列数据库中的智能风险感知数据库，分享研究案例，解析相关数据资源的应用。
NO.1
智能研究与企业画像
近年来，画像的刻画对象从自然人逐渐过渡到各类实体，在此过程中，企业画像也逐渐受到学术界的关注。学者们指出，企业画像的构建应当融合多源数据，且需要基于隐藏在表层信息之下的知识，以确保构建的企业画像更全面、准确，为后续开展企业的深入研究或精准服务奠定坚实基础。
资料来源：基于企业画像的行业信息精准服务研究[J].情报科学,2022.
鉴于此，CSMAR智能风险感知数据库从风险方面，提供财务风险、经营风险、内部控制风险、行业风险等全面的风险信息，帮助研究者在构建企业画像时，有完备的风险数据作为支撑。
NO.2
智能风险感知数据库的应用案例：企业画像构建
范文：企业财务风险偏好画像构建[J].山西财经大学学报,2022.
文章挖掘了沪深主板市场2595家上市公司2017—2021年的数据，进行财务风险偏好画像，展示了不同行业、不同地域企业财务风险偏好画像。结果显示，企业各维度风险偏好呈现多元性，且与所处行业和地域相关。企业财务风险偏好画像有助于全面刻画企业风险偏好，辅助企业优化风险管理策略。
文中构建的风险偏好指标包括了财务决策风险、信息披露风险以及董监高风险，绘制的画像维度考虑了不同行业和不同地域。
在该研究的基础之上，研究者们可进一步利用智能风险感知数据库当中的财务风险、经营风险、内部控制风险、行业风险等四类风险诊断及提示信息数据，丰富企业风险偏好画像。
NO.3
数据资源介绍
CSMAR智能风险感知数据库提供财务风险、经营风险、内部控制风险、行业风险等提示信息。其中经营风险包括违约风险、诉讼风险、质押风险和冻结风险。内部风险控制是针对内控评价报告缺陷的统计。此外，财务风险评级表、经营风险表、同行业系统风险对比表(月beta)和智能风险提示要点表(近6个月)均包括基于文本分析的诊断信息或要点提示。智能风险感知研究数据库基本上涵盖了个股风险研究中重点关注的风险类型，还包含对各个风险的智能诊断，帮助对企业风险进行评估。
查询路径：https://cn.gtadata.com/智能研究系列/智能风险感知
京公网安备 11010802022788号
