本发明涉及计算机处理，尤其涉及一种基于因子的深度学习估值方法、装置、设备及介质。
背景技术：
1、企业估值是指着眼于企业本身，对企业的内在价值进行评估。对企业的准确估值有利于对企业价值进行正确评价，能够帮助投资者、分析师和管理人员等评估企业的价值和潜在投资回报。
2、目前的企业估值方法主要采用的是通过人工依据企业数据进行判断的方式。这种方式需要基于人工计算，且不同的计算方法需要获取不同的数据，对其专业知识要求较高，存在数据处理困难，估值准确性差的问题。
技术实现思路
1、本发明提供了一种基于因子的深度学习估值方法、装置、设备及介质，以实现在降低企业估值成本的同时，达到提高估值准确性和可靠性的技术效果。
2、根据本发明的一方面，提供了一种基于因子的深度学习估值方法，该方法包括：
3、获取待估值企业在当前时间步下的企业关联数据；其中，所述企业关联数据包括企业资产数据以及宏观经济数据；所述宏观经济数据中包括至少一个宏观经济变量值；所述企业资产数据中包括多个非估值因子下的资产数据，所述非估值因子包括资产定价因子和财务指标；
4、将所述当前时间步下的企业关联数据以及所述当前时间步上一时间步所对应的隐藏状态，输入至预先训练得到的第一估值模型中，得到与所述宏观经济数据相对应的门控参数向量；
5、基于所述门控参数向量、所述企业关联数据、所述隐藏状态以及所述上一时间步所对应的记忆元信息，确定在所述当前时间步下的待使用记忆元信息；
6、基于所述待使用记忆元信息、所述企业资产数据以及所述隐藏状态，确定每个估值因子的特征值；
7、基于所述特征值，确定所述待估值企业的估值结果。
8、根据本发明的另一方面，提供了一种基于因子的深度学习估值装置，该装置包括：
9、数据获取模块，用于获取待估值企业在当前时间步下的企业关联数据；其中，所述企业关联数据包括企业资产数据以及宏观经济数据；所述宏观经济数据中包括至少一个宏观经济变量值；所述企业资产数据中包括多个非估值因子下的资产数据，所述非估值因子包括资产定价因子和财务指标；
10、门控参数向量确定模块，用于将所述当前时间步下的企业关联数据以及所述当前时间步上一时间步所对应的隐藏状态，输入至预先训练得到的第一估值模型中，得到与所述宏观经济数据相对应的门控参数向量；
11、记忆元信息确定模块，用于基于所述门控参数向量、所述企业关联数据、所述隐藏状态以及所述上一时间步所对应的记忆元信息，确定在所述当前时间步下的待使用记忆元信息；
12、特征值确定模块，用于基于所述待使用记忆元信息、所述企业资产数据以及所述隐藏状态，确定每个估值因子的特征值；
13、估值结果确定模块，用于基于所述特征值，确定所述待估值企业的估值结果。
14、根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
15、至少一个处理器；以及
16、与所述至少一个处理器通信连接的存储器；其中，
17、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的基于因子的深度学习估值方法。
18、根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于因子的深度学习估值方法。
19、本发明实施例的技术方案，通过获取待估值企业在当前时间步下的企业关联数据；将当前时间步下的企业关联数据及当前时间步上一时间步的隐藏状态，输入至预先训练得到的第一估值模型中，得到与宏观经济数据相对应的门控参数向量；基于门控参数向量、企业关联数据、隐藏状态及上一时间步的记忆元信息，确定在当前时间步下的待使用记忆元信息；基于待使用记忆元信息、企业资产数据及隐藏状态，确定每个估值因子的特征值；基于特征值，确定待估值企业的估值结果，解决了现有技术中人工处理企业数据进行估值，存在估值准确性差、可靠性低的问题，实现通过对当前时间步下的宏观经济数据以及当前时间步上一时间步的隐藏状态进行处理，得到门控参数向量，不仅通过引入宏观经济变量，更全面地反映宏观经济环境对企业定价的影响，还能够通过门控参数向量精准控制宏观经济数据对于当前时间步下估值的影响程度，进而，依据门控参数向量、企业关联数据、隐藏状态以及上一时间步的记忆元信息，确定在当前时间步下的待使用记忆元信息，通过待使用记忆元信息、企业资产数据以及隐藏状态，预测估值因子的特征值，提高估值因子表示的准确性，使用估值因子的特征值进行企业估值，实现在降低企业估值成本的同时，达到提高估值准确性和可靠性的技术效果。
20、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
1.一种基于因子的深度学习估值方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述第一估值模型中包括门控循环单元，所述将所述当前时间步下的企业关联数据以及所述当前时间步上一时间步所对应的隐藏状态，输入至预先训练得到的第一估值模型中，得到与所述宏观经济数据相对应的门控参数向量，包括：
3.根据权利要求1所述的方法，其特征在于，所述第一估值模型中包括输入门、遗忘门和候选记忆单元，所述基于所述门控参数向量、所述企业关联数据、所述隐藏状态以及所述上一时间步所对应的记忆元信息，确定在所述当前时间步下的待使用记忆元信息，包括：
4.根据权利要求1所述的方法，其特征在于，所述基于所述第一估值模型中的候选记忆单元，对所述门控参数向量、所述企业关联数据和和所述隐藏状态，确定第三处理数据，包括：
5.根据权利要求1所述的方法，其特征在于，所述第一估值模型中包括输出门、隐藏层和输出层，所述基于所述待使用记忆元信息、所述企业资产数据以及所述隐藏状态，确定每个估值因子的特征值，包括：
6.根据权利要求1所述的方法，其特征在于，还包括：
7.根据权利要求6所述的方法，其特征在于，所述第二估值模型中包括输入门、遗忘门、候选记忆单元、输出门、隐藏层和输出层，将所述输入数据以及所述当前时间步上一时间步所对应的隐藏状态，输入至预先训练得到的第二估值模型中，得到每个估值因子的特征值，包括：
8.一种基于因子的深度学习估值装置，其特征在于，包括：
9.一种电子设备，其特征在于，所述电子设备包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基于因子的深度学习估值方法。
