神经网络便于从数据中自动构建特征，但据我所知，这与可解释性不兼容，因为我们不知道特征代表什么。因此，我知道获得可以解释和分析的预测的唯一方法是使用传统模型，在这种情况下，这肯定需要一些特征工程。我会推荐决策树，它们在决策过程中完全透明，即使非专家也能理解。使用这种模型的想法是提供代表随时间演变的特征，例如过去 N 年的最小/最大/平均值、差异电流-N 等，可能针对 N 的几个值。

我建议首先重新考虑并进一步思考您的方法。

这通常不是公司在“以人为本”时采用的方法：

例如，人类如何解决这个任务：研究那些历史财务数据几年，并想出一些东西。就像这个非常简单的公式排名 = 收入[最后一个]/总资产[最后一个] + 收入[最后一个]/市值[最后一个]（寻找高利润且价格不太高的公司）。

有充分的理由！因为它没有利用任何现有的知识（例如来自员工或文献）来分析资产，而且它没有得到很好的指导。

出于类似的原因，这不是使用 ML 解决它的有前途的方法：

解决它的机器学习方法：将这些数据点提供给神经网络，运行它并希望它在一段时间后能学到一些东西。

因为在这种情况下，您只需在 ML 算法上抛出一个未明确说明的问题来为您进行思考（无意冒犯，但这对我来说就是这样）。

相反，您首先需要开发的是可以被 ML 方法利用的假设。这可以包括@Erwan 建议的功能设计。例如，您可能假设市盈率是一个重要的自变量，您希望将其作为每个资产的特征包含在内。

因此，最好开发一个假设（或一组假设）是什么造就了一家“好公司”，然后使用 ML 来查看您的数据是否支持您的假设，以及您如何（或是否）可以将其用作预测器。

另一个问题是您想考虑哪种类型的 ML 问题。根据您的描述，这听起来像是一个有监督的问题。但是您没有为您的数据提及任何标签，例如将资产定义为“好”或“坏”，简单地说。这是另一个需要进一步规范的领域。

只有在正确指定您的问题后，您才能决定使用哪种 ML 方法。