CN101964104A - 一种金融产品风险检测方法及系统 - Google Patents
一种金融产品风险检测方法及系统 Download PDFInfo
- Publication number
- CN101964104A CN101964104A CN2009100895646A CN200910089564A CN101964104A CN 101964104 A CN101964104 A CN 101964104A CN 2009100895646 A CN2009100895646 A CN 2009100895646A CN 200910089564 A CN200910089564 A CN 200910089564A CN 101964104 A CN101964104 A CN 101964104A
- Authority
- CN
- China
- Prior art keywords
- data
- financial product
- profit
- susceptibility
- loss
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例提供了一种金融产品风险检测方法及系统,该方法包括:获取金融产品的历史市场数据,并根据所述的历史市场数据生成所述金融产品的模拟情景信息;获取所述金融产品的价值数据和影响因素数据,并根据所述的价值数据和影响因素数据计算敏感度;根据所述的模拟情景信息和敏感度计算所述金融产品的损益数据;根据所述的损益数据生成所述金融产品的风险检测结果信息。另外,本发明实施例还提供了一种金融产品风险检测系统。本发明充分利用分析法快速简单的优点,在保证VaR计量速度的同时,又充分利用了历史信息,对金融产品市场风险进行检测。
Description
技术领域
本发明关于利用计算机网络的金融产品风险监测技术,具体的讲是一种金融产品风险检测方法及系统。
背景技术
随着网上银行业务的快速发展,各商业银行不断推出基于网上银行的各种金融产品,如外汇买卖、黄金买卖以及外汇理财等。然而,由于金融产品的市场价格和利率的不断变动,会使推出这些金融产品的商业银行存在较大的市场风险。因此,如何对网上银行的金融产品进行风险检测变得日益重要。
在现有技术中,金融产品风险检测的技术在于,采用风险价值(VaR:Valueat Risk)对金融产品风险进行统计。VaR指在正常的市场环境下,在一定的置信水平和持有期内,衡量某个特定的头寸或组合所面临的最大可能损失。常用的VaR技术主要有三种:历史模拟法、分析法(方差-协方差法)和蒙特卡罗模拟法。然而,发明人发现历史模拟法和蒙特卡罗模拟法都是基于完全估值的VaR计量模型,它们存在度量成本高,计算效率低的缺点。分析法(方差-协方差法)依赖于市场因子的分布假设,不能充分度量非线性金融产品(如期权和抵押贷款)的风险,准确性较差。
发明内容
本发明实施例提供了一种金融产品风险检测方法及系统,用以解决金融产品的风险检测问题。
本发明的目的之一是,提供一种金融产品风险检测方法,该方法包括:获取金融产品的历史市场数据,并根据所述的历史市场数据生成所述金融产品的模拟情景信息;获取所述金融产品的价值数据和影响因素数据,并根据所述的价值数据和影响因素数据计算敏感度;根据所述的模拟情景信息和敏感度计算所述金融产品的损益数据;根据所述的损益数据生成所述金融产品的风险检测结果信息。
本发明的目的之一是,提供一种金融产品风险检测系统,该系统包括:市场数据获取单元,用于获取金融产品的历史市场数据,并根据所述的历史市场数据生成所述金融产品的模拟情景信息;敏感度计算单元,用于获取所述金融产品的价值数据和影响因素数据,并根据所述的价值数据和影响因素数据计算敏感度;损益数据计算单元,用于根据所述的模拟情景信息和敏感度计算所述金融产品的损益数据;检测结果生成单元,用于根据所述的损益数据生成所述金融产品的风险检测结果信息。
本发明的有益效果在于,通过提供基于敏感度的历史模拟法度量金融产品市场风险VaR值的方案,克服了历史模拟法基于完全估值的计量模型度量成本高,计算效率低的缺点以及分析法没有充分利用历史信息的缺点。并利用历史市场数据生成模拟情景,结合模拟情景和敏感度分析数据,获取金融产品的损益分布,计算VaR值。本发明充分利用分析法快速简单的优点,在保证VaR计量速度的同时,又充分利用了历史信息,对金融产品市场风险进行检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中金融产品风险检测的方法流程图;
图2为本发明实施例中金融产品风险检测的系统结构示意图;
图3为本发明实施例中金融产品风险检测的另一个系统结构示意图;
图4为本发明实施例中交易数据信息示意图;
图5为本发明实施例中历史汇率信息示意图;
图6为本发明实施例中得到的汇率与模拟情景信息的关联图;
图7为本发明实施例中交易的现金流的示意图;
图8为本发明实施例中当前汇率下的交易净值的示意图;
图9为本发明实施例中汇率上升一个基点后,得到的交易净值的示意图;
图10为本发明实施例中得到的模拟情景信息与损益分布数据的关联图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供一种金融产品风险检测方法,该方法包括:获取金融产品的历史市场数据,并根据历史市场数据生成所述金融产品的模拟情景信息(步骤S 101);获取金融产品的价值数据和影响因素数据,并根据价值数据和影响因素数据计算敏感度(步骤S102);根据模拟情景信息和敏感度计算金融产品的损益数据(步骤S103);根据损益数据生成金融产品的风险检测结果信息(步骤S104)。
敏感度的一般计算公式为:δ=(P2-P1)/(F2-F1) (1)
其中,δ为金融产品P相对于影响因素F的变动率,即敏感度。P1和P2表示金融产品P相对于F1和F2的价值,F1和F2表示影响因素F的两个取值。
利用敏感度计算损益的一般公式为:P&L=(δ×ΔF) (2)
其中P&L为损益值,δ为该金融产品的对于因素F的敏感度,ΔF为因素F的变动。
本实施方式中,P1和F1是金融产品P相对于影响因素F的变动前的数值,P2和F2是变动后的数值。根据两个数值,可以计算出当天的敏感度。选择一段影响因素的历史数据,那么可以得到一组影响因素的变动值,将该变动值乘以当天的敏感度,就可以得到一组基于历史的单位损益值,用公式表示为:
P&L=(δ×ΔF)/f (3)
其中,P&L为损益;ΔF表示因素的变动值;f表示计算损益时,F的基本单位,因为设定F的变动时,比如,可以按100变动,也可以按1变动,因此在最后计算时,需要将其进行单位化的处理。在本实施例中,(δ×ΔF)除以了一个f,这样就可以对损益值进行单位化的处理,使得到的结果能够满足更多的不同损益分析的需要。
根据上述公式(1)至(3),可以每天得到一个新的敏感度,然后基于每天的敏感度,得到一组历史损益的分布,选择一定的置信度,从而计算出当天的VaR值。
如图2所示,本发明实施例还提供了一种金融产品风险检测的系统结构示意图,该系统包括:
市场数据获取单元101,用于获取金融产品的历史市场数据,并根据历史市场数据生成所述金融产品的模拟情景信息;
敏感度计算单元102,用于获取金融产品的价值数据和影响因素数据,并根据价值数据和影响因素数据计算敏感度;
损益数据计算单元103,用于根据模拟情景信息和敏感度计算金融产品的损益数据;
检测结果生成单元104,用于根据损益数据生成金融产品的风险检测结果信息。
如图3所示,一个实施例中,图2所示的敏感度计算模块102还包括δ计算模块1021,用于计算敏感度δ;
图2所示的损益数据计算单元103包括P&L计算模块1031,用于计算损益数据P&L。
图2所示的检测结果生成单元104还包括VaR置信度设置模块1041,用于设置VaR置信度。
首先,市场数据获取单元101获取金融产品的历史市场数据,并根据历史市场数据生成金融产品的模拟情景信息;而后,δ计算模块1021根据敏感度的一般计算公式:δ=(P2-P1)/(F1-F2)来计算敏感度δ,其中,P1和P2表示金融产品P相对于F1和F2的价值,F1和F2表示影响因素F的两个取值;得到模拟情景信息和敏感度δ后,P&L计算模块1031利用敏感度计算损益的一般公式为:P&L=(δ×ΔF)计算得出损益值。
本实施例中,P1和F1是金融产品P相对于影响因素F的变动前的数值,P2和F2是变动后的数值。根据两个数值,可以计算出当天的敏感度。选择一段影响因素的历史数据,那么可以得到一组影响因素的变动值,将该变动值乘以当天的敏感度,就可以得到一组基于历史的单位损益值,用公式表示为:
P&L=(δ×ΔF)/f
其中,P&L为损益;ΔF表示因素的变动值;f表示计算损益时,F的基本单位,因为设定F的变动时,比如,可以按100变动,也可以按1变动,因此在最后计算时,需要将其进行单位化的处理。在本实施例中,(δ×ΔF)除以了一个f,这样就可以对损益值进行单位化的处理,使得到的结果能够满足更多的不同损益分析的需要。
根据上述计算,可以每天得到一个新的敏感度,然后基于每天的敏感度,得到一组历史损益的分布,选择一定的置信度,从而计算出当天的VaR值。
实施例一:
金融产品为用户持有的外汇即期头寸,本实施例检测外汇即期头寸汇率风险的步骤如下:
步骤S101、获取金融产品的历史市场数据,并根据历史市场数据生成金融产品的模拟情景信息;
首先,图4和图5分别为与本发明实施例的交易数据信息和历史汇率信息示意图。
在计算金融产品的模拟情景信息时,首先要确定选取的历史数据的时间周期和时间跨度。时间周期的作用是确定确定历史数据的样本长度;时间跨度的作用是确定影响因素变动取值。比如,如果周期为100天,跨度为1天,那么就选择从某天开始(一般是计算市场风险当天)向前100个交易日,将t天的影响因素的市场值减去t-1天的影响因素的市场值,这样就可以得到99个变动值;如果跨度为2天,则是将t天的影响因素的市场值减去t-2天的影响因素的市场值,这样得到的是98个变动值。
在本实施例中,情景参数假定时间长度为10天,跨度为1天。然后确认历史的汇率数据的准确性,包括是否缺失,是否异常。对于缺失数据,提供包括多项式插值、样条插值在内的多种补齐数据的方法,并剔除明显异常的数据(比如,变动超出上期数据的±5%的数据)。
本实施例中,计算相邻两天的汇率变动,其中:
模拟情景信息=汇率n+1-汇率n
则可得:模拟情景信息1=6.8562-6.8566=-0.0004
模拟情景信息2=6.8499-6.8562=-0.0063
……
模拟情景信息9=6.8551-6.8336=0.0215
计算完毕可得到得到如图6所示的汇率与模拟情景信息的关联图。
步骤S102、获取金融产品的价值数据和影响因素数据,并根据价值数据和影响因素数据计算敏感度;
首先,根据金融产品的交易类型和金融市场数据,确定金融产品的现金流,现金流可以包括过去的现金流和未来的现金流。
现金流是指某一段时间内现金流入和流出的数量。产品的价值取决于该产品未来可以产生的收益,而收益则体现为现金流的收入。由于现金流是未来的预期值,因此必须按照一定的贴现率折算成现值,因此,金融产品的内在价值等于预期现金流的贴现值。
如图7所示,在本实施例中,交易的现金流为过去的现金流。
本实施例中,因为外汇不涉及现金流折现,按照无需折现,根据当前市场汇率,计算该头寸的损益,如图8所示的为当前汇率下其交易净值为¥143。
本实施例中,设置汇率向上变动一个基点,变化后的市场汇率为:
汇率 |
6.8551 |
然后基于变动后的市场数据和金融产品的交易数据,重新确定金融产品在敏感度情景下的现金流。在本实施例中,现金流不变。
基于敏感度情景变动后的市场数据,主要是收益率曲线信息,重新评估金融产品的净现值(NPV’),如图9所示,汇率上升一个基点后,变动后的交易净值为¥144。
则本发明实施方式中,汇率的变动为ΔF=F2-F1=6.8550-6.8551=0.0001,F的基本单位为0.0001,在本发明实施方式中,相对于F1和F2单位产品的价值P1和P2分别为¥68551/10000和¥68550/10000;
因此根据敏感度计算公式:δ=(P2-P1)/(F2-F1)
=(68551/10000-68550/10000)/0.0001
=1
如果根据变动前的NPV和变动后的NPV计算金融产品的敏感度,计算公式为:Δ=NPV’-NPV=144-143=1,相对于NPV144和NPV143单位产品的价值P2和P1分别为¥68551和¥68550。则有,δ=(P2-P1)/(F2-F1)
=(68551-68550)/1
=1
因此在本实施例中,该头寸的汇率敏感度为1。
计算敏感度时,影响因素变动值大小的确定,由用户结合市场实际和经验得到,一般该变动值相当小,以提高计算结果的精度。通过上述步骤,得到基于当日产品价格,和该产品影响因素的敏感度值。它表示了当影响因素发生一个固定的变动值时,该产品价格发生的变动值。得到了该敏感度值后,就可以分析当影响因素发生某个变动值时,产品的损益。
步骤S103、根据模拟情景信息和敏感度计算金融产品的损益数据;
在本实施例中,计算金融产品的损益数据公式为:P&L=(δ×C)/BP;其中δ为敏感度模块计算的敏感度;C为情景序列中的情景变动;BP为敏感度情景变动。在本实施例中,C相当于ΔF,BP相当于f。因为希望计算基于一个BP变动,得到的敏感度。本实施例中,BP=0.0001,在上述计算过程中,如果不除以BP,得到的结果都是当汇率变动0.0001的情况下,得到的损益。而在业务实践中,都是按BP报价和计算的,所以将(δ×C)除以BP,得到的就是基于BP的敏感度损益。在本实施例中,用户运用上面的公式计算损益分布为:
P&L=(δ×C)/BP=[(1×(-0.0004)]/0.0001=-4
P&L=(δ×C)/BP=[(1×(-0.0063)]/0.0001=-63
……
P&L=(δ×C)/BP=[(1×(0.0215)]/0.0001=215
P&L=(δ×C)/BP=[(1×(0.0000)]/0.0001=0
如图10所示,是本发明实施方式根据上述计算损益公式所得到的模拟情景信息与损益分布数据的关联图。
步骤S 104、根据所述的损益数据生成所述金融产品的风险检测结果信息。
在本实施例中,生成金融产品的风险检测结果信息是指根据风险价值(VaR)置信度,求出损益分布在对应置信度上的分位数。其中,置信度是统计学上的概念,它表示的是一个概率。估计值与总体参数在一定允许的误差范围以内,其相应的概率有多大,这个相应的概率称作置信度。它表示,给定某个概率的水平下,可以认为得到的结果是可信的。比如置信度为95%,表示认为在95%的概率下,该结果是可靠的;同时还有5%(=1-95%)的概率,可能犯了弃真错误(在统计学上,弃真错误表示:当某个结果是为真时,却认为它是错误的概率)。因此VaR值的置信度表示的是,在多大的概率上,得到的结果是正确的。
根据VaR的定义:VaR指在正常的市场环境下,在一定的置信水平和持有期内,衡量某个特定的头寸或组合所面临的最大可能损失。根据该定义和业界的具体实践,此分位数即为VaR值。
本实施例中,设置VaR的置信度为99%,将得到的损益序列排序,如果数值为正的,就相当于是收益;如果数值为负的,就相当于是损失;取最小损益¥-150。置信度取99%,表示有99%的把握,在未来给定的期限内,损失不会超过VaR值;那么在另一个方面,就是有1%的可能,损失会超过VaR值,VaR值就相当于是介于与确定与不确定损益之间的临界值。那么在所有这些不超过VaR值(包括VaR值)的损失中,VaR值就是这些损失中,最小的损益(其实质是损失)。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种金融产品风险检测方法,其特征是,所述的方法包括:
获取金融产品的历史市场数据,并根据所述的历史市场数据生成所述金融产品的模拟情景信息;
获取所述金融产品的价值数据和影响因素数据,并根据所述的价值数据和影响因素数据计算敏感度;
根据所述的模拟情景信息和敏感度计算所述金融产品的损益数据;
根据所述的损益数据生成所述金融产品的风险检测结果信息。
2.根据权利要求1所述的方法,其特征是,所述的金融产品的历史市场数据包括:所述金融产品的历史收益率数据或市场汇率数据。
3.根据权利要求1所述的方法,其特征是,根据所述的价值数据和影响因素数据计算敏感度包括:δ=(P2-P1)/(F2-F1);其中:
δ表示敏感度;
F1和F2为影响因素数据中的两个数据;
P1为所述金融产品相对F1的价值数据;
P2为所述金融产品相对F2的价值数据。
4.根据权利要求3所述的方法,其特征是,根据所述的模拟情景信息和敏感度计算所述金融产品的损益数据包括:P&L=(δ×ΔF);其中:
P&L表示损益数据;
ΔF为因素F的变动。
5.根据权利要求1所述的方法,其特征是,根据所述的损益数据生成所述金融产品的风险检测结果信息包括:根据风险价值VaR置信度,计算所述损益数据分布在对应置信度上的分位数。
6.一种金融产品风险检测系统,其特征是,所述的系统包括:
市场数据获取单元,用于获取金融产品的历史市场数据,并根据所述的历史市场数据生成所述金融产品的模拟情景信息;
敏感度计算单元,用于获取所述金融产品的价值数据和影响因素数据,并根据所述的价值数据和影响因素数据计算敏感度;
损益数据计算单元,用于根据所述的模拟情景信息和敏感度计算所述金融产品的损益数据;
检测结果生成单元,用于根据所述的损益数据生成所述金融产品的风险检测结果信息。
7.根据权利要求6所述的系统,其特征是,所述的金融产品的历史市场数据包括:所述金融产品的历史收益率数据或市场汇率数据。
8.根据权利要求6所述的系统,其特征是,所述的敏感度计算单元包括:δ计算模块,其中:
δ=(P2-P1)/(F2-F1);
δ表示敏感度;
F1和F2为影响因素数据中的两个数据;
P1为所述金融产品相对F1的价值数据;
P2为所述金融产品相对F2的价值数据。
9.根据权利要求8所述的系统,其特征是,所述的损益数据计算单元包括:P&L计算模块;其中:
P&L=(δ×ΔF);
P&L表示损益数据;
ΔF为因素F的变动。
10.根据权利要求6所述的系统,其特征是,所述的检测结果生成单元包括:VaR置信度设置模块,用于设置VaR置信度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100895646A CN101964104A (zh) | 2009-07-22 | 2009-07-22 | 一种金融产品风险检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100895646A CN101964104A (zh) | 2009-07-22 | 2009-07-22 | 一种金融产品风险检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101964104A true CN101964104A (zh) | 2011-02-02 |
Family
ID=43516967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100895646A Pending CN101964104A (zh) | 2009-07-22 | 2009-07-22 | 一种金融产品风险检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101964104A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106067083A (zh) * | 2016-05-30 | 2016-11-02 | 上海二三四五网络控股集团股份有限公司 | 基于海量金融数据的智能投资系统数据处理方法 |
CN109214925A (zh) * | 2018-08-16 | 2019-01-15 | 深圳前海乘方互联网金融服务有限公司 | 一种投资价值评估系统 |
CN109685303A (zh) * | 2018-08-21 | 2019-04-26 | 平安普惠企业管理有限公司 | 金融产品风险监控方法、装置、设备及可读存储介质 |
CN110941761A (zh) * | 2019-11-28 | 2020-03-31 | 中国银行股份有限公司 | 产品信息推荐方法、装置、电子设备及存储介质 |
CN111127018A (zh) * | 2019-12-28 | 2020-05-08 | 浙江物产信息技术有限公司 | 一种自动计算锁定汇率损益的方法 |
CN113689289A (zh) * | 2021-08-26 | 2021-11-23 | 天元大数据信用管理有限公司 | 一种基于银行风险控制的方法及设备 |
US11216886B2 (en) | 2013-06-17 | 2022-01-04 | Intercontinental Exchange Holdings, Inc. | Systems and methods for determining an initial margin |
-
2009
- 2009-07-22 CN CN2009100895646A patent/CN101964104A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11216886B2 (en) | 2013-06-17 | 2022-01-04 | Intercontinental Exchange Holdings, Inc. | Systems and methods for determining an initial margin |
US11321782B2 (en) | 2013-06-17 | 2022-05-03 | Intercontinental Exchange Holdings, Inc. | Systems and methods for determining an initial margin |
US11928734B2 (en) | 2013-06-17 | 2024-03-12 | Intercontinental Exchange Holdings, Inc. | Systems and methods for determining an initial margin |
US11948197B2 (en) | 2013-06-17 | 2024-04-02 | Intercontinental Exchange Holdings, Inc. | Systems and methods for determining an initial margin |
US11954734B2 (en) | 2013-06-17 | 2024-04-09 | Intercontinental Exchange Holdings, Inc. | Systems and methods for determining an initial margin |
CN106067083A (zh) * | 2016-05-30 | 2016-11-02 | 上海二三四五网络控股集团股份有限公司 | 基于海量金融数据的智能投资系统数据处理方法 |
CN109214925A (zh) * | 2018-08-16 | 2019-01-15 | 深圳前海乘方互联网金融服务有限公司 | 一种投资价值评估系统 |
CN109685303A (zh) * | 2018-08-21 | 2019-04-26 | 平安普惠企业管理有限公司 | 金融产品风险监控方法、装置、设备及可读存储介质 |
CN110941761A (zh) * | 2019-11-28 | 2020-03-31 | 中国银行股份有限公司 | 产品信息推荐方法、装置、电子设备及存储介质 |
CN111127018A (zh) * | 2019-12-28 | 2020-05-08 | 浙江物产信息技术有限公司 | 一种自动计算锁定汇率损益的方法 |
CN113689289A (zh) * | 2021-08-26 | 2021-11-23 | 天元大数据信用管理有限公司 | 一种基于银行风险控制的方法及设备 |
CN113689289B (zh) * | 2021-08-26 | 2024-04-30 | 天元大数据信用管理有限公司 | 一种基于银行风险控制的方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101964104A (zh) | 一种金融产品风险检测方法及系统 | |
Seetaram et al. | Measuring price elasticities of demand for outbound tourism using competitiveness indices | |
Boyle et al. | Option replication in discrete time with transaction costs | |
Abad et al. | From PIN to VPIN: An introduction to order flow toxicity | |
Buck et al. | Measuring welfare losses from urban water supply disruptions | |
Werden et al. | Choosing among tools for assessing unilateral merger effects | |
Hurlin et al. | Risk measure inference | |
Quader | Differential effect of liquidity constraints on firm growth | |
Cuthbert et al. | Measuring the inadequacy of IRR in PFI schemes using profitability index and AIRR | |
Geetha et al. | Optimal replenishment policy for deteriorating items with time sensitive demand under trade credit financing | |
Fusari et al. | Testing for asset price bubbles using options data | |
Tanweer et al. | An optimization model for mitigating bullwhip-effect in a two-echelon supply chain | |
Putri et al. | Factors influencing the income of fishermen | |
CN115829714A (zh) | 一种理财产品数据动态监测的方法及系统 | |
CN115147144A (zh) | 数据处理方法及电子设备 | |
Listowski et al. | Establishment of an economic evaluation model for urban recycled water | |
JP2010118083A (ja) | 債券特性算出システムおよびスプレッド変化率算出システム | |
Chen et al. | Coordinating a closed-loop supply chain using a bargaining power approach | |
Mahadianto et al. | Could Economic Growth and Inflation Affect the Acceptance of Value Added Taxes? | |
Pelaez et al. | Taxation and innovation: evidence from Colombia | |
Funahashi | An Approximate Swaption Formula in Heath–Jarrow–Morton Models | |
KR20140056801A (ko) | 사용자의 구매 영향력 지수를 산출하는 방법 및 장치 | |
Chalamandaris et al. | Predictability in implied volatility surfaces: Evidence from the Euro OTC FX market | |
CN101714225A (zh) | 一种产品成本的计算方法及装置 | |
Swamy et al. | Microproduction functions with unique coefficients and errors: A reconsideration and respecification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20110202 |