CN109299435A - 基于关系矩阵的金融活动参与主体价值评估的方法 - Google Patents
基于关系矩阵的金融活动参与主体价值评估的方法 Download PDFInfo
- Publication number
- CN109299435A CN109299435A CN201811076697.5A CN201811076697A CN109299435A CN 109299435 A CN109299435 A CN 109299435A CN 201811076697 A CN201811076697 A CN 201811076697A CN 109299435 A CN109299435 A CN 109299435A
- Authority
- CN
- China
- Prior art keywords
- active agent
- vector
- value assessment
- incidence matrix
- assessment
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/40—Monitoring or fighting invasive species
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于关系矩阵的金融活动参与主体价值评估方法,主要策略如下:初始化活动主体的初始权重向量,初始化现有活动主体的输入和输出关联向量;通过多源数据采集与融合,构建各活动主体之间的正向关联矩阵;反转各目标主体的关联向量,并构建反转关联矩阵;基于反转关联矩阵和初始权重向量,得活动主体可信权重向量;基于正向关联矩阵和可信权重向量,得活动主体的价值评估向量。本方法通过引入反转关联矩阵对活动主体的数据进行深度处理,在活动主体价值评估过程中,有效地避免了“外来物种入侵”现象的发生,显著提升了评估活动的抗干扰能力,使各活动主体在进行综合价值评估中形成与自己可信度匹配的价值评估值。同时,借助关联矩阵和有限迭代评估,显著提升评估过程的评估效率,实现活动主体价值实时评估。
Description
技术领域
本发明涉及金融领域,尤其设计一种基于关系矩阵的金融活动参与主体价值评估的方法。
背景技术
目前,在金融活动参与主体价值评估中,金融活动目标主体价值评估方法的核心思想主要包括:以低阶统计函数为核心的朴实定量评估、以领域专家模型为核心的定性评估及其变种。
金融活动参与主体价值评估是指在特定金融活动场景下对参与该活动的各主体进行价值评估的过程。该主体为当前金融活动场景中所有对金融活动产生影响地中的金融机构、个人、金融产品、监管机构等组成的集合。在不引起岐义的前提下,后续统称为活动参与主体。在实际评估过程中,以低阶统计函数为核心的朴实定量评估以目标场景中是某一主体在某段统计周期内收到场景在包括其自身在内的各主体的业务影响为基础进行的价值评估,并取数学统计函数(如平均值、加权累计等),进而获得目标主体的金融价值定量计算。显然,这是一种事后评估机制,且将价值评估直接简化为状态计算,而非一个持续累积的过程,易造成“外来物种入侵”现象,进而造成定量计算方法失效。以领域专家模型为核心的定性评估及其变种在本质上是一种专家系统,其通常是业界高度认可的专业金融评估平台为支撑。因此,该方法只适用于某些特定金融活动主体评估领域。鉴于现有金融活动参与主体价值定量评估方法的不足,提出一种显著提升评估准确性的且更具普适性的评估方法。
发明内容
本发明的目的是鉴于现有金融活动参与主体价值定量评估方法的不足,而提出一种显著提升抗干扰能力且实时性的评估方法。
本发明的主要策略如下:初始化活动主体的初始权重向量,初始化所有活动主体的输入和输出关联向量;通过多路数据源采集与融合,构建各活动主体之间的正向关联矩阵;反转各目标主体的关联向量,并构建反转关联矩阵,对活动主体的初始权重向量数据进行深度处理;基于反转关联矩阵和初始权重向量,得活动主体可信权重向量;基于正向关联矩阵和可信权重向量,得活动主体的价值评估向量;
本发明的具体步骤为:
S1:数据初始化,包括初始化所述活动主体的初始权重向量数据,初始化所有活动主体的输入和输出关联向量,并转S2;
S2:正向关联矩阵的构建,通过多路数据源采集与融合,得各活动主体之间的关联度,构建覆盖所有活动主体的正向关联矩阵,对活动主体的初始权重向量数据进行深度处理,并转S3;
S3:反转关联矩阵的构建,对各目标主体的所述关联向量进行反转,并构建S2中与正向关联矩阵相对应的反转关联矩阵,并转S4;
S4:可信权重向量的计算,基于反转关联矩阵和所述初始权重向量,通过迭代计算得到所述活动主体的所述可信权重向量,并转S5;
S5:活动主体价值评估向量的计算,基于正向关联矩阵和所述可信权重向量进行迭代,计算得到所述活动主体价值评估向量,转S6;
S6:由S5的迭代评估得到所述活动主体价值评估向量;评估过程结束。
优选地,所述系统的初始化过程为:设N为所述活动主体的数量,E=(E1,E2,…,EN)T为所述活动主体的集合;初始化所述权重平衡系数ɑ,设置所述活动主体的可信权重计算推演次数K,设置所述活动主体的价值评估计算推演次数S;初始化所述活动主体的所述初始权重向量为e0=(e1,e2,…,eN)T,0≤ei≤1,1≤i≤N;设活动目标i指向各活动目标的所述关联向量ei=(ei->1,ei->2,…,e i->N)T,其中ei->j为活动目标i指向活动目标j的权重,且有0≤ei->j≤1;1≤i,j≤N。
优选地,所述正向关联矩阵的构建过程为:R=(rij)N×N,通过多路数据源采集与融合,若存在活动目标指向活动目标的关联关系,即ei->j≠0,则令rij=ei->j,否则仅rij=0;1≤i,j≤N。
优选地,所述反转关联矩阵的构建过程为:U=(uij)N×N,通过多路数据源采集与融合,若存在活动目标指向活动目标的关联关系,即ei->j≠0,则令uji=ei->j,否则仅uji=0;1≤i,j≤N。
优选地,所述活动主体的所述可信权重向量的计算过程为:设I(1)= e0,采用公式I(k+1)= ɑ*UT*I(k)+(1-ɑ) *I(1)进行迭代计算,直到k=K-1。
优选地,所述主体价值评估向量P(s+1)的计算过程为:设P(1)= I(K),采用公式P(s+1)=ɑ*RT*P(s)+(1-ɑ) * P(1)进行迭代计算,直到s=S-1。
与现有技术相比,本方法通过引入反转关联矩阵,对活动主体的初始权重向量数据进行深度处理,在活动主体价值评估过程中,有效地避免了“外来物种入侵”现象的发生,显著提升了评估活动的抗干扰能力,使各活动主体在进行综合价值评估中形成与自己可信度匹配的价值评估值。同时,借助关联矩阵和有限迭代评估,能够显著提升评估过程的评估效率,实现活动主体价值实时评估,特别适用于各类金融场景中的活动主体价值评估。
附图说明
图1为本发明的步骤流程图;
图2为本发明的活动主体正向关联关系示例图;
图3为本发明的活动主体反向关联关系示例图。
具体实施方式
为使对本发明的目的、构造、特征、及其功能有进一步的了解,兹配合实施例详细说明如下。
请参见图1、图2以及图3,如图1所示,本方法的步骤为:
S1:数据初始化,包括初始化所述活动主体的初始权重向量,初始化现有活动主体的输入和输出关联向量。所述系统的初始化过程为:设N为所述活动主体的数量,E=(E1,E2,…,EN)T为活动主体的集合;初始化权重平衡系数ɑ,设置活动主体的可信权重计算推演次数K,设置活动主体的价值评估计算推演次数S;初始化活动主体的初始权重向量为e0=(e1,e2,…,eN)T,0≤ei≤1,1≤i≤N;设活动目标i指向各活动目标的关联向量ei=(ei->1,ei->2,…,e i->N)T,其中ei->j为活动目标i指向活动目标j的权重,且有0≤ei->j≤1;1≤i,j≤N;完成后转S2;
S2:正向关联矩阵的构建,正向关联矩阵的构建过程为:R=(rij)N×N,通过多路数据源采集与融合,若存在活动目标指向活动目标的关联关系,即ei->j≠0,则令rij=ei->j,否则仅rij=0;1≤i,j≤N;完成后转S3;
S3:反转关联矩阵的构建,对各目标主体的关联向量进行反转,并构建S2中与正向关联矩阵相对应的反转关联矩阵;反转关联矩阵的构建过程为:U=(uij)N×N,且若存在活动目标指向活动目标的关联关系,即ei->j≠0,则令uji=ei->j,否则仅uji=0;1≤i,j≤N;完成后转S4;
S4:可信权重向量的计算,基于反转关联矩阵和初始权重向量,通过迭代计算得到所述活动主体的所述可信权重向量,活动主体的可信权重向量的计算过程为:设I(1)= e0,采用公式I(k+1)= ɑ*UT*I(k)+(1-ɑ) *I(1)进行迭代计算,直到k=K-1;并转S5;
S5:活动主体价值评估向量的计算,基于正向关联矩阵和可信权重向量进行迭代,计算得到活动主体价值评估向量,转S6;
S6:由S5的迭代计算得到当前活动主体价值评估向量;当前主体价值评估向量P(s+1)的计算过程为:设P(1)= I(K),采用公式P(s+1)=ɑ*RT*P(s)+(1-ɑ) * P(1)进行迭代计算,直到s=S-1,评估过程结束。
在一实施例中,以发明专利“Combating Web Spam with TrustRank. Gyongyi,Garcia-Molina, and Pederson, in Proc. VLDB 2004”提供的场景为分析对象,介绍本发明的具体实现方法。该分析场景共涉及7个活动主体,且相互之间的关联关系参照图2以及图3,活动主体之间的反向关联关系是活动主体之间正向关联关系的反转。本发明的实现过程为:
S1:数据初始化。E=(E1,E2,…,EN)T为目标主体集合。e0=(e1,e2,…,eN)T:权重平衡系数ɑ=0.85,活动主体的可信权重计算推演次数K=20,活动主体的价值评估计算推演次数S=20;转S2。
S2:构建正向关联矩阵。通过多路数据源采集与融合,得R=[0 1 0 0 0 0 0;0 0 11 0 0 0;0 1 0 0 0 0 0;0 0 0 0 1 0 0;0 0 0 0 0 1 1;0 0 1 0 0 0 0;0 0 0 0 0 00];转S3。
S3:构建反转关联矩阵。得:U=[0 0 0 0 0 0 0;1 0 1 0 0 0 0; 0 1 0 0 0 1 0;0 1 0 0 0 0 0;0 0 0 1 0 0 0;0 0 0 0 1 0 0;0 0 0 0 1 0 0];转S4。
S4:计算活动主体可信权重向量。设I(1)=(1,1,…,1)T,采用公式I(k+1)= ɑ*UT*I(k)+(1-ɑ) *I(1)。进行迭代计算,直到k=19。
第1次迭代,因I(1)= e0,即I(1)= (1,1,…,1)T,则迭代后得:I(2)=(1.2964 1.29640.4464 0.8714 1.7214 0.4464 0.0214)T,且k=1,即k<19,故继续进行迭代优化;
第2次迭代,因I(2)=(1.2964 1.2964 0.4464 0.8714 1.7214 0.4464 0.0214)T,则迭代后得:I(3)=(1.6744 0.9519 0.5724 1.4846 0.4191 0.2112 0.0214)T,且k=2,即k<19,故继续进行迭代优化;
…
第12次迭代,因I(12)=(1.4037 0.1705 0.1101 0.1149 0.1156 0.0678 0.0214)T,则迭代后得:I(13)=(1.2870 0.1659 0.0939 0.1197 0.0973 0.0682 0.0214)T,且k=12,即k<19,故继续进行迭代优化;
…
第19次迭代,因I(19)=(0.8378 0.1399 0.0815 0.0966 0.0884 0.0562 0.0214)T,则迭代后得:I(20)=(0.7930 0.1382 0.0809 0.0966 0.0874 0.0561 0.0214)T,且k=19,故迭代结束;转S5。
S5:计算活动主体价值评估向量。设P(1)= I(20),即I(20)=(0.7930 0.1382 0.08090.0966 0.0874 0.0561 0.0214)T,采用公式P(s+1)=ɑ*RT*P(s)+(1-ɑ) * P(1)进行迭代计算,直到s=19。
第1次迭代,因P(1)= e0,即P(1)=(0.7930 0.1382 0.0809 0.0966 0.0874 0.05610.0214)T,则迭代后得:P(2)=(0.1190 0.7635 0.1185 0.0732 0.0952 0.0456 0.0586)T,且s=1,即s<19,故继续进行迭代优化;
第2次迭代,因P(2)=(0.1190 0.7635 0.1185 0.0732 0.0952 0.0456 0.0586)T,则迭代后得:P(3)=(0.1190 0.2226 0.3754 0.3390 0.0754 0.0489 0.0935)T,且s=2,即s<19,故继续进行迭代优化;
…
第11次迭代,因P(11)=(0.1190 0.2938 0.1880 0.1322 0.1376 0.0632 0.3397)T,则迭代后得:P(12)= (0.1190 0.2816 0.1907 0.1394 0.1255 0.0669 0.3505)T,且k=11,即k<19,故继续进行迭代优化;
…
第19次迭代,因I(19)=(0.1190 0.2778 0.1835 0.1330 0.1259 0.0623 0.3721)T,则迭代后得:I(20)= (0.1190 0.2778 0.1832 0.1326 0.1262 0.0619 0.3730)T,且k=19,故迭代结束;转S6。
S6:当前活动主体价值评估向量为I(20)。金融主体价值评估过程结束。
至此可完成金融活动参与主体价值评估,并确保整个评估方法更加符合金融领域的实际评估原则,评估结果更加有效和评估过程更加高效。
由上所述,采用本发明专利后,通过引入反转关联矩阵,在活动主体价值评估过程中,有效地避免了“外来物种入侵”现象的发生,显著提升了评估活动的抗干扰能力,使各活动主体在进行综合价值评估中形成与自己可信度匹配的价值评估值。同时,借助关联矩阵和有限迭代评估,显著提升评估过程的评估效率,实现活动主体价值实时评估,特别适用于各类金融场景中的活动主体价值评估。
本发明已由上述相关实施例加以描述,然而上述实施例仅为实施本发明的范例。必需指出的是,已揭露的实施例并未限制本发明的范围。相反地,在不脱离本发明的精神和范围内所作的更动与润饰,均属本发明的专利保护范围。
Claims (6)
1.一种基于关系矩阵的金融活动参与主体价值评估的方法,其特征在于,包括以下步骤:
S1:数据初始化,包括初始化活动主体的初始权重向量,初始化现有活动主体的输入和输出关联向量,并转S2;
S2:正向关联矩阵的构建,通过多路数据源采集与融合,得各活动主体之间的关联度,构建覆盖所有活动主体的正向关联矩阵,并转S3;
S3:反转关联矩阵的构建,对各目标主体的所述关联向量进行反转,并构建S2中与正向关联矩阵相对应的反转关联矩阵,对活动主体的初始权重向量数据进行深度处理,并转S4;
S4:可信权重向量的计算,基于反转关联矩阵和所述初始权重向量,通过迭代计算得到所述活动主体的所述可信权重向量,并转S5;
S5:活动主体价值评估向量的计算,基于正向关联矩阵和所述可信权重向量进行迭代,计算得到所述活动主体价值评估向量,转S6;
S6:由S5的迭代计算得到当前主体价值评估向量;评估过程结束。
2.如权利要求1所述的一种基于关系矩阵的金融活动参与主体价值评估的方法,其特征在于,所述系统的初始化过程为:设N为所述活动主体的数量,E=(E1,E2,…,EN)T为所述活动主体的集合;初始化所述权重平衡系数ɑ,设置所述活动主体的可信权重计算推演次数K,设置所述活动主体的价值评估计算推演次数S;初始化所述活动主体的所述初始权重向量为e0=(e1,e2,…,eN)T,0≤ei≤1,1≤i≤N;设活动目标i指向各活动目标的所述关联向量ei=(ei->1,ei->2,…,e i->N)T,其中ei->j为活动目标i指向活动目标j的权重,且有0≤ei->j≤1;1≤i,j≤N。
3.如权利要求2所述的一种基于关系矩阵的金融活动参与主体价值评估的方法,其特征在于,正向关联矩阵的构建过程为:R=(rij)N×N,通过多路数据源采集与融合,且若存在活动目标指向活动目标的关联关系,即ei->j≠0,则令rij=ei->j,否则仅rij=0;1≤i,j≤N。
4.如权利要求3所述的一种基于关系矩阵的金融活动参与主体价值评估的方法,其特征在于,所述反转关联矩阵的构建过程为:U=(uij)N×N,通过多路数据源采集与融合,且若存在活动目标指向活动目标的关联关系,即ei->j≠0,则令uji=ei->j,否则仅uji=0;1≤i,j≤N。
5.如权利要求4所述的一种基于关系矩阵的金融活动参与主体价值评估的方法,其特征在于,所述活动主体的所述可信权重向量的计算过程为:设I(1)= e0,采用公式I(k+1)= ɑ*UT*I(k)+(1-ɑ) *I(1)进行迭代计算,直到k=K-1。
6.如权利要求5所述的一种基于关系矩阵的金融活动参与主体价值评估的方法,其特征在于,所述当前主体价值评估向量P(s+1)的计算过程为:设P(1)= I(K),采用公式P(s+1)=ɑ*RT*P(s)+(1-ɑ) * P(1) 进行迭代计算,直到s=S-1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811076697.5A CN109299435A (zh) | 2018-09-14 | 2018-09-14 | 基于关系矩阵的金融活动参与主体价值评估的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811076697.5A CN109299435A (zh) | 2018-09-14 | 2018-09-14 | 基于关系矩阵的金融活动参与主体价值评估的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109299435A true CN109299435A (zh) | 2019-02-01 |
Family
ID=65163187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811076697.5A Pending CN109299435A (zh) | 2018-09-14 | 2018-09-14 | 基于关系矩阵的金融活动参与主体价值评估的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109299435A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154116A (zh) * | 2021-12-09 | 2022-03-08 | 南京审计大学 | 一种小规模场景中金融市场主体价值定量评估的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160148120A1 (en) * | 2014-11-20 | 2016-05-26 | International Business Machines Corporation | Calculation apparatus, calculation method, learning apparatus, learning method, and program |
CN105975441A (zh) * | 2016-05-24 | 2016-09-28 | 上海外云信息科技有限公司 | 一种基于关系矩阵的实体价值定量评估方法 |
CN108345975A (zh) * | 2017-01-24 | 2018-07-31 | 中国石油化工股份有限公司 | 一种油库失效风险评估方法及装置 |
-
2018
- 2018-09-14 CN CN201811076697.5A patent/CN109299435A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160148120A1 (en) * | 2014-11-20 | 2016-05-26 | International Business Machines Corporation | Calculation apparatus, calculation method, learning apparatus, learning method, and program |
CN105975441A (zh) * | 2016-05-24 | 2016-09-28 | 上海外云信息科技有限公司 | 一种基于关系矩阵的实体价值定量评估方法 |
CN108345975A (zh) * | 2017-01-24 | 2018-07-31 | 中国石油化工股份有限公司 | 一种油库失效风险评估方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154116A (zh) * | 2021-12-09 | 2022-03-08 | 南京审计大学 | 一种小规模场景中金融市场主体价值定量评估的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619432B (zh) | 一种基于深度学习的特征提取水文预报的方法 | |
Dawson et al. | Evaluation of artificial neural network techniques for flow forecasting in the River Yangtze, China | |
Abdel-Nasser et al. | A novel smart grid state estimation method based on neural networks | |
CN108921601A (zh) | 一种基于神经网络的电力现货市场辅助交易方法 | |
CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
CN110059867A (zh) | 一种swlstm结合gpr的风速预测方法 | |
Mittal et al. | Dual artificial neural network for rainfall-runoff forecasting | |
CN106934242B (zh) | 基于交叉熵法的多模式下设备的健康度评估方法及系统 | |
Rohe | A critical threshold for design effects in network sampling | |
Xiao et al. | Incentive mechanism design for federated learning: A two-stage stackelberg game approach | |
Huang et al. | An adaptive importance sampling method for probabilistic optimal power flow | |
Hamoda | Modeling of construction noise for environmental impact assessment | |
CN109299435A (zh) | 基于关系矩阵的金融活动参与主体价值评估的方法 | |
Zang et al. | The credit risk assessment of P2P lending based on BP neural network | |
CN105975441A (zh) | 一种基于关系矩阵的实体价值定量评估方法 | |
CN113793024A (zh) | 一种基于招投标参与方行为画像的投标方法及评估系统 | |
CN113361625A (zh) | 一种联邦学习场景中带有隐私保护的错误数据检测方法 | |
He et al. | Variance and volatility swaps under a two-factor stochastic volatility model with regime switching | |
Fan et al. | Bayesian approach for arma process and its application | |
CN105354412A (zh) | 基于投影寻踪和z型函数的海上军事活动海洋环境影响评估方法 | |
Areekul et al. | Combination of artificial neural network and ARIMA time series models for short term price forecasting in deregulated market | |
CN114154116B (zh) | 一种小规模场景中金融市场主体价值定量评估的方法 | |
Rahnama et al. | Application of rainfall-runoff models to Zard River catchment’s | |
Li et al. | A study on sunspot number time series prediction using quantum neural networks | |
Macgregor et al. | An operational model for targeting erosion remediation on the basis of partial off-site damage assessments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |