CN110163748A - 一种流动性期限管理缺失数据回填方法和设备 - Google Patents
一种流动性期限管理缺失数据回填方法和设备 Download PDFInfo
- Publication number
- CN110163748A CN110163748A CN201910451593.6A CN201910451593A CN110163748A CN 110163748 A CN110163748 A CN 110163748A CN 201910451593 A CN201910451593 A CN 201910451593A CN 110163748 A CN110163748 A CN 110163748A
- Authority
- CN
- China
- Prior art keywords
- missing
- mobility
- dimension
- accounting
- time window
- 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.)
- Granted
Links
Classifications
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Abstract
本发明公开了一种流动性期限管理缺失数据回填方法和设备,用于对金融业务J在报告期T的缺失数据进行回填,包括:划分Z个流动性期限时间窗口t1~tZ,并分别为流动性期限时间窗口t1~tZ设置对应的第一权重W1~WZ,其中,Z≥2;根据所述金融业务J的会计核算维度是否完整和/或管理维度是否完整设置对应的缺失单元;对不同的缺失单元采取对应的方式获取缺失数据,并回填到对应的流动性期限时间窗口。应用本发明公开的技术方案,能够提高金融系统缺失值回填的效率。
Description
技术领域
本发明涉及计算机应用技术领域,特别涉及一种缺失值回填方法和设备。
背景技术
流动性风险是指金融机构无力为负债的减少和/或资产的增加提供融资而造成损失或破产的风险。流动性风险是金融机构所面临的重要风险之一,是全面风险管理体系的重要组成部分,尤其在巴塞尔三体系实施之后,引入了一系列流动性期限管理指标(流动性期限是指各项资产及负债由报告日(数据截止时点)至到期日的时间间隔),将金融机构的流动性风险进行量化。各金融机构也依据自身情况创建了一整套风险监测指标体系与配套管理工具,以提前预知流动性风险程度,做好风险防范措施。当管理数据成为重大经营决策、风险管理策略的重要参考依据时,管理数据的完整性也倍加重要,但由于数据源质量较差或由于系统、人为等因素导致流动性期限管理数据存在缺失时,如何有效地回填缺失值具有重要意义。
目前公开的缺失值回填方法主要是均值法、回归法以及统计学上的参数法。例如:
现有技术中有一种深度学习的回填方法,这种方法需要建立卷积神经网络模型,同时需要设计神经网络表格。
现有技术中还有一种建立回归模型对修补序列的数据缺失区间进行拟合的方法,该方法要求设置一个完整区间的数据值作为目标。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
1)现有的深度学习的方法虽然能够利用复杂的规律找到数据的内在关联性,但是,其训练过程及底层的模型表达式极其复杂,模型计算过程也基本属于“黑箱”,存在一定的模型风险,且难于解释。此外,该方法同时需要人工设计复杂的神经网络表格。
2)现有的回归法是利用修补序列中数据完整区间的数据值作为目标,各邻接序列区间对应的数据值作为预测因子,建立回归模型。但这种方法基本适用于同一种产品或商品的某种(例如销售)数据缺失的预测,适用于完整时间序列下存在某时间段缺失的情况,无法预测金融机构科目核算体系下单科目多个同类产品集中到期金额与缺失金额,并且,缺失数据有可能存在于金融机构其他系统中但未被加工,这种情况下,如果使用回归法预测反而会破坏管理数据原有真实性。
3)现有的数据缺失回填方法暂未涉及流动性期限管理场景,此场景描述金融业务到期日至报告日之间到期金额的剩余期限情况,同时金融机构会计科目项下核算多个同类金融产品,其到期频次、到期金额与时间轴之间的分布函数尚属未知。目前金融机构可依据会计系统计算出某金融业务的会计核算金额,根据管理系统计算出该业务的流动性期限汇总数据,但两种数据间往往存在不一致的情况。尤其金融机构的财会附属期调整数据一般是建立在以产品维度为核心的基础上,以产品管理维度创建的台账数据,存在同会计科目核算多种相似金融产品的场景。
目前,金融机构通常采用简单窗口归入、简单均值、汇总指标甚至一级指标计算窗口权重归入法来回填缺失金额。在现有体系下,不存在一套在管理场景下完整的缺失值回填流程,以及量化缺失池的方法,尤其较难对会计与管理维度双缺失的数据回填提出较科学的方法进行计量与回填。同时,金融机构工作人员在录入不规范会计科目或产品名称时,会出现潜在的规律性,现有系统未能有效识别,且需要投入大量人力在识别不规范文本上。此外,上述财会附属期调整数据也存在通过线下方式下载后传输给相关人员进行人工加工的场景,回填数据效率较低。
发明内容
本发明实施例提供了一种缺失值回填方法和设备,以提高金融系统缺失值回填的效率。
本申请提供了一种流动性期限管理缺失数据回填方法,用于对金融业务J在报告期T的缺失数据进行回填,包括:
划分Z个流动性期限时间窗口t1~tZ,并分别为流动性期限时间窗口t1~tZ设置对应的第一权重W1~WZ,其中,Z≥2;
根据所述金融业务J的会计核算维度是否完整和/或管理维度是否完整设置对应的缺失单元;
对不同的缺失单元采取对应的方式获取缺失数据,并回填到对应的流动性期限时间窗口。
较佳的,所述对不同的缺失单元采取对应的方式获取缺失数据,并回填到对应的流动性期限时间窗口包括以下的至少一种:
对于会计核算维度完整、且管理维度完整的缺失单元,将该缺失单元映射为对应的基础指标,并根据映射得到的基础指标获取对应的缺失数据回填到对应的流动性期限时间窗口;
对于会计核算维度不完整、且管理维度完整的缺失单元,将该缺失单元映射为对应的基础指标,并根据映射得到的基础指标获取对应的缺失数据回填到对应的流动性期限时间窗口;
对于会计核算维度完整、且管理维度不完整的缺失单元,根据完整的会计核算维度获取对应的基础指标的缺失数据,并按照所述第一权重将获取到的缺失数据回填到对应的流动性期限时间窗口;
对于会计核算维度和管理维度均不完整的缺失单元,根据金融业务J在报告期T的会计核算总额、流动性期限汇总金额和已回填的缺失数据确定对应的缺失数据,并按照设定的第二权重将获取到的缺失数据回填到对应的流动性期限时间窗口。
本申请还提供了一种设备,用于对金融业务J在报告期T的缺失数据进行回填,所述设备包括:处理器,所述处理器用于:
划分Z个流动性期限时间窗口t1~tZ,并分别为流动性期限时间窗口t1~tZ设置对应的第一权重W1~WZ,其中,Z≥2;
根据所述金融业务J的会计核算维度是否完整和/或管理维度是否完整设置对应的缺失单元;
对不同的缺失单元采取对应的方式获取缺失数据,并回填到对应的流动性期限时间窗口。
较佳的,所述处理器具体用于执行以下的至少一种:
对于会计核算维度完整、且管理维度完整的缺失单元,将该缺失单元映射为对应的基础指标,并根据映射得到的基础指标获取对应的缺失数据回填到对应的流动性期限时间窗口;
对于会计核算维度不完整、且管理维度完整的缺失单元,将该缺失单元映射为对应的基础指标,并根据映射得到的基础指标获取对应的缺失数据回填到对应的流动性期限时间窗口;
对于会计核算维度完整、且管理维度不完整的缺失单元,根据完整的会计核算维度获取对应的基础指标的缺失数据,并按照所述第一权重将获取到的缺失数据回填到对应的流动性期限时间窗口;
对于会计核算维度和管理维度均不完整的缺失单元,根据金融业务J在报告期T的会计核算总额、流动性期限汇总金额和已回填的缺失数据确定对应的缺失数据,并按照设定的第二权重将获取到的缺失数据回填到对应的流动性期限时间窗口。
本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本申请所述缺失值回填方法步骤。
本申请提供的技术方案能够获得以下有益效果:
1)本申请设置了合理的缺失数据池,同时确定了池中缺失数据的四种特征,分别从是否具备会计维度与管理维度进行设计。具体包括,科目名称完整、有管理维度的缺失值类型,科目名称不完整、有管理维度的缺失值类型,科目名称完整、缺失管理维度的缺失值类型,缺失科目名称、缺失管理维度的缺失值类型,缺失池为不同的回填方法提供了四种场景。此外,本发明缺失池的创建可以基于流动性管理场景,也可以基于市场风险管理、信用风险管理等场景。也就是说,本发明所述的管理维度可以包括:流动性管理、市场风险管理、信用风险管理等。
2)本申请公开了一套流动性期限缺失值的回填流程,并针对不同特征的缺失值分别制定了对应的方法来解决回填问题,并通过缺失值总额的分配建立方法之间的耦合关系,使得金融机构的管理数据经回填后与会计核算数据一致。回填流程中通过设置阈值用以控制数据质量,同时通过缺失值占比进而获取集中出现的缺失特征,来制定统一的批量回填策略,进而提高缺失值回填的效率。同时,还可获取未通过阈值缺失特征的频次,为下一步数据治理提供参考并提高治理效率。
3)针对流动性期限场景下数据的会计信息与管理维度同时缺失的场景,设计了一种回填方法,其原理是利用非参法推导出各流动性期限时间窗口调整系数,从而完成了无法定位会计科目信息的缺失数据回填,并达到引导专业人员关注一定时间区间内流动性波动率变化的效果。
4)利用机器学习方法解决了产品维度信息、不完整会计信息与完整会计信息之间的自动映射过程,解决了缺失池中对应缺失特征数据的回填问题,减少人工工作量。
附图说明
图1为本发明流动性期限管理缺失数据回填方法的流程示意图;
图2为本发明整体回填流程及方法图;
图3为一种会计汇总关系示例;
图4为本发明实施例设计的一种缺失数据池的抽象框图;
图5为本发明实施例机器学习实施系统框图;
图6为本发明实施例回填缺失单元N的流程示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举实施例,对本发明作进一步详细说明。
为解决现有技术所存在的问题,本申请从以下几个方面对现有技术进行了改进:
1)提出了一套完整的流动性期限管理缺失数据回填流程及方法,以达到为四种缺失特征回填缺失值的目的。其中,针对缺失会计信息与管理维度特征的缺失数据,所采用的非参法不受分析对象分布函数的限制,并具有解释性较强的特点。本发明中,对于不同的金融场景,管理维度可以是:流动性期限管理、市场风险管理、信用风险管理等。
2)提出基于金融机构流动性期限管理场景下的缺失值回填方法,旨在预测金融机构科目核算体系下单科目多个同类产品集中到期金额缺失值。其中,对于缺失池中不完整的会计信息部分,采用机器学习法完成缺失数据与目标基础指标的自动映射,从而达到尽可能还原管理数据的真实情况的目的;对于有科目无到期日部分,采用基础指标的权重法进行回填,相比于目前金融机构在汇总指标层甚至一级指标层的回填方法,本申请所提出的方法更加精准,定位更明确。
3)对流动性期限金融场景的具体形式进行抽象,构建抽象后的二维表格为回填提供量化场景。此外,减少了产品信息与会计信息之间映射的人工工作量,对新出现的类似的缺失特征进行识别,并自动对照到会计信息上,从而进一步减少人工工作量。
4)设置预设阈值,在控制数据质量的同时,统计缺失特征不通过阈值的缺失值占比,以及缺失特征不通过阈值的频次,进而得到缺失特征集中出现的情况、以及数据质量较差的特征,以达到制定统一的回填与数据治理策略的目的。
5)引导专业人员关注一定时间区间内(短期或长期)流动性波动率的变化,为金融机构管理流动性风险提供决策参考。
金融机构现有数据库可生成某金融业务在报告期T下的会计核算数据,以及流动性期限数据,在实际应用中,会存在同一金融业务的会计核算数据与管理数据不一致的情况。
基于此,以会计核算数据为基准,本申请实施例提出了一种流动性期限管理维度下缺失值的回填方法和设备,以提高管理数据的准确度与自动化加工效率,给流动性管理人员(以下统称“本领域专业人员”)的决策提供数据支撑。
图1为本发明流动性期限管理缺失数据回填方法的流程示意图,该方法用于对金融业务J在报告期T的缺失数据进行回填,参见图1,该方法包括以下步骤:
步骤101:划分Z个流动性期限时间窗口t1~tZ,并分别为流动性期限时间窗口t1~tZ设置对应的第一权重W1~WZ,其中,Z≥2;
步骤102:根据所述金融业务J的会计核算维度是否完整和/或管理维度是否完整设置对应的缺失单元;
步骤103:对不同的缺失单元采取对应的方式获取缺失数据,并回填到对应的流动性期限时间窗口。
上述步骤103涉及对不同的缺失单元采取对应的方式获取缺失数据,并回填到对应的流动性期限时间窗口,该步骤的处理具体包括以下的至少一种:
对于会计核算维度完整、且管理维度完整的缺失单元,将该缺失单元映射为对应的基础指标,并根据映射得到的基础指标获取对应的缺失数据回填到对应的流动性期限时间窗口;
对于会计核算维度不完整、且管理维度完整的缺失单元,将该缺失单元映射为对应的基础指标,并根据映射得到的基础指标获取对应的缺失数据回填到对应的流动性期限时间窗口;
对于会计核算维度完整、且管理维度不完整的缺失单元,根据完整的会计核算维度获取对应的基础指标的缺失数据,并按照所述第一权重将获取到的缺失数据回填到对应的流动性期限时间窗口;
对于会计核算维度和管理维度均不完整的缺失单元,根据金融业务J在报告期T的会计核算总额、流动性期限汇总金额和已回填的缺失数据确定对应的缺失数据,并按照设定的第二权重将获取到的缺失数据回填到对应的流动性期限时间窗口。
上述步骤101中,分别为流动性期限时间窗口t1~tZ设置对应的第一权重W1~WZ具体包括:
获取金融业务J在报告期T的流动性期限汇总金额PMj,以及金融业务J在报告期T下对应于各个流动性期限时间窗口ti的金额PWi;
将流动性期限时间窗口ti的第一权重设置为Wi=PWi/PMj,且满足
较佳的,在步骤102中可以设置四种缺失单元D1、D2、D3和N,其中:
缺失单元D1代表:科目名称完整,有管理维度的逐笔明细金额;
缺失单元D2代表:科目名称不完整,有管理维度的逐笔明细金额;
缺失单元D3代表:科目名称完整,缺失管理维度的逐笔明细金额;
缺失单元N代表:既缺失科目名称及科目编码,又缺失管理维度的金额;
其中,所述缺失单元D1属于如前所述的会计核算维度完整、且管理维度完整的情况;
缺失单元D2属于如前所述的会计核算维度不完整、且管理维度完整的情况;
缺失单元D3属于如前所述的会计核算维度完整、且管理维度不完整的情况;
缺失单元N属于如前所述的会计核算维度和管理维度均不完整的情况。
在步骤103中,本申请将对不同的缺失单元采取不同的方式获取缺失数据,然后回填到对应的流动性期限时间窗口,具体而言:
1)对于缺失单元D1,所述将该缺失单元映射为对应的基础指标包括:
将缺失单元D1中有关产品信息的文本转换为向量,得到自变量X集;
对基础指标层的科目名称进行编码,得到目标变量Y集;
给定训练集,将X集中的元素与Y集中的元素进行映射,映射成功后输出X所对应的Y,得到对应于缺失单元D1的基础指标的科目名称。
2)对于缺失单元D2,所述将该缺失单元映射为对应的基础指标包括:
将缺失单元D2中不规范或不完整的会计科目名称文本、或具体产品名称转换为向量,得到自变量X集;
对基础指标层的科目名称进行编码,得到目标变量Y集;
给定训练集,将X集中的元素与Y集中的元素进行映射,映射成功后输出X所对应的Y,得到对应于缺失单元D2的基础指标的科目名称。
3)对于缺失单元D3,如前所述,根据完整的会计核算维度可以直接获取对应的基础指标的缺失数据,然后按照所设置的第一权重将获取到的缺失数据回填到对应的流动性期限时间窗口t1~tZ。
4)对于缺失单元N,其缺失金额其中:
PAj表示金融业务J在报告期T的会计核算总额;
PMj表示金融业务J在报告期T的流动性期限汇总金额;
PDi表示缺失单元Di的回填总金额,i∈[1,3]。
其中,对于缺失单元N,还包括以下处理:
采用非参数方法计算各个流动性期限时间窗口的权重调整系数;
将所述第一权重W1~WZ分别乘以对应的权重调整系数后得到所述第二权重W′1~W′Z。
具体而言,所述采用非参数方法计算各个流动性期限时间窗口的权重调整系数包括:
以报告期T之前H天所述金融业务J的基础指标每天的到期金额x,构造数据集n={xt-1,xt-2,…,xt-n}(n∈[1,H]);
以设定的流动性期限间隔h划分所述H,并计算每个流动性期限间隔内金融业务J的基础指标到期金额的均值及方差,得到样本波动率;
利用非参数方法中的历史模拟法,计算在设定置信水平1-α下,该所述金融业务J的期限间隔为h天的到期金额方差值σ,并生成所述置信水平下的期望方差,得到其中,α表示显著性水平;
计算报告期T下流动性期限时间窗口tz的σtz值,得到所述流动性期限时间窗口tz的权重调整系数并得到所述流动性期限时间窗口tz的第二权重系数Wz′=β*Wz;其中,z∈[1,Z];
计算将β′作为除流动性期限时间窗口tz之外的其他流动性期限时间窗口的权重调整系数,得到所述其他流动性期限时间窗口的第二权重W′y=β′*Wy,其中,y∈[1,Z]且y≠z;
其中,H≥2,h≥2,H能被h整除。
较佳的,对于各个缺失单元,在将缺失数据回填到对应的流动性期限时间窗口之前,还可以先判断缺失数据的金额是否满足预设的质量要求,具体包括:
计算所述缺失单元的缺失总金额占金融业务J在报告期T的会计核算总额的百分比;
如果计算得到的百分比小于或者等于预设的阈值,则将缺失数据回填到对应的流动性期限时间窗口,否则,不进行回填。
较佳的,本申请所述的管理维度至少包括:流动性期限管理、市场风险管理、信用风险管理。
下面通过一个较佳实施例对本申请技术方案进行进一步详细说明。
如图2所示,本实施例公开的缺失值回填方法包括以下要点:
1、量化金融场景。
1.1量化流动性期限场景的表现形式。
本实施例对流动性期限场景进行量化的目的在于使缺失数据能够精准地回填,保证回填后金融业务的管理数据与其会计核算数据一致。量化场景形式如表1所示:
表1
1)t的含义:t1至t6分别代表不同的流动性期限时间窗口,例如,在本发明的一个实施例中:
t1=“次日”,表示流动性期限剩余1日;
t2=“2日至7日”,表示流动性期限剩余2日至7日;
t3=“8日至30日”,表示流动性期限剩余8日至30日;
t4=“31日至90日”,表示流动性期限剩余31日至90日;
t5=“91日至1年”,表示流动性期限剩余91日至1年;
t6=“1年以上”,表示流动性期限剩余1年以上。
需要说明的是:上述给出的时间窗口的长度和数量只是本实施例为了解释说明,给出的一种流动性期限时间窗口划分方法,在实际应用中,流动性期限时间窗口还可按其他形式进行划分,本申请对流动性期限时间窗口的划分不作限定。
2)W的含义:
在报告期T,金融机构通过现有数据库生成某金融业务的会计核算总额PAj和流动性期限汇总金额PMj,其中,报告期T是一个时间点,即:生成报告的时间。
设PWi为所述报告期T下金融业务J对应于流动性期限时间窗口ti的金额,满足关系式且金融业务J为金融机构会计汇总关系下的基础指标。
Wi为金融业务J在各流动性期限时间窗口的金额占PMj的比重,计算式为Wi=PWi/PMj,且满足
其中,流动性期限汇总金额是指金融资产或负债的各流动性期限时间窗口金额的汇总值。
图3为一种会计汇总关系示例,如图3所示,金融机构会计汇总关系中,一级指标层为资产负债表中资产、负债、所有者权益以及权益类汇总大类指标,多级指标层为一级指标层的下级展开,而基础指标层是多级指标层最基础的一层,也就是机构的会计科目相邻最近(直接上一级)的管理指标。
1.2设计缺失数据池、量化缺失金额。
本实施例中的缺失数据池包括流动性期限管理维度下缺失数据或缺失明细的完整集合,具体包括:有明细部分和无明细部分。其中,有明细部分又可根据科目名称(会计核算维度)是否完整和到期日是否完整(需要说明的是:图4中的“管理维度”在本实施例中特指“到期日”),具体划分为3种特征,如图4所示:
缺失单元D1代表:科目名称完整,有管理维度的逐笔明细金额;
缺失单元D2代表:科目名称不完整,有管理维度的逐笔明细金额;
缺失单元D3代表:科目名称完整,缺失管理维度的逐笔明细金额。
以上三种特征的明细金额逐笔汇总后得出三种缺失单元的缺失金额,将其设置为PDi(i∈[1,3])。需要特别说明的是,设置缺失单元D1的目的在于:在实际应用场景下,会存在由于金融机构的系统或人为等因素而造成的某金融业务的管理数据金额缺失,但真实情况是,该缺失明细中的管理维度与会计核算维度是完整的。这种情况下,如果采用某种方法预测缺失金额并进行回填,反而会破坏数据的真实性,而本实施例通过设置缺失单元D1,并通过下文将要详细说明的机器学习法完成缺失数据与目标基础指标的自动映射,能够达到尽可能还原管理数据的真实情况的目的,因此,本实施例设置的缺失单元D1存在实际意义与应用价值。
无明细部分只有一种情况:既缺失科目维度(科目名称及科目编码),又缺失管理维度,本实施例将这种情况定义为缺失单元N。由于无法定位其明细,在量化缺失金额上可表现为
为了便于本领域专业人员实施,上述缺失数据池可在金融机构的管理系统中加载单独模块进行生成,数据明细来源可为本机构的生产系统、会计核算系统及其附属期调整模块,生成逻辑为定期批量处理数据明细并按照缺失单元的特征形成缺失单元D1、D2和D3,进而按照关系式 得到N。需要特别说明的是,上述生成过程仅是本实施例用于范例说明,实际情况依据不同金融机构系统群的部署可以有所不同,本申请并不限制缺失数据池的生成方式或形式。
2、流动性期限缺失数据回填,具体包括以下步骤:
2.1确定缺失数据池中,会计汇总关系下基础指标层的缺失单元D1与D2的特征。
缺失单元D2所述的科目名称不完整,即该基础指标所包含的会计科目名称不完整或不规范。例如,基础指标“缴存XX行其他款项”包括科目名称“存放XX行特种存款-存放XX银行特种款项”,缺失特征后可能表现为“存放XX银行特种款项”或“XX行特种存款”、“XX行特种款项”等。同时,科目名称不完整也代表会计科目编码缺失,如果会计编码完整,则视同科目名称完整。
缺失单元D1表示科目名称完整,有到期日管理维度,但未被加工成该金融业务的基础指标数据。例如,以下场景:金融业务J的会计附属期调整部分金额同时包含会计维度与管理维度的特征,但存储在系统中是以具体产品名称的形式作为明细的,同会计科目下还有其他金融产品与金融业务J不相同,而相似产品名称下的会计附属期调整金额又不归属于金融业务J。此外,上述场景中如果出现会计科目缺失,只存在具体产品名称的情况,此时的特征又属于缺失单元D2。
2.2获取缺失单元D1和D2的明细数据。
基于上述2.1中所描述的两种场景,利用机器学习完成缺失值的特征向量与会计信息的映射过程,映射成功后获取金融业务J(基础指标包含的科目是依据金融机构的会计汇总关系得来的)在D1与D2的明细。机器学习的实施步骤如图5所示,具体包括:
获取缺失单元D1的明细:使用Word2vec方法将缺失单元D1中有关产品信息的文本转换为向量,得到自变量X集;使用独热编码(One-hot-vector)对基础指标层的科目文本进行编码,得到目标变量Y集,然后依据实际情况给定训练集,利用随机森林算法(Randomforests)中的梯度提升法(GBTs)将X集中的元素与Y集中的元素进行映射,映射成功后输出X所对应的Y,即输出对应于缺失单元D1的基础指标的科目,然后,获取该科目的金融业务D1的明细。
获取缺失单元D2的明细:使用Word2vec方法将缺失单元D2中不规范或不完整的会计科目名称文本、或具体产品名称(也存在不完整情况)转换为向量,得到自变量X集;使用独热编码(One-hot-vector)对基础指标层的科目文本进行编码,得到目标变量Y集,关于X集中的科目,当判断是资产、负债、所有者权益、损益类科目时,依据实际情况设定训练集,产品名称与科目文本同样给定训练集,然后,将X集中的元素与Y集中的元素进行映射,映射成功后输出X所对应的Y,即:输出对应于缺失单元D2的基础指标的科目,最后,获取该科目的金融业务D2的明细。
由于获取缺失单元D2的明细的过程与上述获取D1的明细的流程相同,因此,图5中仅示出了获取D1的明细的过程。
2.3依据所获取明细数据,计算缺失单元D1与D2的金额,分别为PD1与PD2。
其次,确定缺失单元D1与D2的金额占比情况,所述占比是指PDi(i∈[1,2])占PAj的百分比。
2.4根据预设的第一阈值判断D1与D2的金额占比是否满足预设质量要求。
如果上述D1与D2的金额占比均不大于专业人员预设的第一阈值,则判定D1与D2的金额占比满足预设质量要求,继续执行2.5;否则,如果D1或D2的金额占比大于专业人员预设的第一阈值,则判定D1与D2的金额占比不满足质量要求,流程结束。
2.5在通过阈值判断后,由于D1与D2的明细数据已具备管理维度,因此,按照逐笔明细的到期日金额将其回填至对应的流动性期限窗口(t1-t6),回填总金额分别为PD1和PD2。
2.6确定缺失单元D3的特征。
所述D3的特征为会计科目信息完整,通过完整的会计科目信息可以精准定位到金融业务J,只是缺失业务到期日信息。
2.7在机器学习完成金融业务J的D1与D2的明细获取后,系统通过D3的完整的会计科目信息精准定位到金融业务J,获取缺失单元D3的明细数据。
2.8依据所获取的D3的明细数据,计算缺失单元D3的金额PD3。
其次,本步骤中还可以确定缺失单元D3的金额占比情况,所述金额占比是指PD3占PAj的百分比。
2.9根据预设的第二阈值,判断D3的金额占比是否满足预设质量要求。
如果D3的金额占比不大于专业人员预设的第二阈值,则D3的金额占比满足预设质量要求,继续执行2.10;否则,如果D3的金额占比超过预设的第二阈值,则D3的金额占比不满足质量要求,流程结束。
2.10回填缺失值PD3。
具体的,回填总金额为PD3,各个流动性时间窗口的回填金额为Wi*PD3(i∈[1,6])(关于时间窗口权重W的生成已在1.1中说明),此方法为权重法。需要说明的是,本实施例采用权重法将缺失值PD3回填到各个流动性时间窗口的原因在于:缺失单元D3的特征是会计科目信息完整,但缺失业务到期日信息,而根据本实施例在1.1节中设定的时间窗口权重Wi,该回填已定位在基础指标层,相比于现有的按照汇总指标计算权重的做法,定位更为明确。同时,客观存在的,在具体实施中存在某基础指标全部缺失的情况,可依据实际业务向上追溯一级汇总指标计算窗口权重。
2.11确定缺失单元N的特征。
缺失单元N由于无法获取明细,本实施例对其特征使用定量的形式确定,表现为
2.12依据上述2.11中的数学表达式计算缺失单元N的缺失金额PN。
其次,本步骤中还可以确定缺失单元N的金额占比情况,所述占比是PN占PAj的百分比。
2.13根据预设的第三阈值,判断N的金额占比是否满足预设质量要求。
如果N的金额占比不大于预设的第三阈值,且大于0,则N的金额占比满足预设质量要求,继续执行2.14,开始缺失单元N的回填;否则,如果N的金额占比大于阈值,则N的金额占比不满足质量要求,流程结束。
2.14由于缺失单元N的特征是无明细,本实施例利用非参数方法推导流动性期限窗口调整系数,完成回填,流程请参见图6,具体实施步骤包括:
1)专业人员根据实际数据情况设定滑动时间窗口,并定义数据集。
本实施例选取在报告期T回溯1年的数据,记录过去一年该金融业务J基础指标每天的到期金额x,定义数据集n={xt-1,xt-2,…,xt-n}(n∈[1,360])。
2)切分流动性期限间隔,计算样本波动率。
本实施例选取6天为一个流动性期限间隔,计算每个期限间隔内金融业务J的基础指标到期金额的均值及方差,得到样本波动率。也就是说,按照6天为一个间隔对过去360天的数据集n进行均分(共计产生60个样本),距离报告期T最近一期的到期汇总金额为均值为 方差为以此类推,计算出其余59个期限间隔内金融业务J的基础指标到期金额的均值和方差。
3)利用非参数方法计算设定置信水平下的波动率,并对计算得到的波动率进行平滑。
本实施例利用非参数方法中的历史模拟法(Historical simulation),计算在一定置信水平下(本实施例为95%),该金融业务J的期限间隔为6天的到期金额方差值σ95%,然后,继续生成该水平下的期望方差,也就是对尾部的极端值进行平滑后,得出
4)计算t2窗口的权重调整系数。
具体为:计算报告期T下的σt2值(即金融业务J流动性期限在2-7天的到期金额的方差),据此调整W2(W2已在如前所述的量化场景中说明,此处不再赘述),t2窗口的调整系数为该系数代表金融业务J流动性期限在2-7天的到期金额的波动率依据历史波动剧烈情况进行调整的程度。调整后,t2窗口的权重为W2′=β*W2。
5)推导其他时间窗口的权重调整系数。
为保证调整后的权重依然满足关系式本步骤需要推导得到其他时间窗口的调整系数β′,β′适用于t1、t3-t6窗口,相应地,调整后的权重为W′y=β′*Wy(y=1,3,4,5,6),即:W′1、W′3、W′4、W′5、W′6。调整系数β′的计算公式为:
本实施例将t2窗口的调整系数设置为β的目的在于引导本领域专业人员关注金融业务近期流动性波动的情况,而将其他窗口设置为β′的目的在于保证该部分最终回填的总金额与该部分的缺失金额保持一致。
6)完成缺失单元N的回填。
综上所述,t2窗口的回填金额为或PN*W′2,其他时间窗口的回填金额为或PN*W′y(y=1,3,4,5,6),对上述时间窗口分别进行回填后,回填结束。
上述实施例中的回填方法仅是本申请一部分实施例,而不是全部,其中时间窗口的滑动、期限间隔、置信区间、基准方差的选择可根据实际情况进行调整,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可得出其他实施例,这些实施例均属于本申请保护范围内。
对应于上述方法,本申请还公开了一种设备,用于对金融业务J在报告期T的缺失数据进行回填,所述设备包括:处理器,所述处理器用于:
划分Z个流动性期限时间窗口t1~tZ,并分别为流动性期限时间窗口t1~tZ设置对应的第一权重W1~WZ,其中,Z≥2;
根据所述金融业务J的会计核算维度是否完整和/或管理维度是否完整设置对应的缺失单元;
对不同的缺失单元采取对应的方式获取缺失数据,并回填到对应的流动性期限时间窗口。
较佳的,所述处理器具体用于执行以下的至少一种:
对于会计核算维度完整、且管理维度完整的缺失单元,将该缺失单元映射为对应的基础指标,并根据映射得到的基础指标获取对应的缺失数据回填到对应的流动性期限时间窗口;
对于会计核算维度不完整、且管理维度完整的缺失单元,将该缺失单元映射为对应的基础指标,并根据映射得到的基础指标获取对应的缺失数据回填到对应的流动性期限时间窗口;
对于会计核算维度完整、且管理维度不完整的缺失单元,根据完整的会计核算维度获取对应的基础指标的缺失数据,并按照所述第一权重将获取到的缺失数据回填到对应的流动性期限时间窗口;
对于会计核算维度和管理维度均不完整的缺失单元,根据金融业务J在报告期T的会计核算总额、流动性期限汇总金额和已回填的缺失数据确定对应的缺失数据,并按照设定的第二权重将获取到的缺失数据回填到对应的流动性期限时间窗口。
较佳的,所述处理器具体用于:
获取金融业务J在报告期T的流动性期限汇总金额PMj,以及金融业务J在报告期T下对应于各个流动性期限时间窗口ti的金额PWi;
将流动性期限时间窗口ti的第一权重设置为Wi=PWi/PMj,且满足
较佳的,所述处理器具体用于:
设置缺失单元D1、D2、D3和N,其中:
缺失单元D1代表:科目名称完整,有管理维度的逐笔明细金额;
缺失单元D2代表:科目名称不完整,有管理维度的逐笔明细金额;
缺失单元D3代表:科目名称完整,缺失管理维度的逐笔明细金额;
缺失单元N代表:既缺失科目名称及科目编码,又缺失管理维度的逐笔明细金额;
所述缺失单元D1属于所述会计核算维度完整、且管理维度完整的情况;
所述缺失单元D2属于所述会计核算维度不完整、且管理维度完整的情况;
所述缺失单元D3属于所述会计核算维度完整、且管理维度不完整的情况;
所述缺失单元N属于所述会计核算维度和管理维度均不完整的情况。
较佳的,所述处理器具体用于:
将缺失单元D1中有关产品信息的文本转换为向量,得到自变量X集;
对基础指标层的科目名称进行编码,得到目标变量Y集;
给定训练集,将X集中的元素与Y集中的元素进行映射,映射成功后输出X所对应的Y,得到对应于缺失单元D1的基础指标的科目名称。
较佳的,所述处理器具体用于:
将缺失单元D2中不规范或不完整的会计科目名称文本、或具体产品名称转换为向量,得到自变量X集;
对基础指标层的科目名称进行编码,得到目标变量Y集;
给定训练集,将X集中的元素与Y集中的元素进行映射,映射成功后输出X所对应的Y,得到对应于缺失单元D2的基础指标的科目名称。
较佳的,所述处理器具体用于:
按照计算缺失单元N的缺失金额,其中:
PAj表示金融业务J在报告期T的会计核算总额;
PMj表示金融业务J在报告期T的流动性期限汇总金额;
PDi表示缺失单元Di的回填总金额,i∈[1,3]。
较佳的,对于缺失单元N,所述处理器具体用于:
采用非参数方法计算各个流动性期限时间窗口的权重调整系数;
将所述第一权重W1~WZ分别乘以对应的权重调整系数后得到所述第二权重W′1~W′Z。
较佳的,所述处理器具体用于:
以报告期T之前H天所述金融业务J的基础指标每天的到期金额x,构造数据集n={xt-1,xt-2,…,xt-n},n∈[1,H];
以设定的流动性期限间隔h划分所述H,并计算每个流动性期限间隔内金融业务J的基础指标到期金额的均值及方差,得到样本波动率;
利用非参数方法中的历史模拟法,计算在设定置信水平1-α下,该所述金融业务J的期限间隔为h天的到期金额方差值σ,并生成所述置信水平下的期望方差,得到其中,α表示显著性水平;
计算报告期T下流动性期限时间窗口tz的σtz值,得到所述流动性期限时间窗口tz的权重调整系数并得到所述流动性期限时间窗口tz的第二权重系数Wz′=β*Wz;其中,z∈[1,Z];
计算将β′作为除流动性期限时间窗口tz之外的其他流动性期限时间窗口的权重调整系数,得到所述其他流动性期限时间窗口的第二权重W′y=β′*Wy,其中,y∈[1,Z]且y≠z;
其中,H≥2,h≥2,H能被h整除。
较佳的,所述处理器具体用于:
计算所述缺失单元的缺失总金额占金融业务J在报告期T的会计核算总额的百分比;
如果计算得到的百分比小于或者等于预设的阈值,则将缺失数据回填到对应的流动性期限时间窗口,否则,不进行回填。
较佳的,所述管理维度至少包括:流动性期限管理、市场风险管理、信用风险管理。
此外,本申请还公开了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现本申请所述流动性期限管理缺失数据回填方法的步骤。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (14)
1.一种流动性期限管理缺失数据回填方法,用于对金融业务J在报告期T的缺失数据进行回填,其特征在于,包括:
划分Z个流动性期限时间窗口t1~tZ,并分别为流动性期限时间窗口t1~tZ设置对应的第一权重W1~WZ,其中,Z≥2;
根据所述金融业务J的会计核算维度是否完整和/或管理维度是否完整设置对应的缺失单元;
对不同的缺失单元采取对应的方式获取缺失数据,并回填到对应的流动性期限时间窗口。
2.根据权利要求1所述的方法,其特征在于,所述对不同的缺失单元采取对应的方式获取缺失数据,并回填到对应的流动性期限时间窗口包括以下的至少一种:
对于会计核算维度完整、且管理维度完整的缺失单元,将该缺失单元映射为对应的基础指标,并根据映射得到的基础指标获取对应的缺失数据回填到对应的流动性期限时间窗口;
对于会计核算维度不完整、且管理维度完整的缺失单元,将该缺失单元映射为对应的基础指标,并根据映射得到的基础指标获取对应的缺失数据回填到对应的流动性期限时间窗口;
对于会计核算维度完整、且管理维度不完整的缺失单元,根据完整的会计核算维度获取对应的基础指标的缺失数据,并按照所述第一权重将获取到的缺失数据回填到对应的流动性期限时间窗口;
对于会计核算维度和管理维度均不完整的缺失单元,根据金融业务J在报告期T的会计核算总额、流动性期限汇总金额和已回填的缺失数据确定对应的缺失数据,并按照设定的第二权重将获取到的缺失数据回填到对应的流动性期限时间窗口。
3.如权利要求1或2所述的方法,其特征在于,所述分别为流动性期限时间窗口t1~tZ设置对应的第一权重W1~WZ包括:
获取金融业务J在报告期T的流动性期限汇总金额PMj,以及金融业务J在报告期T下对应于各个流动性期限时间窗口ti的金额PWi;
将流动性期限时间窗口ti的第一权重设置为Wi=PWi/PMj,且满足
4.如权利要求2所述的方法,其特征在于:
设置缺失单元D1、D2、D3和N,其中:
缺失单元D1代表:科目名称完整,有管理维度的逐笔明细金额;
缺失单元D2代表:科目名称不完整,有管理维度的逐笔明细金额;
缺失单元D3代表:科目名称完整,缺失管理维度的逐笔明细金额;
缺失单元N代表:既缺失科目名称及科目编码,又缺失管理维度的金额;
所述缺失单元D1属于所述会计核算维度完整、且管理维度完整的情况;
所述缺失单元D2属于所述会计核算维度不完整、且管理维度完整的情况;
所述缺失单元D3属于所述会计核算维度完整、且管理维度不完整的情况;
所述缺失单元N属于所述会计核算维度和管理维度均不完整的情况。
5.如权利要求4所述的方法,其特征在于,对于缺失单元D1,所述将该缺失单元映射为对应的基础指标包括:
将缺失单元D1中有关产品信息的文本转换为向量,得到自变量X集;
对基础指标层的科目名称进行编码,得到目标变量Y集;
给定训练集,将X集中的元素与Y集中的元素进行映射,映射成功后输出X所对应的Y,得到对应于缺失单元D1的基础指标的科目名称。
6.如权利要求4所述的方法,其特征在于,对于缺失单元D2,所述将该缺失单元映射为对应的基础指标包括:
将缺失单元D2中不规范或不完整的会计科目名称文本、或具体产品名称转换为向量,得到自变量X集;
对基础指标层的科目名称进行编码,得到目标变量Y集;
给定训练集,将X集中的元素与Y集中的元素进行映射,映射成功后输出X所对应的Y,得到对应于缺失单元D2的基础指标的科目名称。
7.如权利要求4所述的方法,其特征在于,对于缺失单元N,其缺失金额其中:
PAj表示金融业务J在报告期T的会计核算总额;
PMj表示金融业务J在报告期T的流动性期限汇总金额;
PDi表示缺失单元Di的回填总金额,i∈[1,3]。
8.如权利要求7所述的方法,其特征在于,对于缺失单元N,该方法还包括:
采用非参数方法计算各个流动性期限时间窗口的权重调整系数;
将所述第一权重W1~WZ分别乘以对应的权重调整系数后得到所述第二权重W′1~W′Z。
9.如权利要求8所述的方法,其特征在于,所述采用非参数方法计算各个流动性期限时间窗口的权重调整系数包括:
以报告期T之前H天所述金融业务J的基础指标每天的到期金额x,构造数据集n={xt-1,xt-2,…,xt-n},n∈[1,H];
以设定的流动性期限间隔h划分所述H,并计算每个流动性期限间隔内金融业务J的基础指标到期金额的均值及方差,得到样本波动率;
利用非参数方法中的历史模拟法,计算在设定置信水平1-α下,该所述金融业务J的期限间隔为h天的到期金额方差值σ,并生成所述置信水平下的期望方差,得到其中,α表示显著性水平;
计算报告期T下流动性期限时间窗口tz的σtz值,得到所述流动性期限时间窗口tz的权重调整系数并得到所述流动性期限时间窗口tz的第二权重系数Wz′=β*Wz;其中,z∈[1,Z];
计算将β′作为除流动性期限时间窗口tz之外的其他流动性期限时间窗口的权重调整系数,得到所述其他流动性期限时间窗口的第二权重W′y=β′*Wy,其中,y∈[1,Z]且y≠z;
其中,H≥2,h≥2,H能被h整除。
10.如权利要求1、2、4-9任一项所述的方法,其特征在于,对于各个缺失单元,在将缺失数据回填到对应的流动性期限时间窗口之前,还包括:
计算所述缺失单元的缺失总金额占金融业务J在报告期T的会计核算总额的百分比;
如果计算得到的百分比小于或者等于预设的阈值,则将缺失数据回填到对应的流动性期限时间窗口。
11.如权利要求1、2、4-9任一项所述的方法,其特征在于:
所述管理维度至少包括:流动性期限管理、市场风险管理、信用风险管理。
12.一种设备,其特征在于,用于对金融业务J在报告期T的缺失数据进行回填,所述设备包括:处理器,所述处理器用于:
划分Z个流动性期限时间窗口t1~tZ,并分别为流动性期限时间窗口t1~tZ设置对应的第一权重W1~WZ,其中,Z≥2;
根据所述金融业务J的会计核算维度是否完整和/或管理维度是否完整设置对应的缺失单元;
对不同的缺失单元采取对应的方式获取缺失数据,并回填到对应的流动性期限时间窗口。
13.如权利要求12所述的设备,其特征在于,所述处理器具体用于执行以下的至少一种:
对于会计核算维度完整、且管理维度完整的缺失单元,将该缺失单元映射为对应的基础指标,并根据映射得到的基础指标获取对应的缺失数据回填到对应的流动性期限时间窗口;
对于会计核算维度不完整、且管理维度完整的缺失单元,将该缺失单元映射为对应的基础指标,并根据映射得到的基础指标获取对应的缺失数据回填到对应的流动性期限时间窗口;
对于会计核算维度完整、且管理维度不完整的缺失单元,根据完整的会计核算维度获取对应的基础指标的缺失数据,并按照所述第一权重将获取到的缺失数据回填到对应的流动性期限时间窗口;
对于会计核算维度和管理维度均不完整的缺失单元,根据金融业务J在报告期T的会计核算总额、流动性期限汇总金额和已回填的缺失数据确定对应的缺失数据,并按照设定的第二权重将获取到的缺失数据回填到对应的流动性期限时间窗口。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-11任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910451593.6A CN110163748B (zh) | 2019-05-28 | 2019-05-28 | 一种流动性期限管理缺失数据回填方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910451593.6A CN110163748B (zh) | 2019-05-28 | 2019-05-28 | 一种流动性期限管理缺失数据回填方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110163748A true CN110163748A (zh) | 2019-08-23 |
CN110163748B CN110163748B (zh) | 2021-08-17 |
Family
ID=67629630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910451593.6A Active CN110163748B (zh) | 2019-05-28 | 2019-05-28 | 一种流动性期限管理缺失数据回填方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163748B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120136896A1 (en) * | 2010-11-26 | 2012-05-31 | Shin-Mu Tseng | System and method for imputing missing values and computer program product thereof |
CN104133866A (zh) * | 2014-07-18 | 2014-11-05 | 国家电网公司 | 一种面向智能电网的缺失数据填充方法 |
CN105468594A (zh) * | 2014-08-11 | 2016-04-06 | 中兴通讯股份有限公司 | 一种采集数据的优化方法、系统及服务器 |
CN106709566A (zh) * | 2016-12-07 | 2017-05-24 | 广东工业大学 | 一种基于深度学习的数据缺失值回填方法 |
CN108615096A (zh) * | 2018-05-10 | 2018-10-02 | 平安科技(深圳)有限公司 | 服务器、金融时序数据的处理方法及存储介质 |
CN109064201A (zh) * | 2018-05-31 | 2018-12-21 | 浙江大学 | 一种基于rsvd的生猪价格数据多级填充方法 |
-
2019
- 2019-05-28 CN CN201910451593.6A patent/CN110163748B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120136896A1 (en) * | 2010-11-26 | 2012-05-31 | Shin-Mu Tseng | System and method for imputing missing values and computer program product thereof |
CN104133866A (zh) * | 2014-07-18 | 2014-11-05 | 国家电网公司 | 一种面向智能电网的缺失数据填充方法 |
CN105468594A (zh) * | 2014-08-11 | 2016-04-06 | 中兴通讯股份有限公司 | 一种采集数据的优化方法、系统及服务器 |
CN106709566A (zh) * | 2016-12-07 | 2017-05-24 | 广东工业大学 | 一种基于深度学习的数据缺失值回填方法 |
CN108615096A (zh) * | 2018-05-10 | 2018-10-02 | 平安科技(深圳)有限公司 | 服务器、金融时序数据的处理方法及存储介质 |
CN109064201A (zh) * | 2018-05-31 | 2018-12-21 | 浙江大学 | 一种基于rsvd的生猪价格数据多级填充方法 |
Non-Patent Citations (2)
Title |
---|
卜范玉等: "基于深度学习的不完整大数据填充算法", 《微电子学与计算机》 * |
晔沙: "数据缺失及其处理方法综述", 《网络与信息工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110163748B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Delson et al. | Linear programming applications to power system economics, planning and operations | |
JP2004528657A5 (zh) | ||
JP2018049400A (ja) | 財務情報分析システム、及びプログラム | |
US20140350973A1 (en) | System and method for hedging portfolios of variable annuity liabilities | |
Kaspina et al. | Cash flow forecasting as an element of integrated reporting: an empirical study | |
Ho et al. | How to evaluate and invest in emerging A/E/C technologies under uncertainty | |
CN109325863A (zh) | 一种企业估值平台 | |
Chen et al. | A study on operational risk and credit portfolio risk estimation using data analytics | |
NekoeiQachkanloo et al. | Artificial counselor system for stock investment | |
CN105719013A (zh) | 测算企业资产负债的方法和系统 | |
Segnon et al. | Forecasting market risk of portfolios: copula-Markov switching multifractal approach | |
Kumar et al. | Neuro fuzzy based techniques for predicting stock trends | |
CN114254916A (zh) | 具有电网业务特色的多维度供应商风险实时预警方法 | |
Lin et al. | Analytically pricing European options under a new two-factor Heston model with regime switching | |
CN104463366A (zh) | 一种分析优化电网投资规模的方法 | |
CN110163748A (zh) | 一种流动性期限管理缺失数据回填方法和设备 | |
De Felice et al. | Risk based capital in P&C loss reserving or stressing the triangle | |
Maliki et al. | Neural network applications in the forecasting of GDP of Nigeria as a function of key stock market indicators | |
Raeva | Computation of risk in pricing of investment projects | |
Ali et al. | Simulation discounted cash flow valuation for internet companies | |
Wang et al. | A financial assets and liabilities management support system | |
CN110020783A (zh) | 电子装置、资产预期损失的计量方法和存储介质 | |
Celina et al. | Algorithm-Driven Predictive Analysis of Blue-Chip Stocks in the Murky Indian Environment | |
Kim | General equilibrium models: formulation and computation | |
KR101930388B1 (ko) | 재무의사결정 지원 시스템 및 방법 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Patentee after: Jingdong Technology Holding Co.,Ltd. Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone, 100176 Patentee before: JINGDONG DIGITAL TECHNOLOGY HOLDINGS Co.,Ltd. |
|
CP03 | Change of name, title or address |