CN110232463A - 信息预测方法、装置、计算机设备和存储介质 - Google Patents

信息预测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110232463A
CN110232463A CN201910217746.0A CN201910217746A CN110232463A CN 110232463 A CN110232463 A CN 110232463A CN 201910217746 A CN201910217746 A CN 201910217746A CN 110232463 A CN110232463 A CN 110232463A
Authority
CN
China
Prior art keywords
data
indicators
macro
basic macro
basic
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
Application number
CN201910217746.0A
Other languages
English (en)
Inventor
万雨竹
范荣
程晓瑜
莫泽鸿
汤哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Zhitong Consulting Co Ltd Shanghai Branch
Original Assignee
Ping An Zhitong Consulting Co Ltd Shanghai Branch
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Zhitong Consulting Co Ltd Shanghai Branch filed Critical Ping An Zhitong Consulting Co Ltd Shanghai Branch
Priority to CN201910217746.0A priority Critical patent/CN110232463A/zh
Publication of CN110232463A publication Critical patent/CN110232463A/zh
Pending legal-status Critical Current

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Technology Law (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及大数据处理领域，特别涉及一种信息预测方法、装置、计算机设备和存储介质。所述方法包括：获取普通债到期的收益率数据，并从基础指标库中逐个获取基础宏观指标数据；计算各基础宏观指标数据与收益率数据的相关系数；根据计算出的相关系数筛选出与收益率数据关联的基础宏观指标数据；采用因子分析法对筛选出的基础宏观指标数据进行分析并构建市场波动指数预测模型；根据市场波动指数预测模型进行金融市场波动指数预测。采用本方法能够提高信息预测准确性。

Description

信息预测方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种信息预测方法、装置、计算 机设备和存储介质。
背景技术
金融市场又称为资金市场，包括货币市场和资本市场，是资金融通市场。 金融市场对经济活动的各个方面均有着直接的深刻影响，如个人财富、企业的 经营、经济运行的效率，都直接取决于金融市场的活动。
因此，金融市场的任何波动均会不同程度地影响经济活动的各个方面，对 金融市场波动进行预测和防范显得尤其重要。但是，目前缺少对金融市场波动 趋势进行准确预测的有效手段。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高金融市场波动指标 预测准确性的信息预测方法、装置、计算机设备和存储介质。
一种信息预测方法，所述方法包括：
步获取普通债到期的收益率数据，并从基础指标库中逐个获取基础宏观指 标数据；
计算各所述基础宏观指标数据与所述收益率数据的相关系数；
根据计算出的所述相关系数筛选出与所述收益率数据关联的基础宏观指标 数据；
采用因子分析法对筛选出的所述基础宏观指标数据进行分析并构建市场波 动指数预测模型；
根据所述市场波动指数预测模型进行金融市场波动指数预测。
在其中一个实施例中，所述根据计算出的所述相关系数筛选出与所述收益 率数据关联的基础宏观指标数据，包括：
获取预设相关阈值，提取出对应计算得到的所述相关系数大于所述预设相 关阈值的基础宏观指标数据；
获取提取出的所述基础宏观指标数据的指标属性，根据所述指标属性对提 取出的所述基础宏观指标数据进行分类；
将每一分类中对应的所述相关系数最大的所述基础宏观指标数据筛选出 来。
在其中一个实施例中，所述将每一分类中对应的所述相关系数最大的所述 基础宏观指标数据筛选出来之后，还包括：
获取提取出的所述基础宏观指标数据的分类数量，并获取预设指标下限数 值；
当所述分类数量小于所述预设指标下限数值时，计算所述预设指标下限数 值与所述分类数量的差值；
将未筛选出的提取的所述基础宏观指标数据根据对应相关系数由大至小的 顺序进行排序，将排在前列的所述基础宏观指标数据筛选出来，且筛选出的排 在前列的所述基础宏观指标数据的数量与所述差值一致。
在其中一个实施例中，所述采用因子分析法对筛选出的所述基础宏观指标 数据进行分析并构建市场波动指数预测模型，包括：
对筛选出的所述基础宏观指标数据进行标准化处理得到相关矩阵；
计算所述相关矩阵的特征值和特征向量；
根据所述特征值计算相关因子的方差贡献率、累计方差贡献率和载荷矩阵；
获取预设累计方差阈值，根据所述预设累计方差阈值和所述累计方差贡献 率确定相关因子数量；
根据所述特征向量和所述相关因子数量得到因子分析模型；
根据最大方差旋转法对所述载荷矩阵进行正交变换；
根据所述基础宏观指标数据和变换后的所述载荷矩阵计算所述相关因子的 因子得分；
以各所述相关因子的所述方差贡献率为权重对所述因子得分进行组合得到 市场波动指数预测模型。
在其中一个实施例中，所述计算各所述基础宏观指标数据与所述收益率数 据的相关系数，包括：
获取预设数据抽取频率；
根据所述预设数据抽取频率从各所述基础宏观指标数据中提取基础宏观指 标序列；
根据所述预设数据抽取频率从所述收益率数据中提取收益率序列；
计算各所述基础宏观指标序列与所述收益率数据序列的相关系数。
一种信息预测装置，所述装置包括：
数据获取模块，用于获取普通债到期的收益率数据，并从基础指标库中逐 个获取基础宏观指标数据；
系数计算模块，用于计算各所述基础宏观指标数据与所述收益率数据的相 关系数；
数据筛选模块，用于根据计算出的所述相关系数筛选出与所述收益率数据 关联的基础宏观指标数据；
模型构建模块，用于采用因子分析法对筛选出的所述基础宏观指标数据进 行分析并构建市场波动指数预测模型；
指数预测模块，用于根据所述市场波动指数预测模型进行金融市场波动指 数预测。
在其中一个实施例中，数据筛选模块包括：
阈值获取子模块，用于获取预设相关阈值，提取出对应计算得到的所述相 关系数大于所述预设相关阈值的基础宏观指标数据；
数据分类子模块，用于获取提取出的所述基础宏观指标数据的指标属性， 根据所述指标属性对提取出的所述基础宏观指标数据进行分类；
第一筛选子模块，用于将每一分类中对应的所述相关系数最大的所述基础 宏观指标数据筛选出来。
在其中一个实施例中，数据筛选模块还包括：
下限数值获取子模块，用于获取提取出的所述基础宏观指标数据的分类数 量，并获取预设指标下限数值；
差值计算子模块，用于当所述分类数量小于所述预设指标下限数值时，计 算所述预设指标下限数值与所述分类数量的差值；
第二筛选子模块，用于将未筛选出的提取的所述基础宏观指标数据根据对 应相关系数由大至小的顺序进行排序，将排在前列的所述基础宏观指标数据筛 选出来，且筛选出的排在前列的所述基础宏观指标数据的数量与所述差值一致。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序， 所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处 理器执行时实现上述方法的步骤。
上述市场波动指数预测方法、装置、计算机设备和存储介质，通过从基础 指标库中获取多个基础宏观指标数据，计算各基础宏观指标数据于收益率数据 的相关系数，进而根据相关系数确定于收益率数据相关联的指标，从而对关联 指标进行因子分析并构建出市场波动指数预测模型，通过构建的市场波动指数 预测模型进行指数预测，本申请的基础宏观指标众多且来源丰富，构建的市场 波动指数预测模型科学且可靠，能够对市场波动指数进行准确预测。
附图说明
图1为一个实施例中信息预测方法的应用场景图；
图2为一个实施例中信息预测方法的流程示意图；
图3为一个实施例中指标筛选步骤的流程示意图；
图4为另一个实施例中构建出的4期市场波动指数预测模型的示意图；
图5为一个实施例中信息预测装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实 施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅 用以释义本申请，并不用于限定本申请。
本申请提供一种信息预测方法，可以应用于如图1所示的应用环境中。其 中，终端102通过网络与服务器104进行通信。终端102可以向服务器104发 送信贷风险指数预测请求，服务器104接收请求后，获取普通债到期的收益率 数据，并从基础指标库中逐个获取基础宏观指标数据；计算各基础宏观指标数 据与收益率数据的相关系数；根据计算出的相关系数筛选出与收益率数据关联 的基础宏观指标数据；采用因子分析法对筛选出的基础宏观指标数据进行分析 并构建市场波动指数预测模型；根据市场波动指数预测模型进行金融市场波动 指数预测。服务器104将预测的金融市场波动返回给终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式 可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器 集群来实现。
在一个实施例中，如图2所示，提供了一种信息预测方法，以该方法应用 于图1中的服务器为例进行说明，包括以下步骤：
步骤210，获取普通债到期的收益率数据，并从基础指标库中逐个获取基础 宏观指标数据。
普通债到期的收益率是衡量金融市场波动的一项重要指标，服务器获取收 益率数据，收益率数据包括预设时间范围内的多个时刻的普通债到期的收益率。
基础指标库中的基础宏观指标来源于2000多个宏观经济指标，基本覆盖了 整个宏观经济的重要指标。这些指标有非农就业人口、就业率、失业率、国际 收支、国民生产总值、国内生产总值、生产价格指数、消费价格指数、可支配 个人收入、个人消费支出、城乡居民储蓄存款余额、投资指标、金融指标(金 融指标包括利率、汇率、货币供应量、金融机构存贷款余额、金融资产总量等)、 消费信心指数、采购经理人指数、耐用品订单、工业生产指数、设备使用率、 零售销售指数、社会消费品零售总额、消费者信贷、新屋开工及建筑许可、建 筑支出、生产价格指数、批发物价指数、对外贸易、工厂订单、耐久商品订单、 经常帐以及商业库存等等。
服务器从基础指标库中逐个获取各个基础宏观指标的数据，基础宏观指标 数据包括预设时间范围内的多个时刻的基础宏观指标的数值。
步骤220，计算各基础宏观指标数据与收益率数据的相关系数。
服务器逐个计算各基础宏观指标数据与收益率数据的相关系数。具体地， 服务器将各基础宏观指标数据和收益率数据代入相关性计算公式进行计算，将 得到的计算结果设定为相关系数。进一步地，服务器获取计算结果的绝对值， 将获取的绝对值设定为相关系数。其中，服务器可以采用皮尔森相关系数计算 公式、斯皮尔曼相关性计算公式等公式来进行相关性计算。
例如，服务器可采用皮尔森相关系数计算公式：
在上式中，X为基础宏观指标数据，Y均为收益率数据，ρ(X,Y)为相关性系 数。两个连续变量(X,Y)的皮尔森相关性系数ρ(X,Y)等于它们之间的协方差 cov(X,Y)除以它们各自标准差的乘积(σX,σY)。系数的取值总是在-1.0到1.0之间， 接近0的变量被称为无相关性，接近1或者-1被称为具有强相关性。
服务器也可采用斯皮尔曼相关系数计算公式：
服务器在计算相关系数时，X为基础宏观指标数据，Y均为收益率数据，ρ 为服务器计算得到的相关系数。
步骤230，根据计算出的相关系数筛选出与收益率数据关联的基础宏观指标 数据。
服务器获取预设的关联指标筛选规则，筛选出符合相关指标筛选规则的相 关系数，并将筛选出的相关系数对应的基础宏观指标数据提取为与收益率指标 具有关联关系的指标数据。关联指标筛选规则可以根据需要筛选出的指标数量、 指标的关联强度等因素进行具体设定。
步骤240，采用因子分析法对筛选出的基础宏观指标数据进行分析并构建市 场波动指数预测模型。
服务器对筛选出的多个基础宏观指标序列进行因子分析，根据因子分析结 果得到多个相关因子，再对得到的相关因子进行筛选，且筛选出的相关因子的 数量小于关联的基础宏观指标数据的数量，服务器计算筛选出的相关因子的因 子得分，根据因子得分构建市场波动指数预测模型。
步骤250，根据市场波动指数预测模型进行金融市场波动指数预测。
服务器可以将筛选出的基础宏观指标序列代入市场波动指数预测模型中进 行计算，得到市场波动指数变化曲线，根据市场波动指数变化曲线对未来时刻 的金融市场波动指数进行预测。
上述信息预测方法中，服务器通过从基础指标库中获取多个基础宏观指标 数据，计算各基础宏观指标数据于收益率数据的相关系数，进而根据相关系数 确定于收益率数据相关联的指标，从而对关联指标进行因子分析并构建出市场 波动指数预测模型，通过构建的市场波动指数预测模型进行指数预测，本申请 的基础宏观指标众多且来源丰富，构建的市场波动指数预测模型科学且可靠， 能够对市场波动指数进行准确预测。
在一个实施例中，如图3所示，根据计算出的相关系数筛选出与收益率数 据关联的基础宏观指标数据可以包括：
步骤242，获取预设相关阈值，提取出对应计算得到的相关系数大于预设相 关阈值的基础宏观指标数据。
服务器获取预先设定好的相关阈值，预设相关阈值用于划分各基础宏观指 标与普通债到期的收益率指数是否具有相关性，将相关系数数值大于预设相关 阈值时的指标设定为具有相关性。服务器将根据各基础宏观指标数据计算出的 相关系数分别与预设相关阈值进行比较，当服务器判定出相关系数大于预设相 关阈值时，将对应的基础宏观指标数据提取出来。
步骤244，获取提取出的基础宏观指标数据的指标属性，根据指标属性对提 取出的基础宏观指标数据进行分类。
因为基础宏观指标涵盖了宏观经济的各个方面，存在多个基础宏观指标反 映一类经济问题的情况。服务器事先对各基础宏观指标进行分类打标，赋予不 同的指标属性。服务器获取各基础宏观指标数据对应的基础宏观指标被打标的 指标属性，并将属于同一指标属性的基础宏观指标数据划分为同一类。
例如，非农就业人口、就业率、失业率对应的指标属性均划分为非农工作 属性；国民生产总值、国内生产总值、工业生产指数以及工厂订单等对应的指 标属性均划分为生产数据属性；生产价格指数、消费价格指数、零售销售指数 以及社会消费品零售总额等对应的指标属性均划分为销售数据属性上述信息预 测方法中，事先对各基础宏观指标进行分类打标，并将每一类指标中相关系数 最大的基础宏观指标数据筛选出来，确保了每类指标都能被选取，不仅降低了 因政策、局势以及时间等变化造成的影响，而且还进一步提高了构建模型的准 确性。
步骤246，将每一分类中对应的相关系数最大的基础宏观指标数据筛选出 来。
例如，提取出的指标属性为非农工作属性的基础宏观指标数据包括非农就 业人口、就业率和失业率三个指标数据，三个指标数据对应的相关系数分别为 0.6、0.8以及0.7，就业率指标对应的相关系数最大，因此，服务器将就业率指 标数据筛选出来。
上述信息预测方法中，事先对各基础宏观指标进行分类打标，并将每一类 指标中相关系数最大的基础宏观指标数据筛选出来，确保了每类指标都能被选 取，不仅降低了因政策、局势以及时间等变化造成的影响，而且还进一步提高 了构建模型的准确性。
在一个实施例中，将每一分类中对应的相关系数最大的基础宏观指标数据 筛选出来之后，还可以包括：获取提取出的基础宏观指标数据的分类数量，并 获取预设指标下限数值；当分类数量小于预设指标下限数值时，计算预设指标 下限数值与分类数量的差值；将未筛选出的提取的基础宏观指标数据根据对应 相关系数由大至小的顺序进行排序，将排在前列的基础宏观指标数据筛选出来， 且筛选出的排在前列的基础宏观指标数据的数量与差值一致。
服务器获取预设的指标下限数值，并获取提取出的基础宏观指标数据的分 类数量。该预设指标下限数值是指为了确保最终构建的信贷风险指数预测模型 的准确性而设定的最小数值，可以降低因采用主成分分析法降维所造成的影响， 确保最终构建的资产市场泡沫指数预测模型的精准性。例如，可以将预设指标 下限数值设定为10。
服务器将分类数量和预设指标下限数值进行比较，当分类数量不小于预设 指标下限数值时，则继续执行因子分析法对筛选出的基础宏观指标数据进行分 析并构建市场波动指数预测模型的步骤；当分类数量小于预设指标下限数值时， 服务器计算预设指标下限数值与分类数量的差值Q。服务器将余下的提取出的 基础宏观指标数据按照相应相关系数由大至小的顺序进行排序，并将排在前Q 位的基础宏观指标数据也筛选出来。
上述信息预测方法中，事先确定了预设指标下限数值，降低了因采用因子 分析法降维所造成的影响，确保最终构建的资产市场泡沫指数预测模型的精准 性。而当分类数量小于预设指标下限数值时，提取出相关系数数值排在前列的 基础宏观指标数据，不仅弥补了数量不足造成的影响，而且每个基础宏观指标 数据都与普通债到期的收益率指数数据紧密关联，确保了市场波动指数预测模 型的准确。
在一个实施例中，采用因子分析法对筛选出的基础宏观指标数据进行分析 并构建市场波动指数预测模型，包括：对筛选出的基础宏观指标数据进行标准 化处理得到相关矩阵；计算相关矩阵的特征值和特征向量；根据特征值计算相 关因子的方差贡献率、累计方差贡献率和载荷矩阵；获取预设累计方差阈值， 根据预设累计方差阈值和累计方差贡献率确定相关因子数量；根据特征向量和 相关因子数量得到因子分析模型；根据最大方差旋转法对载荷矩阵进行正交变 换；根据基础宏观指标数据和变换后的载荷矩阵计算相关因子的因子得分；以 各相关因子的方差贡献率为权重对因子得分进行组合得到市场波动指数预测模 型。
在本实施例中，在进行因子分析时采用如下的初始因子分析模型：
Xi＝ai1F1+ai2F2+···+aimFm+εi,(i＝1,2,···,p)
其中，Xi为各基础宏观指标数据，F1,F2,…Fm为相关因子，εi为Xi的特殊因 子。该因子分析模型用矩阵可以表示为：
X＝AF+ε
其中，A＝(A1,A2,…,Am)为载荷矩阵。
对X进行标准化处理，求解出的相关矩阵R＝AA'+Dε。
相关因子Fj的方差贡献率的计算公式如下：
服务器获取预设累计方差阈值，将各相关因子按照计算出的方差贡献率由 大至小的顺序进行排列，并将排在前列的相关因子的方差贡献率逐个累加，并 实时与预设累计方差阈值进行比较，当累加值超过预设累计方差阈值时则停止 累加，将停止累加前的相关因子提取出来，根据提取出来的相关因子构建优化 的因子分析模型。
服务器根据最大方差旋转法对载荷矩阵进行正交变换，并根据正交变换后 的载荷矩阵及各基础宏观指标数据估算出提取的各相关因子的因子得分，如可 以采用汤姆生法或巴特莱特法等估算方法进行因子得分估算，因子得分的估 算公式为
服务器以各因子得分对应的方差贡献率作为权重对因子得分进行组合得到 市场波动指数预测模型，模型的自变量为各基础宏观指标，因变量表示金融市 场波动指数，模型可以看作各基础宏观指标的加权之和。
在一个实施例中，计算各基础宏观指标数据与收益率数据的相关系数可以 包括：获取预设数据抽取频率；根据预设数据抽取频率从各基础宏观指标数据 中提取基础宏观指标序列；根据预设数据抽取频率从收益率数据中提取收益率 序列；计算各基础宏观指标序列与收益率序列的相关系数。
预设数据抽取频率为各数据点对应时刻的时间间隔，如预设数据抽取频率 可以设定为每周、每月、每季度等，且预设数据抽取频率的数量可以为一个或 多个。服务器根据基础宏观指标数据中初始数据对应的时刻和预设数据抽取频 率计算出抽取数据对应的抽取时刻，并根据计算出的抽取时刻从各基础宏观指 标数据中提取相应的数据点得到基础宏观指标序列，并从收益率数据中提取与 抽取时刻对应的收益率数据点得到收益率序列，服务器分别将提取出的各基础 宏观指标序列与收益率数据序列代入相关性计算公式进行计算，得到各基础宏 观指标序列的收益率相关系数。
当预设数据抽取频率的数量为多个时，服务器得到多个预设数据抽取频率 对应的多组相关系数，分别根据各组的相关系数进行基础宏观指标数据的筛选 及市场波动指数预测模型的构建，从而得到多个数据抽取频率下的市场波动指 数预测模型，从而能够根据多个市场波动指数预测模型对多个未来频率时刻的 金融市场波动指数进行预测。
例如，基础宏观指标数据与收益率数据包含的数据均为2008年1月份至 2018年1月份的数据，若预设数据抽取频率为每月数据和每季度数据，则根据 每月数据抽取频率提取出的数据序列可以为2008年1月份至2018年1月份各 月份月初或月末时刻对应的数据点组成的序列，根据抽取出的序列构建的预测 模型能够对2018年1月以后月份的月初或月末时刻的数据进行预测；根据每季 度数据抽取频率抽取出的数据序列可以为2008年1月份至2018年1月份各个 季度的季度初或季度末时刻对应的数据点组成的序列，根据抽取出的序列构建 的预测模型能够对2018年1季度之后季度的季度初或季度末时刻的数据进行预测。
在一个实施例中，计算各基础宏观指标数据与收益率数据的相关系数可以 包括：获取预设序列初始时刻；从各基础宏观指标数据中提取与预设序列初始 时刻对应的基础宏观指标序列，并从收益率数据中提取与预设序列初始时刻对 应的收益率序列；计算各基础宏观指标序列与收益率序列的相关系数。
服务器获取预设的序列初始时刻，预设序列初始时刻的数量可以为多个。 服务器逐个获取各预设序列初始时刻，并将基础宏观指标中各预设序列初始时 刻对应的数值及预设序列初始时刻之后所有时刻对应的数值提取为基础宏观指 标序列，从而得到多个时间周期的包括多个基础宏观指标序列。
例如，各基础宏观指标中包含的数据为截至到2018年3月的数据，预设序 列初始时刻分别为2008年3月、4月、5月和6月，则从各基础宏观指标数据 中分别提取出4个基础宏观指标序列，分别为2008年3月至2018年3月的指 标序列、2008年4月至2018年3月的指标序列、2008年5月至2018年3月的 指标序列和2008年6月至2018年3月的指标序列。
服务器从收益率数据中查找预设序列初始时刻对应的数值及预设序列初始 时刻之后所有时刻对应的数值，将查找到的数值提取为收益率序列，并计算出 多个预设序列初始时刻对应的各基础宏观指标序列与收益率序列的相关系数， 得到多个时间周期的相关系数数据，从而实现多个时间周期的市场波动指数的 预测。
在一个实施例中，服务器将筛选出的基础宏观指标序列分别输入各组市场 波动指数预测模型得到多条市场波动指数预测曲线；分别根据各条市场波动指 数预测曲线计算各预设序列初始时刻对应的未来时刻的金融市场波动指数预测 值。
服务器逐个获取每个时间周期对应的筛选出的基础宏观指标序列，并输入 到相应的市场波动指数预测模型中，从而得到多个时刻的金融市场波动指数的 散点值，根据多个散点值绘制金融市场波动指数预测曲线。
服务器分别对得到的多条金融市场波动指数预测曲线进行拟合，拟合过程 可以采用线性拟合或非线性拟合方法，根据拟合结果计算出未来时刻的资产市 场泡沫指数预测值。具体地，未来时刻可以与预设序列初始时刻对应，序列的 初始时间越晚，对应的未来时刻也越晚。
例如，服务器将2008年3月至2018年3月的筛选出的所述基础宏观指标 序列代入市场波动指数预测模型中，预设序列初始时刻2008年3月对应的未来 时刻为下个月即2018年4月，可以预测第一期2018年4月的金融市场波动指 数；将2008年4月至2018年3月的基础宏观指标序列代入市场波动指数预测 模型中，预设序列初始时刻2008年4月对应的未来时刻为下两个月即2018年4 月和2018年5月，可以预测第二期2018年5月的金融市场波动指数，以此类 推，从而可以预测未来多期的金融市场波动指数。
如图4所示，服务器采用本方法分别构建第1时间周期到第4时间周期(2018 年第2季度到2019年第1季度)的市场波动指数预测模型。预设序列初始时刻 为2012年第1季度，服务器从收益率数据中提取与2012年第1季度对应的收 益率序列(图中OBJ曲线)，服务器从各基础宏观指标数据中提取与预设序列初 始时刻对应的基础宏观指标序列。
当构建第1时间周期的市场波动指数预测模型时，服务器从各基础指标数 据中提取从2012年第1季度起始到对应的2018年第1季度基础宏观指标序列， 此时市场波动指数预测模型为图中OBJ1曲线。当构建第2时间周期的市场波动 指数预测模型时，服务器从各基础宏观指标数据中提取从2012年第2季度起始 到对应的2018年第1季度基础宏观指标序列，此时市场波动指数预测模型为图 中OBJ2曲线。当构建第3时间周期的资产市场泡沫指数预测模型时，服务器从 各基础指标数据中提取从2012年第3季度起始到对应的2018年第1季度基础 指标序列，此时市场波动指数预测模型为图中OBJ3曲线。当构建第4时间周期的市场波动指数预测模型时，服务器从各基础指标数据中提取从2012年第4季 度起始到对应的2018年第1季度基础指标序列，此时市场波动指数预测模型为 图中OBJ4曲线。
当采用本方法预测不同时间周期的金融市场波动指数指数时，均需要先构 建市场波动指数预测模型，以确保每一期的构建指数的唯一性。这样可以降低 因政策、局势以及时间等变化造成的影响，进一步提升每一期的资产市场泡沫 指数的准确性。
应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显 示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明 确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺 序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段， 这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻 执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它 步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种信息预测装置，包括：数据获 取模块510、系数计算模块520、数据筛选模块530、模型构建模块540和指数 预测模块550，其中：
数据获取模块510，用于获取普通债到期的收益率数据，并从基础指标库中 逐个获取基础宏观指标数据。
系数计算模块520，用于计算各基础宏观指标数据与收益率数据的相关系 数。
数据筛选模块530，用于根据计算出的相关系数筛选出与收益率数据关联的 基础宏观指标数据。
模型构建模块540，用于采用因子分析法对筛选出的基础宏观指标数据进行 分析并构建市场波动指数预测模型。
指数预测模块550，用于根据市场波动指数预测模型进行金融市场波动指数 预测。
在一个实施例中，数据筛选模块530可以包括：
阈值获取子模块，用于获取预设相关阈值，提取出对应计算得到的相关系 数大于预设相关阈值的基础宏观指标数据。
数据分类子模块，用于获取提取出的基础宏观指标数据的指标属性，根据 指标属性对提取出的基础宏观指标数据进行分类。
第一筛选子模块，用于将每一分类中对应的相关系数最大的基础宏观指标 数据筛选出来。
在一个实施例中，数据筛选模块530还可以包括：
下限数值获取模块，用于获取提取出的基础宏观指标数据的分类数量，并 获取预设指标下限数值。
差值计算模块，用于当分类数量小于预设指标下限数值时，计算预设指标 下限数值与分类数量的差值。
第二筛选子模块，用于将未筛选出的提取的基础宏观指标数据根据对应相 关系数由大至小的顺序进行排序，将排在前列的基础宏观指标数据筛选出来， 且筛选出的排在前列的基础宏观指标数据的数量与差值一致。
在一个实施例中，模型构建模块540可以包括：
标准化子模块，用于对筛选出的基础宏观指标数据进行标准化处理得到相 关矩阵。
特征计算子模块，用于计算相关矩阵的特征值和特征向量。
因素计算子模块，用于根据特征值计算相关因子的方差贡献率、累计方差 贡献率和载荷矩阵。
数量确定子模块，用于获取预设累计方差阈值，根据预设累计方差阈值和 累计方差贡献率确定相关因子数量。
因子模型生成子模块，用于根据特征向量和相关因子数量得到因子分析模 型。
矩阵变换子模块，用于根据最大方差旋转法对载荷矩阵进行正交变换。
得分计算子模块，用于根据基础宏观指标数据和变换后的载荷矩阵计算相 关因子的因子得分。
预测模型生成子模块，用于以各相关因子的方差贡献率为权重对因子得分 进行组合得到市场波动指数预测模型。
在一个实施例中，系数计算模块520可以包括：
频率获取子模块，用于获取预设数据抽取频率。
第一提取子模块，用于根据预设数据抽取频率从各基础宏观指标数据中提 取基础宏观指标序列。
第二提取子模块，用于根据预设数据抽取频率从收益率数据中提取收益率 序列。
计算子模块，用于计算各基础宏观指标序列与收益率序列的相关系数。
关于信息预测装置的具体限定可以参见上文中对于信息预测方法的限定， 在此不再赘述。上述信息预测装置中的各个模块可全部或部分通过软件、硬件 及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处 理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调 用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器， 其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、 存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控 制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失 性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存 储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用 于存储信息预测相关数据。该计算机设备的网络接口用于与外部的终端通过网 络连接通信。该计算机程序被处理器执行时以实现一种信息预测方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关 的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定， 具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件， 或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储 器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取普通债 到期的收益率数据，并从基础指标库中逐个获取基础宏观指标数据；计算各基 础宏观指标数据与收益率数据的相关系数；根据计算出的相关系数筛选出与收 益率数据关联的基础宏观指标数据；采用因子分析法对筛选出的基础宏观指标 数据进行分析并构建市场波动指数预测模型；根据市场波动指数预测模型进行 金融市场波动指数预测。
在一个实施例中，处理器执行计算机程序时实现根据计算出的相关系数筛 选出与收益率数据关联的基础宏观指标数据的步骤时还用于：获取预设相关阈 值，提取出对应计算得到的相关系数大于预设相关阈值的基础宏观指标数据； 获取提取出的基础宏观指标数据的指标属性，根据指标属性对提取出的基础宏 观指标数据进行分类；将每一分类中对应的相关系数最大的基础宏观指标数据 筛选出来。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取提取出 的基础宏观指标数据的分类数量，并获取预设指标下限数值；当分类数量小于 预设指标下限数值时，计算预设指标下限数值与分类数量的差值；将未筛选出 的提取的基础宏观指标数据根据对应相关系数由大至小的顺序进行排序，将排 在前列的基础宏观指标数据筛选出来，且筛选出的排在前列的基础宏观指标数 据的数量与差值一致。
在一个实施例中，处理器执行计算机程序时实现采用因子分析法对筛选出 的基础宏观指标数据进行分析并构建市场波动指数预测模型的步骤时还用于： 对筛选出的基础宏观指标数据进行标准化处理得到相关矩阵；计算相关矩阵的 特征值和特征向量；根据特征值计算相关因子的方差贡献率、累计方差贡献率 和载荷矩阵；获取预设累计方差阈值，根据预设累计方差阈值和累计方差贡献 率确定相关因子数量；根据特征向量和相关因子数量得到因子分析模型；根据 最大方差旋转法对载荷矩阵进行正交变换；根据基础宏观指标数据和变换后的 载荷矩阵计算相关因子的因子得分；以各相关因子的方差贡献率为权重对因子 得分进行组合得到市场波动指数预测模型。
在一个实施例中，处理器执行计算机程序时实现计算各基础宏观指标数据 与收益率数据的相关系数的步骤时还用于：获取预设数据抽取频率；根据预设 数据抽取频率从各基础宏观指标数据中提取基础宏观指标序列；根据预设数据 抽取频率从收益率数据中提取收益率序列；计算各基础宏观指标序列与收益率 序列的相关系数。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程 序，计算机程序被处理器执行时实现以下步骤：获取普通债到期的收益率数据， 并从基础指标库中逐个获取基础宏观指标数据；计算各基础宏观指标数据与收 益率数据的相关系数；根据计算出的相关系数筛选出与收益率数据关联的基础 宏观指标数据；采用因子分析法对筛选出的基础宏观指标数据进行分析并构建 市场波动指数预测模型；根据市场波动指数预测模型进行金融市场波动指数预 测。
在一个实施例中，计算机程序被处理器执行时实现根据计算出的相关系数 筛选出与收益率数据关联的基础宏观指标数据的步骤时还用于：获取预设相关 阈值，提取出对应计算得到的相关系数大于预设相关阈值的基础宏观指标数据； 获取提取出的基础宏观指标数据的指标属性，根据指标属性对提取出的基础宏 观指标数据进行分类；将每一分类中对应的相关系数最大的基础宏观指标数据 筛选出来。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取提取 出的基础宏观指标数据的分类数量，并获取预设指标下限数值；当分类数量小 于预设指标下限数值时，计算预设指标下限数值与分类数量的差值；将未筛选 出的提取的基础宏观指标数据根据对应相关系数由大至小的顺序进行排序，将 排在前列的基础宏观指标数据筛选出来，且筛选出的排在前列的基础宏观指标 数据的数量与差值一致。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：实现采用 因子分析法对筛选出的基础宏观指标数据进行分析并构建市场波动指数预测模 型的步骤时还用于：对筛选出的基础宏观指标数据进行标准化处理得到相关矩 阵；计算相关矩阵的特征值和特征向量；根据特征值计算相关因子的方差贡献 率、累计方差贡献率和载荷矩阵；获取预设累计方差阈值，根据预设累计方差 阈值和累计方差贡献率确定相关因子数量；根据特征向量和相关因子数量得到 因子分析模型；根据最大方差旋转法对载荷矩阵进行正交变换；根据基础宏观 指标数据和变换后的载荷矩阵计算相关因子的因子得分；以各相关因子的方差 贡献率为权重对因子得分进行组合得到市场波动指数预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：实现计算 各基础宏观指标数据与收益率数据的相关系数的步骤时还用于：获取预设数据 抽取频率；根据预设数据抽取频率从各基础宏观指标数据中提取基础宏观指标 序列；根据预设数据抽取频率从收益率数据中提取收益率序列；计算各基础宏 观指标序列与收益率序列的相关系数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程， 是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于 一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述 各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、 存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。 非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程 ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可 包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限， RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM (ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus) 直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器 总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述 实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特 征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细， 但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的 普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改 进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权 利要求为准。

Claims (10)

1.一种信息预测方法，所述方法包括：
获取普通债到期的收益率数据，并从基础指标库中逐个获取基础宏观指标数据；
计算各所述基础宏观指标数据与所述收益率数据的相关系数；
根据计算出的所述相关系数筛选出与所述收益率数据关联的基础宏观指标数据；
采用因子分析法对筛选出的所述基础宏观指标数据进行分析并构建市场波动指数预测模型；
根据所述市场波动指数预测模型进行金融市场波动指数预测。
2.根据权利要求1所述的方法，其特征在于，所述根据计算出的所述相关系数筛选出与所述收益率数据关联的基础宏观指标数据，包括：
获取预设相关阈值，提取出对应计算得到的所述相关系数大于所述预设相关阈值的基础宏观指标数据；
获取提取出的所述基础宏观指标数据的指标属性，根据所述指标属性对提取出的所述基础宏观指标数据进行分类；
将每一分类中对应的所述相关系数最大的所述基础宏观指标数据筛选出来。
3.根据权利要求2所述的方法，其特征在于，所述将每一分类中对应的所述相关系数最大的所述基础宏观指标数据筛选出来之后，还包括：
获取提取出的所述基础宏观指标数据的分类数量，并获取预设指标下限数值；
当所述分类数量小于所述预设指标下限数值时，计算所述预设指标下限数值与所述分类数量的差值；
将未筛选出的提取的所述基础宏观指标数据根据对应相关系数由大至小的顺序进行排序，将排在前列的所述基础宏观指标数据筛选出来，且筛选出的排在前列的所述基础宏观指标数据的数量与所述差值一致。
4.根据权利要求1所述的方法，其特征在于，所述采用因子分析法对筛选出的所述基础宏观指标数据进行分析并构建市场波动指数预测模型，包括：
对筛选出的所述基础宏观指标数据进行标准化处理得到相关矩阵；
计算所述相关矩阵的特征值和特征向量；
根据所述特征值计算相关因子的方差贡献率、累计方差贡献率和载荷矩阵；
获取预设累计方差阈值，根据所述预设累计方差阈值和所述累计方差贡献率确定相关因子数量；
根据所述特征向量和所述相关因子数量得到因子分析模型；
根据最大方差旋转法对所述载荷矩阵进行正交变换；
根据所述基础宏观指标数据和变换后的所述载荷矩阵计算所述相关因子的因子得分；
以各所述相关因子的所述方差贡献率为权重对所述因子得分进行组合得到市场波动指数预测模型。
5.根据权利要求1所述的方法，其特征在于，所述计算各所述基础宏观指标数据与所述收益率数据的相关系数，包括：
获取预设数据抽取频率；
根据所述预设数据抽取频率从各所述基础宏观指标数据中提取基础宏观指标序列；
根据所述预设数据抽取频率从所述收益率数据中提取收益率序列；
计算各所述基础宏观指标序列与所述收益率序列的相关系数。
6.一种信息预测装置，其特征在于，所述装置包括：
数据获取模块，用于获取普通债到期的收益率数据，并从基础指标库中逐个获取基础宏观指标数据；
系数计算模块，用于计算各所述基础宏观指标数据与所述收益率数据的相关系数；
数据筛选模块，用于根据计算出的所述相关系数筛选出与所述收益率数据关联的基础宏观指标数据；
模型构建模块，用于采用因子分析法对筛选出的所述基础宏观指标数据进行分析并构建市场波动指数预测模型；
指数预测模块，用于根据所述市场波动指数预测模型进行金融市场波动指数预测。
7.根据权利要求6所述的装置，其特征在于，所述数据筛选模块包括：
阈值获取子模块，用于获取预设相关阈值，提取出对应计算得到的所述相关系数大于所述预设相关阈值的基础宏观指标数据；
数据分类子模块，用于获取提取出的所述基础宏观指标数据的指标属性，根据所述指标属性对提取出的所述基础宏观指标数据进行分类；
第一筛选子模块，用于将每一分类中对应的所述相关系数最大的所述基础宏观指标数据筛选出来。
8.根据权利要求7所述的装置，其特征在于，所述数据筛选模块还包括：
下限数值获取子模块，用于获取提取出的所述基础宏观指标数据的分类数量，并获取预设指标下限数值；
差值计算子模块，用于当所述分类数量小于所述预设指标下限数值时，计算所述预设指标下限数值与所述分类数量的差值；
第二筛选子模块，用于将未筛选出的提取的所述基础宏观指标数据根据对应相关系数由大至小的顺序进行排序，将排在前列的所述基础宏观指标数据筛选出来，且筛选出的排在前列的所述基础宏观指标数据的数量与所述差值一致。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN201910217746.0A 2019-03-21 2019-03-21 信息预测方法、装置、计算机设备和存储介质 Pending CN110232463A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910217746.0A CN110232463A (zh) 2019-03-21 2019-03-21 信息预测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910217746.0A CN110232463A (zh) 2019-03-21 2019-03-21 信息预测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN110232463A true CN110232463A (zh) 2019-09-13

Family

ID=67860562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910217746.0A Pending CN110232463A (zh) 2019-03-21 2019-03-21 信息预测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110232463A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110765175A (zh) * 2019-10-08 2020-02-07 江苏天鼎证券投资咨询有限公司 一种融资融券多维度指标分析和展示方法
CN112381322A (zh) * 2020-11-27 2021-02-19 上海九方云智能科技有限公司 基于期权计算波动率指数来进行风险预警的方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110765175A (zh) * 2019-10-08 2020-02-07 江苏天鼎证券投资咨询有限公司 一种融资融券多维度指标分析和展示方法
CN112381322A (zh) * 2020-11-27 2021-02-19 上海九方云智能科技有限公司 基于期权计算波动率指数来进行风险预警的方法及系统

Similar Documents

Publication Publication Date Title
Loualiche Asset pricing with entry and imperfect competition
US8577791B2 (en) System and computer program for modeling and pricing loan products
CN110110884A (zh) 信息预测方法、装置、计算机设备和存储介质
CN110110886A (zh) 信息预测方法、装置、计算机设备和存储介质
Chehrazi et al. Dynamic valuation of delinquent credit-card accounts
CN110009502A (zh) 理财数据分析方法、装置、计算机设备和存储介质
De Valk et al. Nowcasting: An R package for predicting economic variables using dynamic factor models
Bagzibagli Monetary transmission mechanism and time variation in the Euro area
CN110232463A (zh) 信息预测方法、装置、计算机设备和存储介质
CN110110885A (zh) 信息预测方法、装置、计算机设备和存储介质
CN110084400A (zh) 信息预测方法、装置、计算机设备和存储介质
Cepni et al. Do local and global factors impact the emerging markets' sovereign yield curves? Evidence from a data‐rich environment
De Blas et al. FDI in the Banking Sector
CN114757754A (zh) 上市公司画像系统、方法、存储介质及电子设备
Boonman et al. Modelling the trade balance between the northern and southern eurozone using an intertemporal approach
Hasan et al. Metal and Mineral Mining Firm’s Equity Valuation in Indonesia Stock Exchange
Yamanaka Quantitative credit risk monitoring using purchase order information
Lopez‐Buenache Forecast accuracy of small and large scale dynamic factor models in developing economies
Dincer et al. The quality of fiscal adjustment: an empirical analysis of Turkey
Farah et al. The Effects of Private Equity on the Financial Performance of Firms
Kushwaha et al. Prospective Stock Analysis Model to improve the investment chances using Machine Learning
Eraslan et al. Recession probabilities falling from the STARs
Cunha Essays on high dimensional financial econometrics
Ivashchenko Credit spreads, daily business cycle, and corporate bond returns predictability
Alifatussaadah et al. Nowcasting Indonesia's GDP Growth: Are Fiscal Data Useful?

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