CN110866829A - 一种基于集成学习模型的股价预测方法 - Google Patents
一种基于集成学习模型的股价预测方法 Download PDFInfo
- Publication number
- CN110866829A CN110866829A CN201911143414.9A CN201911143414A CN110866829A CN 110866829 A CN110866829 A CN 110866829A CN 201911143414 A CN201911143414 A CN 201911143414A CN 110866829 A CN110866829 A CN 110866829A
- Authority
- CN
- China
- Prior art keywords
- stock price
- time
- historical
- data
- factors
- 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
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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于集成学习模型的股价预测方法,属于计算机数据处理领域,方法包括采集股票价格的历史数据和相应影响股价的基本因素;根据基本因素出现的时间点和固定时间间隔对股价历史数据和基本因素进行分组;构建股价预测模型;训练股价预测模型;测试股价预测模型;实时采集当前股票价格的数据和股票基本因素数据;根据当前的股价和基础因素输入股价预测模型预测未来一个时间点或者时间段的股价。采用了不同子网、不同层次以及不同权重的特征,构造了全新预测模型,通过对模型的训练和测试后,预测的股票价格非常精准,可以大大的减少了预测误差。
Description
技术领域
本发明涉及计算机数据处理领域,尤其涉及一种基于集成学习模型的股价预测方法。
背景技术
股票的价格都是实时波动的,具有极大的不稳定性以及随机性,在股票交易过程中,往往是基于人的主观决策或者是在股票价格下跌时来做出选股及购买行为,这样的选股行为并非是基于对股票后续价格走势的预测来做出的,因此可能存在较大的投资风险。
为了构建并采取适当的投资策略,以实现一种较为稳健的理性投资方式,机器学习技术在证券投资领域的应用,尤其是在择股和入市时机的确定方面的应用,已受到了研究人员的广泛关注,其基于对股票价格波动的预测来进行选股及择时入股,已被应用于股票购买行为的决策过程中。
现有技术中,也产生了一些采用互联网技术自动预测股票价格的方法,但是,预测结果的准确率较低,模型并不可靠。
发明内容
本发明的目的在于提供一种基于集成学习模型的股价预测方法,解决现有股价预测方法的预测结果的准确率较低,模型并不可靠的技术问题。
一种基于集成学习模型的股价预测方法,所述方法包括如下步骤:
步骤1:采集股票价格的历史数据和相应影响股价的基本因素;
步骤2:根据基本因素出现的时间点和固定时间间隔对股价历史数据和基本因素进行分组;
步骤3:构建股价预测模型;
步骤4:训练股价预测模型;
步骤5:测试股价预测模型;
步骤6:实时采集当前股票价格的数据和股票基本因素数据;
步骤7:根据当前的股价和基础因素输入股价预测模型预测未来一个时间点或者时间段的股价。
所述步骤1中的基本因素包括基础因素和技术因素;所述基础因素包括经济性因素、政策性因素、所属行业因素和业绩因素,所述技术因素包括公司技术突破因素和行业技术占比因素。
所述所属行业因素是从商品形态上分析公司产品是生产资源还是消费资源,从需求形态上分析公司产品的销售对象及销售范围,从生产形态上分析公司是劳动密集型、资本密集型或是知识技术密集型,分析每个因素都占一定权重因素。
所述步骤2中的具体过程为:取其中的一个时间点为起始点,然后按照固定间隔时间采集历史股价数据和基本因素数据,当基本因新出现、消失或者改变时,以该时间点为起始点采集历史股价数据和基本因素数据,然后再按固定间隔时间进行采集,得到若干个分组数据。
所述步骤3中构建股价预测模型由双层数据子网、参数特征结构层和分类定位预测网络组成,双层数据子网由历史数据子网和历史实时数据子网组成,历史数据子网和历史实时数据子网共享相同或者相近的参数,历史数据子网对选取历史时间N-D点的股价和基本因素进行参数特征提取得到历史参数特征层,历史实时数据子网对选取历史时间N点的股价和基本因素进行参数特征提取得到实时数据特征层,其中,N为历史的实时变化的时间数据,D为相隔时间数据,历史参数特征层和实时数据特征层中抽取H层参数特征,H为正整数;
参数特征结构层建成后,选取历史时间N+M点原目标预测股价和时间N的基础因数,M为相隔实时时间的预测点间隔时间,分类定位预测网络由预选数据子网、分类器子网和预测回归子网组成,预选数据子网用于初选预选数据,分类器子网用于生成权重系数,预测回归子网用于生成股价偏移量,同时分类定位预测网络与参数特征结构层并行执行。
所述步骤4中的具体过程为:
收集好选取历史时间N-D点的股价和基本因素和选取历史时间N点的股价和基本因素后,分别输入历史数据子网和历史实时数据子网获得历史参数特征层和实时数据特征层,抽取不同层次和不同权重的历史参数特征层和实时数据特征层构建参数特征结构,选取历史时间N+M点原目标预测股价和时间N的基础因数并输入构建参数特征结构和分类定位预测网络,M为相隔实时时间的预测点间隔时间,分别把每个历史参数特征层和实时数据特征层分别输入分类定位预测网络,分类定位预测网络与参数特征结构层并行执行,并得到分类定位预测网络的输出结果,把输出结果与历史时间N+M点真实股价进行相似度匹配,获取正样本和负样本,利用目标损失函数计算匹配结果与标签真实值之间的误差,并将该误差逐层反向传播至输入层,同时,基于小批量随机梯度下降优化算法调整网络中的权重和偏置,获取最优的误差值,完成一次网络模型训练。
所述步骤5的具体过程为:
将选取历史时间N-D点的股价和基本因素和历史时间N-D’点的股价和基本因素分别输入历史数据子网和历史实时数据子网并输出结果数据,把结果数据输入到训练好的股价预测模型中,得到特征层的参数,然后把参数输入分类定位预测网络得到测试结果,然后将测试结果输回到历史实时数据子网,完成模型测试。
本发明采用了上述技术方案,本发明具有以下技术效果:
本发明采用了不同子网、不同层次以及不同权重的特征,构造了全新预测模型,通过对模型的训练和测试后,预测的股票价格非常精准,可以大大的减少了预测误差,同时在参数选取判断上从经济性因素、政策性因素、所属行业因素、业绩因素和技术因素上进行分析,使得分析的结果更可靠,准确率较高。
附图说明
图1是本发明方法流程图。
图2是本发明模型训练原理图。
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,举出优选实施例,对本发明进一步详细说明。然而,需要说明的是,说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解,即便没有这些特定的细节也可以实现本发明的这些方面。
如图1所示,本发明一种基于集成学习模型的股价预测方法,所述方法包括如下步骤:
步骤1:采集股票价格的历史数据和相应影响股价的基本因素。基本因素包括基础因素和技术因素;所述基础因素包括经济性因素、政策性因素、所属行业因素和业绩因素,所述技术因素包括公司技术突破因素和行业技术占比因素。
国际形势的变化,如外交关系的改善会使有关跨国公司的股价上升。投资者应在外交关系改善时,不失时机地购进相关跨国公司的股票。
战争的影响。战争使各国经济不稳定,人心动荡,股价下跌,这是战争造成的广泛影响。但是战争对不同行业的股票价格影响又不同,比如战争使军需工业兴盛、繁盛,那么凡是与军工需工业相关的公司的股票价格必然上涨。因此,投资者应适时购进军需工业及其相关工业的股票,售出容易在战争中受损的股票。
国内重大事件,如事件风波等也会对股票产生重大影响。即对股票投资者的心理产生影响。从而间接地影响股价水准。
国家的重大经济政策,如产业政策、税收政策、货币政策。国家重点扶持、发展的产业,其股票价格会被推高,而国家限制发展的产业,股票价格会受到不利影响,例如事件对社会公用事业的产品和劳务进行限价,包括交通运输、煤气、水电等,这样就会直接影响公用事业的盈利水准,导致公用事业公司股价下跌;货币政策的改变,会引起市场利率发生变化,从而引起股价变化;税收政策方面,能够享受国家减税免税优惠的股份公司,其股票价格会出现上升趋势,而调高个人所得税,由于影响社会消费水准下跌,引起商品的滞销,从而对公司生产规模造成影响,导致盈利下降,股价下跌。这些事件因素对股票市场本身产生的影响,即通过公司盈利和市场利率产生一定的影响,进而引起股票价格的变动。
所属行业因素是从商品形态上分析公司产品是生产资源还是消费资源,前者是满足人们的生产需要后者则是直接满足人们的生产需要。但二者受经济环境的影响不同。一般情况下,生产资源受景气变动影响较消费资源大,即当经济好转时,生产资源的生产增加比消费资源快;反之,生产资源的生产萎缩也快。在消费资源中,还应分析公司的产品是必需品,还是奢侈品,因为不同的产品性质,对市场需求、公司经营和市场价格变化等都将产生不同的影响。
从需求形态上分析公司产品的销售对象及销售范围。如公司产品是以内销为主,还是外销为主,内销易受国内事件、经济因素的影响,外销则易受国际经济、贸易气候的左右。同时还必须调查分析企业商品对不同需求对象的满足程度,不同的需要对象对商品的性能、品质也有不同的要求,公司以需求定产,否则,必然影响公司的产品销售,从而影响盈利水准,使投资收益降低,股价下跌。
从生产形态上分析公司是劳动密集型、资本密集型或是知识技术密集型,分析每个因素都占一定权重因素。在生产的劳动、资本和技术的诸因素中,以劳动投入为主的属劳动密集型以资本投入为主为资本密集型,以知识技术投入为主则为知识技术密集型。在经济不发达国家或地区往往劳动密集型企业比重大,在经济发达国家或地区资本密集型企业往往占优势。在当代随着新技术革命的发展,技术密集型已逐步取代资本密集型。此外,不同类型的公司,劳动生产率和竞争力不同,也会影响到企业产品的销售及盈利水准,使投资收益发生差异。
步骤2:根据基本因素出现的时间点和固定时间间隔对股价历史数据和基本因素进行分组。取其中的一个时间点为起始点,然后按照固定间隔时间采集历史股价数据和基本因素数据,当基本因新出现、消失或者改变时,以该时间点为起始点采集历史股价数据和基本因素数据,然后再按固定间隔时间进行采集,得到若干个分组数据。
步骤3:构建股价预测模型。构建股价预测模型由双层数据子网、参数特征结构层和分类定位预测网络组成,双层数据子网由历史数据子网和历史实时数据子网组成,历史数据子网和历史实时数据子网共享相同或者相近的参数,历史数据子网对选取历史时间N-D点的股价和基本因素进行参数特征提取得到历史参数特征层,历史实时数据子网对选取历史时间N点的股价和基本因素进行参数特征提取得到实时数据特征层,其中,N为历史的实时变化的时间数据,D为相隔时间数据,历史参数特征层和实时数据特征层中抽取H层参数特征,H为正整数。
参数特征结构层建成后,选取历史时间N+M点原目标预测股价和时间N的基础因数,M为相隔实时时间的预测点间隔时间,分类定位预测网络由预选数据子网、分类器子网和预测回归子网组成,预选数据子网用于初选预选数据,分类器子网用于生成权重系数,预测回归子网用于生成股价偏移量,同时分类定位预测网络与参数特征结构层并行执行。
步骤4:训练股价预测模型,收集好选取历史时间N-D点的股价和基本因素和选取历史时间N点的股价和基本因素后,分别输入历史数据子网和历史实时数据子网获得历史参数特征层和实时数据特征层,抽取不同层次和不同权重的历史参数特征层和实时数据特征层构建参数特征结构,选取历史时间N+M点原目标预测股价和时间N的基础因数并输入构建参数特征结构和分类定位预测网络,M为相隔实时时间的预测点间隔时间,分别把每个历史参数特征层和实时数据特征层分别输入分类定位预测网络,分类定位预测网络与参数特征结构层并行执行,并得到分类定位预测网络的输出结果,把输出结果与历史时间N+M点真实股价进行相似度匹配,获取正样本和负样本,利用目标损失函数计算匹配结果与标签真实值之间的误差,并将该误差逐层反向传播至输入层,同时,基于小批量随机梯度下降优化算法调整网络中的权重和偏置,获取最优的误差值,完成一次网络模型训练。
步骤5:测试股价预测模型,将选取历史时间N-D点的股价和基本因素和历史时间N-D’点的股价和基本因素分别输入历史数据子网和历史实时数据子网并输出结果数据,把结果数据输入到训练好的股价预测模型中,得到特征层的参数,然后把参数输入分类定位预测网络得到测试结果,然后将测试结果输回到历史实时数据子网,完成模型测试。事件N是作为一个时刻变化的历史时间,比如昨天3点,然后这个N回随着3点的基础上随着时间的增加而增加。
步骤6:实时采集当前股票价格的数据和股票基本因素数据。基本因素数据为步骤1中所提到的因数。其具体获取为通过AylienAPI来获取数据,或者是与实时新闻头条公司网站等进行互通,实时的抓取变化的因素。
步骤7:根据当前的股价和基础因素输入股价预测模型预测未来一个时间点或者时间段的股价。预测的股价可以是几个小时后的,也可以是几天后的,根据实际的运行测试,一般是在相隔一天的预测数值的误差较小,随着时间的增多,通过平均数据来统计,时间相隔增大,预测的误差较大。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于集成学习模型的股价预测方法,其特征在于:所述方法包括如下步骤:
步骤1:采集股票价格的历史数据和相应影响股价的基本因素;
步骤2:根据基本因素出现的时间点和固定时间间隔对股价历史数据和基本因素进行分组;
步骤3:构建股价预测模型;
步骤4:训练股价预测模型;
步骤5:测试股价预测模型;
步骤6:实时采集当前股票价格的数据和股票基本因素数据;
步骤7:根据当前的股价和基础因素输入股价预测模型预测未来一个时间点或者时间段的股价。
2.根据权利要求1所述的一种基于集成学习模型的股价预测方法,其特征在于:所述步骤1中的基本因素包括基础因素和技术因素;所述基础因素包括经济性因素、政策性因素、所属行业因素和业绩因素,所述技术因素包括公司技术突破因素和行业技术占比因素。
3.根据权利要求2所述的一种基于集成学习模型的股价预测方法,其特征在于:所述所属行业因素是从商品形态上分析公司产品是生产资源还是消费资源,从需求形态上分析公司产品的销售对象及销售范围,从生产形态上分析公司是劳动密集型、资本密集型或是知识技术密集型,分析每个因素都占一定权重因素。
4.根据权利要求1所述的一种基于集成学习模型的股价预测方法,其特征在于:所述步骤2中的具体过程为:取其中的一个时间点为起始点,然后按照固定间隔时间采集历史股价数据和基本因素数据,当基本因新出现、消失或者改变时,以该时间点为起始点采集历史股价数据和基本因素数据,然后再按固定间隔时间进行采集,得到若干个分组数据。
5.根据权利要求1所述的一种基于集成学习模型的股价预测方法,其特征在于:所述步骤3中构建股价预测模型由双层数据子网、参数特征结构层和分类定位预测网络组成,双层数据子网由历史数据子网和历史实时数据子网组成,历史数据子网和历史实时数据子网共享相同或者相近的参数,历史数据子网对选取历史时间N-D点的股价和基本因素进行参数特征提取得到历史参数特征层,历史实时数据子网对选取历史时间N点的股价和基本因素进行参数特征提取得到实时数据特征层,其中,N为历史的实时变化的时间数据,D为相隔时间数据,历史参数特征层和实时数据特征层中抽取H层参数特征,H为正整数;
参数特征结构层建成后,选取历史时间N+M点原目标预测股价和时间N的基础因数,M为相隔实时时间的预测点间隔时间,分类定位预测网络由预选数据子网、分类器子网和预测回归子网组成,预选数据子网用于初选预选数据,分类器子网用于生成权重系数,预测回归子网用于生成股价偏移量,同时分类定位预测网络与参数特征结构层并行执行。
6.根据权利要求1所述的一种基于集成学习模型的股价预测方法,其特征在于:所述步骤4中的具体过程为:
收集好选取历史时间N-D点的股价和基本因素和选取历史时间N点的股价和基本因素后,分别输入历史数据子网和历史实时数据子网获得历史参数特征层和实时数据特征层,抽取不同层次和不同权重的历史参数特征层和实时数据特征层构建参数特征结构,选取历史时间N+M点原目标预测股价和时间N的基础因数并输入构建参数特征结构和分类定位预测网络,M为相隔实时时间的预测点间隔时间,分别把每个历史参数特征层和实时数据特征层分别输入分类定位预测网络,分类定位预测网络与参数特征结构层并行执行,并得到分类定位预测网络的输出结果,把输出结果与历史时间N+M点真实股价进行相似度匹配,获取正样本和负样本,利用目标损失函数计算匹配结果与标签真实值之间的误差,并将该误差逐层反向传播至输入层,同时,基于小批量随机梯度下降优化算法调整网络中的权重和偏置,获取最优的误差值,完成一次网络模型训练。
7.根据权利要求1所述的一种基于集成学习模型的股价预测方法,其特征在于:所述步骤5的具体过程为:
将选取历史时间N-D点的股价和基本因素和历史时间N-D’点的股价和基本因素分别输入历史数据子网和历史实时数据子网并输出结果数据,把结果数据输入到训练好的股价预测模型中,得到特征层的参数,然后把参数输入分类定位预测网络得到测试结果,然后将测试结果输回到历史实时数据子网,完成模型测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143414.9A CN110866829A (zh) | 2019-11-20 | 2019-11-20 | 一种基于集成学习模型的股价预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143414.9A CN110866829A (zh) | 2019-11-20 | 2019-11-20 | 一种基于集成学习模型的股价预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110866829A true CN110866829A (zh) | 2020-03-06 |
Family
ID=69656139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911143414.9A Pending CN110866829A (zh) | 2019-11-20 | 2019-11-20 | 一种基于集成学习模型的股价预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110866829A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686753A (zh) * | 2020-12-28 | 2021-04-20 | 科大讯飞股份有限公司 | 股利政策确定方法、装置、电子设备及存储介质 |
CN113807964A (zh) * | 2021-09-16 | 2021-12-17 | 陈炜 | 一种预测股票价格和确定参数的方法、设备及存储介质 |
-
2019
- 2019-11-20 CN CN201911143414.9A patent/CN110866829A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686753A (zh) * | 2020-12-28 | 2021-04-20 | 科大讯飞股份有限公司 | 股利政策确定方法、装置、电子设备及存储介质 |
CN113807964A (zh) * | 2021-09-16 | 2021-12-17 | 陈炜 | 一种预测股票价格和确定参数的方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 | |
Bernard et al. | Products and productivity | |
Ding et al. | Do firms care about investment opportunities? Evidence from China | |
CN110738564A (zh) | 贷后风险评估方法及装置、存储介质 | |
Chen et al. | Design of experiments on neural network's parameters optimization for time series forecasting in stock markets | |
CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
CN110689437A (zh) | 一种基于随机森林的通信施工项目财务风险预测方法 | |
CN110991739A (zh) | 一种行业电量需求预测模型的构建方法及预测方法 | |
Yunita | The digital banking profitability challenges: are they different between conventional and Islamic banks? | |
CN110866829A (zh) | 一种基于集成学习模型的股价预测方法 | |
CN112732786A (zh) | 金融数据处理方法、装置、设备及存储介质 | |
CN111626855A (zh) | 债券信用利差预测方法及系统 | |
Salma et al. | A regression model-based approach to identifying determining factors for GDP growth in Bangladesh | |
CN113506173A (zh) | 一种信用风险评估方法及其相关设备 | |
US20170004521A1 (en) | Systems and methods for generating industry outlook scores | |
CN114004530B (zh) | 基于排序支撑向量机的企业电力信用分建模方法及系统 | |
Demetrescu et al. | Nonlinear predictability of stock returns? Parametric versus nonparametric inference in predictive regressions | |
CN115375474A (zh) | 信息提示方法、装置及电子设备 | |
Mustafa et al. | An empirical investigation on determinants of foreign trade in Turkey | |
WO2018005708A1 (en) | Systems and methods for generating industry outlook scores | |
CN113421014A (zh) | 一种目标企业确定方法、装置、设备和存储介质 | |
CN114048592A (zh) | 一种精轧全流程分布式运行性能评估及非优原因追溯方法 | |
CN113762415A (zh) | 一种基于神经网络的汽车金融产品智能匹配方法和系统 | |
Zlati et al. | Financial performance analysis from a social welfare perspective-a comparative study Romania-Moldova | |
Sallehuddin et al. | Forecasting small data set using hybrid cooperative feature selection |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200306 |