CN110930258B - 一种应收账款融资变现规模预测方法及系统 - Google Patents
一种应收账款融资变现规模预测方法及系统 Download PDFInfo
- Publication number
- CN110930258B CN110930258B CN201911120856.1A CN201911120856A CN110930258B CN 110930258 B CN110930258 B CN 110930258B CN 201911120856 A CN201911120856 A CN 201911120856A CN 110930258 B CN110930258 B CN 110930258B
- Authority
- CN
- China
- Prior art keywords
- financing
- rendering
- model
- scale
- module
- 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.)
- Active
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
- G06Q40/06—Asset management; Financial planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Technology Law (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种应收账款融资变现规模预测方法及系统，属于人工智能技术领域，包括获取应收账款流转业务历史数据，所述应收账款流转业务历史数据包括日期和融资变现数额；根据时间间隔，将应收账款流转业务历史数据转换为融资变现时间序列样本；构建变现模型，该变现模型为用于预测应收账款融资变现规模的时间序列模型；利用变现模型对融资变现时间序列样本进行处理，得到应收账款融资变现规模的预测结果。本发明建立用于预测应收账款融资变现规模的时间序列模型，对由应收账款流转业务历史数据转换得到的时间序列样本进行处理，实现对一定时间内应收账款融资变现规模的科学准确预测。
Description
技术领域
本发明涉及人工智能技术领域，特别涉及一种应收账款融资变现规模预测方法及系统。
背景技术
应收账款融资变现是应收账款流转的一种主要方式，应收账款债权人将其拥有的应收账款通过质押、折价转让等方式，从银行、保理商、非金融资产管理公司等资金提供放获得资金，满足企业生产经营和发展的资金需求。随着业务的不断发展，如何科学地预测未来一段时间内的应收账款融资变现规模，为不断提高融资服务水平，实现资金效益最大化提供重要参考，是应收账款债权管理服务机构以及资金提供方尤其关注的问题。
发明内容
本发明的目的在于解决现有技术存在的问题，以对应收账款融资变现规模进行准确预测。
为实现以上目的，本发明采用一种应收账款融资变现规模预测方法，包括如下步骤：
获取应收账款流转业务历史数据，所述应收账款流转业务历史数据包括日期和融资变现数额；
根据时间间隔，将应收账款流转业务历史数据转换为融资变现时间序列样本；
构建变现模型，该变现模型为用于预测应收账款融资变现规模的时间序列模型；
利用变现模型对融资变现时间序列样本进行处理，得到应收账款融资变现规模的预测结果。
进一步地，在所述将应收账款流转业务历史数据转换为融资变现时间序列样本之后，还包括如下步骤：
步骤a）、采用主客观检验方法，判断所述融资变现时间序列样本是否具有平稳性，若否则执行步骤b），若是则执行步骤c）；
步骤b）、对所述融资变现时间序列样本进行平稳化处理，然后执行步骤c）；
步骤c）、利用所述变现模型对平稳的融资变现时间序列样本进行处理，得到应收账款融资变现规模的预测结果。
进一步地，所述对所述融资变现时间序列样本进行平稳化处理，包括：
步骤b1）、对所述融资变现时间序列样本进行差分平稳化处理，得到一次差分后的序列；
步骤b2）、对一次差分后的序列进行ADF检验，判断一次差分后的序列是否平稳，若是则执行步骤b3），若否则对一次差分后的序列进行再次差分平稳化处理直至得到平稳的融资变现时间序列样本，然后执行步骤b3）；
步骤b3）、判断所述平稳的融资变现时间序列样本是否是白噪声，若是则执行步骤b4），若否则执行步骤b5）；
步骤b4）、确定所述平稳的融资变现时间序列样本为随机扰动序列，无法用于融资变现规模预测，并重新获取应收账款流转业务历史数据；
步骤b5）、确定所述平稳的融资变现时间序列样本可用于融资变现规模预测，并执行所述步骤c）。
进一步地，所述构建变现模型，包括：
根据信息准则函数法，计算模型的阶数；
按照模型的阶数，构建所述变现模型。
进一步地，还包括：
对所述变现模型进行检验，Ljung-Box检验残差序列结果为 P=0.72468899>0.05，确定所述变现模型有效。
另一方面，采用一种应收账款融资变现规模预测系统，包括数据获取模块、时间序列样本转换模块、模型构建模块和预测模块；
数据获取模块用于获取应收账款流转业务历史数据，所述应收账款流转业务历史数据包括日期和融资变现数额；
时间序列样本转换模块用于根据时间间隔，将应收账款流转业务历史数据转换为融资变现时间序列样本；
模型构建模块用于构建变现模型，该变现模型为用于预测应收账款融资变现规模的时间序列模型；
预测模块用于利用变现模型对融资变现时间序列样本进行处理，得到应收账款融资变现规模的预测结果。
进一步地，还包括与所述时间序列样本转换模块连接的稳定性判断模块，稳定性判断模块块连接有平稳化处理模块；
稳定性判断模块用于采用主客观检验方法，判断所述融资变现时间序列样本是否具有平稳性；
平稳化处理模块用于在稳定性判断模块输出结果为否时，对所述融资变现时间序列样本进行平稳化处理；
所述预测模块用于在稳定性判断模块输出结果为是时，利用所述变现模型对平稳的融资变现时间序列样本进行处理，得到应收账款融资变现规模的预测结果。
进一步地，所述平稳化处理模块包括差分平稳化处理单元、ADF检验单元和白噪声检测单元；
差分平稳化处理单元用于对所述融资变现时间序列样本进行差分平稳化处理，得到一次差分后的序列；
ADF检验单元用于对一次差分后的序列进行ADF检验，判断一次差分后的序列是否平稳；
差分平稳化处理单元还用于在ADF检验单元输出结果为否时，对一次差分后的序列再次进行平稳化处理；
白噪声检测单元用于在ADF检验单元输出结果为是时，判断所述平稳的融资变现时间序列样本是否是白噪声；
所述数据获取模块用于在白噪声检测单元输出结果为是时，重新获取应收账款流转业务历史数据；
所述预测模块用于在白噪声检测单元输出结果为否时，利用所述变现模型对平稳的融资变现时间序列样本进行处理，得到应收账款融资变现规模的预测结果。
进一步地，所述模型构建模块包括模型阶数计算单元和模型建立单元：
模型阶数计算单元用于根据信息准则函数法，计算模型的阶数；
模型建立单元用于按照模型的阶数，构建所述变现模型。
进一步地，还包括检验模块，其用于对所述变现模型进行检验，Ljung-Box检验残差序列结果为 P=0.72468899>0.05，确定所述变现模型有效。
与现有技术相比，本发明存在以下技术效果：本发明采用基于机器学习的方法，建立用于预测应收账款融资变现规模的时间序列模型，对由应收账款流转业务历史数据转换得到的时间序列样本进行处理，实现对一定时间内应收账款融资变现规模的科学准确预测，以为应收账款债权管理服务机构以及资金提供放提供重要参考。
附图说明
下面结合附图，对本发明的具体实施方式进行详细描述：
图1是一种应收账款融资变现规模预测方法的流程示意图；
图2是一种应收账款融资变现规模预测原理示意图；
图3是时间序列图；
图4是变现模型的拟合效果示意图；
图5是一种应收账款融资变现规模预测系统的结构示意图。
具体实施方式
为了更进一步说明本发明的特征，请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用，并非用来对本发明的保护范围加以限制。
如图1至图2所示，本实施例公开了一种应收账款融资变现规模预测方法，包括如下步骤S1至S4：
S1、获取应收账款流转业务历史数据，所述应收账款流转业务历史数据包括日期和融资变现数额；
S2、根据时间间隔，将应收账款流转业务历史数据转换为融资变现时间序列样本；
S3、构建变现模型，该变现模型为用于预测应收账款融资变现规模的时间序列模型；
S4、利用变现模型对融资变现时间序列样本进行处理，得到应收账款融资变现规模的预测结果。
具体来说，本实施例中可采集2年以上的应收账款业务历史数据，并以月份为统计时间间隔，统计各月份的应收账款融资变现数额，形成融资变现时间序列样本。并建立时间序列模型对时间序列样本进行处理，对短期内应收账款融资变现规模进行科学预测。
生成的融资变现时间序列样本如下表1所示：
表1
| 日期（年月） | 融资变现数额（单位：亿元） |
| 201001 | 2.01 |
| 201002 | 1.99 |
| 201003 | 1.84 |
| … | … |
| 201906 | 4.32 |
进一步地，在上述步骤S2：根据时间间隔，将应收账款流转业务历史数据转换为融资变现时间序列样本之后，还包括如下步骤：
步骤a）、采用主客观检验方法，判断所述融资变现时间序列样本是否具有平稳性，若否则执行步骤b），若是则执行步骤c）；
步骤b）、对所述融资变现时间序列样本进行平稳化处理，然后执行步骤c）；
步骤c）、利用所述变现模型对平稳的融资变现时间序列样本进行处理，得到应收账款融资变现规模的预测结果。
需要说明的是，如图3所示，从时间序列图来看，每月的融资变现数额有明显的递增趋势，可以判断是非平稳融资变现时间序列。
采用客观检验法进一步识别，ADF检验结果如下：
(0.651261944259241, 0.9888133034586613, 13, 100, {'10%': -2.5824349,'1%': -3.497501033, '5%': -2.89090644}, -130.51223569927959)
通过ADF检验可以得到单位根检验统计量对应的p值，检验结果p值0.9888133034586613大于0.05，也为非平稳融资变现时间序列，则确定时间序列样本需进行平稳化处理。
进一步地，步骤b）中对所述融资变现时间序列样本进行平稳化处理的过程如下：
步骤b1）、对所述融资变现时间序列样本进行差分平稳化处理，得到一次差分后的序列；
步骤b2）、对一次差分后的序列进行ADF检验，判断一次差分后的序列是否平稳，若是则执行步骤b3），若否则对一次差分后的序列进行再次差分平稳化处理直至得到平稳的融资变现时间序列样本，然后执行步骤b3）；
步骤b3）、判断所述平稳的融资变现时间序列样本是否是白噪声，若是则执行步骤b4），若否则执行步骤b5）；
步骤b4）、确定所述平稳的融资变现时间序列样本为随机扰动序列，无法用于融资变现规模预测，并重新获取应收账款流转业务历史数据；
步骤b5）、确定所述平稳的融资变现时间序列样本可用于融资变现规模预测，并执行所述步骤c）。
需要说明的是，平稳化处理是将非平稳融资变现时间序列转换为平稳融资变现时间序列，由于融资变现时间序列数据呈现上升趋势，所以需要对融资变现时间序列数据进行差分平稳化处理，一阶差分后进行ADF检验，分析差分后的序列是否平稳，若不平稳，可再进行一次差分。其中：
一阶差分结果为(-2.352394108677578, 0.15562586816190932, 12, 100, {'10%': -2.5824349, '5%': -2.89090644, '1%': -3.497501033}, -131.01018505228694)；
二阶差分结果为(-13.969787007121854, 4.3662825000613334e-26, 11, 100,{'10%': -2.5824349, '5%': -2.89090644, '1%': -3.497501033}, -124.34337687431446)；
二阶差分后得到平稳的融资变现时间序列，则继续验证时间序列样本是否是白噪声，通过Ljung-Box检验方法进行白噪声检验，如果是白噪声，那么此序列即都是随机扰动，无法进行预测和使用。如果不是白噪声，则建立合适的模型对时间序列样本进行处理。
具体地，白噪声检验结果为：(array([3.97220226]), array([0.04625724])) ，P=0.04625724， P值小于0.05，所以为非白噪声序列，否则为白噪声序列。
进一步地，上述步骤S3：构建变现模型，具体包括如下步骤：
根据信息准则函数法，计算模型的阶数；
按照模型的阶数，构建所述变现模型。
其中，信息准则函数法包括：AIC准则、BIC准则，通过sm.tsa.arma_order_select_ic函数计算结果分别为AIC (3, 2)、BIC (3, 2)。
进一步地，在构建出所述变现模型后，还包括：对所述变现模型进行检验，Ljung-Box检验残差序列结果为 P=0.72468899>0.05，说明残差序列为白噪声序列，确定所述变现模型有效。
进一步地，本实施例还包括对变现模型的拟合效果进行检验， 通过QQ图检验残差，结果为符合正态分布，并且如图4所示计算拟合后残差的平方和RSS为0.9716，则说明拟合效果不错。
如图5所示，本实施例公开了一种应收账款融资变现规模预测系统，包括数据获取模块10、时间序列样本转换模块20、模型构建模块30和预测模块40；
数据获取模块10用于获取应收账款流转业务历史数据，所述应收账款流转业务历史数据包括日期和融资变现数额；
时间序列样本转换模块20用于根据时间间隔，将应收账款流转业务历史数据转换为融资变现时间序列样本；
模型构建模块30用于构建变现模型，该变现模型为用于预测应收账款融资变现规模的时间序列模型；
预测模块40用于利用变现模型对融资变现时间序列样本进行处理，得到应收账款融资变现规模的预测结果。
进一步地，还包括与所述时间序列样本转换模块20连接的稳定性判断模块50，稳定性判断模块50块连接有平稳化处理模块60；
稳定性判断模块50用于采用主客观检验方法，判断所述融资变现时间序列样本是否具有平稳性；
平稳化处理模块60用于在稳定性判断模块50输出结果为否时，对所述融资变现时间序列样本进行平稳化处理；
所述预测模块40用于在稳定性判断模块50输出结果为是时，利用所述变现模型对平稳的融资变现时间序列样本进行处理，得到应收账款融资变现规模的预测结果。
进一步地，所述平稳化处理模块60包括差分平稳化处理单元、ADF检验单元和白噪声检测单元；
差分平稳化处理单元用于对所述融资变现时间序列样本进行差分平稳化处理，得到一次差分后的序列；
ADF检验单元用于对一次差分后的序列进行ADF检验，判断一次差分后的序列是否平稳；
差分平稳化处理单元还用于在ADF检验单元输出结果为否时，对一次差分后的序列再次进行平稳化处理；
白噪声检测单元用于在ADF检验单元输出结果为是时，判断所述平稳的融资变现时间序列样本是否是白噪声；
所述数据获取模块10用于在白噪声检测单元输出结果为是时，重新获取应收账款流转业务历史数据；
所述预测模块40用于在白噪声检测单元输出结果为否时，利用所述变现模型对平稳的融资变现时间序列样本进行处理，得到应收账款融资变现规模的预测结果。
进一步地，所述模型构建模块30包括模型阶数计算单元和模型建立单元：
模型阶数计算单元用于根据信息准则函数法，计算模型的阶数；
模型建立单元用于按照模型的阶数，构建所述变现模型。
进一步地，还包括检验模块，其用于对所述变现模型进行检验，Ljung-Box检验残差序列结果为 P=0.72468899>0.05，确定所述变现模型有效。
需要说明的是，本方案提供的一种应收账款融资变现规模预测系统与上述实施例融资变现规模预测方法具有相同或相似的技术特征，实现相同的效果，该处不再赘述。
利用上述实例中的数据预测下一个月的应收账款融资变现数额，结果为：(array([4.8887455]),array([0.29994971]),array([[4.30085487,5.47663612]]))，分别是预测值（array型）、标准误差（array型）及置信区间（array型），需要再进行二阶差分还原，得到真实的预测值。
应用上述变现模型可实现对未来1-6月的应收账款融资变现数额进行实时预测，及时把握市场的资金需求，为应收账款债权管理服务机构以及银行、保理商、非金融资产管理公司等资金提供方提供重要参考，以不断提高融资服务水平。
特别地，在业务运营过程中，随着应收账款融资变现业务数据的积累，超过一定时间范围时（可实现对未来1-6月的应收账款融资变现数额进行实时预测，所以1-6个月都可以重新训练，要求精度更高1个月训练一次就好），应重新训练模型，以提高预测的精准度。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种应收账款融资变现规模预测方法，其特征在于，包括：
获取应收账款流转业务历史数据，所述应收账款流转业务历史数据包括日期和融资变现数额；
根据时间间隔，将应收账款流转业务历史数据转换为融资变现时间序列样本；
构建变现模型，该变现模型为用于预测应收账款融资变现规模的时间序列模型；
利用变现模型对融资变现时间序列样本进行处理，得到应收账款融资变现规模的预测结果；
在所述将应收账款流转业务历史数据转换为融资变现时间序列样本之后，还包括如下步骤：
步骤a)、采用主客观检验方法，判断所述融资变现时间序列样本是否具有平稳性，若否则执行步骤b)，若是则执行步骤c)；
步骤b)、对所述融资变现时间序列样本进行平稳化处理，然后执行步骤c)；
步骤c)、利用所述变现模型对平稳的融资变现时间序列样本进行处理，得到应收账款融资变现规模的预测结果；
所述对所述融资变现时间序列样本进行平稳化处理，包括：
步骤b1)、对所述融资变现时间序列样本进行差分平稳化处理，得到一次差分后的序列；
步骤b2)、对一次差分后的序列进行ADF检验，判断一次差分后的序列是否平稳，若是则执行步骤b3)，若否则对一次差分后的序列进行再次差分平稳化处理直至得到平稳的融资变现时间序列样本，然后执行步骤b3)；
步骤b3)、判断所述平稳的融资变现时间序列样本是否是白噪声，若是则执行步骤b4)，若否则执行步骤b5)；
步骤b4)、确定所述平稳的融资变现时间序列样本为随机扰动序列，无法用于融资变现规模预测，并重新获取应收账款流转业务历史数据；
步骤b5)、确定所述平稳的融资变现时间序列样本可用于融资变现规模预测，并执行所述步骤c)。
2.如权利要求1所述的应收账款融资变现规模预测方法，其特征在于，所述构建变现模型，包括：
根据信息准则函数法，计算模型的阶数；
按照模型的阶数，构建所述变现模型。
3.如权利要求2所述的应收账款融资变现规模预测方法，其特征在于，还包括：
对所述变现模型进行检验，Ljung-Box检验残差序列结果为P＝0.72468899>0.05，确定所述变现模型有效。
4.一种应收账款融资变现规模预测系统，用于实现权利要求1-3任意一项所述的一种应收账款融资变现规模预测方法，其特征在于，包括数据获取模块、时间序列样本转换模块、模型构建模块和预测模块；
数据获取模块用于获取应收账款流转业务历史数据，所述应收账款流转业务历史数据包括日期和融资变现数额；
时间序列样本转换模块用于根据时间间隔，将应收账款流转业务历史数据转换为融资变现时间序列样本；
模型构建模块用于构建变现模型，该变现模型为用于预测应收账款融资变现规模的时间序列模型；
预测模块用于利用变现模型对融资变现时间序列样本进行处理，得到应收账款融资变现规模的预测结果。
5.如权利要求4所述的应收账款融资变现规模预测系统，其特征在于，还包括与所述时间序列样本转换模块连接的稳定性判断模块，稳定性判断模块块连接有平稳化处理模块；
稳定性判断模块用于采用主客观检验方法，判断所述融资变现时间序列样本是否具有平稳性；
平稳化处理模块用于在稳定性判断模块输出结果为否时，对所述融资变现时间序列样本进行平稳化处理；
所述预测模块用于在稳定性判断模块输出结果为是时，利用所述变现模型对平稳的融资变现时间序列样本进行处理，得到应收账款融资变现规模的预测结果。
6.如权利要求5所述的应收账款融资变现规模预测系统，其特征在于，所述平稳化处理模块包括差分平稳化处理单元、ADF检验单元和白噪声检测单元；
差分平稳化处理单元用于对所述融资变现时间序列样本进行差分平稳化处理，得到一次差分后的序列；
ADF检验单元用于对一次差分后的序列进行ADF检验，判断一次差分后的序列是否平稳；
差分平稳化处理单元还用于在ADF检验单元输出结果为否时，对一次差分后的序列再次进行平稳化处理；
白噪声检测单元用于在ADF检验单元输出结果为是时，判断所述平稳的融资变现时间序列样本是否是白噪声；
所述数据获取模块用于在白噪声检测单元输出结果为是时，重新获取应收账款流转业务历史数据；
所述预测模块用于在白噪声检测单元输出结果为否时，利用所述变现模型对平稳的融资变现时间序列样本进行处理，得到应收账款融资变现规模的预测结果。
7.如权利要求6所述的应收账款融资变现规模预测系统，其特征在于，所述模型构建模块包括模型阶数计算单元和模型建立单元：
模型阶数计算单元用于根据信息准则函数法，计算模型的阶数；
模型建立单元用于按照模型的阶数，构建所述变现模型。
8.如权利要求7所述的应收账款融资变现规模预测系统，其特征在于，还包括检验模块，其用于对所述变现模型进行检验，Ljung-Box检验残差序列结果为P＝0.72468899>0.05，确定所述变现模型有效。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911120856.1A CN110930258B (zh) | 2019-11-15 | 2019-11-15 | 一种应收账款融资变现规模预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911120856.1A CN110930258B (zh) | 2019-11-15 | 2019-11-15 | 一种应收账款融资变现规模预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110930258A CN110930258A (zh) | 2020-03-27 |
| CN110930258B true CN110930258B (zh) | 2023-08-25 |
Family
ID=69853117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911120856.1A Active CN110930258B (zh) | 2019-11-15 | 2019-11-15 | 一种应收账款融资变现规模预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110930258B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111798014B (zh) * | 2019-03-21 | 2024-04-09 | 安徽海汇金融投资集团有限公司 | 一种应收账款债权流转业务量预测方法及系统 |
| CN117319559B (zh) * | 2023-11-24 | 2024-02-02 | 杭州度言软件有限公司 | 一种基于智能语音机器人的催收方法与系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002169957A (ja) * | 2000-12-02 | 2002-06-14 | Yuichi Ishizaka | 不良債権土地処理のためのデータ処理システム及び装置 |
| JP2003296578A (ja) * | 2002-03-29 | 2003-10-17 | Fujitsu Ltd | 債権流動化に関する振り分け方法及び装置 |
| CN107292536A (zh) * | 2017-07-20 | 2017-10-24 | 北京汇通金财信息科技有限公司 | 一种金融风险管理方法及系统 |
| CN108038781A (zh) * | 2017-12-05 | 2018-05-15 | 安徽海汇金融投资集团有限公司 | 一种应收账款债权凭证（合同）流转系统 |
| CN108154441A (zh) * | 2018-01-15 | 2018-06-12 | 周斌 | 一种融资综合服务平台及方法 |
| CN108376319A (zh) * | 2018-03-14 | 2018-08-07 | 重庆金融资产交易所有限责任公司 | 企业综合实力评估方法、服务器及存储介质 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006010044A2 (en) * | 2004-07-09 | 2006-01-26 | Gapyx, Llc | System and method for behavioral finance |
| US8065214B2 (en) * | 2005-09-06 | 2011-11-22 | Ge Corporate Financial Services, Inc. | Methods and system for assessing loss severity for commercial loans |
| US20140200951A1 (en) * | 2013-01-11 | 2014-07-17 | International Business Machines Corporation | Scalable rule logicalization for asset health prediction |
| US20150134565A1 (en) * | 2013-11-12 | 2015-05-14 | Bank Of America Corporation | Predicting economic conditions |
| JP6742894B2 (ja) * | 2016-06-09 | 2020-08-19 | 株式会社日立製作所 | データ予測システムおよびデータ予測方法 |
| CN106157136A (zh) * | 2016-08-30 | 2016-11-23 | 北京蜂向信息科技有限公司 | 一种供应链金融服务管理系统及方法 |
| CN107358317A (zh) * | 2017-06-28 | 2017-11-17 | 北京优特捷信息技术有限公司 | 通过机器学习进行时序预测的方法及装置 |
| US10269066B2 (en) * | 2017-09-12 | 2019-04-23 | Pramod Jain | Automated collateral risk and business performance assessment system |
| CN107633331A (zh) * | 2017-09-26 | 2018-01-26 | 北京福布罗科技有限公司 | 时间序列模型建立方法及装置 |
| CN109409561B (zh) * | 2018-08-22 | 2022-04-19 | 国网天津市电力公司 | 多时间尺度时间序列协同预测模型的构建方法 |
| CN109214600A (zh) * | 2018-10-26 | 2019-01-15 | 常州工学院 | 一种贷款规模预测及分配模型 |
| CN109615117A (zh) * | 2018-11-22 | 2019-04-12 | 国网天津市电力公司 | 一种基于arima模型的煤改电电力负荷预测方法 |
| CN110111036A (zh) * | 2019-03-28 | 2019-08-09 | 跨越速运集团有限公司 | 基于lstm模型融合的物流货量预测方法及系统 |
-
2019
- 2019-11-15 CN CN201911120856.1A patent/CN110930258B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002169957A (ja) * | 2000-12-02 | 2002-06-14 | Yuichi Ishizaka | 不良債権土地処理のためのデータ処理システム及び装置 |
| JP2003296578A (ja) * | 2002-03-29 | 2003-10-17 | Fujitsu Ltd | 債権流動化に関する振り分け方法及び装置 |
| CN107292536A (zh) * | 2017-07-20 | 2017-10-24 | 北京汇通金财信息科技有限公司 | 一种金融风险管理方法及系统 |
| CN108038781A (zh) * | 2017-12-05 | 2018-05-15 | 安徽海汇金融投资集团有限公司 | 一种应收账款债权凭证（合同）流转系统 |
| CN108154441A (zh) * | 2018-01-15 | 2018-06-12 | 周斌 | 一种融资综合服务平台及方法 |
| CN108376319A (zh) * | 2018-03-14 | 2018-08-07 | 重庆金融资产交易所有限责任公司 | 企业综合实力评估方法、服务器及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110930258A (zh) | 2020-03-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Szarowska | Effect of macroeconomic determinants on non-performing loans in Central and Eastern European countries | |
| Amano et al. | Risk premium shocks and the zero bound on nominal interest rates | |
| Guerrieri et al. | Can macro variables used in stress testing forecast the performance of banks? | |
| CN110930258B (zh) | 一种应收账款融资变现规模预测方法及系统 | |
| CN106570631B (zh) | 一种面向p2p平台运营风险评估的方法和系统 | |
| CN104992234A (zh) | 一种基于多种运营数据的企业风险评估方法 | |
| Demerjian et al. | Measuring financial covenant strictness in private debt contracts | |
| Koske et al. | The usefulness of output gaps for policy analysis | |
| CN103366091A (zh) | 基于多级阈值指数加权平均的异常报税数据检测方法 | |
| CN117237126B (zh) | 一种保险平台及保险数据处理方法 | |
| CN112801393A (zh) | 基于转移因子的车险风险预测方法、装置及存储介质 | |
| CN112488496A (zh) | 一种财务指标预测方法及装置 | |
| CN111062602A (zh) | 企业信用风险评估的方法、装置及存储介质 | |
| Kim | Delays in banks’ loan loss provisioning and economic downturns: Evidence from the US housing market | |
| CN118134631A (zh) | 风险度量模型的动态优化方法与系统 | |
| Smithson et al. | Quantifying operational risk | |
| CN117151871A (zh) | 一种基于多维数据分析的履约风险评估方法及系统 | |
| CN116542760A (zh) | 一种用于评估数据的方法和装置 | |
| CN115760363A (zh) | 一种基于人行征信报告的利率测算方法及设备 | |
| George et al. | Forecast of foreign direct investment inflow (2019-2023) with reference to Indian economy | |
| Mollick et al. | Chinese competition and its effects on Mexican maquiladoras | |
| Seidman et al. | The relevance of tax cash flow and tax expense | |
| CN110580494A (zh) | 一种基于分位数逻辑回归的数据分析方法 | |
| US12045261B2 (en) | Method and apparatus for measuring material risk in a data set | |
| CN111754331B (zh) | 一种业务审批方法及装置 |
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 |