CN111091467A - 基于区块链与深度学习的股权交易管理计算机仿真系统 - Google Patents
基于区块链与深度学习的股权交易管理计算机仿真系统 Download PDFInfo
- Publication number
- CN111091467A CN111091467A CN201811233655.8A CN201811233655A CN111091467A CN 111091467 A CN111091467 A CN 111091467A CN 201811233655 A CN201811233655 A CN 201811233655A CN 111091467 A CN111091467 A CN 111091467A
- Authority
- CN
- China
- Prior art keywords
- information
- transaction
- deep learning
- stock right
- data
- 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
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一种基于区块链与深度学习的股权交易管理计算机仿真系统,包括:数据采集模块、深度学习模块、业务应用模块和区块链模块,本发明改变传统中心化信息系统的特点,将去中心化的分布式区块链技术应用于股权交易计算机仿真系统的搭建,使信息交换和管理更公平、透明、高效,股权交易信息系统中的数据和信息更能被充分、有效地利用。本发明改进现有区块链技术中共识算法时间需求长、导致信息拥堵和和信息交换频率受限的缺陷,通过改进的共识算法,可将区块产生速度提升40倍。本发明将基于深度学习模型的智能决策的理念引入股权交易信息系统,利用改进的自编码器模型进行特征提取和分析,并设计多级深度学习模型逐步优化最终预测模型,从而实现信息数据的精准评估和系统风险规避。
Description
技术领域
本发明涉及的是一种信息处理领域的技术,具体是一种基于区块链与深度学习的股权交易管理模拟系统。
背景技术
目前金融交易平台中普遍使用的中心化信息系统存在信息不对称、数据不透明、信息交换低效、成本高等问题,信息系统的中心化技术体系依赖于中心监管机构,往往带来公平性低、监管风险不易控等问题。而中心化网络中的大量数据信息垄断和不透明,使各节点用户无法充分获取准确信息进行分析决策,不利于信息交换智能化的发展,也导致信息系统时间和费用的增高,降低系统整体的有效性。
最近几年,区块链技术虽已进入快速发展阶段,但并未普遍延伸到被广泛应用的中心化信息系统搭建中,而区块链中共识算法的时间效率低下问题也是导致区块链技术无法有效适用于高速信息交互的障碍,因而目前没有此类专利将区块链技术改进和应用于中心化的信息交换和管理系统。同时,现阶段的交易决策模型主要基于传统统计模型和简单机器学习模型,如线性回归等,深度学习这类复杂模型对股权交易数据的分析和处理流程并未被调适和应用于实际的信息系统。
发明内容
本发明针对现有技术存在的上述不足,提出一种基于区块链与深度学习的股权交易管理计算机仿真系统。
本发明是通过以下技术方案实现的:
本发明包括:数据采集模块、深度学习模块、业务应用模块和区块链模块,其中:数据采集模块从股权交易信息系统中采集交易运行的原始信息并进行量化后输出至深度学习模块,深度学习模块对量化后的数据进行特征提取和分析并生成智能预测深度学习模型,股权交易管理活动中的参与者通过业务应用模块实现股权交易信息系统中的股权交易管理活动,同时利用深度学习模型提供的评估预测来优化决策,业务应用模块与区块链模块相连并传输交易决策与交易数据信息,作为底层网络技术核心的区块链模块构建包含网络层和数据存储层的双层系统架构模型,并将数据存储层的交易信息输出至网络层各节点,供交易管理活动的各参与者进行智能分析与决策,实现去中心化的、点对点的分布式交易网络。
所述的数据采集模块采集股权交易信息系统中的交易运行的原始信息,包括但不限于:股权交易历史、股权变更记录、当前股权分布等;以及股权交易管理活动参与者的信息,比如投资对象资本结构变动、市值变动、企业项目年鉴等财务报表;股权交易监管规则;国内外经济状况等。采集的数据通过特征识别和量化,作为深度学习模型的输入。
所述的深度学习模块利用数据采集模块得到的数据,针对不同业务应用训练不同的预测模型,并进行评估。多级深度学习模型对输入的已获取数据和特定的输出进行特征提取和参数调优,逐级构建能够准确估值的模型,再应用于相应的股权交易活动预测。并通过迭代训练不断修正和优化参数,使预测结果智能化趋近于实际情况,为股权交易信息系统中的信息交互和管理活动提供准确、快速的决策方案与结果预估;该深度学习模块包含三级深度学习模型,其中一级深度学习模型接受参数化输入数据,进行特征提取和重构,二级深度学习模型进行辅助迭代训练和调参,最后关联到三级深度学习模型针对不同业务应用需求进行预测和评估,通过逐级构建和迭代调优,最终得到能够准确估值和预测的模型,再应用于实际股权交易信息系统中活动的决策。
所述的特征提取是指:搭建改进的自编码器模型,通过将输入数据进行重构,获得模型中间层的低维特征表达,从而在输入数据中提取出更低维、信息量更丰富的特征,用于上述深度学习模型的构建和训练。
所述的股权交易管理活动包括:股权登记、股权交易和股权管理等,其中股权登记业务应用包括:交易数据上链、投资标的尽职调查、投资方和项目方的负面清单管理等;股权交易业务应用包括:投资标的风险收益预测、投资方和项目方资质评估、股权基金管理、项目监控等;股权管理业务应用包括:投资对象信息披露、风险评估与识别、集中清结算等。
所述的业务应用模块完整清晰地记录所有股权登记、交易和管理的记录和历史,将大量线下的活动记录通过线上处理,极大地降低交易成本,调高管理效率。
所述的股权交易管理活动的参与者包括:投资方、项目方和监管方。投资方主体包括个人投资者和机构投资者,机构投资者主要指母基金、养老基金、金融机构和企业。项目方指股权发行项目方。监管方包括股权交易监管机构和行业自律组织以及法务、会计等第三方机构。
所述的区块链双层系统架构模型包含网络层和数据存储层,其中:网络层是一种去中心化的分布式系统,网络层中的各节点为股权交易信息系统中股权交易管理活动的各方参与者,节点间可实现点对点的信息交换和传输;数据存储层为公共数据库,存储区块链中整个股权交易信息系统的交易历史和所有用户的交易日志,并随时更新,每个节点均通过合法手段查询数据库中的信息。区块链数据库的公开、透明、可追溯性使数据采集更加高效、准确、充分,便于网络层中的各参与者进行后续的信息交互决策。
技术效果
与现有技术相比,本发明改变传统中心化信息系统的特点,将去中心化的分布式区块链技术应用于股权交易计算机仿真系统的搭建,使信息交换和管理更公平、透明、高效,股权交易信息系统中的数据和信息更能被充分、高效地利用。本发明改进现有区块链技术中共识算法时间需求长、导致信息拥堵和和信息交换频率受限的缺陷,通过改进的共识算法,可将区块产生速度提升40倍。本发明将基于深度学习模型的智能决策的理念引入信息交换和管理系统,利用改进的自编码器模型进行特征提取和分析,并设计多级深度学习模型逐步优化最终预测模型,从而实现信息数据的精准评估和系统风险规避。
附图说明
图1是本发明的整体结构示意图;
图2是数据采集与深度学习工作流程图;
图3是多级深度学习模型结构示意图;
图4是股权交易管理业务运行结构示意图;
图5是区块链结构和交易逻辑示意图。
具体实施方式
如图1所示,为本实施例涉及的一种基于区块链与深度学习的股权交易管理模拟系统,其中包含:数据采集模块、深度学习模块、业务应用模块、区块链模块。所述的数据采集模块采集股权交易信息系统需要分析的各类数据,进行特征参数化,输出至深度学习模块中;深度学习特征提取和预测模型针对不同的应用需求分别进行估值或预测,将决策结果输出至业务应用模块;业务应用主要包括股权登记、股权交易和股权管理,业务应用模块的交易信息被传输至区块链模块进行数据存储;信息交换和管理活动的各方参与者,包括投资方、项目方和监管方,实施业务应用行为,并构成区块链的网络节点,进行点对点的交互,将每一次信息交换进行透明公开的验证和存储,形成区块链平台的数据库和网络架构。
如图2所示,所述的数据采集模块主要采集用于信息交换管理预估评测的相关数据,主要包括:区块链数据库中的交易信息、各方参与者财务状况、股权交易规则、国内外市场状况,其中:区块链中的数据包括股权交易历史、股权变更记录、当前股权分布等,股权交易各方参与者信息包括但不限于公司资本结构变动、公司债务、企业重大项目、财务报表和现金流等。数据采集模块将采集到的各类数据进行特征识别和参数化,生成便于深度学习模型进行量化分析的数据结构。深度学习模块主要分为模型训练和模型预测两种工作模式。首先,利用数据采集模块得到的已知训练数据,针对特定的业务需求,利用特征提取模型进行特征选择和特征提取,将提取出的特征数据输出至深度学习预测模型中进行训练,数据标签可以为盈利值或风险值,或是否合乎资格等类别标签。模型经过训练,得到最优的模型参数和配置,用于模型预测工作模式的模型设置。在模型预测工作模式中,输入数据采集模块生成的用于评估的参数化数据,利用模型训练工作模式中得到的特征提取模型进行特征提取,再输出至最优的深度学习预测模型中进行分析和预测,得到模型输出。最终实现对股权交易信息系统中活动的收益和风险等更为精准和智能的评测。
如图3所示,所述的多级深度学习模块运行流程如下:
1.参数化的输入数据输入到结构对称的深度自编码器模型,即一级深度学习模型中进行学习重构,得到与输入同维度的重构输出;重构输出数据与输入数据一同输入到二级深度模型,即判别器中,计算重构输出与原始输入之间的误差函数并得到误差值,误差函数可写为其中n为输入数据样本个数,xi为输入数据,为重构输出;误差值E反馈回自编码器模型中参与模型的反复迭代训练,直到误差值降低到小于设定的阈值,通常设定为0.1或0.05,即认为一级与二级深度学习模型被训练到最优,自编码器中间层表达值被认为是提取好的优化特征。
2.将优化好的自编码器模型到中间层为止的前半部分作为后续预测模型的预训练过程,设计到深度学习预测模型中。
3.将输入数据输入到优化好的自编码器模型前半部分进行特征提取,再将降维后的特征输入到三级深度学习预测模型中,进行反复迭代训练,直到训练误差降低到设定阈值以下或几乎不再变化,则预测模型被训练到最优。
本发明的深度学习模块针对股权交易信息系统中不同的业务需求生成不同的深度学习模型,例如收益预测模型、风险预测模型、资质评估模型等。不同的模型对于不同的预测目标分别进行特征筛选和提取,生成不同的模型结构,并输出相应的预测结果。
图4所示为股权交易管理业务运行结构图,其中:
所述的股权交易管理业务应用包括但不限于登记准入、项目标的尽职调查、投资方和项目方的负面清单服务、项目收益预估和风险预测、基金项目筛选、投资对象现金流管理、项目跟踪与监控、股权变更、投资对象信息披露、风险识别与预警、集中清结算等。
所述的股权交易信息系统中的股权交易管理各方参与者包括:投资方、项目方和监管方。投资方包括个人投资者和机构投资者;项目方指投资对象或股权发行项目方;监管方包括金融监管机构和行业自律组织以及法务、会计等第三方机构。
各方参与者利用深度学习模块结合链上及外部数据进行智能风险和收益评测,做出股权交易和管理相关活动的决策。例如:(1)在股权登记环节中,投资方和投资项目的资质审查非常重要。对基于区块链技术的信息系统中投资者在各行业的相关数据进行分析并与股权交易项目进行匹配,可以很大程度上降低登记准入和资质审查的时间和成本。(2)在股权交易环节中,对投资项目的估值和收益风险评估最为关键。区别于传统的中心化信息系统,基于区块链的信息交换和管理系统可以提供公开全面的财务数据,估值条款更加清晰,项目方信息披露更加及时。同时,深度学习模块的估值模型充分利用各方数据自动执行估值和评测,降低第三方服务成本,提高工作效率,并能最大程度上控制风险保证收益。(3)在股权管理环节中,区块链上的每一笔交易信息及其对应的资金和股权结构变动情况都被完整及时地记录下来,不需要第三方托管,区块链数据的安全、真实、可追溯性大大提高信息管理效率,使信息管理工作变得简单、高效。
如图5所示,区块链是一种去中心化的各节点共享的数据库,也是一种分布式的网络协议。每个分布式节点可以通过哈希加密算法将交易信息封装在带有时间戳的数据区块中,并链接到最长的主区块链上。区块链中各区块按时间次序连接,从创世区块到当前区块形成一条最长主链,记录所有交易的完整历史,体现出区块链的可追溯特性。网络层各节点均参与区块数据的生成和验证过程。点对点的网络传输使信息公开透明,各节点地位均等,这种去中心化的特性使各节点更高效地对于数据有效性和一致性达成共识。
如图5所示,区块的生成技术架构主要包含以下几部分:
1.每个区块由区块头和区块体结合形成,区块头包含版本号、前一区块哈希值、时间戳、当前区块哈希值、随机数和Merkle根,区块体包含交易记录。时间戳可以作为区块数据的存在性证明,具有不可更改的特性,对于登记公正具有重要意义。区块链利用加密算法对每一个区块生成一个哈希值。哈希函数具有不可反推的特点,用以确保数据真实性。并且每一个区块均通过区块头的上一区块哈希值追溯到父区块,这也意味着如果父区块的哈希值改变将会导致所有下游子区块的数据改变,这种瀑布效应保证区块链历史无法更改,这也体现出区块链的可追溯性和安全性。
2.Merkle树包含产生当前区块的所有底层交易,并最终归纳到一个Merkle根节点的哈希值,区块只需要包含Merkle根节点哈希值而不必封装所有底层数据,并且对于数据的检验也不必下载完整区块链数据,只需追溯根哈希值的哈希序列。这极大地提高区块链的运行效率和可扩展性。
3.区块链中的交易通过数字签名进行非对称加密。区块链网络中的每个节点都有公钥和私钥两种密钥,公钥是公开的,私钥是私密的,用其中一种密钥加密信息后,只可以用另一种对应的密钥解密。交易中的电子货币是一串数字签名,发送者通过对前一次交易和接收者的公钥签署一个随机散列的数字签名,并将数字签名发送到接收者,而接收者通过对签名进行验证,可以确定发送者的身份。如交易逻辑结构图中所示,在加密过程中,A使用B的公钥进行信息加密发送给B,B再使用自己的私钥进行信息解密;在数字签名过程中,A利用自己的私钥进行信息加密后发送给B,B使用A的公钥进行信息解密,确保信息是由A发送的。
区块链去中心化的特性使各节点有效对数据有效性和一致性达成共识。为解决区块链网络的共识问题,通常使用工作量证明(POW)机制。工作量证明原理是加入信息传递的成本,使各节点独立计算一个随机哈希值,直到值被算出,则生成一个新的区块,算出哈希值的节点得到相应的工作量奖励,其他节点共同承认生成区块的有效性,并达成网络一致性。这种机制通过降低信息的传递速率来获得工作量证明,因而每一个新区块的确认都需要10分钟的时间,会造成信息拥堵和信息交换频率受限。本发明改进工作量证明的公式算法,将设定记账人的问题转变为限制记账人权利的问题,在这种算法下,记账人只可以选择是否参与记账,而不能改变交易数据和顺序等信息,从而产生新区块的时间提升为15秒,速度是传统工作量证明共识算法的40倍。
由区块链的技术结构可见,本发明改进的区块链具有去中心化、公开透明、可追溯、隐私保护、安全稳定等特点,并可有效提升信息交换速度和频率,基于区块链技术的信息系统可以很大程度上降低成本、提高效率,保证整个系统的快捷和安全。
与现有技术相比,本发明的主要创新及技术效果的贡献主要体现在:
1.改变传统中心化信息系统的特点,将去中心化的分布式区块链技术应用于股权交易计算机仿真系统的搭建,使信息交换和管理更公平、透明、高效,信息系统中的数据和信息更能被充分、高效地利用。
2.本发明改善现有区块链技术中普遍使用的共识算法,即工作量证明机制时间需求长、导致信息拥堵和和信息交换频率受限的问题,通过改进的共识算法,可将新区块产生时间由10分钟提升到15秒,速度提升40倍。
3.本发明将基于深度学习模型的智能决策引入股权交易信息系统,区别于传统的统计预测或简单线性回归模型预测方式,利用改进的自编码器模型进行特征提取和分析,并设计多级深度学习模型逐步优化最终预测模型,在量化分析及有效构造影响交易效果特征的同时,可将预测准确率由60%~70%提升到85%以上,从而实现信息数据的精准评估和系统风险规避。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (5)
1.一种基于区块链与深度学习的股权交易管理计算机仿真系统,其特征在于,包括:数据采集模块、深度学习模块、业务应用模块和区块链模块,其中:数据采集模块从股权交易信息系统中采集交易运行的原始信息,采集的数据通过特征识别和量化,作为深度学习模型的输入,深度学习模块对量化后的数据进行特征提取和分析并生成智能预测深度学习模型,股权交易信息系统中股权交易管理活动的参与者通过业务应用模块实现信息交换和管理活动,同时利用深度学习模型提供的评估预测来优化决策,业务应用模块与区块链模块相连并传输交易决策与交易数据信息,作为底层网络技术核心的区块链模块构建包含网络层和数据存储层的双层系统架构模型,并将数据存储层的交易信息输出至网络层各节点,供信息交换管理活动的各参与者进行智能分析与决策,实现去中心化的、点对点的分布式信息网络;
所述的数据采集模块采集股权交易系统中的交易运行的原始信息,包括:股权交易历史、股权变更记录、当前股权分布以及股权交易管理活动参与者的信息;采集的数据通过特征识别和量化,作为深度学习模型的输入。
2.根据权利要求1所述的系统,其特征是,所述的深度学习模块利用数据采集模块得到的数据,针对不同业务应用训练不同的预测模型并进行评估;多级深度学习模型对输入的已获取数据和特定的输出进行特征提取和参数调优,逐级构建能够准确估值的模型,再应用于相应的股权交易活动预测;并通过迭代训练不断修正和优化参数,使预测结果智能化趋近于实际情况,为股权交易信息系统中的股权交易和股权管理等活动提供准确、快速的决策方案与结果预估;该深度学习模块包含三级深度学习模型,其中一级深度学习模型接受参数化输入数据,进行特征提取和重构,二级深度学习模型进行辅助迭代训练和调参,最后关联到三级深度学习模型针对不同业务应用需求进行预测和评估,通过逐级构建和迭代调优,最终得到能够准确估值和预测的模型,再应用于实际股权交易活动的决策。
3.根据权利要求1或2所述的系统,其特征是,所述的特征提取是指:搭建改进的自编码器模型,通过将输入数据进行重构,获得模型中间层的低维特征表达,从而在输入数据中提取出更低维、信息量更丰富的特征,用于深度学习模型的构建和训练。
4.根据权利要求1所述的系统,其特征是,所述的股权交易管理活动包括:股权登记、股权交易和股权管理,其中股权登记业务应用包括:交易数据上链、投资标的尽职调查、投资方和项目方的负面清单管理;股权交易业务应用包括:投资标的风险收益预测、投资方和项目方资质评估、股权基金管理、项目监控;股权管理业务应用包括:投资对象信息披露、风险评估与识别、集中清结算。
5.根据权利要求1所述的系统,其特征是,所述的区块链双层系统架构模型包含网络层和数据存储层,其中:网络层是一种去中心化的分布式系统,网络层中的各节点为股权交易信息系统中股权交易管理活动的各方参与者,节点间可实现点对点的信息交换和传输;数据存储层为公共数据库,存储区块链中整个信息网络的交易历史和所有用户的交易日志,并随时更新,每个节点均通过合法手段查询数据库中的信息,区块链的共识机制通过改进的共识算法实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811233655.8A CN111091467A (zh) | 2018-10-23 | 2018-10-23 | 基于区块链与深度学习的股权交易管理计算机仿真系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811233655.8A CN111091467A (zh) | 2018-10-23 | 2018-10-23 | 基于区块链与深度学习的股权交易管理计算机仿真系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111091467A true CN111091467A (zh) | 2020-05-01 |
Family
ID=70391822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811233655.8A Pending CN111091467A (zh) | 2018-10-23 | 2018-10-23 | 基于区块链与深度学习的股权交易管理计算机仿真系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091467A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330459A (zh) * | 2020-10-22 | 2021-02-05 | 北京华彬立成科技有限公司 | 一种基于工商数据挖掘企业投融资事件的方法及装置 |
CN115865364A (zh) * | 2022-11-24 | 2023-03-28 | 杭州微毅科技有限公司 | 一种区块链交易安全评估方法及系统 |
CN116579775A (zh) * | 2023-07-14 | 2023-08-11 | 深圳迅销科技股份有限公司 | 一种商品交易数据管理系统及方法 |
US11836616B2 (en) * | 2018-12-04 | 2023-12-05 | Jinan University | Auditable privacy protection deep learning platform construction method based on block chain incentive mechanism |
CN117314370A (zh) * | 2023-11-30 | 2023-12-29 | 嘉兴市信达电子科技有限公司 | 一种基于智慧能源的数据驾驶舱系统及实现方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504091A (zh) * | 2016-10-27 | 2017-03-15 | 上海亿账通区块链科技有限公司 | 区块链上交易的方法及装置 |
CN106911641A (zh) * | 2015-12-23 | 2017-06-30 | 索尼公司 | 用于授权访问的客户端装置、服务器装置和访问控制系统 |
CN108009924A (zh) * | 2018-01-30 | 2018-05-08 | 张勋智 | 一种金融实时决策交易ai机器人 |
-
2018
- 2018-10-23 CN CN201811233655.8A patent/CN111091467A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106911641A (zh) * | 2015-12-23 | 2017-06-30 | 索尼公司 | 用于授权访问的客户端装置、服务器装置和访问控制系统 |
CN106504091A (zh) * | 2016-10-27 | 2017-03-15 | 上海亿账通区块链科技有限公司 | 区块链上交易的方法及装置 |
CN108009924A (zh) * | 2018-01-30 | 2018-05-08 | 张勋智 | 一种金融实时决策交易ai机器人 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11836616B2 (en) * | 2018-12-04 | 2023-12-05 | Jinan University | Auditable privacy protection deep learning platform construction method based on block chain incentive mechanism |
CN112330459A (zh) * | 2020-10-22 | 2021-02-05 | 北京华彬立成科技有限公司 | 一种基于工商数据挖掘企业投融资事件的方法及装置 |
CN115865364A (zh) * | 2022-11-24 | 2023-03-28 | 杭州微毅科技有限公司 | 一种区块链交易安全评估方法及系统 |
CN115865364B (zh) * | 2022-11-24 | 2023-11-17 | 杭州微毅科技有限公司 | 一种区块链交易安全评估方法及系统 |
CN116579775A (zh) * | 2023-07-14 | 2023-08-11 | 深圳迅销科技股份有限公司 | 一种商品交易数据管理系统及方法 |
CN116579775B (zh) * | 2023-07-14 | 2024-01-16 | 深圳迅销科技股份有限公司 | 一种商品交易数据管理系统及方法 |
CN117314370A (zh) * | 2023-11-30 | 2023-12-29 | 嘉兴市信达电子科技有限公司 | 一种基于智慧能源的数据驾驶舱系统及实现方法 |
CN117314370B (zh) * | 2023-11-30 | 2024-03-01 | 嘉兴市信达电子科技有限公司 | 一种基于智慧能源的数据驾驶舱系统及实现方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ferdiansyah et al. | A lstm-method for bitcoin price prediction: A case study yahoo finance stock market | |
CN111091467A (zh) | 基于区块链与深度学习的股权交易管理计算机仿真系统 | |
Schneider et al. | Infer, predict, and assure: Accounting opportunities in data analytics | |
Cho et al. | The forthcoming data ecosystem for business measurement and assurance | |
CN110889291B (zh) | 一种基于深度学习和区块链的研报评价方法 | |
Herrera et al. | Renewable energy stocks forecast using Twitter investor sentiment and deep learning | |
Li et al. | Performance management of university financial budget execution relying on comprehensive budget management strengthening model | |
Zhao et al. | Financial distress prediction by combining sentiment tone features | |
Meluzín et al. | The timing of initial public offerings–non-numerical model based on qualitative trends | |
Du et al. | Risk and income evaluation decision model of PPP project based on fuzzy Borda method | |
Costa-Campi et al. | Is energy market integration a green light for FDI? | |
Zhang et al. | Design of financial big data audit model based on artificial neural network | |
Chowdhury | Financial accounting in the era of blockchain-a paradigm shift from double entry to triple entry system | |
Chowdhury | Is the Application of Blockchain Technology in Accounting Feasible? A Developing Nation Perspective | |
Stojić | Using fuzzy logic for evaluating the level of countries’(regions’) economic development | |
Wang et al. | Stock return prediction based on Bagging-decision tree | |
Wu et al. | The Impact of Digital Currency on Accounting and Management under the Blockchain Architecture | |
Qin | Making use of the big data: next generation of algorithm trading | |
Bai et al. | Commercial Bank Credit Grading Model Using Genetic Optimization Neural Network and Cluster Analysis | |
Davis et al. | Explainable Machine Learning Models of Consumer Credit Risk. | |
CN110519229A (zh) | 一种基于区块链的价值资产处理系统 | |
Souza et al. | Brazilian stock market performance and investor sentiment on Twitter | |
Wang et al. | Construction of Enterprise Asset Management Accounting System Based on Blockchain Technology | |
Álvarez‐Díez et al. | Variable selection for classification and forecasting of the family firm's socioemotional wealth | |
Häkkinen et al. | Blockchain in Enterprise Solutions: Assessing the Suitability of Blockchain for Corporate Sustainability Reporting |
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 |