CN111383107B - 基于出口数据的外贸企业预授信额度分析方法 - Google Patents

基于出口数据的外贸企业预授信额度分析方法 Download PDF

Info

Publication number
CN111383107B
CN111383107B CN202010481617.5A CN202010481617A CN111383107B CN 111383107 B CN111383107 B CN 111383107B CN 202010481617 A CN202010481617 A CN 202010481617A CN 111383107 B CN111383107 B CN 111383107B
Authority
CN
China
Prior art keywords
enterprise
credit
price
current
demand
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
Application number
CN202010481617.5A
Other languages
English (en)
Other versions
CN111383107A (zh
Inventor
辛颖梅
汪晓刚
黄磊
姜林
朱青
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.)
NANJING SKYTECH QUANSHUITONG INFORMATION TECHNOLOGY Co.,Ltd.
Original Assignee
Jiangsu Qingtian Zhumao Technology Co ltd
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 Jiangsu Qingtian Zhumao Technology Co ltd filed Critical Jiangsu Qingtian Zhumao Technology Co ltd
Priority to CN202010481617.5A priority Critical patent/CN111383107B/zh
Publication of CN111383107A publication Critical patent/CN111383107A/zh
Application granted granted Critical
Publication of CN111383107B publication Critical patent/CN111383107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q40/03—Credit; Loans; Processing thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Technology Law (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种基于出口数据的外贸企业预授信额度分析方法，以退税数据为基础，综合企业的上下游企业信息，确定借贷企业维持当前经营状态稳定性的最佳退税额留存，以此作为授信额度的测算标准；基于机器学习的分析方法和当前的历史数据分析，形成当前企业经营需求对于退税数据的依赖程度，从而确定当前的最佳借贷授信额度。

Description

基于出口数据的外贸企业预授信额度分析方法
技术领域
本发明涉及预授信额度分析领域，具体涉及一种基于出口数据的外贸企业预授信额度分析方法。
背景技术
商业银行是吸收存款、发放贷款和从事其它中间业务的盈利性金融企业，对信贷业务的管理是银行经营管理和风险控制的基本要素。信贷业务经营状况及信贷资产质量的好坏将直接影响银行的经营业绩及其承担的风险大小。银行在开展信贷业务过程中都将面临不同程度的客户信用风险，几乎无一例外但程度不等地产生坏账损失。世界银行曾在其对全球银行业的危机研究报告中指出，客户信用风险是导致银行破产的主要原因，它已成为全球各家银行风险管理的主要内容。
信贷风险发生的基础一般是在信息非对称的情况下发生的。因此，首先分析一下非对称信息下信贷风险理论的假定，信息不对称理论主要指信息在交易双方的不对称分布或在某方的信息不完全性对市场交易行为和市场运行效率所产生的一系列重要影响。主要包括以下内容；一是交易信息在交易双方之间的分布不对称，某一方拥有更多的信息；二是交易双方均未获得完全对等的信息；三是交易双方都清楚各自在信息占用方面的相对地位，导致交易完成前后分别产生道德风险和逆向选择问题。非对称信息导致逆向选择从而使帕累托最优的交易不能实现，严重影响市场效率甚至使市场交易不能进行。
在这种情况下，银行和其他投资机构对于授信额度的测算通常使用的还是抵押物价值核算的方法，通过对于前来借贷的企业进行相应的资质评审，选择对于银行或投资机构而言合适的资产作为抵押物，通过对于抵押物的价值进行核算的方式来决定最终的授信额度，通常而言抵押物分为三种：一种为固定资产，如厂房、住宅、机器等固定资产抵押物；一种为无形资产抵押物；一种为无形资产，如专利、商标等；一种为股权抵押；在这三种中，对于银行而言，从风险角度考虑，通常只会使用第一种抵押方式，而且需要易于变现等抵押品，投资机构除了选择第一种抵押，有时也会选择第三种，但是要求通常也非常苛刻。而对于信用贷款而言，大多数时候银行可以给予中小型外贸企业的信用贷款额度非常小，但是由于银行对于中小型外贸企业的经营过程并不了解，过大的贷款量通常带来的风险过大，无法承担，从而形成两难的局面。
外贸企业大多数为轻量型企业，缺乏贷款抵押品，对于银行而言，不利于测算相应的授信额度，同时，当前外贸企业由于大多属于劳动密集型企业，依赖于生产效率和高效供应链来实现利润，这客观上就导致外贸企业的利润率不足，毛利润率通常也就在退税金额上下浮动，所以公司的退税金额对于外贸企业而言是一个非常重要的扩大再生产的资金来源，同时也可以作为外贸企业当前贷款授信额度测算的依据。
发明内容
本发明的目的在于提供一种基于出口数据的外贸企业预授信额度分析方法，以确定当前的最佳借贷授信额度。
实现本发明目的的技术解决方案为：一种基于出口数据的外贸企业预授信额度分析方法，包括：
步骤1、对当前借贷企业进行分析，收集与其相关的上下游企业信息，形成以时间为基础的状态描述向量［Quantity，Drawback，Price，Demand，Credit］；其中Quantity表示当前借贷企业对上游企业原材料的需求单价和数量；Drawback表示当期申报或拟申报的退税额度；Price表示当期企业产成品价格；Demand表示下游公司针对当前价格所对应的产成品需求量；Credit表示当前时间断面下的最佳授信额度值；
步骤2、对步骤1中取得的描述向量，通过机器学习的方式，形成循环迭代模式；
步骤3、采用双向LSTM方法对当前描述向量进行修正，在历史数据中进化，寻找不同向量之间的时序关系的逻辑认证方式；
步骤4、加入非线性激活函数F(x)，激活不同时间断面上的层次向量；
步骤5、将在F(x)连接下的描述向量形成池化向量库，并根据向量库不断更新F(x)的激活公式中的相应隐藏参数，通过不断对比当前算法针对［Quantity，Drawback，Price，Demand，Credit］向量的预测值与历史情况中事后所得的最佳授信额度值进行分析，通过不断对两者取均值的方式形成稳定收敛点结果；
步骤6、输出最佳授信额度。
与现有技术相比，本发明的显著优点为：（1）本发明创造性的提出了以退税数据为基础的，综合企业的上下游企业信息，确定对于当前企业而言，维持当前经营状态稳定性的最佳退税额留存为多少，以此作为授信额度的测算标准；（2）设计基于机器学习的分析方法和当前的历史数据分析，形成当前企业经营需求对于退税数据的依赖程度，从而确定当前的最佳借贷授信额度；（3）本发明将双向LSTM方法应用于预授信额度分析中，该方法采用时间递归神经网络，对当前描述向量进行修正，在历史数据中进化，寻找不同向量之间的时序关系的逻辑认证方式，适用于处理和预测时间序列中间隔和延迟相对较长的事件，精度和效率更高。
附图说明
图1是本发明循环迭代模式示意图。
图2是修正后的描述向量结构示意图。
图3是输出相应推导结果示意图。
具体实施方式
本发明以退税数据为基础，综合企业的上下游企业信息，确定对于当前企业而言，维持当前经营状态稳定性的最佳退税额留存为多少，以此作为授信额度的测算标准。本发明针对前来借贷企业的资质进行分析，主要数据来源为以下几项：
1）上游供应商原材料价格及拟采购数量；
2）当前借贷公司每月退税金额及已成功申报退税金额；
3）当前公司产成品价格；
4）公司不同期向下游公司的销售额度。
以此四项数据为基础，设计基于机器学习的分析方法和当前的历史数据分析，形成当前企业经营需求对于退税数据的依赖程度，从而确定当前的最佳借贷授信额度。
模型算法流程具体步骤如下：
步骤一：对当前前来借贷企业进行分析，并通过企业收集与其相关的上下游企业信息，形成以时间为基础的状态描述向量［Quantity，Drawback，Price，Demand，Credit］。
其中Quantity代表当前前来借贷的企业的当前的生产过程对于上游企业原材料需求的数量及单价，这个数量决定企业经营毛利润所得需要投入扩大再生产的过程中需要用来采购原材料的数量，这个数量决定了企业的可用利润的规模；Drawback代表当期申报或拟申报的退税额度，这个退税是根据当期的销售量来决定的，这个退税额度代表公司潜在的较为可靠的应收账款额度，会很大程度影响银行和其他投资机构对当前借贷企业的借贷额度的确定；Price代表当期企业产成品价格，这个价格一定程度上可以反应当前企业规模下企业经营毛利润和竞争力的大小，同时可以反映企业对于下游采购方的吸引力；Demand表示下游公司针对当前价格所对应的产成品需求量，这种需求量到价格之间会有一个时间差，因为外贸型企业常常是订单式生产，即当前的需求常常对应的是下一个周期的产成品价格，或者说对于当前的外贸企业而言，通常会以下一个周期最有利的价格来对应当前的下游公司的产成品价格；Credit代表当前时间断面下的最佳授信额度值，主要依据当前企业的Drawback值作为判断基础，并计算当前退税需要用于采购Quantity和销售下游Demand获得的收入的综合值。
步骤二：对步骤一中取得的描述向量，通过机器学习的方式，形成图1中的循环迭代模式：由于外贸行业存在交易周期长的特点，对于国内的外贸企业来说，下游企业的需求对当前企业产品价格的影响需要等到下一个时期，而企业产品的价格对于当前企业申请的退税金额的影响则是同期的，企业的退税金额的多少则决定着企业的利润率，从而影响企业从上游企业购买原材料的价格的数量。对于一家外贸企业而言，每一时期当前的最佳授信额度的确定，通常依赖于前后时期的Demand和Quantity，整体呈现链式前进的特点。银行或其他投资机构需要确定最佳的Credit值，不同只看单一时刻企业当前的经营状态，在这个过程中，需要验证Quantity、Drawback、Price、Demand之间的关系，具备借贷意向的企业不具备超额利润，同时经营稳定，那么企业的利润率会在退税额度上下波动，而企业只会使用当前的利润作为下一步经营扩大化的投资，所以企业的这四个变量值会呈现同增同涨的去趋势。
步骤三：在描述向量前后增加智能单元，采用双向LSTM方法对当前描述向量进行修正，在历史数据中进化，寻找不同向量之间的时序关系的逻辑认证方式，修正后的描述向量结构如图2所示。
新的描述向量结构为［hidden，hidden，Quantity，Drawback，Price，Demand，Credit，hidden，hidden］，其中hidden表示是其中的智能单元，智能单元用于描述不同时间断面的描述向量之间的逻辑关系。hidden不断计算不同企业m与m+1之间的［Quantity，Drawback，Price，Demand，Credit］向量之差，并总结对应变量之差与Credit之差之间的系数关系，其中m＝1～M，M为所有类似企业数量。
LSTM是一种含有LSTM区块的类神经网络，LSTM区块可被描述成智能网络单元，因为它可以记忆不定时间长度的数值，区块中有一个gate能够决定input是否重要到能被记住及能不能被输出output。
步骤四：加入非线性激活函数F(x)，x对应于不同智能单元的输入，非线性激活函数F(x)用于激活不同时间断面上的层次向量。激活的过程采用max函数的方式，即通过对比退税金额与敏感系数的积和收入支出之差与敏感系数的积之间的差值，通过取最大值的方法来判断当前企业的最佳授信额度。F(x)代表在不同的Quantity、Drawback、Price、Demand情况下，对应的最为可靠的credit数值的推算过程依赖于Quantity、Drawback、Price、Demand的值的变化，即Credit= F(x)=F(Quantity,Drawback,Price,Demand)。
步骤五：将在F(x)连接下的描述向量形成池化向量库，并根据向量库不断更新F(x)的激活公式中的相应隐藏参数，通过不断对比当前算法针对［Quantity，Drawback，Price，Demand，Credit］向量的预测值与历史情况中事后所得的最佳授信额度值进行分析，通过不断对两者取均值的方式形成稳定收敛点结果。
步骤六：在模型稳定之后，输出相应推导结果；模型的输出过程如下：
F[hidden，hiddenweight，Quantity，Drawback，Price，Demand，Credit，hidden，hiddenweight] →
F[Quantity，Drawback，Price，Demand，Credit]→ [Creditline]。
具体推导过程如下所示：
Credit Ti=F(Quantity,Drawback,Price,Demand)Ti
Demand Ti=F1(hidden,hiddenweight)Ti-1=f1(Wdhidden+Wdhiddenweight)Ti-1
Quantity Ti=F2(hidden,hiddenweight)Ti+1=f2(Wqhidden+Wqhiddenweight)Ti+1
其中F函数为Quantity，Drawback，Price，Demand，Credit，hidden，hiddenweight7个变量之间的关系函数，函数的具体表现形式会随着T时刻的变化而变化。
F1表示上一时刻Ti-1的hidden，hiddenweight的值与当前时刻的Demand值之间的关系，F2表示下一时刻Ti+1的hidden，hiddenweight与当前时刻的Quantity之间的关系；f1、f2为 F1、F2的具体迭代函数，f1中的Wd为上一时刻Demand的数值矩阵，hidden为与矩阵Wd对应的系数矩阵，hiddenweight为相应的权重矩阵；f2中的Wq为下一时刻Quantity的数值矩阵，hidden为与矩阵Wq对应的系数矩阵，hiddenweight为相应的权重矩阵；hidden，hiddenweight矩阵中的初值为随机值，通过数值迭代使得结果收敛，从而形成稳定值，最终根据Credit的预测值选择最佳的Creditline值，并以此值作为银行和其他投资机构投资过程中的授信参考，上述关系如图3所示。
最终输出Creditline作为最佳授信额度，这个额度综合类企业当前的基本业务逻辑，更有效的分析出当前最佳的授信额度。
下面结合实施例对本发明进行详细说明。
实施例
若外贸公司a前往银行b请求贷款。银行b确认a的贷款请求后，决定同意公司a的贷款请求，但是具体贷款的授信额度需要公司a提供以下相关数据：
（1）最近一个连续时间内的公司从上游供应商采购原材料的价格和相应数量，形成Wq T1、Wq T2、……、Wq Tn，本实施例中以月为单位，取四个月的数据，即（1500,300）、（1600,350）、（1400,410）、（1450,350）；
（2）公司a每个时段内的退税金额DrawbackT1、DrawbackT2、……、DrawbackTn，分别为35430、38640、46530、63825；
（3）公司a每个时段内的产品价格PriceT1、PriceT2、……、PriceTn，分别为1840、1880、1850、1880；
（4）公司a每个时段内向下游供应商的销售订单数量Wd T1、Wd T2、……、Wd Tn，分别为280、330、460、390；
银行b根据公司a的行业类型，在数据库中寻找类似公司的相关数据，形成相应的训练样本，样本格式为(Quantity，Drawback，Price，Demand)T1、(Quantity，Drawback，Price，Demand)T2、……、(Quantity，Drawback，Price，Demand)Tm，m为样本数量。
银行b在样本的前后加入随机值，hidden，hiddenweight，并通过迭代的方式获得其最佳参数，从而确定函数Credit Ti=F(Quantity，Drawback，Price，Demand)Ti。
将公司a的数据项（Wq Tn，DrawbackTn，PriceTn，Wd Tn）带入迭代后的函数
Credit Tn=F(Quantity，Drawback，Price，Demand)Tn，计算每个Tn时期内的最佳Credit Tn值。
Quantityp代表原材料价格，Quantityd代表原材料数量。
F函数经过迭代后形成的函数和相关参数值为
F = max{[(Demand·Price)Tn-(Quantityp·Quantityd)Tn]·xn ,Drawback·yn}
xn =(0.068,0.235,0.142,0.185)
yn = (0.85,0.85,0.85,0.85)
其中xn、yn为敏感系数；
根据不同Credit Ti，依据当前贷款产品属性，选择最佳Credit Ti作为最终的Creditline值：若当前贷款产品为风险厌恶型产品，则取Creditline=min(Credit Ti)
，若当前贷款产品为风险偏好型产品，则取Creditline=max(Credit Ti)。
根据本发明预授信额度分析方法，得到最佳授信额度，结果如下表所示：
表1
Figure 477413DEST_PATH_IMAGE002
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (5)

1.一种基于出口数据的外贸企业预授信额度分析方法，其特征在于，包括：
步骤1、对当前借贷企业进行分析，收集与其相关的上下游企业信息，形成以时间为基础的状态描述向量［Quantity，Drawback，Price，Demand，Credit］；其中Quantity表示当前借贷企业对上游企业原材料的需求单价和数量；Drawback表示当期申报或拟申报的退税额度；Price表示当期企业产成品价格；Demand表示下游公司针对当前价格所对应的产成品需求量；Credit表示当前时间断面下的最佳授信额度值；
步骤2、对步骤1中取得的描述向量，通过机器学习的方式，形成循环迭代模式；
步骤3、采用双向LSTM方法对当前描述向量进行修正，在历史数据中进化，寻找不同向量之间的时序关系的逻辑认证方式；
在描述向量前后添加智能单元，新的描述向量结构为［hidden，hidden，Quantity，Drawback，Price，Demand，Credit，hidden，hidden］，其中hidden表示智能单元，用于描述不同时间断面的描述向量之间的逻辑关系；hidden不断计算不同企业之间的［Quantity，Drawback，Price，Demand，Credit］向量之差，并总结对应变量之差与Credit之差之间的系数关系；
步骤4、加入非线性激活函数F(x)，激活不同时间断面上的层次向量；
步骤5、将在F(x)连接下的描述向量形成池化向量库，并根据向量库不断更新F(x)的激活公式中的相应隐藏参数，通过不断对比当前算法针对［Quantity，Drawback，Price，Demand，Credit］向量的预测值与历史情况中事后所得的最佳授信额度值进行分析，通过不断对两者取均值的方式形成稳定收敛点结果；
步骤6、输出最佳授信额度。
2.根据权利要求1所述的基于出口数据的外贸企业预授信额度分析方法，其特征在于，步骤4中x对应于不同智能单元的输入，激活的过程采用max函数的方式，即通过对比退税金额与敏感系数的积和收入支出之差与敏感系数的积之间的差值，通过取最大值的方法来判断当前企业的最佳授信额度。
3.根据权利要求2所述的基于出口数据的外贸企业预授信额度分析方法，其特征在于，步骤4中非线性激活函数F(x)为在不同的Quantity、Drawback、Price、Demand情况下，对应的最为可靠的Credit数值，即：
Credit=F(x)=F(Quantity,Drawback,Price,Demand)。
4.根据权利要求3所述的基于出口数据的外贸企业预授信额度分析方法，其特征在于，步骤6中，模型推导过程如下所示：
CreditTi=F(Quantity,Drawback,Price,Demand)Ti
DemandTi=F1(hidden,hiddenweight)Ti-1=f1(Wdhidden+Wdhiddenweight)Ti-1
QuantityTi=F2(hidden,hiddenweight)Ti+1=f2(Wqhidden+Wqhiddenweight)Ti+1
其中F函数为Quantity，Drawback，Price，Demand，Credit，hidden，hiddenweight这7个变量之间的关系函数；
F1表示上一时刻Ti-1的hidden，hiddenweight的值与当前时刻的Demand值之间的关系，F2表示下一时刻Ti+1的hidden，hiddenweight与当前时刻Quantity之间的关系；f1、f2为F1、F2的具体迭代函数，f1中的Wd为上一时刻Demand的数值矩阵，hidden为与矩阵Wd对应的系数矩阵，hiddenweight为相应的权重矩阵；f2中的Wq为下一时刻Quantity的数值矩阵，hidden为与矩阵Wq对应的系数矩阵，hiddenweight为相应的权重矩阵；hidden，hiddenweight矩阵中的初值为随机值，通过数值迭代使得结果收敛，从而形成稳定值，最终根据Credit的预测值选择最佳的Credit line值。
5.根据权利要求1所述的基于出口数据的外贸企业预授信额度分析方法，其特征在于，所述循环迭代模式为：下游企业的需求Demand对当前企业产品价格Price的影响需等到下一个时期，企业产品的价格对于当前企业申请的退税金额Drawback的影则是同期的，企业的退税金额影响企业从上游企业购买原材料的价格的数量Quantity；每一时期当前的最佳授信额度Credit的确定，依赖于前后时期的Demand和Quantity，整体呈现链式前进。
CN202010481617.5A 2020-06-01 2020-06-01 基于出口数据的外贸企业预授信额度分析方法 Active CN111383107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010481617.5A CN111383107B (zh) 2020-06-01 2020-06-01 基于出口数据的外贸企业预授信额度分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010481617.5A CN111383107B (zh) 2020-06-01 2020-06-01 基于出口数据的外贸企业预授信额度分析方法

Publications (2)

Publication Number Publication Date
CN111383107A CN111383107A (zh) 2020-07-07
CN111383107B true CN111383107B (zh) 2021-02-12

Family

ID=71219161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010481617.5A Active CN111383107B (zh) 2020-06-01 2020-06-01 基于出口数据的外贸企业预授信额度分析方法

Country Status (1)

Country Link
CN (1) CN111383107B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115700715A (zh) * 2022-10-09 2023-02-07 湖北普联东文信息科技有限公司 出口企业订单数据的信用增级方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734338A (zh) * 2018-04-24 2018-11-02 阿里巴巴集团控股有限公司 基于lstm模型的信用风险预测方法及装置
US20200134716A1 (en) * 2018-10-29 2020-04-30 Flinks Technology Inc. Systems and methods for determining credit worthiness of a borrower
CN110415102A (zh) * 2019-06-28 2019-11-05 上海上湖信息技术有限公司 用户信用风险评估方法及装置、计算机可读存储介质

Also Published As

Publication number Publication date
CN111383107A (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
Brychko et al. Trust crisis in the financial sector and macroeconomic stability: A structural equation modelling approach
Luo et al. Optimal decision in a green supply chain: Bank financing or supplier financing
Maksimovic et al. The market for corporate assets: Who engages in mergers and asset sales and are there efficiency gains?
Kouwenberg et al. Stochastic programming models for asset liability management
Rasche et al. The FRB-MIT econometric model: its special features
Buyuksahin et al. Fundamentals, trader activity and derivative pricing
Jiang et al. Inventory financing with overconfident supplier based on supply chain contract
Boguslauskas et al. The selection of financial ratios as independent variables for credit risk assessment
Bertocchi et al. Sensitivity of bond portfolio's behavior with respect to random movements in yield curve: A simulation study
CN111383107B (zh) 基于出口数据的外贸企业预授信额度分析方法
Huang et al. Analysis of Macroeconomic Factors Affecting the Corporate Bond Yield Spread.
Schembri Export prices and exchange rates: An industry approach
Alieva et al. Methodology for managing financial risks of Kazakhstan enterprises
Goldmann et al. A new ordinal mixed-data sampling model with an application to corporate credit rating levels
Le The applications of NPV in different types of markets
Watson Financial Frictions, the Great Trade Collapse and International Trade over the Business Cycle
Jiang et al. Strategy selection of inventory financing based on overconfident retailer.
Gu et al. Empirical research for investment model based on VMD‐LSTM
Irawan et al. Long Short-Term Memory Algorithm for Stock Price Prediction
Chigozie et al. MODELING OF BALANCE OF PAYMENT AND EXCHANGE RATE IN NIGERIA
Yunita et al. The Effect of Exchange Rate, Exchange Rates Volatility and Export Price Index on Exports In Indonesia
Rodriguez‐Lopez Liquidity and the international allocation of economic activity
Zhu A credit loan optimization scheme based on big data analysis under COVID-19
Das et al. Exchange Rate Prediction with Machine Learning, Deep Learning, and Time Series Methods Using Alternative Data
Lekhakul et al. Economic Factors Affecting The Financial Stability of The Family Business in Thailand.

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
TR01 Transfer of patent right

Effective date of registration: 20210408

Address after: 211800 No.26 Tianpu Road, economic development zone, Jiangbei new district, Nanjing City, Jiangsu Province

Patentee after: NANJING SKYTECH QUANSHUITONG INFORMATION TECHNOLOGY Co.,Ltd.

Address before: Room 891, Yingying building, 99 Tuanjie Road, yanchuangyuan, Jiangbei new district, Nanjing, Jiangsu, 211800

Patentee before: Jiangsu Qingtian Zhumao Technology Co.,Ltd.

TR01 Transfer of patent right