CN111626845A - 基于数据流的外贸企业风险评估方法 - Google Patents
基于数据流的外贸企业风险评估方法 Download PDFInfo
- Publication number
- CN111626845A CN111626845A CN202010434289.3A CN202010434289A CN111626845A CN 111626845 A CN111626845 A CN 111626845A CN 202010434289 A CN202010434289 A CN 202010434289A CN 111626845 A CN111626845 A CN 111626845A
- Authority
- CN
- China
- Prior art keywords
- rule
- value
- company
- vector
- riskf
- 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
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24568—Data stream processing; Continuous queries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据流的外贸企业风险评估方法,包括两个部分,第一部分是针对当前的规则库,对应于不同的需求方的要求,选择并生成相应的规则体系,同时进化公司固有的规则库。第二部分是针对当前规则体系,如何定权的问题,本发明设计并完善了一套可以最大程度的利用现有规则和预设规则自动化赋权过程。
Description
技术领域:
本发明属于金融风险评估领域,特别涉及一种基于数据流的外贸企业风险评估方法。
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。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。
造成信贷风险的主要原因多种多样,既有主观原因,如财务状况,利润水平,借款人经营的不确定性,信用等级变化;又有客观原因如自然灾害等。要做好信贷风险识别,一般讨论更多的是主观上形成原因,即经济活动交易双方信息的不对称性。
对于当前情况而言,公司为了评估不同企业的经营状态和还款能力,寻找并设置了大量的规则,形成了一套规则库,规则库中的规则多达几千个。但是对应于某一企业来说的话,每次都评估几千个规则不管是银行、投资机构还是被调查企业来说,都是过于庞大的工程。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容:
本发明的目的在于从实用性的角度出发,选择设计了一套对应于不同企业和投资机构,可以进化并自动风险评估的系统,从而克服上述现有技术中的缺陷。
为实现上述目的,本发明提供了一种基于数据流的外贸企业风险评估方法,主要是针对当前公司现有的规则库,对应于不同需求方的要求,根据预设规则选择并生成相应的规则体系,同时进化公司固有的规则库。
优选地,上述技术方案中,具体过程如下:
步骤一:建立公司原有规则库Riskc(R1,R2,……,Rn);
步骤二:采集本次评审过程中,需求方提供的预设规则集Riskb(Rb1,Rb2,……,Rbm);
步骤三:对比Riskc和Riskb,并通过相关系数分析法,分析两者的相互关系,相关系数公式如下:
cov(X,Y)=E[(x-E(X))(y-E(Y))],
对比过程为两两分析,针对Riskc和Riskb两个向量之中,各自任意一个向量进行组合分析,遍历所有两两组合,并利用历史数据拟合两个规则的相关系数;
在此基础上,基于相关性分析,形成一套兼具公司内部规则库和需求方预设规则库的新型规则体系Riskf(Rf1,Rf2,……,Rfn),并将利用更新后的规则体系Riskf更新公司自有的规则库Riskc,完成公司规则库的自学习过程;
Riskc:公司原有的规则库Risk company的缩写;
Rn:表示公司原有规则库中的第n个规则具体内容;
Riskb:需求方对于当前评估企业的预设规则,Risk bank的缩写;
Rbm:表示需求方预设规则中的第m个规则;
ρXY:X向量与Y向量的相关系数,这里的X向量与Y向量分别代表某两个规则的历史数据序列;
cov(X,Y):X向量与Y向量的协方差值;
E(X):X向量的期望值。
优选地,上述技术方案中,还包括定权过程,具体来讲就是针对学习完成的规则体系,确定各规则的权重并形成完整的规则体系。
优选地,上述技术方案中,定权具体过程如下:
步骤四:通过对比待评估公司的历史数据,并设置相关系数阀值D,筛除其中ρXY大于D的规则,保留ρXY小于D的规则形成新的Riskf;
步骤五:新的Riskf规则中所有规则设置为均权,制作一张规则对比表,形式如下:
系统按照如下评估方式进行打分,矩阵中Amn为第m个规则对应的数值序列与出口额数值序列的相关系数值ρmY与第n个规则对应的数值序列与出口额值序列的相关系数值ρnY的比值进行17阶排序后的定位值;其中第9阶为1,表示比值为1的情况,即m=n;
当比值大于1时,依据数列中数值的分布方式,依次填入[2,9]的位置;
而当比值小于1时,依据数列中数值的分布方式,依次填入[1/9,1/2]的位置;取值方式为,若比值结果大于1,则若比值小于1,则取其对应值的倒数值;在这个过程中ρmY存在最大锚定值为当前Riskc与出口额之和相关系数的最大值。
矩阵对角线上的为1,其余对应位置为其本身与其倒数;
Riskf:表示最终拟合的规则体系,Risk finally的缩写;
Rfn:最终拟合的规则体系Riskf中的第n个规则;
步骤六:对矩阵进行标准化,即每一个元素除以对应列之和;
步骤七:计算每一行之和作为对应规则的权重值w,即:wm=Am1+Am2+......+Amn,wm代表第m项规则在规则体系当中的权重值;
步骤八:将获得的规则体系存入系统,进入后续的尽职调查。
优选地,上述技术方案中,步骤四中,筛选方式具体为利用历史数据更新当前待评估公司的数据,通过同类型企业的历史数据分析,找出Riskf中按照[(X-Xmin)/(Xmax-Xmin)]*100进行归一化之后的方差值低于50的定量规则和同类规则完全相同的定型规则。
与现有技术相比,本发明具有如下有益效果:
(1)规则的生成方式不仅基于需求方的预设规则,还会基于公司对于同类型公司的认识和长时间的规则收集,这客观上增加了规则的权威程度。
(2)公司的规则库会不断融合需求方对于当前行业的认识,公司的规则库因此具备自学习功能,有利于公司的规则库不断完善,形成更加具备权威性的规则库和相应的配套体系。
(3)规则体系对于规则库中规则的删选基于客观数据的计算和相关系数的计算,具备客观性特征,每一条规则的选择都会有相应的业务数据基础进行支撑。
(4)规则体系权重的融合过程基于多名专家的意见融合,可以避免单一专家对于行业信息理解完不善带来的理解偏差。
(5)规则体系定权的过程基于专家对于规则权重的两两判断,较为利于专家进行相应的判断,多规则共同判断的过程会造成容易造成专家的评估困难,从而导致结果出现误差,而两两判断,再对结果进行融合的过程可以使得规则权重值更加客观。
附图说明:
图1为对比过程示意图。
具体实施方式:
下面对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
本发明从实用性的角度出发,选择设计了一套对应于不同企业和投资机构,可以针对外贸企业风险的进化并自动评估的系统。
系统包括两个部分,第一部分是针对当前的规则库,对应于不同的需求方的要求,选择并生成相应的规则体系,同时进化公司固有的规则库。第二部分是针对当前规则体系,如何定权的问题,本发明设计并完善了一套可以最大程度的利用现有规则和预设规则自动化赋权过程。
具体流程如下:
流程中的参数解释说明:
Riskc:公司原有的规则库Risk company的缩写;
Rn:表示公司原有规则库中的第n个规则具体内容;
Riskb:需求方对于当前评估企业的预设规则,Risk bank的缩写;
Rbm:表示需求方预设规则中的第m个规则;
ρXY:X向量与Y向量的相关系数,这里的X向量与Y向量分别代表某两个规则的历史数据序列;
cov(X,Y):X向量与Y向量的协方差值;
E(X):X向量的期望值;
Riskf:表示最终拟合的规则体系,Risk finally的缩写;
Rfn:最终拟合的规则体系Riskf中的第n个规则;
Amn:为第m个规则对应的数值序列与出口额数值序列的相关系数值ρmY与第n个规则对应的数值序列与出口额值序列的相关系数值ρnY的比值进行17阶排序后的定位值;
wm:代表第m项规则在规则体系当中的权重值;
步骤一:建立公司原有规则库Riskc(R1,R2,……,Rn);
步骤二:采集本次评审过程中,需求方提供的预设规则集Riskb(Rb1,Rb2,……,Rbm);
步骤三:对比Riskc和Riskb,并通过相关系数分析法,分析两者的相互关系,相关系数公式如下:
对比过程为两两分析,针对Riskc和Riskb两个向量之中,各自任意一个向量进行组合分析,遍历所有两两组和,并利用历史数据拟合两个规则的相关系数。
在此基础上,基于相关性分析,形成一套兼具公司内部规则库和需求方预设规则库的新型规则体系Riskf(Rf1,Rf2,......,Rfn),并将利用更新后的规则体系Riskf更新公司自有的规则库Riskc,完成公司规则库的自学习过程。
步骤四:通过对比待评估公司的历史数据,并设置相关系数阀值D,筛除其中ρXY大于D的规则,保留ρXY小于D的规则形成新的Riskf,通过同类型企业的历史数据分析,找出Riskf中按照[(X-Xmin)/(Xmax-Xmin)]*100进行归一化之后的方差值低于50的定量规则和同类规则完全相同的定型规则。
步骤五:
新的Riskf规则中所有规则设置为均权,制作一张规则对比表,形式如下:
系统按照如下评估方式进行打分,矩阵对角线上的为1,其余对应位置为其本身与其倒数;
Amn为第m个规则对应的数值序列与出口额数值序列的相关系数值ρmY与第n个规则对应的数值序列与出口额值序列的相关系数值ρnY的比值进行17阶排序后的定位值,其中第9阶为1,表示比值为1的情况,即m=n;
当比值大于1时,依据数列中数值的分布方式,依次填入[2,9]的位置;
而当比值小于1时,依据数列中数值的分布方式,依次填入[1/9,1/2]的位置;取值方式为,若比值结果大于1,则
若比值小于1,则取其对应值的倒数值。
步骤六:对矩阵进行标准化,即每一个元素除以对应列之和,例如
步骤七:计算每一行之和作为对应规则的权重值w,即:
Wm=Am1+Am2+......+Amn,wm代表第m项规则在规则体系当中的权重值。
步骤八:将获得的规则体系存入系统,进入后续的尽职调查。
实施例如下:
步骤一:
银行A向我公司提出:最近需要针对纺织行业的某外贸企业发放贷款,关于如何评估一个纺织行业的外贸公司的贷款风险,我公司内部有规则Riskc(R1=公司规模、R2=公司经营状态、R3=公司成长性)。
步骤二:
银行提供规则Riskb(Rb1=公司负债率、Rb2=公司年外贸额)。
步骤三:
通过对Riskc和Riskb中的规则进行历史数据相关系数分析,得到下表:
规则 | 相关系数值 |
R1和Rb1 | 0.13 |
R1和Rb2 | 0.82 |
R2和Rb1 | 0.04 |
R2和Rb2 | 0.16 |
R3和Rb1 | 0.21 |
R3和Rb2 | 0.09 |
。
步骤四:
设定阀值D=0.75,从相关系数值可以看到,R1和Rb2相关系数值较大,超过D值,则舍去,反之则保留;可以认为公司规模和公司年外贸额两个属性强相关,所以我们更新公司关于纺织行业的外贸企业规则风险评估规则为Riskc(R1=公司规模、R2=公司经营状态、R3=公司成长性,R4=公司负债率),从而实现公司规则的自学习过程,通过对更新后的Rsikc进行相关系数分析,发现其每一个规则都与我们评估当前企业的风险强相关,所以将更新后的Riskc规则定为Riskf。
步骤五:
Riskf规则中所有规则设置为均权,制作一张规则对比表,形式如下:
Amn为第m个规则对应的数值序列与出口额数值序列的相关系数值ρmY与第n个规则对应的数值序列与出口额值序列的相关系数值ρnY的比值进行17阶排序后的定位值,其中第9阶为1,表示比值为1的情况,即m=n;
当比值大于1时,依据数列中数值的分布方式,依次填入[2,9]的位置;
ρ<sub>1Y</sub> | 0.75 |
ρ<sub>2Y</sub> | 0.07 |
ρ<sub>3Y</sub> | 0.13 |
ρ<sub>4Y</sub> | 0.37 |
锚定值ρ<sub>mY</sub> | 0.9 |
可以得到以下矩阵值:
步骤六:
对矩阵进行标准化,可以得到矩阵:
步骤七:
对行求和,取得对应项对权重值得W=(w1,w2,w3,w4)=(0.567,0.056,0.104,0.273)。
步骤八:
将规则Riskf=(R1=公司规模、R2=公司经营状态、R3=公司成长性、R4=公司负债率)和与之对应的权重值W=(w1,w2,w3,w4)=(0.567,0.056,0.104,0.273)交给调查员,让其找对应公司进行尽调。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (5)
1.基于数据流的外贸企业风险评估方法,其特征在于:针对当前公司现有的规则库,对应于不同需求方的要求,根据预设规则选择并生成相应的规则体系,同时进化公司固有的规则库。
2.根据权利要求1所述的基于数据流的外贸企业风险评估方法,其特征在于:具体过程如下:
步骤一:建立公司原有规则库Riskc(R1,R2,……,Rn);
步骤二:采集本次评审过程中,需求方提供的预设规则集Riskb(Rb1,Rb2,……,Rbm);
步骤三:对比Riskc和Riskb,并通过相关系数分析法,分析两者的相互关系,相关系数公式如下:
对比过程为两两分析,针对Riskc和Riskb两个向量之中,各自任意一个向量进行组合分析,遍历所有两两组合,并利用历史数据拟合两个规则的相关系数;
在此基础上,基于相关性分析,形成一套新型规则体系Riskf(Rf1,Rf2,……,Rfn),并将利用更新后的规则体系Riskf更新公司自有的规则库Riskc,完成公司规则库的自学习过程;
Riskc:公司原有的规则库Risk company的缩写;
Rn:表示公司原有规则库中的第n个规则具体内容;
Riskb:需求方对于当前评估企业的预设规则,Risk bank的缩写;
Rbm:表示需求方预设规则中的第m个规则;
ρXY:X向量与Y向量的相关系数,这里的X向量与Y向量分别代表某两个规则的历史数据序列;
cov(X,Y):X向量与Y向量的协方差值;
E(X):X向量的期望值。
3.根据权利要求2所述的基于数据流的外贸企业风险评估方法,其特征在于:步骤三完成后还包括定权过程,具体来讲就是针对学习完成的规则体系,确定各规则的权重并形成完整的规则体系。
4.根据权利要求3所述的基于数据流的外贸企业风险评估方法,其特征在于:定权具体过程如下:
步骤四:通过对比待评估公司的历史数据,并设置相关系数阀值D,筛除其中ρXY大于D的规则,保留ρXY小于D的规则形成新的Riskf;
步骤五:新的Riskf规则中所有规则设置为均权,制作一张规则对比表,形式如下:
系统按照如下评估方式进行打分,矩阵中Amn为第m个规则对应的数值序列与出口额数值序列的相关系数值ρmY与第n个规则对应的数值序列与出口额值序列的相关系数值ρnY的比值进行17阶排序后的定位值,其中第9阶为1,表示比值为1的情况,即m=n;
当比值大于1时,依据数列中数值的分布方式,依次填入[2,9]的位置;而当比值小于1时,依据数列中数值的分布方式,依次填入[1/9,1/2]的位置;取值方式为,若比值结果大于1,则若比值小于1,则取其对应值的倒数值;在这个过程中ρmY存在最大锚定值为当前Riskc与出口额之和相关系数的最大值。
矩阵对角线上的为1,其余对应位置为其本身与其倒数;
Riskf:表示最终拟合的规则体系,Risk finally的缩写;
Rfn:最终拟合的规则体系Riskf中的第n个规则;
步骤六:对矩阵进行标准化,即每一个元素除以对应列之和;
步骤七:计算每一行之和作为对应规则的权重值w,即:
Wm=Am1+Am2+......+Amn,Wm代表第m项规则在规则体系当中的权重值;
步骤八:将获得的规则体系存入系统,进入后续的尽职调查。
5.根据权利要求4所述的基于数据流的外贸企业风险评估方法,其特征在于:步骤四中,筛选方式具体为利用历史数据更新当前待评估公司的数据,通过同类型企业的历史数据分析,找出Riskf中按照[(X-Xmin)/(Xmax-Xmin)]*100进行归一化之后的方差值低于50的定量规则和同类规则完全相同的定型规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010434289.3A CN111626845A (zh) | 2020-05-21 | 2020-05-21 | 基于数据流的外贸企业风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010434289.3A CN111626845A (zh) | 2020-05-21 | 2020-05-21 | 基于数据流的外贸企业风险评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111626845A true CN111626845A (zh) | 2020-09-04 |
Family
ID=72271083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010434289.3A Pending CN111626845A (zh) | 2020-05-21 | 2020-05-21 | 基于数据流的外贸企业风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626845A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102012918A (zh) * | 2010-11-26 | 2011-04-13 | 中金金融认证中心有限公司 | 一种规律挖掘和执行系统及其方法 |
US20140358926A1 (en) * | 2011-12-12 | 2014-12-04 | University Of Ontario Institute Of Technology | System, method and computer program for multi-dimensional temporal and relative data mining framework, analysis & sub-grouping |
CN107395430A (zh) * | 2017-08-16 | 2017-11-24 | 中国民航大学 | 一种云平台动态风险访问控制方法 |
CN107993139A (zh) * | 2017-11-15 | 2018-05-04 | 华融融通(北京)科技有限公司 | 一种基于动态规则库的消费金融反欺诈系统与方法 |
US20190251458A1 (en) * | 2018-02-15 | 2019-08-15 | Institute For Development And Research In Banking Technology | System and method for particle swarm optimization and quantile regression based rule mining for regression techniques |
CN110347719A (zh) * | 2019-06-24 | 2019-10-18 | 华南农业大学 | 一种基于大数据的企业外贸风险预警方法及系统 |
-
2020
- 2020-05-21 CN CN202010434289.3A patent/CN111626845A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102012918A (zh) * | 2010-11-26 | 2011-04-13 | 中金金融认证中心有限公司 | 一种规律挖掘和执行系统及其方法 |
US20140358926A1 (en) * | 2011-12-12 | 2014-12-04 | University Of Ontario Institute Of Technology | System, method and computer program for multi-dimensional temporal and relative data mining framework, analysis & sub-grouping |
CN107395430A (zh) * | 2017-08-16 | 2017-11-24 | 中国民航大学 | 一种云平台动态风险访问控制方法 |
CN107993139A (zh) * | 2017-11-15 | 2018-05-04 | 华融融通(北京)科技有限公司 | 一种基于动态规则库的消费金融反欺诈系统与方法 |
US20190251458A1 (en) * | 2018-02-15 | 2019-08-15 | Institute For Development And Research In Banking Technology | System and method for particle swarm optimization and quantile regression based rule mining for regression techniques |
CN110347719A (zh) * | 2019-06-24 | 2019-10-18 | 华南农业大学 | 一种基于大数据的企业外贸风险预警方法及系统 |
Non-Patent Citations (2)
Title |
---|
李军梅等: "模式识别的特征优化专家系统研究", 《电光与控制》 * |
李曙光等: "个人信用风险预警决策支持模型研究", 《经济师》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu | Entry-exit, learning, and productivity change Evidence from Chile | |
US20200364786A1 (en) | Method for determining optimal weight vector of credit rating based on maximum default identification ability measured by approaching ideal points | |
CN106651570A (zh) | 一种贷款实时审批系统和方法 | |
CN112700319A (zh) | 基于政务数据的企业授信额度确定方法及装置 | |
Genc et al. | Comparison of country ratings of credit rating agencies with moora method | |
Peresetsky et al. | Probability of default models of Russian banks | |
Seng | Considering the effects of mobile phones on financial inclusion in Cambodia | |
Kung et al. | A fuzzy MCDM method to select the best company based on financial report analysis | |
Rajput et al. | Do exchange rate changes have symmetric or asymmetric effects on international trade integration? | |
Seng et al. | Financial inclusion: Are mobile phones helpful in Cambodia | |
CN111626845A (zh) | 基于数据流的外贸企业风险评估方法 | |
Nehrebecki | Zombification in Poland in particular during COVID-19 pandemic and low interest rates | |
CN113159634A (zh) | 一种金融产品管理方法、装置及电子设备 | |
Ndungu | Determinants of financial distress in Kenyan Commercial Banks | |
Okan et al. | Corporate governance rating in Turkey: investigation of scores of firms | |
Uula et al. | The Efficiency of Pesantren Cooperative using Data Envelopment Analysis (DEA): A Case in Indonesia | |
Das et al. | State-owned banks and credit allocation in India: Evidence from an asset quality review | |
Umair | Does Foreign Remittances Plays a Critical Role in the Determination of Economic Growth? | |
Cerrato et al. | Factor investing and forex portfolio management | |
Salehi et al. | Performance Evaluation of Islamic Banking Sector: Iranian View. | |
Muema | Firm Specific Factors And Financial Performance Of Commercial And Services Firms Listed At The Nairobi Securities Exchange | |
Ravirajan et al. | Efficiency of commercial banks in India after global financial crises. | |
Jemai et al. | A Big Data Mining Approach for Credit Risk Analysis | |
Martin-Odoom | The effect of foreign direct investment on agricultural growth in Ghana | |
Shojaei et al. | Increase the income based on partner selection to reduce bankruptcy risk by mathematical model and solve it by genetic algorithm |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210520 Address after: 211800 No.26 Tianpu Road, Jiangbei new district, Nanjing City, Jiangsu Province Applicant after: Nanjing Qingtian Quanshui Communication Technology Co.,Ltd. Address before: 211800 No.26 Tianpu Road, Jiangbei new district, Nanjing City, Jiangsu Province Applicant before: Jiangsu Qingtian Zhumao Technology Co.,Ltd. |