CN111784488A - 企业资金风险预测方法及装置 - Google Patents

企业资金风险预测方法及装置 Download PDF

Info

Publication number
CN111784488A
CN111784488A CN202010594845.3A CN202010594845A CN111784488A CN 111784488 A CN111784488 A CN 111784488A CN 202010594845 A CN202010594845 A CN 202010594845A CN 111784488 A CN111784488 A CN 111784488A
Authority
CN
China
Prior art keywords
enterprise
risk
probability
conduction
fund
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.)
Granted
Application number
CN202010594845.3A
Other languages
English (en)
Other versions
CN111784488B (zh
Inventor
徐聿帆
黄炳
贾玉红
郑凡奇
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202010594845.3A priority Critical patent/CN111784488B/zh
Publication of CN111784488A publication Critical patent/CN111784488A/zh
Application granted granted Critical
Publication of CN111784488B publication Critical patent/CN111784488B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q40/00Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q40/00Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03Credit; Loans; Processing thereof
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q40/00Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/12Accounting
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种企业资金风险预测方法及装置,该方法包括:获取预设的企业资金风险传导模型,其中,所述企业资金风险传导模型包含:各企业的企业关系信息以及预设的每种企业关系各自对应的风险传导概率;根据当前存在资金风险的企业信息设置所述企业资金风险传导模型中各企业各自对应的风险概率;根据所述企业资金风险传导模型开始迭代流程,直至预设目标企业的判定后的风险概率为A时停止迭代;根据所述目标企业的判定后的风险概率为A时的迭代次数确定所述目标企业对应的风险参数,以根据所述风险参数对所述目标企业进行资金风险预测。本发明提供了一种根据当前面临资金风险的企业来对目标企业进行资金风险预测的方法。

Description

企业资金风险预测方法及装置
技术领域
本发明涉及资金风险预测领域,具体而言,涉及一种企业资金风险预测方法及装置。
背景技术
目前,各企业间存在多种复杂的关系,例如产业上下游关系、借贷关系、控股关系等等。基于这些经济上的关系,若与目标企业存在一定关系的企业出现资金风险,很可能对该目标企业产生一定的影响,甚至导致该企业也面临资金风险。但是目前难以根据当前面临资金风险的企业预测目标企业是否存在资金风险。现有技术亟需一种可以根据当前面临资金风险的企业来对目标企业进行资金风险预测的方法。
发明内容
本发明为了解决上述背景技术中的技术问题,提出了一种企业资金风险预测方法及装置。
为了实现上述目的,根据本发明的一个方面,提供了一种企业资金风险预测方法,该方法包括:
获取预设的企业资金风险传导模型,其中,所述企业资金风险传导模型包含:各企业的企业关系信息以及预设的每种企业关系各自对应的风险传导概率;
根据当前存在资金风险的企业信息设置所述企业资金风险传导模型中各企业各自对应的风险概率,其中,将所述存在资金风险的企业信息中的企业的风险概率设置为A,将非所述存在资金风险的企业信息中的企业的风险概率设置为B;
根据所述企业资金风险传导模型开始迭代流程,在每一次迭代中:根据各企业各自对应的风险概率、各企业的企业关系信息以及预设的每种企业关系各自对应的风险传导概率确定各企业各自对应的风险传导后的风险概率;针对每个企业根据企业的风险传导后的风险概率进行风险判定,若是通过风险判定,将企业的判定后的风险概率设置为B,若未通过风险判定,将企业的判定后的风险概率设置为A;将企业的判定后的风险概率作为下一次迭代开始时企业的风险概率,进入下一次迭代,直至预设目标企业的判定后的风险概率为A时停止迭代;
根据所述目标企业的判定后的风险概率为A时的迭代次数确定所述目标企业对应的风险参数,以根据所述风险参数对所述目标企业进行资金风险预测。
可选的,所述企业资金风险传导模型还包含:预设的全局随机风险传导概率;
所述根据各企业各自对应的风险概率、各企业的企业关系信息以及预设的每种企业关系各自对应的风险传导概率确定各企业各自对应的风险传导后的风险概率,具体为:
根据各企业各自对应的风险概率、各企业的企业关系信息、预设的每种企业关系各自对应的风险传导概率以及预设的全局随机风险传导概率确定各企业各自对应的风险传导后的风险概率。
可选的,所述企业资金风险传导模型还包含:预设的企业摆脱风险概率以及预设的企业因风险倒闭概率;
所述若未通过风险判定,将企业的判定后的风险概率设置为A之后,还包括:
针对每个未通过风险判定的企业根据预设的企业摆脱风险概率以及预设的企业因风险倒闭概率进行企业风险应对判定,得到每个未通过风险判定的企业各自对应的企业风险应对判定结果,其中,所述企业风险应对判定结果包括:企业摆脱风险、企业倒闭以及企业无应对;
若未通过风险判定的企业的所述企业风险应对判定结果为企业摆脱风险,则将该未通过风险判定的企业的判定后的风险概率设置为B;
若未通过风险判定的企业的所述企业风险应对判定结果为企业倒闭,则从所述各企业的企业关系信息中删除该未通过风险判定的企业对应的信息。
可选的,在所述针对每个企业根据企业的风险传导后的风险概率进行风险判定之前,还包括:
将大于A的所述风险传导后的风险概率设置为A。
可选的,所述针对每个企业根据企业的风险传导后的风险概率进行风险判定,具体包括:
针对每个企业,判断企业的风险传导后的风险概率是否大于随机生成的该企业对应的概率值,若是则未通过风险判定,若否则通过风险判定。
为了实现上述目的,根据本发明的另一方面,提供了一种企业资金风险预测装置,该装置包括:
企业资金风险传导模型获取单元,用于获取预设的企业资金风险传导模型,其中,所述企业资金风险传导模型包含:各企业的企业关系信息以及预设的每种企业关系各自对应的风险传导概率;
当前风险情况赋值单元,用于根据当前存在资金风险的企业信息设置所述企业资金风险传导模型中各企业各自对应的风险概率,其中,将所述存在资金风险的企业信息中的企业的风险概率设置为A,将非所述存在资金风险的企业信息中的企业的风险概率设置为B;
模型迭代单元,用于根据所述企业资金风险传导模型开始迭代流程,在每一次迭代中:根据各企业各自对应的风险概率、各企业的企业关系信息以及预设的每种企业关系各自对应的风险传导概率确定各企业各自对应的风险传导后的风险概率;针对每个企业根据企业的风险传导后的风险概率进行风险判定,若是通过风险判定,将企业的判定后的风险概率设置为B,若未通过风险判定,将企业的判定后的风险概率设置为A;将企业的判定后的风险概率作为下一次迭代开始时企业的风险概率,进入下一次迭代,直至预设目标企业的判定后的风险概率为A时停止迭代;
资金风险预测单元,用于根据所述目标企业的判定后的风险概率为A时的迭代次数确定所述目标企业对应的风险参数,以根据所述风险参数对所述目标企业进行资金风险预测。
可选的,所述企业资金风险传导模型还包含:预设的全局随机风险传导概率;
所述模型迭代单元根据各企业各自对应的风险概率、各企业的企业关系信息以及预设的每种企业关系各自对应的风险传导概率确定各企业各自对应的风险传导后的风险概率,具体为:
所述模型迭代单元根据各企业各自对应的风险概率、各企业的企业关系信息、预设的每种企业关系各自对应的风险传导概率以及预设的全局随机风险传导概率确定各企业各自对应的风险传导后的风险概率。
可选的,所述企业资金风险传导模型还包含:预设的企业摆脱风险概率以及预设的企业因风险倒闭概率;
所述模型迭代单元,包括:
企业风险应对判定模块,用于在所述若未通过风险判定,将企业的判定后的风险概率设置为A之后,针对每个未通过风险判定的企业根据预设的企业摆脱风险概率以及预设的企业因风险倒闭概率进行企业风险应对判定,得到每个未通过风险判定的企业各自对应的企业风险应对判定结果,其中,所述企业风险应对判定结果包括:企业摆脱风险、企业倒闭以及企业无应对;
第一设置模块,用于当未通过风险判定的企业的所述企业风险应对判定结果为企业摆脱风险时,则将该未通过风险判定的企业的判定后的风险概率设置为B;
第二设置模块,用于当未通过风险判定的企业的所述企业风险应对判定结果为企业倒闭时,则从所述各企业的企业关系信息中删除该未通过风险判定的企业对应的信息。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述企业资金风险预测方法中的步骤。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在计算机处理器中执行时实现上述企业资金风险预测方法中的步骤。
本发明的有益效果为:本发明实施例获取预设的企业资金风险传导模型,该企业资金风险传导模型包含:各企业的企业关系信息以及预设的每种企业关系各自对应的风险传导概率;根据当前存在资金风险的企业信息设置所述企业资金风险传导模型中各企业各自对应的风险概率;根据所述企业资金风险传导模型开始迭代流程,直至预设目标企业的判定后的风险概率为A时停止迭代;最后根据所述目标企业的判定后的风险概率为A时的迭代次数确定所述目标企业对应的风险参数,以根据所述风险参数对所述目标企业进行资金风险预测,由此可见,本发明实现了根据当前面临资金风险的企业来对目标企业进行资金风险预测,能够及时的对目标企业进行资金风险预警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本发明实施例企业资金风险预测方法的流程图;
图2是本发明实施例进行企业风险应对判定的流程图;
图3是本发明可选实施例企业资金风险传导模型示意图;
图4是本发明实施例企业资金风险预测装置的结构框图;
图5是本发明实施例模型迭代单元的结构框图;
图6是本发明实施例计算机设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
传染病传播模型是传染病的基本数学模型,用于研究传染病的传播速度、空间范围、传播途径、动机学原理等问题。而企业的资金风险(上下游企业的信贷违约、破产清算等)的传导方式与传染病的传播有一定相似性。
传染病传播模型一般将流行范围内的人群划分成如下几类:
易感者(S类):未得病者,但缺乏免疫能力。与感染者接触后容易受到感染。在资金风险传导模型中对应着经历风险之前的企业。
感染者(I类):染上传染病的人。可以传播给S类人群,将其变为I类成员。在资金风险传导模型中对应着自身出现资金问题的企业。
康复者(R类):指被隔离或因病愈而具有免疫力的人。如免疫期有限,R类成员可以重新变为S类成员。在资金风险传导模型中对应着曾经历过金融风险,并通过资产重组、产业转型等方式成功恢复的企业。
常见的传染病模型按照传染病类型分为SI、SIR、SIRS模型等。
知识图谱,又称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
本发明提供了一种基于关系图谱和传染病传播模型构建的企业资金风险传导模型,并基于该企业资金风险传导模型对目标企业进行资金风险预测。
图1是本发明实施例企业资金风险预测方法的流程图,如图1所示,在本发明一实施例中,本发明的企业资金风险预测方法包括步骤S101至步骤S104。
步骤S101,获取预设的企业资金风险传导模型,其中,所述企业资金风险传导模型包含:各企业的企业关系信息以及预设的每种企业关系各自对应的风险传导概率。
在本发明一实施例中,本发明的企业资金风险传导模型的构建流程大致为:
1、获取用于构成知识图谱所需的企业信息,包括企业名、企业基本信息、以及各企业的企业关系信息。企业关系信息可以包括产业上下游关系、借贷关系、控股关系等多种类型的企业关系。企业信息来源包括但不限于:企业信息库、新闻报道以及网络爬虫等。
2、构件企业关系图谱:将获取的企业信息,以每个企业作为节点,根据企业关系信息加载到图数据库中,构建企业关系图谱。
3、在企业关系图谱中为每种企业关系设置对应的风险传导概率,例如统计显示企业的资金问题有1%的概率会导致上下游企业也出现资金问题,那么就可以设置产业上下游关系的风险传导概率为0.01(即1%)。在本发明可选实施例中,每种企业关系对应的风险传导概率可以根据专家策略、逻辑回归、神经网络等方法进行设置。
通过上述步骤1-3生成了本发明的企业资金风险传导模型。
在本发明的其他可选实施例中,在生成企业资金风险传导模型时除了上述步骤1-3还包括:根据企业可能遭受的资金问题,设置对应的摆脱风险的概率(即企业摆脱风险概率)和企业倒闭概率(即企业因风险倒闭概率)。企业摆脱风险概率和企业因风险倒闭概率可以根据统计的结果来确定,比如统计显示企业因债务违约导致的资金问题有20%的概率会导致其倒闭,而企业有5%的概率解决这个资金问题来摆脱风险,那么就可以设置企业的摆脱风险的概率为0.05(即5%),企业倒闭概率为0.2(即20%);此外本发明还可以根据专家策略设置一个全局随机风险传导概率d,用于模拟任何在已知情况外的风险传导情况。最终生成本发明的企业资金风险传导模型。
步骤S102,根据当前存在资金风险的企业信息设置所述企业资金风险传导模型中各企业各自对应的风险概率,其中,将所述存在资金风险的企业信息中的企业的风险概率设置为A,将非所述存在资金风险的企业信息中的企业的风险概率设置为B。
本发明用于实现根据当前面临资金风险的企业来对目标企业进行资金风险预测,因此在预测前先获取当前存在资金风险的企业信息,该当前存在资金风险的企业信息中记载了当前存在资金风险的企业,即相当于传染病传播模型中的I类(感染者)。
在本发明实施例中,在确定当前存在资金风险的企业后,设置企业资金风险传导模型中各企业的初始风险概率。具体的,将企业资金风险传导模型中这些当前存在资金风险的企业的风险概率设置为A,将其他企业的风险概率设置为B。在本发明实施例中,A和B均为概率值,且A的值大于B。在本发明一优选实施例中,可以将A设置为1(即100%的概率),将B设置为0(即0%的概率)。
在本发明实施例中,当前存在资金风险的企业相当于传染病传播模型中的I类(感染者),当前不存在资金风险的企业相当于传染病传播模型中的S类(易感者)。
步骤S103,根据所述企业资金风险传导模型开始迭代流程,在每一次迭代中:根据各企业各自对应的风险概率、各企业的企业关系信息以及预设的每种企业关系各自对应的风险传导概率确定各企业各自对应的风险传导后的风险概率;针对每个企业根据企业的风险传导后的风险概率进行风险判定,若是通过风险判定,将企业的判定后的风险概率设置为B,若未通过风险判定,将企业的判定后的风险概率设置为A;将企业的判定后的风险概率作为下一次迭代开始时企业的风险概率,进入下一次迭代,直至预设目标企业的判定后的风险概率为A时停止迭代。
本步骤根据上述步骤S102设置的企业资金风险传导模型中各企业的初始风险概率开始迭代流程,直至目标企业被感染,即从S类变为I类。
在本发明一实施例中,根据各企业各自对应的风险概率、各企业的企业关系信息以及预设的每种企业关系各自对应的风险传导概率确定各企业各自对应的风险传导后的风险概率,具体为:
针对每个企业(假设为a),从企业资金风险传导模型中查询与该企业a连接的所有企业(假设为b、c和d),并确定该企业a分别与连接的所有企业(b、c和d)的企业关系。获取每种企业关系各自对应的风险传导概率,以及该企业a以及与该企业a连接的所有企业(b、c和d)当前的风险概率。针对每个与企业a连接的企业(b、c和d),用该企业(b、c和d中之一)的风险概率与该企业与企业a的企业关系对应的风险传导概率相乘得到乘积,将每个与企业a连接的企业(b、c和d)的乘积求加和,最终将该加和与该企业a的风险概率相加,得到该企业a的风险传导后的风险概率。
在本发明一实施例中,在本步骤的所述针对每个企业根据企业的风险传导后的风险概率进行风险判定之前,还包括:将大于A的所述风险传导后的风险概率设置为A。为了将经过多次迭代企业的风险概率超过设置的最大概率A的情况排除。例如,企业a在某次迭代时通过计算得到的风险传导后的风险概率为120%,超过了最大概率值100%(即A),此时需要将其风险传导后的风险概率调整为100%(即A)。
在本发明实施例中,在得到各企业的风险传导后的风险概率之后,还需要对各企业是否感染进行判定,即本步骤中的针对每个企业根据企业的风险传导后的风险概率进行风险判定。
在本发明一实施例中,本步骤中的针对每个企业根据企业的风险传导后的风险概率进行风险判定,具体包括:
针对每个企业,判断企业的风险传导后的风险概率是否大于随机生成的该企业对应的概率值,若是则未通过风险判定,若否则通过风险判定。
在本实施例中,针对每个企业随机生成对应的概率值,并将企业的风险传导后的风险概率与该概率值进行对比,来进行风险判定。随机生成的概率值的取值区间为0至1,即(0%至100%)。
在本发明实施例中,通过风险判定表明企业本次风险传导未被感染,即未从S类(易感者)或R类(康复者)变成I类(感染者),未通过风险判定表明企业本次风险传导被感染了,类型变为I类(感染者)。
在本发明实施例中,针对通过风险判定的企业,即本次风险传导未被感染的企业,将其判定后的风险概率设置为B,即S类(易感者)对应的风险概率,即前后风险概率不发生变化。而针对未通过风险判定的企业,即本次风险传导被感染的企业,将其判定后的风险概率设置为A,即存在资金风险的企业I类(感染者)的初始风险概率。在本发明实施例中,企业的判定后的风险概率为一次迭代结束时企业的风险概率,作为下一次迭代开始时企业的风险概率。
在本发明实施例中,当经过若干次迭代,目标企业变为I类(感染者),即目标企业在一次迭代中的判定后的风险概率为A时,停止迭代。
在本发明的其他实施例中,迭代结束的条件还可以为:达到预设迭代次数时停止迭代。
步骤S104,根据所述目标企业的判定后的风险概率为A时的迭代次数确定所述目标企业对应的风险参数,以根据所述风险参数对所述目标企业进行资金风险预测。
在本发明一实施例中,可以预先创建迭代次数与风险参数之间的对应关系,进而根据该对应关系确定迭代次数对应的风险参数。在本发明一可选实施例中,风险参数的取值区间为0至100,迭代次数与风险参数之间成反比,即迭代次数越大风险参数越小。在本发明实施例中,风险参数越大说明该目标企业的资金风险越高,反之则越低。
在本发明一可选实施例中,若迭代结束的条件为达到预设迭代次数时停止迭代时,该预设迭代次数对应风险参数的最小取值。
由以上实施例可以看出,本发明提供了一种基于关系图谱和传染病传播模型构建的企业资金风险传导模型,并基于该企业资金风险传导模型对目标企业进行资金风险预测。实现了根据当前面临资金风险的企业来对目标企业进行资金风险预测的效果,进而实现了对目标企业进行资金风险预警。
需要说明的是,本发明实施例中涉及到的所有概率的取值区间均为0至1,即(0%至100%)。
在本发明一实施例中,所述企业资金风险传导模型还包含:预设的全局随机风险传导概率。
上述步骤S103中的根据各企业各自对应的风险概率、各企业的企业关系信息以及预设的每种企业关系各自对应的风险传导概率确定各企业各自对应的风险传导后的风险概率,具体为:
根据各企业各自对应的风险概率、各企业的企业关系信息、预设的每种企业关系各自对应的风险传导概率以及预设的全局随机风险传导概率确定各企业各自对应的风险传导后的风险概率。在本发明一具体实施例中,具体可以为:
针对每个企业(假设为a),从企业资金风险传导模型中查询与该企业a连接的所有企业(假设为b、c和d),并确定该企业a分别与连接的所有企业(b、c和d)的企业关系。获取每种企业关系各自对应的风险传导概率,以及该企业a以及与该企业a连接的所有企业(b、c和d)当前的风险概率。针对每个与企业a连接的企业(b、c和d),用该企业(b、c和d中之一)的风险概率与该企业与企业a的企业关系对应的风险传导概率相乘得到乘积,将每个与企业a连接的企业(b、c和d)的乘积求加和,最终将该加和与该企业a的风险概率以及全局随机风险传导概率相加,得到该企业a的风险传导后的风险概率。
在本发明一实施例中,所述企业资金风险传导模型还包含:预设的企业摆脱风险概率以及预设的企业因风险倒闭概率。
图2是本发明实施例进行企业风险应对判定的流程图,如图2所示,在本发明一实施例中,在上述步骤S103中的所述若未通过风险判定,将企业的判定后的风险概率设置为A之后,还包括步骤S201至步骤S203。
步骤S201,针对每个未通过风险判定的企业根据预设的企业摆脱风险概率以及预设的企业因风险倒闭概率进行企业风险应对判定,得到每个未通过风险判定的企业各自对应的企业风险应对判定结果,其中,所述企业风险应对判定结果包括:企业摆脱风险、企业倒闭以及企业无应对。
在本发明一实施例中,本步骤的企业风险应对判定具体可以为:设定数值区间(例如1至100),将数值区间中第一比例的数设置为与企业风险应对判定结果中的企业摆脱风险对应,其中第一比例与企业摆脱风险概率相等,将数值区间中第二比例的数设置为与企业风险应对判定结果中的企业倒闭对应,其中第二比例与企业因风险倒闭概率相等,将数值区间中的其他所有数设置为与企业风险应对判定结果中的企业无应对对应。然后在数值区间中随机生成一个数,确定该数对应的企业风险应对判定结果以实现企业风险应对判定。
步骤S202,若未通过风险判定的企业的所述企业风险应对判定结果为企业摆脱风险,则将该未通过风险判定的企业的判定后的风险概率设置为B。
步骤S203,若未通过风险判定的企业的所述企业风险应对判定结果为企业倒闭,则从所述各企业的企业关系信息中删除该未通过风险判定的企业对应的信息。
在本发明实施例中,若未通过风险判定的企业的所述企业风险应对判定结果为企业无应对,则维持该未通过风险判定的企业的判定后的风险概率(即A)不变。
下面通过举例对本发明的企业资金风险预测方法的迭代环节进行解释说明。图3是本发明一个可选实施例企业资金风险传导模型示意图,如图3所示,在本举例中,企业资金风险传导模型中包含A、B、C和D四个企业。其中A为B和C的上游企业,B为C的上游企业,D与ABC均无关系。假设开始的时候A遭遇了债务违约,成为I类节点,风险概率为1,BCD为S类节点,风险概率为0。假设上下游企业之间风险传导概率为1%,遭遇债务违约的企业有5%的概率摆脱风险,20%的概率倒闭,而全局随机风险传导概率为0.01%。那么第一轮迭代中,B和C的风险传导后的风险概率为0.01%+1*1%=1.01%,D的风险传导后的风险概率为0.01%。若风险判定时B生成的随机数为0.1%,C生成的随机数为2.1%,D生成的随机数为0.001%,那么此时B和D传导成功,变为I类节点,C传导失败,仍为S类节点。针对此时的I类节点A、B和D进行企业风险应对判定,例如判定A节点,规定随机数结果小于等于5%则摆脱风险,大于5%小于等于25%则倒闭,大于25%则无变化,若此时A生成的随机数为1%,那么此时A摆脱风险从I类节点变为S类节点,将A的风险概率设置为0。以此类推,可算出第二轮及以后迭代的情况。
由以上实施例可以看出,本发明提供了一种基于关系图谱和传染病传播模型构建的企业资金风险传导模型,并基于该企业资金风险传导模型对目标企业进行资金风险预测。本发明相较于传统的基于微分方程的风险传导模型能更好地分析资金风险对每个企业的影响,而非仅对群体进行分析。其次,目前的基于知识图谱的风险传导模型往往采用的是SI模型,即只考虑企业遭受资金问题这一情况,且一旦遭受资金问题就无法恢复。这种模型虽然能从一定程度上模拟计算机病毒的传播,但在模拟企业资金风险时就会变得相当不合理,因为现实情况中企业会进行自救,并有机会通过改革摆脱资金问题,同时已经摆脱问题的企业仍有可能因为其他企业的原因再次陷入资金问题。本发明采用了基于传染病传播模型的SIRS模型来构建资金风险模型,即企业遭遇资金风险后,有一定概率产生资金问题,会摆脱资金问题,在摆脱资金问题后也可能再次出现资金问题,相较于SI模型完备性更强,更符合企业资金风险模型的构建。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
基于同一发明构思,本发明实施例还提供了一种企业资金风险预测装置,可以用于实现上述实施例所描述的企业资金风险预测方法,如下面的实施例所述。由于企业资金风险预测装置解决问题的原理与企业资金风险预测方法相似,因此企业资金风险预测装置的实施例可以参见企业资金风险预测方法的实施例,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图4是本发明实施例企业资金风险预测装置的结构框图,如图4所示,在本发明一实施例中,本发明的企业资金风险预测装置包括:
企业资金风险传导模型获取单元1,用于获取预设的企业资金风险传导模型,其中,所述企业资金风险传导模型包含:各企业的企业关系信息以及预设的每种企业关系各自对应的风险传导概率;
当前风险情况赋值单元2,用于根据当前存在资金风险的企业信息设置所述企业资金风险传导模型中各企业各自对应的风险概率,其中,将所述存在资金风险的企业信息中的企业的风险概率设置为A,将非所述存在资金风险的企业信息中的企业的风险概率设置为B;
模型迭代单元3,用于根据所述企业资金风险传导模型开始迭代流程,在每一次迭代中:根据各企业各自对应的风险概率、各企业的企业关系信息以及预设的每种企业关系各自对应的风险传导概率确定各企业各自对应的风险传导后的风险概率;针对每个企业根据企业的风险传导后的风险概率进行风险判定,若是通过风险判定,将企业的判定后的风险概率设置为B,若未通过风险判定,将企业的判定后的风险概率设置为A;将企业的判定后的风险概率作为下一次迭代开始时企业的风险概率,进入下一次迭代,直至预设目标企业的判定后的风险概率为A时停止迭代;
资金风险预测单元4,用于根据所述目标企业的判定后的风险概率为A时的迭代次数确定所述目标企业对应的风险参数,以根据所述风险参数对所述目标企业进行资金风险预测。
在本发明一实施例中,所述企业资金风险传导模型还包含:预设的全局随机风险传导概率。
在本发明一实施例中,所述模型迭代单元根据各企业各自对应的风险概率、各企业的企业关系信息以及预设的每种企业关系各自对应的风险传导概率确定各企业各自对应的风险传导后的风险概率,具体为:
所述模型迭代单元根据各企业各自对应的风险概率、各企业的企业关系信息、预设的每种企业关系各自对应的风险传导概率以及预设的全局随机风险传导概率确定各企业各自对应的风险传导后的风险概率。
在本发明一实施例中,所述企业资金风险传导模型还包含:预设的企业摆脱风险概率以及预设的企业因风险倒闭概率。
图5是本发明实施例模型迭代单元的结构框图,如图5所示,在本发明一实施例中,上述模型迭代单元3具体包括:
企业风险应对判定模块301,用于在所述若未通过风险判定,将企业的判定后的风险概率设置为A之后,针对每个未通过风险判定的企业根据预设的企业摆脱风险概率以及预设的企业因风险倒闭概率进行企业风险应对判定,得到每个未通过风险判定的企业各自对应的企业风险应对判定结果,其中,所述企业风险应对判定结果包括:企业摆脱风险、企业倒闭以及企业无应对;
第一设置模块302,用于当未通过风险判定的企业的所述企业风险应对判定结果为企业摆脱风险时,则将该未通过风险判定的企业的判定后的风险概率设置为B;
第二设置模块303,用于当未通过风险判定的企业的所述企业风险应对判定结果为企业倒闭时,则从所述各企业的企业关系信息中删除该未通过风险判定的企业对应的信息。
在本发明一实施例中,所述模型迭代单元3还包括:概率调整模块,用于在所述针对每个企业根据企业的风险传导后的风险概率进行风险判定之前,将大于A的所述风险传导后的风险概率设置为A。
在本发明一实施例中,所述模型迭代单元针对每个企业根据企业的风险传导后的风险概率进行风险判定,具体包括:
所述模型迭代单元针对每个企业,判断企业的风险传导后的风险概率是否大于随机生成的该企业对应的概率值,若是则未通过风险判定,若否则通过风险判定。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机设备。如图6所示,该计算机设备包括存储器、处理器、通信接口以及通信总线,在存储器上存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例方法中的步骤。
处理器可以为中央处理器(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元,如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及作品数据处理,即实现上述方法实施例中的方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个单元存储在所述存储器中,当被所述处理器执行时,执行上述实施例中的方法。
上述计算机设备具体细节可以对应参阅上述实施例中对应的相关描述和效果进行理解,此处不再赘述。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在计算机处理器中执行时实现上述企业资金风险预测方法中的步骤。本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (12)

1.一种企业资金风险预测方法,其特征在于,包括:
获取预设的企业资金风险传导模型,其中,所述企业资金风险传导模型包含:各企业的企业关系信息以及预设的每种企业关系各自对应的风险传导概率;
根据当前存在资金风险的企业信息设置所述企业资金风险传导模型中各企业各自对应的风险概率,其中,将所述存在资金风险的企业信息中的企业的风险概率设置为A,将非所述存在资金风险的企业信息中的企业的风险概率设置为B;
根据所述企业资金风险传导模型开始迭代流程,在每一次迭代中:根据各企业各自对应的风险概率、各企业的企业关系信息以及预设的每种企业关系各自对应的风险传导概率确定各企业各自对应的风险传导后的风险概率;针对每个企业根据企业的风险传导后的风险概率进行风险判定,若是通过风险判定,将企业的判定后的风险概率设置为B,若未通过风险判定,将企业的判定后的风险概率设置为A;将企业的判定后的风险概率作为下一次迭代开始时企业的风险概率,进入下一次迭代,直至预设目标企业的判定后的风险概率为A时停止迭代;
根据所述目标企业的判定后的风险概率为A时的迭代次数确定所述目标企业对应的风险参数,以根据所述风险参数对所述目标企业进行资金风险预测。
2.根据权利要求1所述的企业资金风险预测方法,其特征在于,所述企业资金风险传导模型还包含:预设的全局随机风险传导概率;
所述根据各企业各自对应的风险概率、各企业的企业关系信息以及预设的每种企业关系各自对应的风险传导概率确定各企业各自对应的风险传导后的风险概率,具体为:
根据各企业各自对应的风险概率、各企业的企业关系信息、预设的每种企业关系各自对应的风险传导概率以及预设的全局随机风险传导概率确定各企业各自对应的风险传导后的风险概率。
3.根据权利要求1所述的企业资金风险预测方法,其特征在于,所述企业资金风险传导模型还包含:预设的企业摆脱风险概率以及预设的企业因风险倒闭概率;
所述若未通过风险判定,将企业的判定后的风险概率设置为A之后,还包括:
针对每个未通过风险判定的企业根据预设的企业摆脱风险概率以及预设的企业因风险倒闭概率进行企业风险应对判定,得到每个未通过风险判定的企业各自对应的企业风险应对判定结果,其中,所述企业风险应对判定结果包括:企业摆脱风险、企业倒闭以及企业无应对;
若未通过风险判定的企业的所述企业风险应对判定结果为企业摆脱风险,则将该未通过风险判定的企业的判定后的风险概率设置为B;
若未通过风险判定的企业的所述企业风险应对判定结果为企业倒闭,则从所述各企业的企业关系信息中删除该未通过风险判定的企业对应的信息。
4.根据权利要求1所述的企业资金风险预测方法,其特征在于,在所述针对每个企业根据企业的风险传导后的风险概率进行风险判定之前,还包括:
将大于A的所述风险传导后的风险概率设置为A。
5.根据权利要求1所述的企业资金风险预测方法,其特征在于,所述针对每个企业根据企业的风险传导后的风险概率进行风险判定,具体包括:
针对每个企业,判断企业的风险传导后的风险概率是否大于随机生成的该企业对应的概率值,若是则未通过风险判定,若否则通过风险判定。
6.一种企业资金风险预测装置,其特征在于,包括:
企业资金风险传导模型获取单元,用于获取预设的企业资金风险传导模型,其中,所述企业资金风险传导模型包含:各企业的企业关系信息以及预设的每种企业关系各自对应的风险传导概率;
当前风险情况赋值单元,用于根据当前存在资金风险的企业信息设置所述企业资金风险传导模型中各企业各自对应的风险概率,其中,将所述存在资金风险的企业信息中的企业的风险概率设置为A,将非所述存在资金风险的企业信息中的企业的风险概率设置为B;
模型迭代单元,用于根据所述企业资金风险传导模型开始迭代流程,在每一次迭代中:根据各企业各自对应的风险概率、各企业的企业关系信息以及预设的每种企业关系各自对应的风险传导概率确定各企业各自对应的风险传导后的风险概率;针对每个企业根据企业的风险传导后的风险概率进行风险判定,若是通过风险判定,将企业的判定后的风险概率设置为B,若未通过风险判定,将企业的判定后的风险概率设置为A;将企业的判定后的风险概率作为下一次迭代开始时企业的风险概率,进入下一次迭代,直至预设目标企业的判定后的风险概率为A时停止迭代;
资金风险预测单元,用于根据所述目标企业的判定后的风险概率为A时的迭代次数确定所述目标企业对应的风险参数,以根据所述风险参数对所述目标企业进行资金风险预测。
7.根据权利要求6所述的企业资金风险预测装置,其特征在于,所述企业资金风险传导模型还包含:预设的全局随机风险传导概率;
所述模型迭代单元根据各企业各自对应的风险概率、各企业的企业关系信息以及预设的每种企业关系各自对应的风险传导概率确定各企业各自对应的风险传导后的风险概率,具体为:
所述模型迭代单元根据各企业各自对应的风险概率、各企业的企业关系信息、预设的每种企业关系各自对应的风险传导概率以及预设的全局随机风险传导概率确定各企业各自对应的风险传导后的风险概率。
8.根据权利要求6所述的企业资金风险预测装置,其特征在于,所述企业资金风险传导模型还包含:预设的企业摆脱风险概率以及预设的企业因风险倒闭概率;
所述模型迭代单元,包括:
企业风险应对判定模块,用于在所述若未通过风险判定,将企业的判定后的风险概率设置为A之后,针对每个未通过风险判定的企业根据预设的企业摆脱风险概率以及预设的企业因风险倒闭概率进行企业风险应对判定,得到每个未通过风险判定的企业各自对应的企业风险应对判定结果,其中,所述企业风险应对判定结果包括:企业摆脱风险、企业倒闭以及企业无应对;
第一设置模块,用于当未通过风险判定的企业的所述企业风险应对判定结果为企业摆脱风险时,则将该未通过风险判定的企业的判定后的风险概率设置为B;
第二设置模块,用于当未通过风险判定的企业的所述企业风险应对判定结果为企业倒闭时,则从所述各企业的企业关系信息中删除该未通过风险判定的企业对应的信息。
9.根据权利要求6所述的企业资金风险预测装置,其特征在于,所述模型迭代单元包括:
概率调整模块,用于在所述针对每个企业根据企业的风险传导后的风险概率进行风险判定之前,将大于A的所述风险传导后的风险概率设置为A。
10.根据权利要求6所述的企业资金风险预测装置,其特征在于,所述模型迭代单元针对每个企业根据企业的风险传导后的风险概率进行风险判定,具体包括:
所述模型迭代单元针对每个企业,判断企业的风险传导后的风险概率是否大于随机生成的该企业对应的概率值,若是则未通过风险判定,若否则通过风险判定。
11.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一项所述的方法。
12.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序在计算机处理器中执行时实现如权利要求1至5任意一项所述的方法。
CN202010594845.3A 2020-06-28 2020-06-28 企业资金风险预测方法及装置 Active CN111784488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010594845.3A CN111784488B (zh) 2020-06-28 2020-06-28 企业资金风险预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010594845.3A CN111784488B (zh) 2020-06-28 2020-06-28 企业资金风险预测方法及装置

Publications (2)

Publication Number Publication Date
CN111784488A true CN111784488A (zh) 2020-10-16
CN111784488B CN111784488B (zh) 2023-08-01

Family

ID=72760454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010594845.3A Active CN111784488B (zh) 2020-06-28 2020-06-28 企业资金风险预测方法及装置

Country Status (1)

Country Link
CN (1) CN111784488B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112613763A (zh) * 2020-12-25 2021-04-06 北京知因智慧科技有限公司 数据传导方法及装置
CN112613729A (zh) * 2020-12-19 2021-04-06 前海飞算科技(深圳)有限公司 违约风险大数据可视化方法、装置及存储介质
CN114676927A (zh) * 2022-04-08 2022-06-28 北京百度网讯科技有限公司 风险预测方法和装置、电子设备、计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107943847A (zh) * 2017-11-02 2018-04-20 平安科技(深圳)有限公司 企业关系提取方法、装置及存储介质
CN109583620A (zh) * 2018-10-11 2019-04-05 平安科技(深圳)有限公司 企业潜在风险预警方法、装置、计算机设备和存储介质
CN110889556A (zh) * 2019-11-28 2020-03-17 福建亿榕信息技术有限公司 一种企业经营风险预测方法和系统
US20200167225A1 (en) * 2018-11-27 2020-05-28 Capital One Services, Llc Technology system auto-recovery and optimality engine and techniques

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107943847A (zh) * 2017-11-02 2018-04-20 平安科技(深圳)有限公司 企业关系提取方法、装置及存储介质
CN109583620A (zh) * 2018-10-11 2019-04-05 平安科技(深圳)有限公司 企业潜在风险预警方法、装置、计算机设备和存储介质
US20200167225A1 (en) * 2018-11-27 2020-05-28 Capital One Services, Llc Technology system auto-recovery and optimality engine and techniques
CN110889556A (zh) * 2019-11-28 2020-03-17 福建亿榕信息技术有限公司 一种企业经营风险预测方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王玉冬等: ""企业创新资金配置风险传导机理研究"", 《科技与管理》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112613729A (zh) * 2020-12-19 2021-04-06 前海飞算科技(深圳)有限公司 违约风险大数据可视化方法、装置及存储介质
CN112613763A (zh) * 2020-12-25 2021-04-06 北京知因智慧科技有限公司 数据传导方法及装置
CN112613763B (zh) * 2020-12-25 2024-04-16 北京知因智慧科技有限公司 数据传导方法及装置
CN114676927A (zh) * 2022-04-08 2022-06-28 北京百度网讯科技有限公司 风险预测方法和装置、电子设备、计算机可读存储介质

Also Published As

Publication number Publication date
CN111784488B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN111784488A (zh) 企业资金风险预测方法及装置
WO2019153518A1 (zh) 信息推送方法、装置、计算机设备及存储介质
US7979298B2 (en) Method and apparatus for operational risk assessment and mitigation
US20220122010A1 (en) Long-short field memory networks
Srivastava An introduction to evidential reasoning for decision making under uncertainty: Bayesian and belief function perspectives
Inoue et al. Propagation of negative shocks across nation-wide firm networks
US20180253737A1 (en) Dynamicall Evaluating Fraud Risk
Ramesh Predictive analytics for banking user data using AWS machine learning cloud service
CN113538137A (zh) 一种基于双图谱融合计算的资金流监控方法及装置
Khademi et al. An agent-based model of healthy eating with applications to hypertension
Valli et al. Importance of AIOps for Turn Metrics and Log Data: A Survey
Wallstrom Quantification of margins and uncertainties: A probabilistic framework
Barrett et al. Risk analysis and risk management for the artificial superintelligence research and development process
US20200301805A1 (en) Estimating treatment effect of user interface changes using a state-space model
Shah et al. Extending function point analysis effort estimation method for software development phase
Bangui et al. Deep-learning based trust management with self-adaptation in the internet of behavior
Xiang et al. A bonus-malus framework for cyber risk insurance and optimal cybersecurity provisioning
Dagnino Estimating software-intensive projects in the absence of historical data
Prasasti et al. Customer lifetime value and defection possibility prediction model using machine learning: An application to a cloud-based software company
US20160110641A1 (en) Determining a level of risk for making a change using a neuro fuzzy expert system
CN113487109B (zh) 群体识别方法、装置、电子设备及存储介质
CN111815442B (zh) 一种链接预测的方法、装置和电子设备
CN113392164B (zh) 构建纵向联邦树的方法、主服务器、业务平台和系统
Ahmed et al. Inferring epidemic dynamics using gaussian process emulation of agent-based simulations
CN111625720B (zh) 数据决策项目执行策略的确定方法、装置、设备和介质

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