CN111861707A - 一种担保网络的传染风险的量化及可视化处理方法 - Google Patents
一种担保网络的传染风险的量化及可视化处理方法 Download PDFInfo
- Publication number
- CN111861707A CN111861707A CN202010684959.7A CN202010684959A CN111861707A CN 111861707 A CN111861707 A CN 111861707A CN 202010684959 A CN202010684959 A CN 202010684959A CN 111861707 A CN111861707 A CN 111861707A
- Authority
- CN
- China
- Prior art keywords
- infection
- network
- chain
- risk
- guarantee network
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种担保网络的传染风险的量化及可视化处理方法,其技术特点:从担保网络中提取传染链模式;基于传染链模式评估计算担保网络风险值;根据担保网络风险值可视化每个担保网络的传染分数,将其嵌入到每个担保网络中并通过可视化系统进行显示。本发明设计合理,其通过传染链的模式提取获得不同种类的传染链模式、通过担保网络风险值评估计算对风险值进行量化,最后将CEB镶嵌在每个担保网络中,从而实现了担保网络的传染风险的量化及可视化处理功能,可以通过观察CEB快速地评估担保网络的风险,为用户节省了大量的时间,从而快速准确地评估每个担保网络的风险。
Description
技术领域
本发明属于数据挖掘技术领域,尤其是一种担保网络的传染风险的量化及可视化处理方法。
背景技术
担保贷款是一种独特的金融和银行业现象,当企业相互支持以申请贷款时,它们形成了复杂的有向网络(也成为担保网络)。
对于担保网络风险管控方面,2018年,niu等人在Pacific可视分析会议上发表了一篇对于担保网络贷款风险管理的可视分析工作。在工作中首次提到了关于违约传播路径的概念等,但是,并没有对担保网络中的传染风险提出一个完整的量化分析方法。
另外,在巴塞尔协议II下,一系列参数(也称为基于内部评级的方法)用于计算公司的贷款风险:(1)违约概率(PD):可以从历史违约数据、信用违约掉期、债券的可观察价格以及使用决策树、逻辑回归、支持向量机、神经网络、遗传规划和集成方法等机器学习算法确定的普通股票市场上的期权的可观察价格进行估算,以及许多其他机器学习过程。在信用风险管理中,标准假设是,如果客户的付款到期至少三个月,则将其视为违约贷款。(2)违约给付(LGD)是指如果借款人违约而损失的资产份额,LGD是特定于设施的,因为此类损失可能会受到关键交易特征(例如抵押品的存在和从属程度)的影响。(3)违约风险暴露(EAD)定义为债务人违约时设施的总暴露风险。(4)预期损失。上述三种方法可以公式化为PD,LGD和EAD的产品。但是,基于巴塞尔协议的四个指标参数适合于单个公司贷款风险的评估,不太适合网络贷款风险的评估,因为网络关系是唯一的并且超出了假设,所以建立一个新的风险度量标准是紧迫而必要的。
公开文献《Visual analytics for networked-guarantee loans riskmanagement》对于风险社区的分析:其设计了可视化分析工具,使金融专家能够考虑几个因素来判断违约。这些因素包括公司财务信息和担保合同金额信息。当用户将鼠标指针悬停在节点上时,公司的详细信息被清楚地列出,当用户点击节点时,其担保路径会显示出来,桑基图用于表示保证流。桑基图带的宽度与担保额成正比。上述工作通过这样的方式来可视化担保传播路径,通过使用桑基图来帮助专家确定是否存在风险。
上述方法存在的问题是:虽然能够帮助专家进行担保传播路径的分析,但这种方案对于专家来说,只有通过因素来判断违约,接着通过点击节点来观察传播路径去评估传播效应是否严重,并不能实现担保网络的风险评估的量化及直观处理功能。
发明内容
本发明的目的在于克服现有技术的不足,提出一种担保网络的传染风险的量化及可视化处理方法,通过量化及可视化处理,快速地评估每个担保网络的风险。
本发明解决其技术问题是采取以下技术方案实现的:
一种担保网络的传染风险的量化及可视化处理方法,包括以下步骤:
步骤1、从担保网络中提取传染链模式;
步骤2、基于传染链模式评估计算担保网络风险值;
步骤3、根据担保网络风险值可视化每个担保网络的传染分数,将其嵌入到每个担保网络中并通过可视化系统进行显示。
进一步,所述传染链模式包括如下八种模式:直接传染模式P.1、单链传染模式P.2、相互传染模式P.3、相互感染的扩展模式P.4、环形传染模式P.5、环形传染的扩展模式P.6、星形传染模式P.7和星形传染模式的扩展模式P.8。
进一步,所述步骤1的具体实现方法包括以下步骤:
步骤1.1、根据原始网络生成传染链;
步骤1.2、从传染链提取违约传染链特征;
步骤1.3、基于聚类算法提取传染链模式。
进一步,所述步骤1.1的具体实现方法为:将原始网络的箭头进行反转生成传染网络;通过广度优先遍历算法找出每个节点所能够传染的节点集合,将每个节点集合带入原始网络中生成传染链。
进一步,所述步骤1.2提取的违约传染链特征包括:违约传染链中包含的边数、违约传染链的长度、违约传染链的网络密度、违约传染链的平均聚集系数和平均最短路径长度。
进一步,所述步骤1.3的具体实现方法为:
首先,使用全连接的方法并选择高斯核函数RBF来计算由所有数据点组成的图的邻接矩阵W:
其中xi和yi是两个不同的样本点;
其次,计算拉普拉斯矩阵以及Ncut方法来切割图并最小化如下函数以获得特征矩阵F;该特征矩阵F是n*k维的矩阵,其中n是样本数,k是切割图后的子图数量;
最后,通过交叉验证设置k值,将矩阵F中的每一行作为一个k维样本,然后使用k-means 对n个样本进行聚类获得分类结果。
进一步,所述步骤2的具体实现方法为:
步骤2.1、将每个担保网络中包含的所有公司的总违约金额进行计算,得到网络中节点暴露的总量EDA;
步骤2.2、分别计算每个担保网络所包含的传染链模式,并将传染链模式按照风险系数的降序分为四大类:包含P.7模式以及P.8模式的pq1类,包含P.5模式以及P.6模式的pq2 类,包含P.3模式以及P.4模式的pq3类,包含P.2模式以及P.1模式的pq4类;
步骤2.3、计算出每个担保网络中四大类中分别包含的传染链模式的数量;
步骤2.4、将传染分数明确定义为一个五维向量[EDA,pq1,pq2,pq3,pq4],其中EDA是网络中节点暴露的总量,pqj表示担保网络中包含的不同类别的传染链模式的数量, j=1,2,3,4。
进一步,所述步骤3的具体实现方法为:将五维向量[EDA,pq1,pq2,pq3,pq4]设计为四层饼图,以根据传染分数来表示风险水平,其半径大小和以及四层颜色编码分别对应于EDA 和传染类型,并使用金融领域中不同风险等级所对应的颜色进行颜色编码,并将五维向量嵌入到每个担保网络中并显示,其中,EDA是网络中节点暴露的总量,pqj表示担保网络中包含的不同类别的传染链模式的数量,j=1,2,3,4。
进一步,所述颜色编码方法为:红色层代表pq1类,橙色层代表pq2类,黄色层代表pq3 类,绿色层代表pq4类。
本发明的优点和积极效果是:
本发明设计合理,其通过传染链的模式提取获得不同种类的传染链模式、通过担保网络风险值评估计算对风险值进行量化,最后将CEB镶嵌在每个担保网络中,从而实现了担保网络的传染风险的量化及可视化处理功能,可以通过观察CEB快速地评估担保网络的风险,为用户节省了大量的时间,从而快速准确地评估每个担保网络的风险。
附图说明
图1为本发明的整体流程图;
图2a为担保网络的原始图;
图2b为图2a的传染网络图;
图2c为图2b中每个点所能传染的节点集合;
图3为提取出的8种传染链模式图;
图4为本发明可视化处理结果示意图。
具体实施方式
以下结合附图对本发明做进一步详述。
一种担保网络的传染风险的量化及可视化处理方法,如图1所示,包括以下步骤:
步骤1、传染链的模式提取,具体方法包括:
步骤1.1、根据原始网络生成传染链
在本步骤中,我们将传染链定义为当某个公司违约时,风险传播的子图。
我们将图2a所示原始网络的箭头进行反转生成图2b的传染网络,接着通过广度优先遍历算法找出每个节点所能够传染(到达)的节点集合,从而将传染网络分裂成多个子图(即:传染链),图2b给出了节点A违约时所产生的传染链,图2c给出了图2b中每个点所能够传染的节点集合,接着通过将每个节点集合带入图2b的原始网络结构中,最终生成传染链。
步骤1.2、从传染链提取违约传染链特征
在本步骤中,我们按照子图的定义,为违约传染链提取如下几个特征:
(1)违约传染链中包含的边数:E(P(i))表示节点i的传染链中包含的边的集合。
(2)违约传染链的长度(传染链中包含的节点数):N(P(i))代表传染链中包含的节点数 (包含节点i)。
(3)违约传染链的网络密度:
(4)违约传染链的平均聚集系数(违约传染链中所有节点的局部聚集系数的平均数):
(5)平均最短路径长度(网络拓扑结构中的概念,即定义为传染链中包含的所有可能的网络节点对之间的最短路径的平均步数。):
其中,dist(i,j)是节点i与节点j之间的最短距离。
步骤1.3、基于聚类算法提取传染链模式
当我们提取上述五个特征以后,我们选择使用谱聚类的算法来提取传染链的模式。我们使用全连接的方法(其中所有采样点之间的权重值大于0),同时选择使用高斯核函数RBF 来计算由所有数据点组成的图的邻接矩阵W:
其中xi和yi是两个不同的样本点。接着我们计算拉普拉斯矩阵(L=D-W,D为图的度矩阵),以及使用Ncut方法来切割图并最小化如下函数以获得矩阵F。特征矩阵F是n*k维的矩阵 (n是样本数,k是切割图后的子图数量)。
我们通过交叉验证设置适当的k值。我们将矩阵F中的每一行作为一个k维样本,然后使用k-means对这n个样本进行聚类以获得分类结果(我们把簇数大小设置与k值相同)。
如图3所示,经过步骤1提取得到如下8种传染链模式:
P.1:直接传染模式:基本的传染性模式,违约风险只能传播到其相邻节点并停止。
P.2:单链传染模式:直接传染模式的扩展,主要区别在于违约风险可以沿相同方向分布在单个链上。值得注意的是,整个单链的长度是任意的。
P.3:相互传染模式:一种主要的传染性模型,描述了两家公司同时从银行获得资金时彼此担保(相互担保)的情况。两者都很脆弱,因为无论哪个公司违约,它们都会相互影响。
P.4:相互感染的扩展模式:相互传染模式的扩展,即传染链涉及其他节点。
P.5:环形传染模式:三个或三个以上节点互相担保时形成的环形担保形式,任意一个节点违约时,风险会传播其他的所有的节点,这种模式是相互感染模式的延伸也是很严重的一种传染模式。
P.6:环形传染的扩展模式:环形传染模式的扩展,即传染链涉及其他的不在环内的节点。
P.7:星形传染模式:一个节点的违约风险会传播到其他节点并停止。当某些公司为同一家公司提供担保时,可能会发生这种情况,违约风险可能会传播到所有提供支持的公司。
P.8:星形传染模式的扩展:星形传染模式的扩展和更复杂的模式。一个节点的违约风险可能会扩展到其他几个顺序节点。
步骤2、担保网络风险值评估计算
在提取传染链模式后,我们开始计算每个担保网路的风险值。具体方法包括以下步骤:
步骤2.1、我们将每个担保网络中包含的所有公司的总违约金额进行计算,得到EDA这个参数作为我们评估风险值的一维特征,即代表担保网络违约时会涉及到多少金额。
步骤2.2、我们分别计算每个担保网络所包含的传染链模式,同时将传染链模式按照风险系数(即按照模式的风险传播范围大小)的降序分为四大类:pq1,pq2,pq3,pq4。pq1-pq4,分别说明如下:
pq1:包含P.7以及P.8两种模式。
pq2:包含P.5以及P.6两种模式。
pq3:包含P.3以及P.4两种模式。
pq4:包含P.1以及P.2模式。
步骤2.3、我们计算出每个担保网络中pq1-pq4分别所包含的传染链模式的数量。
步骤2.4、我们将传染分数明确定义为一个五维向量[EDA,pq1,pq2,pq3,pq4],其中 EDA是网络中节点暴露的总量(即担保网络的中所有节点的总违约金额),pqj是代表担保网络中包含的不同类别的传染链模式的数量。
步骤3、担保网络风险值可视化处理
为了能够使得专家更直接地看到每个担保网络的风险值大小,我们采用CEB方法(Contagion Effect Badge传染效应标记)来可视化每个担保网络的传染分数,即五维向量[EDA,pq1,pq2,pq3,pq4]。
CEB被设计为四层饼图,以根据传染分数来表示风险水平,它的半径大小和以及四层颜色编码分别对应于EDA和传染类型(pq1-pq4)。我们的颜色编码使用金融领域中不同风险等级所对应的颜色,其中,红色层代表pq1,橙色层代表pq2,黄色层代表pq3,绿色层代表pq4。
最终,通过软件方法将CEB镶嵌在每个担保网络中,可以通过观察CEB便可快速地评估担保网络的风险,为用户节省了大量的时间,如图4所示。
本发明未述及之处适用于现有技术。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (9)
1.一种担保网络的传染风险的量化及可视化处理方法,其特征在于:包括以下步骤:
步骤1、从担保网络中提取传染链模式;
步骤2、基于传染链模式评估计算担保网络风险值;
步骤3、根据担保网络风险值可视化每个担保网络的传染分数,将其嵌入到每个担保网络中并通过可视化系统进行显示。
2.根据权利要求1所述的一种担保网络的传染风险的量化及可视化处理方法,其特征在于:所述传染链模式包括如下八种模式:直接传染模式P.1、单链传染模式P.2、相互传染模式P.3、相互感染的扩展模式P.4、环形传染模式P.5、环形传染的扩展模式P.6、星形传染模式P.7和星形传染模式的扩展模式P.8。
3.根据权利要求1或2所述的一种担保网络的传染风险的量化及可视化处理方法,其特征在于:所述步骤1的具体实现方法包括以下步骤:
步骤1.1、根据原始网络生成传染链;
步骤1.2、从传染链提取违约传染链特征;
步骤1.3、基于聚类算法提取传染链模式。
4.根据权利要求3所述的一种担保网络的传染风险的量化及可视化处理方法,其特征在于:所述步骤1.1的具体实现方法为:将原始网络的箭头进行反转生成传染网络;通过广度优先遍历算法找出每个节点所能够传染的节点集合,将每个节点集合带入原始网络中生成传染链。
5.根据权利要求3所述的一种担保网络的传染风险的量化及可视化处理方法,其特征在于:所述步骤1.2提取的违约传染链特征包括:违约传染链中包含的边数、违约传染链的长度、违约传染链的网络密度、违约传染链的平均聚集系数和平均最短路径长度。
6.根据权利要求3所述的一种担保网络的传染风险的量化及可视化处理方法,其特征在于:所述步骤1.3的具体实现方法为:
首先,使用全连接的方法并选择高斯核函数RBF来计算由所有数据点组成的图的邻接矩阵W:
其中xi和yi是两个不同的样本点;
其次,计算拉普拉斯矩阵以及Ncut方法来切割图并最小化如下函数以获得特征矩阵F;该特征矩阵F是n*k维的矩阵,其中n是样本数,k是切割图后的子图数量;
最后,通过交叉验证设置k值,将矩阵F中的每一行作为一个k维样本,然后使用k-means对n个样本进行聚类获得分类结果。
7.根据权利要求1或2所述的一种担保网络的传染风险的量化及可视化处理方法,其特征在于:所述步骤2的具体实现方法为:
步骤2.1、将每个担保网络中包含的所有公司的总违约金额进行计算,得到网络中节点暴露的总量EDA;
步骤2.2、分别计算每个担保网络所包含的传染链模式,并将传染链模式按照风险系数的降序分为四大类:包含P.7模式以及P.8模式的pq1类,包含P.5模式以及P.6模式的pq2类,包含P.3模式以及P.4模式的pq3类,包含P.2模式以及P.1模式的pq4类;
步骤2.3、计算出每个担保网络中四大类中分别包含的传染链模式的数量;
步骤2.4、将传染分数明确定义为一个五维向量[EDA,pq1,pq2,pq3,pq4],其中EDA是网络中节点暴露的总量,pqj表示担保网络中包含的不同类别的传染链模式的数量,j=1,2,3,4。
8.根据权利要求1或2所述的一种担保网络的传染风险的量化及可视化处理方法,其特征在于:所述步骤3的具体实现方法为:将五维向量[EDA,pq1,pq2,pq3,pq4]设计为四层饼图,以根据传染分数来表示风险水平,其半径大小和以及四层颜色编码分别对应于EDA和传染类型,并使用金融领域中不同风险等级所对应的颜色进行颜色编码,并将五维向量嵌入到每个担保网络中并显示,其中,EDA是网络中节点暴露的总量,pqj表示担保网络中包含的不同类别的传染链模式的数量,j=1,2,3,4。
9.根据权利要求8所述的一种担保网络的传染风险的量化及可视化处理方法,其特征在于:所述颜色编码方法为:红色层代表pq1类,橙色层代表pq2类,黄色层代表pq3类,绿色层代表pq4类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010684959.7A CN111861707A (zh) | 2020-07-16 | 2020-07-16 | 一种担保网络的传染风险的量化及可视化处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010684959.7A CN111861707A (zh) | 2020-07-16 | 2020-07-16 | 一种担保网络的传染风险的量化及可视化处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111861707A true CN111861707A (zh) | 2020-10-30 |
Family
ID=72983613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010684959.7A Pending CN111861707A (zh) | 2020-07-16 | 2020-07-16 | 一种担保网络的传染风险的量化及可视化处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861707A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204264A (zh) * | 2016-07-05 | 2016-12-07 | 天云融创数据科技(北京)有限公司 | 一种信贷担保网络风险传播模型构建方法 |
CN108492001A (zh) * | 2018-02-13 | 2018-09-04 | 天津大学 | 一种用于担保贷款网络风险管理的方法 |
CN108537653A (zh) * | 2018-03-07 | 2018-09-14 | 天津大学 | 一种用于担保网络贷款中欺诈模式检测的方法 |
-
2020
- 2020-07-16 CN CN202010684959.7A patent/CN111861707A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204264A (zh) * | 2016-07-05 | 2016-12-07 | 天云融创数据科技(北京)有限公司 | 一种信贷担保网络风险传播模型构建方法 |
CN108492001A (zh) * | 2018-02-13 | 2018-09-04 | 天津大学 | 一种用于担保贷款网络风险管理的方法 |
CN108537653A (zh) * | 2018-03-07 | 2018-09-14 | 天津大学 | 一种用于担保网络贷款中欺诈模式检测的方法 |
Non-Patent Citations (2)
Title |
---|
ZHIBIN NIU 等: "iConVis: Interactive Visual Exploration of the Default Contagion Risk for Networked-guarantee Loans", 《2020 IEEE CONFERENCE ON VISUAL ANALYTICS SCIENCE AND TECHNOLOGY》 * |
由里: "基于谱聚类的图像分割方法研究", 《中国优秀硕士论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6771751B2 (ja) | リスク評価方法およびシステム | |
CN109800573B (zh) | 基于度匿名与链路扰动的社交网络保护方法 | |
WO2022121145A1 (zh) | 一种基于图分类的以太坊网络钓鱼诈骗检测方法及装置 | |
CN111831923A (zh) | 识别关联的特定账户的方法、装置及存储介质 | |
Niu et al. | iConViz: Interactive visual exploration of the default contagion risk of networked-guarantee loans | |
CN108492001A (zh) | 一种用于担保贷款网络风险管理的方法 | |
CN107194808A (zh) | 一种用区块链来实现金融交易的管理方法 | |
CN113657896A (zh) | 一种基于图神经网络的区块链交易拓扑图分析方法和装置 | |
Renigier-Biłozor et al. | Optimization of the variables selection in the process of real estate markets rating | |
Ozdagoglu et al. | The application of data mining techniques in manipulated financial statement classification: The case of Turkey | |
Lopes et al. | Machine learning partners in criminal networks | |
CN114140123B (zh) | 一种用于以太坊二层网络交易溯源的方法及系统 | |
CN113159930A (zh) | 一种基于经济依存关系的客户群体识别方法和装置 | |
CN111861707A (zh) | 一种担保网络的传染风险的量化及可视化处理方法 | |
CN112132589A (zh) | 一种基于多次融合构建欺诈识别模型的方法 | |
Apparao et al. | Financial statement fraud detection by data mining | |
Feng et al. | A Data-driven Assessment Model for Information Systems Security Risk Management. | |
Benatti et al. | Simple bundles of complex networks | |
CN107402984B (zh) | 一种基于主题的分类方法及装置 | |
Chen et al. | Anomaly subgraph mining in large-scale social networks | |
Yan et al. | The impact of capital market opening on stock market stability: Based on D-MST method complex network perspective | |
Polovnikov et al. | Ownership Concentration and Wealth Inequality in Russia. | |
CN115496364A (zh) | 幌子企业识别方法及装置、存储介质及电子设备 | |
Duman et al. | Applying migrating birds optimization to credit card fraud detection | |
CN114820219A (zh) | 一种基于复杂网络的欺诈社团识别方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201030 |
|
RJ01 | Rejection of invention patent application after publication |