CN111932376B - 虚拟资源数据的模拟方法、装置 - Google Patents
虚拟资源数据的模拟方法、装置 Download PDFInfo
- Publication number
- CN111932376B CN111932376B CN202010818392.8A CN202010818392A CN111932376B CN 111932376 B CN111932376 B CN 111932376B CN 202010818392 A CN202010818392 A CN 202010818392A CN 111932376 B CN111932376 B CN 111932376B
- Authority
- CN
- China
- Prior art keywords
- resource
- resource data
- simulation model
- simulation
- distribution
- 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
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000009826 distribution Methods 0.000 claims abstract description 65
- 238000004590 computer program Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000003042 antagnostic effect Effects 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000039077 Copula Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请的实施例提供了一种虚拟资源数据的模拟方法、装置。该方法包括:获取虚拟资源平台中的资源对象在历史上的历史资源数据;为所述资源对象确定模拟模型模板,所述模拟模型模板中包括待解的边缘参数和至少两个随机变量,其中,边缘参数用于决定资源数据的边缘分布,所述至少两个随机变量相互独立且符合标准正态分布;根据所述历史资源数据,确定所述模拟模型模板中待解的边缘参数,得到与所述资源对象对应的模拟模型;基于所述模拟模型中的至少两个随机变量,对所述资源对象进行模拟,以确定资源对象的模拟资源数据。本申请实施例的技术方案可以提高针对资源对象的模拟资源数据的可解释性。
Description
技术领域
本申请涉及计算机及人工智能技术领域,具体而言,涉及一种虚拟资源数据的模拟方法、装置。
背景技术
在虚拟资源数据的人工智能模拟场景中,比如在股票收益数据、用户信用数据等虚拟资源数据的模拟场景,通常是采用t-copula模型或者是因子copula模型来对虚拟资源数据进行模拟,还或者是采用随机变量变换的方法来对虚拟资源数据进行模拟。然而,如何提高针对资源对象的模拟资源数据的可解释性是亟待解决的技术问题。
发明内容
本申请的实施例提供了一种虚拟资源数据的模拟方法、装置、计算机程序产品或计算机程序、计算机可读介质及电子设备,进而至少在一定程度上提高针对资源对象的模拟资源数据的可解释性。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供了一种虚拟资源数据的模拟方法,包括:获取虚拟资源平台中的资源对象在历史上的历史资源数据;为所述资源对象确定模拟模型模板,所述模拟模型模板中包括待解的边缘参数和至少两个随机变量,其中,边缘参数用于决定资源数据的边缘分布,所述至少两个随机变量相互独立且符合标准正态分布;根据所述历史资源数据,确定所述模拟模型模板中待解的边缘参数,得到与所述资源对象对应的模拟模型;基于所述模拟模型中的至少两个随机变量,对所述资源对象进行模拟,以确定资源对象的模拟资源数据。
根据本申请实施例的一个方面,提供了一种虚拟资源数据的模拟装置,所述装置包括:获取单元,被用于获取虚拟资源平台中的资源对象在历史上的历史资源数据;第一确定单元,被用于为所述资源对象确定模拟模型模板,所述模拟模型模板中包括待解的边缘参数和至少两个随机变量,其中,边缘参数用于决定资源数据的边缘分布,所述至少两个随机变量相互独立且符合标准正态分布;第二确定单元,被用于根据所述历史资源数据,确定所述模拟模型模板中待解的边缘参数,得到与所述资源对象对应的模拟模型;模拟单元,被用于基于所述模拟模型中的至少两个随机变量,对所述资源对象进行模拟,以确定资源对象的模拟资源数据。
在本申请的一些实施例中,基于前述方案,所述第二确定单元配置为:根据所述历史资源数据,通过距估计方法确定所述模拟模型模板中待解的边缘参数。
在本申请的一些实施例中,基于前述方案,所述第二确定单元配置为:根据所述历史资源数据,以及所述模拟模型模板,按照距估计方法确定关于待解的边缘参数的方程组;通过对所述方程组进行求解,得到所述模拟模型模板中待解的边缘参数。
在本申请的一些实施例中,基于前述方案,所述模拟单元配置为:对所述随机变量进行取值,得到随机变量值;将所述随机变量值输入所述模拟模型,以输出模拟资源数据。
在本申请的一些实施例中,基于前述方案,所述装置还包括:预测单元,被用于在基于所述模拟模型中的至少两个随机变量,对所述资源对象进行模拟,以确定资源对象的模拟资源数据之后,获取资源对象的模拟资源数据;对所述模拟资源数据求平均,得到所述资源对象的预测资源数据。
在本申请的一些实施例中,基于前述方案,所述装置还包括:第三确定单元,被用于在基于所述模拟模型中的至少两个随机变量,对所述资源对象进行模拟,以确定资源对象的模拟资源数据之后,获取资源对象的模拟资源数据;通过所述模拟资源数据确定所述资源对象的模拟资源数据分布。
在本申请的一些实施例中,基于前述方案,所述装置还包括:第四确定单元,被用于在所述虚拟资源平台中存在复数个资源对象时,在基于所述模拟模型中的至少两个随机变量,对所述资源对象进行模拟,以确定资源对象的模拟资源数据之前,基于与所述复数个资源对象一一对应的模拟模型,通过对抗神经网络确定所述模拟模型的联合参数,其中,联合参数用于决定资源数据的联合分布。
在本申请的一些实施例中,基于前述方案,所述模拟单元配置为:基于所述模拟模型的联合参数,对所述随机变量进行取值,得到随机变量值;将所述随机变量值输入所述模拟模型,以输出模拟资源数据。
在本申请的一些实施例中,基于前述方案,所述装置还包括:第五确定单元,被用于在将所述随机变量值输入所述模拟模型,以输出模拟资源数据之后,分别获取所述复数个资源对象的模拟资源数据;通过所述模拟资源数据,分别确定所述复数个资源对象的模拟资源数据分布;基于所述复数个资源对象的模拟资源数据分布,确定所述复数个资源对象中的任意两个资源对象之间的相关性。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述第一方面或者第一方面的各种可选实现方式中提供的方法。
根据本申请实施例的一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例中所述的虚拟资源数据的模拟方法。
根据本申请实施例的一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中所述的虚拟资源数据的模拟方法。
在本申请的一些实施例所提供的技术方案中,通过获取的虚拟资源平台中的资源对象在历史上的历史资源数据,确定事先确定的模拟模型模板中待解的边缘参数,从而确定与所述资源对象对应的模拟模型,然后基于模拟模型中的至少两个随机变量,对所述资源对象进行模拟,以得到资源对象的模拟资源数据。由于在为资源对象确定的模拟模型中,包括了用于决定资源数据边缘分布的边缘参数,故通过至少两个相互独立且符合标准正态分布的随机变量而得到的模拟资源数据可以提高针对资源对象的模拟资源数据的可解释性特别是提高对模拟资源数据的边缘分布重尾特性以及尾部相关性的可解释性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图;
图2示出了根据本申请的一个实施例的虚拟资源数据的模拟方法的流程图;
图3示出了根据本申请的一个实施例的通过距估计方法确定所述模拟模型模板中待解的边缘参数的细节流程图;
图4示出了根据本申请的一个实施例的对所述资源对象进行模拟的细节流程图;
图5示出了根据本申请的一个实施例的在确定资源对象的模拟资源数据之后的方法流程图;
图6示出了根据本申请的一个实施例的在确定资源对象的模拟资源数据之后的方法流程图;
图7示出了根据本申请的一个实施例的对所述资源对象进行模拟的细节流程图;
图8示出了根据本申请的一个实施例的在将所述随机变量值输入所述模拟模型,以输出模拟资源数据之后的方法流程图;
图9示出了根据本申请的一个实施例的两只股票的股票收益率的散点图;
图10示出了根据本申请的一个实施例的虚拟资源数据的模拟装置的框图;
图11示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
需要注意的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的对象在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在图示或描述的那些以外的顺序实施。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。
如图1所示,系统架构可以包括终端设备(如图1中所示智能手机101、平板电脑102和便携式计算机103中的一种或多种,当然也可以是台式计算机等等)、网络104和服务器105。网络104用以在终端设备和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线通信链路、无线通信链路等等。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
在本申请的一个实施例中,用户可以利用终端设备向服务器105发送确定资源对象的模拟资源数据的请求,服务器105在接收到该请求之后,可以获取虚拟资源平台中的资源对象在历史上的历史资源数据,然后为所述资源对象确定模拟模型模板,所述模拟模型模板中包括待解的边缘参数和至少两个随机变量,其中,边缘参数用于决定资源数据的边缘分布,所述至少两个随机变量相互独立且符合标准正态分布,在为所述资源对象确定模拟模型模板之后,再根据所述历史资源数据,确定所述模拟模型模板中待解的边缘参数,得到与所述资源对象对应的模拟模型,最后,基于所述模拟模型中的至少两个随机变量,对所述资源对象进行模拟,以确定资源对象的模拟资源数据。
需要说明的是,本申请实施例所提供的虚拟资源数据的模拟方法一般由服务器105执行,相应地,虚拟资源数据的模拟装置一般设置于服务器105中。但是,在本申请的其它实施例中,终端设备也可以与服务器具有相似的功能,从而执行本申请实施例所提供的虚拟资源数据的模拟方案。
以下对本申请实施例的技术方案的实现细节进行详细阐述:
图2示出了根据本申请的一个实施例的虚拟资源数据的模拟方法的流程图,该虚拟资源数据的模拟方法可以由具有计算处理功能的设备来执行,比如可以由图1中所示的服务器105来执行。参照图2所示,该虚拟资源数据的模拟方法至少包括步骤210至步骤270,详细介绍如下:
在步骤210中,获取虚拟资源平台中的资源对象在历史上的历史资源数据。
在本申请中,虚拟资源平台可以是股票交易平台、也可以是用户信用平台、还可以是银行风险平台,对于本领域技术人员而言,应该理解是,上述虚拟资源平台仅仅是示例性的,其它虚拟资源平台这里不在一一举例,
对于资源数据而言,例如,在股票交易平台中,资源数据可以是股票的股票收益(例如股票收益率),对应的,在股票交易平台中,资源对象在历史上的历史资源数据就可以是某一只股票在历史上某一段时间内的股票收益(例如在过去一年内每一天的股票收益率)。
在其它虚拟资源平台中,例如在用户信用平台中,资源数据可以是用户遵守信用的概率,还例如在银行风险平台中,资源数据可以是银行出现某一类风险的概率。
在步骤230中,为所述资源对象确定模拟模型模板,所述模拟模型模板中包括待解的边缘参数和至少两个随机变量,其中,边缘参数用于决定资源数据的边缘分布,所述至少两个随机变量相互独立且符合标准正态分布。
需要说明的是,资源对象与模拟模型模板是一一对应的,即一个资源对象对应确定一个模拟模型模板,n个(复数个)资源对象对应确定n个模拟模型模板。
在本申请的一个实施例中,在资源对象的数量为一个时,可以为该资源对象确定如下模拟模型模板:
其中,Y为随机变量,其表示资源数据,μ,u,v,σ是表示待解的边缘参数,Z1,Z2,Z3表示相互独立的标准正态随机变量。
在该模拟模型模板中,随机变量Y(资源数据)可以被分解成三部分:对数正态分布控制右重尾性;对数正态分布/>控制左重尾性;正态分布μ+σZ3控制整体的分布。
需要说明的是,该模拟模型模板具有如下重尾性的渐进性质:
在本实施例的一个具体实现中,随机变量Y(资源数据)可以是股票交易平台中股票的股票收益(例如股票收益率)。
在本申请的一个实施例中,在资源对象的数量为n个(复数个)时,可以为该n个资源对象对应确定如下n个模拟模型模板:
其中,uj≥0,vj≥0,uj≥0,σj≥0,j=1,2,…,n表示第j个资源对象所对应模拟模型模板的待解的边缘参数;Zi=[Zi1,Zi2,…,Zin]表示第i个资源对象所对应模拟模型模板的相互独立的标准正态随机变量。
在本实施例的一个具体实现中,随机变量Yy1,Yy2,Yy3…,Yyn(资源数据)可以分别是股票交易平台中股票1,股票2,股票3,…,股票n的股票收益(例如股票收益率)。
在步骤250中,根据所述历史资源数据,确定所述模拟模型模板中待解的边缘参数,得到与所述资源对象对应的模拟模型。
在本申请的一个实施例中,对于某一个资源对象(例如某一只股票)而言,可以是根据所述历史资源数据,通过距估计方法确定所述模拟模型模板中待解的边缘参数。
在本实施例中的一个具体实现中,根据所述历史资源数据,通过距估计方法确定所述模拟模型模板中待解的边缘参数可以按照如图3所示的步骤执行。
参见图3,示出了根据本申请的一个实施例的通过距估计方法确定所述模拟模型模板中待解的边缘参数的细节流程图。具体包括步骤251至252:
在步骤251中,根据所述历史资源数据,以及所述模拟模型模板,按照距估计方法确定关于待解的边缘参数的方程组。
具体的,在本具体实现中,可以是根据某一个资源对象的历史资源数据Y(即Y1,Y2,Y3…,Yk),分别计算随机变量的一阶距二阶距/>三阶距/>四阶距并将它们写成μ,u,v,σ的方程,得到如下方程组:
其中,
E[σZ3]=0;
E[(σZ3)2]=σ2;
E[(σZ3)3]=0;
E[(σZ3)4]=3σ4。
继续参照图3,在步骤252中,通过对所述方程组进行求解,得到所述模拟模型模板中待解的边缘参数。
具体的,即通过对所述方程组进行求解,得到模拟模型模板Y=μ+中待解的边缘参数μ,u,v,σ。
在本申请中,在得到边缘参数μ,u,v,σ之后,即得到了针对资源对象的模拟模型。
继续参照图2,在步骤270中,基于所述模拟模型中的至少两个随机变量,对所述资源对象进行模拟,以确定资源对象的模拟资源数据。
在本申请的一个实施例中,基于所述模拟模型中的至少两个随机变量,对所述资源对象进行模拟,以确定资源对象的模拟资源数据,可以按照如图4所示的步骤执行。
参见图4,示出了,示出了根据本申请的一个实施例的对所述资源对象进行模拟的细节流程图。具体包括步骤271至272:
步骤271,对所述随机变量进行取值,得到随机变量值。
步骤272,将所述随机变量值输入所述模拟模型,以输出模拟资源数据。
具体的,例如,对于某一只股票来说,其资源数据为股票收益率,若该股票的模拟模型为其中μ,u,v,σ为已知边缘参数,通过对相互独立且符合标准正态分布的随机变量Z1,Z2,Z3进行随机取值,得到Z1=0.4,Z2=0.6,Z3=0.8,然后将Z1=0.4,Z2=0.6,Z3=0.8输入模拟模型/>中,得到该股票的模拟收益率Y=μ+e0.4u-e0.6v+0.8σ。
在本申请的一个实施例中,在基于所述模拟模型中的至少两个随机变量,对所述资源对象进行模拟,以确定资源对象的模拟资源数据之后,还可以实施如图5所示的步骤。
参见图5,示出了根据本申请的一个实施例的在确定资源对象的模拟资源数据之后的方法流程图。具体包括步骤281至282:
步骤281,获取资源对象的模拟资源数据。
步骤282,对所述模拟资源数据求平均,得到所述资源对象的预测资源数据。
具体的,例如,对于某一只股票来说,其资源数据为股票收益率,若分别对该股票进行m次模拟,从而获取到针对该股票的m个股票收益率Y1,Y2,Y3,…,Ym,通过对m个股票收益率求平均,得到该股票的预测股票收益率(Y1+Y2+Y3+…+Ym)/m。
在本申请的一个实施例中,在基于所述模拟模型中的至少两个随机变量,对所述资源对象进行模拟,以确定资源对象的模拟资源数据之后,还可以实施如图6所示的步骤。
参见图6,示出了根据本申请的一个实施例的在确定资源对象的模拟资源数据之后的方法流程图。具体包括步骤283至284:
步骤283,获取资源对象的模拟资源数据。
步骤284,通过所述模拟资源数据确定所述资源对象的模拟资源数据分布。
在本申请中,通过确定所述资源对象的模拟资源数据分布,可以了解该资源对象所对应资源数据的在各个资源数据区间的分布情况,进而可以根据该分布情况对该资源对象做出对应的决策。
在本申请中,在所述虚拟资源平台中存在复数个资源对象时,复数个资源对象中的每一个资源对象均对应有一个模拟模型。在此情况下,在基于所述模拟模型中的至少两个随机变量,对所述资源对象进行模拟,以确定资源对象的模拟资源数据之前,还可以基于与所述复数个资源对象一一对应的模拟模型,通过对抗神经网络确定所述模拟模型的联合参数,其中,联合参数用于决定资源数据的联合分布。
具体的,联合参数可以决定复数个资源对象中的任意两个资源对象的资源数据的联合分布。
在具体实现中,首先,可以通过确定各个资源对象所对应模拟模型模板中的边缘参数,进而得到各个资源对象所对应的模拟模型。对于联合参数,可以通过对抗神经网络来学习各个资源对象所对应的模拟模型之间的模拟参数,其中,将对抗神经网络中的generator定义成资源对象所对应的模拟模型,将discriminator定义成深度神经网络,将损失函数定义成交叉熵函数。通过训练对抗神经网络,我们可以得到Σ1,Σ2,Σ3的联合参数。
边缘参数与联合参数的确定算法流程如下表1:
表1
下面将对上述算法以及联合参数Σ1,Σ2,Σ3进行说明:
在确定各个资源对象所对应模拟模型模板的边缘参数μ,u,v,σ之后,得到各个资源对象所对应的模拟模型,如下所示:
其中,边缘参数uj,vj,uj,σj(j=1,2,…,n)已知。
在得到各个资源对象所对应的模拟模型之后,可以基于与各个资源对象一一对应的模拟模型,通过对抗神经网络确定所述模拟模型的联合参数Σ1,Σ2,Σ3。具体的,Σ1,Σ2,Σ3为协方差矩阵,进一步的,对于各个资源对象所对应的模拟模型中的随机变量Zi而言,Zi=[Zi1,Zi2,…,Zin]′~N(0,Σi),使得其决定了各个资源对象所对应资源数据之间的联合分布。需要说明的是,在协方差矩阵Σi中,Σi的对角线元素都是1。
例如,在股票交易平台中,存在两只股票,其对应的模拟模型分别为:
其中,边缘参数u1,v1,u1,σ1,u2,v2,u2,σ2已知;
Z11,Z12~N(0,Σ1),Z21,Z22~N(0,Σ2),Z31,Z32~N(0,Σ3);
需要解释的是,协方差矩阵中Σ1的“0.5”,Σ2的“0.4”,Σ3的“-0.6”分别表示Z11与Z12之间的关联关系,Z21与Z22之间的关联关系,Z31与Z32之间的关联关系。
还例如,在股票交易平台中,存在三只股票,其对应的模拟模型分别为:
其中,边缘参数u1,v1,u1,σ1,u2,v2,u2,σ2,u3,v3,u3,σ3已知;
Z11,Z12,Z13~N(0,Σ1),Z21,Z22,Z23~N(0,Σ2),Z31,Z32,Z33~N(0,Σ3);
需要解释的是,协方差矩阵中Σ1的“0.5”、“0.3”、“0.4”可以分别表示Z11与Z12之间的关联关系,Z11与Z13之间的关联关系,Z12与Z13之间的关联关系。
Σ2的“0.3”“0.4”、“0.5”可以分别表示Z21与Z22之间的关联关系,Z21与Z23之间的关联关系,Z22与Z23之间的关联关系。
Σ3的“0.4”“0.5”、“0.3”、分别表示Z31与Z32之间的关联关系,Z31与Z33之间的关联关系,Z32与Z33之间的关联关系。
在本申请的一个实施例中,在所述虚拟资源平台中存在复数个资源对象时,所述基于所述模拟模型中的至少两个随机变量,对所述资源对象进行模拟,以确定资源对象的模拟资源数据,可以按照如图7所示的步骤执行。
参见图7,示出了根据本申请的一个实施例的对所述资源对象进行模拟的细节流程图。具体包括步骤273至274:
步骤273,基于所述模拟模型的联合参数,对所述随机变量进行取值,得到随机变量值。
步骤274,将所述随机变量值输入所述模拟模型,以输出模拟资源数据。
在本实施例中,在对于复数个资源对象进行模拟,对所述随机变量进行取值时,需要考虑各个资源对象所对应模拟模型的联合参数。
在本实施例中,在将所述随机变量值输入所述模拟模型,以输出模拟资源数据之后,还可以执行如图8所示的步骤。
参见图8,示出了根据本申请的一个实施例的在将所述随机变量值输入所述模拟模型,以输出模拟资源数据之后的方法流程图。具体包括步骤285至287:
步骤285,分别获取所述复数个资源对象的模拟资源数据。
步骤286,通过所述模拟资源数据,分别确定所述复数个资源对象的模拟资源数据分布。
步骤287,基于所述复数个资源对象的模拟资源数据分布,确定所述复数个资源对象中的任意两个资源对象之间的相关性。
具体的,例如,对于股票交易平台中两只股票而言,其资源数据为股票收益率,若分别对这两只股票进行m次模拟,从而获取到针对这两只股票的m个股票收益率Y11,Y12,Y13,…,Y1m和Y21,Y22,Y23,…,Y2m。进一步的,可以通过确定这两只股票的收益率分布,可以确定这两只股票之间的相关性。
在本申请中,本申请发明人在通过本申请所提出的虚拟资源数据的模拟方法对包括股票1和股票2在内的两只股票的股票收益率进行模拟实验,得到了如图9所示的股票收益率分布。
参见图9,示出了根据本申请的一个实施例的两只股票的股票收益率的散点图。
在图9中,还包括股票1和股票2的历史股票收益率分布,通过对比可以发现,股票1和股票2的模拟股票收益分布和历史股票收益率分布的高度重合证明了本申请所提出的虚拟资源数据的模拟方法在模拟股票收益时的准确性和可行性。
从图9中还可以看出,股票1和股票2的股票收益率存在置信度较高的正相关性,特别是其边缘分布重尾性和尾部相关性。
在资源平台系统中,极端事件对整个资源平台系统(例如金融系统)有着至关重要的影响力,一个概率上很小极端事件有可能导致整个系统的崩塌,因此衡量尾部相关性在金融领域有着重要的意义。通过实验发现,本申请所提出的虚拟资源数据的模拟方法能够很好的刻画复杂虚拟资源数据(例如金融数据)中的尾部相关性。此方法的优点在于能够扩展到高维的情形,例如,可以使得该方法能够应用到实际的金融问题中。
需要说明的是,此方法不仅可以用于确定金融数据的尾部相关性,还可以有其它应用,例如应用于投资组合优化,银行的风险管理以及系统性风险的评估等方面。
在本申请的一些实施例所提供的技术方案中,通过获取的虚拟资源平台中的资源对象在历史上的历史资源数据,确定事先确定的模拟模型模板中待解的边缘参数,从而确定与所述资源对象对应的模拟模型,然后基于模拟模型中的至少两个随机变量,对所述资源对象进行模拟,以得到资源对象的模拟资源数据。由于在为资源对象确定的模拟模型中,包括了用于决定资源数据边缘分布的边缘参数,故通过至少两个相互独立且符合标准正态分布的随机变量而得到的模拟资源数据可以提高针对资源对象的模拟资源数据的可解释性特别是提高对模拟资源数据的边缘分布重尾特性以及尾部相关性的可解释性。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的虚拟资源数据的模拟方法。对于本申请装置实施例中未披露的细节,请参照本申请上述的虚拟资源数据的模拟方法的实施例。
图10示出了根据本申请的一个实施例的虚拟资源数据的模拟装置的框图。
参照图10所示,根据本申请的一个实施例的虚拟资源数据的模拟装置1000,包括:获取单元1001、第一确定单元1002、第二确定单元1003和模拟单元1004。
其中,获取单元1001,被用于获取虚拟资源平台中的资源对象在历史上的历史资源数据;第一确定单元1002,被用于为所述资源对象确定模拟模型模板,所述模拟模型模板中包括待解的边缘参数和至少两个随机变量,其中,边缘参数用于决定资源数据的边缘分布,所述至少两个随机变量相互独立且符合标准正态分布;第二确定单元1003,被用于根据所述历史资源数据,确定所述模拟模型模板中待解的边缘参数,得到与所述资源对象对应的模拟模型;模拟单元1004,被用于基于所述模拟模型中的至少两个随机变量,对所述资源对象进行模拟,以确定资源对象的模拟资源数据。
在本申请的一些实施例中,基于前述方案,所述第二确定单元1003配置为:根据所述历史资源数据,通过距估计方法确定所述模拟模型模板中待解的边缘参数。
在本申请的一些实施例中,基于前述方案,所述第二确定单元1003配置为:根据所述历史资源数据,以及所述模拟模型模板,按照距估计方法确定关于待解的边缘参数的方程组;通过对所述方程组进行求解,得到所述模拟模型模板中待解的边缘参数。
在本申请的一些实施例中,基于前述方案,所述模拟单元1004配置为:对所述随机变量进行取值,得到随机变量值;将所述随机变量值输入所述模拟模型,以输出模拟资源数据。
在本申请的一些实施例中,基于前述方案,所述装置还包括:预测单元,被用于在基于所述模拟模型中的至少两个随机变量,对所述资源对象进行模拟,以确定资源对象的模拟资源数据之后,获取资源对象的模拟资源数据;对所述模拟资源数据求平均,得到所述资源对象的预测资源数据。
在本申请的一些实施例中,基于前述方案,所述装置还包括:第三确定单元,被用于在基于所述模拟模型中的至少两个随机变量,对所述资源对象进行模拟,以确定资源对象的模拟资源数据之后,获取资源对象的模拟资源数据;通过所述模拟资源数据确定所述资源对象的模拟资源数据分布。
在本申请的一些实施例中,基于前述方案,所述装置还包括:第四确定单元,被用于在所述虚拟资源平台中存在复数个资源对象时,在基于所述模拟模型中的至少两个随机变量,对所述资源对象进行模拟,以确定资源对象的模拟资源数据之前,基于与所述复数个资源对象一一对应的模拟模型,通过对抗神经网络确定所述模拟模型的联合参数,其中,联合参数用于决定资源数据的联合分布。
在本申请的一些实施例中,基于前述方案,所述模拟单元1004配置为:基于所述模拟模型的联合参数,对所述随机变量进行取值,得到随机变量值;将所述随机变量值输入所述模拟模型,以输出模拟资源数据。
在本申请的一些实施例中,基于前述方案,所述装置还包括:第五确定单元,被用于在将所述随机变量值输入所述模拟模型,以输出模拟资源数据之后,分别获取所述复数个资源对象的模拟资源数据;通过所述模拟资源数据,分别确定所述复数个资源对象的模拟资源数据分布;基于所述复数个资源对象的模拟资源数据分布,确定所述复数个资源对象中的任意两个资源对象之间的相关性。
图11示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图11示出的电子设备的计算机系统1100仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图11所示,计算机系统1100包括中央处理单元(Central Processing Unit,CPU)1101,其可以根据存储在只读存储器(Read-Only Memory,ROM)1102中的程序或者从储存部分1108加载到随机访问存储器(Random Access Memory,RAM)1103中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 1103中,还存储有系统操作所需的各种程序和数据。CPU 1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(Input/Output,I/O)接口1105也连接至总线1104。
以下部件连接至I/O接口1105:包括键盘、鼠标等的输入部分1106;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1107;包括硬盘等的储存部分1108;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1110上,以便于从其上读出的计算机程序根据需要被安装入储存部分1108。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。在该计算机程序被中央处理单元(CPU)1101执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述第一方面或者第一方面的各种可选实现方式中提供的方法。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (8)
1.一种虚拟资源数据的模拟方法,其特征在于,所述方法包括:
获取虚拟资源平台中的资源对象在历史上的历史资源数据,所述虚拟资源平台是用户信用平台;
为所述资源对象确定模拟模型模板,所述模拟模型模板中包括用于控制右重尾性的第一对数正态分布、用于控制左重尾性的第二对数正态分布,以及用于控制整体分布的正态分布,所述第一对数正态分布、所述第二对数正态分布,以及所述正态分布均包括待解的边缘参数和随机变量,其中,三个随机变量相互独立且符合标准正态分布;
根据所述历史资源数据,以及所述模拟模型模板,按照距估计方法确定关于待解的边缘参数的方程组,并通过对所述方程组进行求解,得到所述模拟模型模板中待解的边缘参数;
若在所述虚拟资源平台中存在复数个资源对象,则基于与所述复数个资源对象一一对应的模拟模型,通过对抗神经网络确定所述模拟模型的联合参数,其中,联合参数用于决定资源数据的联合分布;
基于所述模拟模型的联合参数,对所述随机变量进行取值,得到随机变量值,并将所述随机变量值输入所述模拟模型,以基于所述随机变量值对所述资源对象进行模拟,确定所述资源对象的模拟资源数据。
2.根据权利要求1所述的方法,其特征在于,所述基于所述模拟模型中的随机变量,对所述资源对象进行模拟,以确定资源对象的模拟资源数据,包括:
对所述随机变量进行取值,得到随机变量值;
将所述随机变量值输入所述模拟模型,以输出模拟资源数据。
3.根据权利要求1所述的方法,其特征在于,在基于所述模拟模型中的随机变量,对所述资源对象进行模拟,以确定资源对象的模拟资源数据之后,所述方法还包括:
获取资源对象的模拟资源数据;
对所述模拟资源数据求平均,得到所述资源对象的预测资源数据。
4.根据权利要求1所述的方法,其特征在于,在基于所述模拟模型中的随机变量,对所述资源对象进行模拟,以确定资源对象的模拟资源数据之后,所述方法还包括:
获取资源对象的模拟资源数据;
通过所述模拟资源数据确定所述资源对象的模拟资源数据分布。
5.根据权利要求1所述的方法,其特征在于,在将所述随机变量值输入所述模拟模型之后,所述方法还包括:
分别获取所述复数个资源对象的模拟资源数据;
通过所述模拟资源数据,分别确定所述复数个资源对象的模拟资源数据分布;
基于所述复数个资源对象的模拟资源数据分布,确定所述复数个资源对象中的任意两个资源对象之间的相关性。
6.一种虚拟资源数据的模拟装置,其特征在于,包括:
获取单元,被用于获取虚拟资源平台中的资源对象在历史上的历史资源数据,所述虚拟资源平台是用户信用平台;
第一确定单元,被用于为所述资源对象确定模拟模型模板,所述模拟模型模板中包括用于控制右重尾性的第一对数正态分布、用于控制左重尾性的第二对数正态分布,以及用于控制整体分布的正态分布,所述第一对数正态分布、所述第二对数正态分布,以及所述正态分布均包括待解的边缘参数和随机变量,其中,三个随机变量相互独立且符合标准正态分布;
第二确定单元,被用于根据所述历史资源数据,以及所述模拟模型模板,按照距估计方法确定关于待解的边缘参数的方程组,并通过对所述方程组进行求解,得到所述模拟模型模板中待解的边缘参数;
模拟单元,被用于若在所述虚拟资源平台中存在复数个资源对象,则基于与所述复数个资源对象一一对应的模拟模型,通过对抗神经网络确定所述模拟模型的联合参数,其中,联合参数用于决定资源数据的联合分布;基于所述模拟模型的联合参数,对所述随机变量进行取值,得到随机变量值,并将所述随机变量值输入所述模拟模型,以基于所述随机变量值对所述资源对象进行模拟,确定所述资源对象的模拟资源数据。
7.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,当所述一个或多个程序被所述电子设备执行时,使得所述电子设备实现如权利要求1至5中任一项所述的虚拟资源数据的模拟方法。
8.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的虚拟资源数据的模拟方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010818392.8A CN111932376B (zh) | 2020-08-14 | 2020-08-14 | 虚拟资源数据的模拟方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010818392.8A CN111932376B (zh) | 2020-08-14 | 2020-08-14 | 虚拟资源数据的模拟方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932376A CN111932376A (zh) | 2020-11-13 |
CN111932376B true CN111932376B (zh) | 2024-01-23 |
Family
ID=73311899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010818392.8A Active CN111932376B (zh) | 2020-08-14 | 2020-08-14 | 虚拟资源数据的模拟方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932376B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298636B (zh) * | 2021-04-28 | 2023-05-02 | 上海淇玥信息技术有限公司 | 一种基于模拟资源申请的风险控制方法、装置和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003108753A (ja) * | 2001-09-28 | 2003-04-11 | Tokai Bank Ltd | 金融機関のリスク管理システム及びそれを用いた処理方法 |
CN107169807A (zh) * | 2017-06-30 | 2017-09-15 | 广东工业大学 | 一种期权定价的方法、装置及系统 |
CN110659990A (zh) * | 2019-09-18 | 2020-01-07 | 苏州财智力智能科技有限公司 | 一种数据量化交易方法 |
CN111178288A (zh) * | 2019-12-31 | 2020-05-19 | 南京师范大学 | 基于局部误差逐层训练的人体姿态识别方法和装置 |
CN111191113A (zh) * | 2019-09-29 | 2020-05-22 | 西北大学 | 一种基于边缘计算环境的数据资源需求预测和调整方法 |
CN111526070A (zh) * | 2020-04-29 | 2020-08-11 | 重庆邮电大学 | 一种基于预测的服务功能链故障检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10453142B2 (en) * | 2009-02-11 | 2019-10-22 | Johnathan Mun | System and method for modeling and quantifying regulatory capital, key risk indicators, probability of default, exposure at default, loss given default, liquidity ratios, and value at risk, within the areas of asset liability management, credit risk, market risk, operational risk, and liquidity risk for banks |
US20110307415A1 (en) * | 2010-06-09 | 2011-12-15 | Edhec Risk Consulting Limited | System, Method and Computer Program Product for Measuring Risk Levels in a Stock Market by Providing a Volatility, Skewness and Kurtosis Index |
-
2020
- 2020-08-14 CN CN202010818392.8A patent/CN111932376B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003108753A (ja) * | 2001-09-28 | 2003-04-11 | Tokai Bank Ltd | 金融機関のリスク管理システム及びそれを用いた処理方法 |
CN107169807A (zh) * | 2017-06-30 | 2017-09-15 | 广东工业大学 | 一种期权定价的方法、装置及系统 |
CN110659990A (zh) * | 2019-09-18 | 2020-01-07 | 苏州财智力智能科技有限公司 | 一种数据量化交易方法 |
CN111191113A (zh) * | 2019-09-29 | 2020-05-22 | 西北大学 | 一种基于边缘计算环境的数据资源需求预测和调整方法 |
CN111178288A (zh) * | 2019-12-31 | 2020-05-19 | 南京师范大学 | 基于局部误差逐层训练的人体姿态识别方法和装置 |
CN111526070A (zh) * | 2020-04-29 | 2020-08-11 | 重庆邮电大学 | 一种基于预测的服务功能链故障检测方法 |
Non-Patent Citations (2)
Title |
---|
Copula-EVT模型及其投资组合风险分析中应用;余平;史建红;;山西师范大学学报(自然科学版)(04);46-50 * |
基于极值Copula的风险价值模型研究;刘瑞花;;山东科学(04);50-54+67 * |
Also Published As
Publication number | Publication date |
---|---|
CN111932376A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chang | The business intelligence as a service in the cloud | |
CN111340616A (zh) | 线上贷款的审批方法、装置、设备及介质 | |
Carmona et al. | Particle methods for the estimation of credit portfolio loss distributions | |
US20110153536A1 (en) | Computer-Implemented Systems And Methods For Dynamic Model Switching Simulation Of Risk Factors | |
CN112597745A (zh) | 一种智能图表的生成方法、装置、计算机系统及可读存储介质 | |
CN109542926A (zh) | 区块处理方法及计算机存储介质 | |
CN112465141A (zh) | 模型压缩方法、装置、电子设备及介质 | |
CN113177700A (zh) | 一种风险评估方法、系统、电子设备及存储介质 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN111932376B (zh) | 虚拟资源数据的模拟方法、装置 | |
CN114118570A (zh) | 业务数据预测方法及装置、电子设备和存储介质 | |
CN113762061A (zh) | 神经网络的量化感知训练方法、装置及电子设备 | |
CN113159419A (zh) | 一种群体特征画像分析方法、装置、设备及可读存储介质 | |
Tambue et al. | A stochastic delay model for pricing debt and equity: Numerical techniques and applications | |
Sprenger | Science without (parametric) models: the case of bootstrap resampling | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN116681045A (zh) | 报表生成方法、装置、计算机设备及存储介质 | |
CN116796140A (zh) | 基于人工智能的异常分析方法、装置、设备及存储介质 | |
CN111124394A (zh) | 基于元数据的表单配置方法及装置、设备和介质 | |
US20110264602A1 (en) | Computer-Implemented Systems And Methods For Implementing Dynamic Trading Strategies In Risk Computations | |
Ingber | Ideas by statistical mechanics (ISM) | |
CN114565470A (zh) | 基于人工智能的金融产品推荐方法、及其相关设备 | |
CN110362981B (zh) | 基于可信设备指纹判断异常行为的方法及系统 | |
Spedicato et al. | The use of GAMLSS in assessing the distribution of unpaid claims reserves | |
CN111242419A (zh) | 一种风险用户的识别方法、装置、设备及存储介质 |
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 |