CN112508709A - 一种基于网络结构的信用风险传染监控方法 - Google Patents
一种基于网络结构的信用风险传染监控方法 Download PDFInfo
- Publication number
- CN112508709A CN112508709A CN202011135913.6A CN202011135913A CN112508709A CN 112508709 A CN112508709 A CN 112508709A CN 202011135913 A CN202011135913 A CN 202011135913A CN 112508709 A CN112508709 A CN 112508709A
- Authority
- CN
- China
- Prior art keywords
- financial
- risk
- network
- relationship
- credit
- 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
- G06Q40/08—Insurance
-
- 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
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06F16/26—Visual data mining; Browsing structured data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种基于网络结构的信用风险传染监控方法,旨在解决金融市场系统性风险量化的问题,结合近年来不断进步的复杂网络系统的稳定性研究成果和传统的金融信用理论,希望能通过构建市场的信用风险网络,充分利用人工智能和大数据,动态地模拟信用事件的产生、传播以及对金融系统全局稳定性的影响,为中央金融监管机构(包括人民银行、银保监会和证监会)和地方金融监管机构(省市金融办)和公安系统经侦部门,防范各级系统性风险等提供量化决策依据。
Description
技术领域
本发明属于金融科技领域,具体涉及到一种基于网络结构的信用风险传染监控方法。
背景技术
现阶段我国经济正处于飞速发展阶段,金融市场活动日趋频繁复杂,金融机构要做到“太大而不能倒”以及“太关联而不能倒”,防范和化解金融领域的各类风险是重中之重。在目前的经济状况和潜在的金融危机面前,中央政府及其各类金融监管机构,都极其重视系统性风险,特别是系统性信用风险的防范。日益频繁的金融活动使各个经济主体的联系更加紧密,甚至达到“牵一发而动全身”的影响。比如2007年的美国次贷危机引发了全球金融危机。2011年温州“连环贷”危机沉重打击了民营经济。
违约风险、市场资产的波动会直接影响交易对手以及资产负债表,金融机构间紧密的联动性会加剧风险的扩散,甚至影响整个金融体系。可通过多种数据构建机构间关联关系,包括资产负债表,股权、债券关联,担保关联,同业业务。但是这些非公开的数据难以获取,且很难保持准确性,同时部分数据具有滞后性。
尽管有大数据的支持和各类微观监控技术的进步,但是,传统的信用组合理论,依然缺乏在宏观层面对系统性金融风险的计量和监控量化框架,这对有效的防范和化解系统性金融风险提出了严肃的挑战。传统的信用组合理论,主要是通过违约的相关性矩阵来描述各风险主体(如金融机构和实体企业)之间信用风险的关联,进而刻画个体信用事件对金融系统的影响。但在实际监管操作中,违约的相关性是一静态的、滞后的统计指标。往往是在系统性重大风险事件发生过程中或甚至事后,各类数据(包括市场可观测数据)才显示系统的违约相关性有突变。而且,静态的违约相关性,无法刻画信用风险的传播、动态影响过程。理论的局限,是造成监管反应不足或过度的重要原因之一,客观上影响了监管措施的有效性,甚至反而加大了市场的波动。
发明内容
本发明旨在解决金融市场系统性风险量化的问题,结合近年来不断进步的复杂网络系统的稳定性研究成果和传统的金融信用理论,希望能通过构建市场的信用风险网络(Credit Risk Networks),充分利用人工智能和大数据,动态地模拟信用事件的产生、传播以及对金融系统全局稳定性的影响,为中央金融监管机构(包括人民银行、银保监会和证监会)和地方金融监管机构(省市金融办)和公安系统经侦部门,防范各级系统性风险等提供量化决策依据。
复杂系统稳定性理论,主要利用数学中的图论方法,根据网络节点属性和节点间的连接,分析网络的拓扑结构及在节点和连接变化时拓扑结构的稳定性。自本世纪以来,复杂系统稳定性理论已在工程(信息网络、交通)、人文(社会心理学)和医学(疾病传染)等众多领域取得多项应用,成为最成功的交叉学科之一。因此,本项目尝试将复杂网络理论用在金融领域,在信用违约率基础上构建金融市场中的上市公司关联性网络。并发掘潜在的高风险机构,及可能的风险传播路径。
本发明包括如下内容:
一种基于网络结构的信用风险传染监控方法,包括如下步骤:
步骤一、根据现有的软件提供相关金融机构的EDF时间序列基于Granger因果关系检测,构建金融机构关系网络;
步骤二、根据EDF时间系列计算金融机构的Pearson相关系数,作为金融机构关系图的权重;
步骤三、利用四分位距计算每个时间段的EDF均值,并根据定义的阈值将均值映射到对应的风险等级;
步骤四、基于构建的带权重的金融机构关系图和风险矩阵,计算系统性风险、中心节点、重要节点、风险传染路径特性。
注释:EDF(Expected Default Frequency预期违约率)是以Merton期权定价为理论基础,以股价行情、财报等为数据基础,给定某个未来期限(一般为1年),预测企业的资产价值小于违约点的概率,进而得知企业违约可能性。xCreditWatch支持对企业近10年每天的EDF值和趋势做分析,拓展至行业及区域分析。能够对长期停牌的上市公司及无股价信息的非上市公司作映射得出结果。
特点:
1、以股价行情为基础,可以得到日频的风险监测结果,能够及时反映市场变化2、结果本身具有预测性和前瞻性。
目前已经上市的软件衡泰智信已经有EDF非常成熟的功能,该数据可以直接导出。
优选地,所述的基于网络结构的信用风险传染监控方法中的步骤一包括如下过程:
一、选取具备一定完整时间段财务数据和股价的金融机构,进行Granger因果关系网络构建,任意两个机构A,B有四种关系:‘A与B无关’,‘A到B存在单项关系’,‘B到A存在单项关系’,‘A与B存在双向关系’;
二、根据AIC值选取滞后项,选择时间序列的偏自相关函数中第一次落在95%置信区间的值作为滞后项m的初始值,然后计算[m,10]之间使模型AIC最小的滞后阶数,如果滞后阶数大于10,则直接采用m;
三、对于需要进行Granger因果关系检测的两个时间序列,输入两者对应的滞后阶数,即可通过statsmodels提供的grangercausalitytests函数计算因果关系,通过函数返回的F检验的P值,显著性水平取1%,可以计算两个序列间是否存在显著的Granger因果关系。
优选地,所述的基于网络结构的信用风险传染监控方法,在进行AIC计算和Granger因果关系检验之前,即过程一中,需要保证数据是平稳的时间序列,使用增强Dickey-Fuller检验时间序列的单位根,如果存在单位根则是非平稳的,则使用差分法使其变为平稳时间序列。
优选地,所述的基于网络结构的信用风险传染监控方法中的步骤三中包括如下过程:将按照升序排列的数据集,分为四等分,处于三个分割点的数是四分位数Q1,Q2,Q3,其中Q1处于25%的位置,Q2是中位数(50%),Q3处于75%位置。四分位距IQR=Q3–Q1,数据集下边界lower=Q1-1.5*IQR,数据集上边界upper=Q3+1.5*IQR,在边界之外的值为异常值,剔除异常值,剩余有效值的均值可代表样本EDF均值。
优选地,所述的基于网络结构的信用风险传染监控方法中的步骤四中,系统性风险是由风险等级和网络关系共同作用的结果,通过控制风险等级以及网络拓扑结构,进而定义导致系统风险变化的主要因素。
优选地,所述的基于网络结构的信用风险传染监控方法中的步骤四中的中心节点的度量方法包括:度中心性、特征向量中心性、PageRank、中间中心性、接近中心性。
优选地,所述的基于网络结构的信用风险传染监控方法中的特征向量中心性度量方法中,需综合考虑连接数量、方向以及相连接节点的重要性。
本发明通过量化的方法解决金融市场中系统性风险度量的问题,在EDF数据基础上,通过构建金融体系网络分析金融个体的信用风险变化对整个金融体系的影响,以及金融机构之间的关联性变化导致的金融网络的稳定性差异。通过定位潜在的系统性重要金融机构,以及模拟风险在金融体系网络中的传播路径可防范系统性风险的发生。创新点如下:
1、金融市场系统性风险度量方式。
2、金融市场稳定性度量,重要系统性金融机构挖掘。
3、识别系统性风险传播路径,从网络结构角度进行风险隔离。
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,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1为实施例中平安银行2010-2019间10年的EDF数据非平稳时间序列。
图2为图1中非平稳时间序列一阶差分后变为平稳时间序列。
图3为偏自相关函数图。
图4为两个序列间是否存在显著的Granger因果关系结果图。
图5为华夏银行的风险传播范围示意图。
图6为民生银行的风险传播范围示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例:
本专利具体的实施方式按照该系统实现的四个步骤进行逐一描述:
系统实现分为四个步骤:
步骤一、根据衡泰智信提供的EDF时间序列(2010-2019)基于Granger因果关系检测,构建金融机构关系网络。
Granger因果检验基本原理:在时间序列情形下,两个经济变量X、Y之间的格兰杰因果关系定义为:若在包含了变量X、Y的过去信息的条件下,变量X对变量Y的预测效果优于只单独由Y的过去信息对Y进行的预测效果,即变量X有助于解释变量Y的将来变化,则认为变量X是引致变量Y的格兰杰原因。简言之:时间序列X和Y的共同的过去值预测Y的未来值得到的误差δ2比仅用Y的过去值预测未来值误差δ1小,则称X对Y有Granger因果关系。
Granger因果检验公式:
Granger假设检验是做上述式子的F检验,原假设分别为:
(式1)H0:α1=α2=…=αq=0,即不存在变量x到变量y的因果关系;(式2)H0:δ1=δ2=…=δs=0,即不存在变量y到变量x的因果关系。对于(式1),Granger因果关系F检验公式为:
RSSR为只包含y项的受约束自回归残差平方和,RSSU为包含y项和x项的无约束残差平方和,m为滞后阶数,n为样本数,k为无约束回归模型的待估参数的个数。如果F>Fα(m,n-k),则拒绝原假设,认为X是Y的格兰杰原因。
基于衡泰智信提供的数据,目前样本总共包含72家上市金融机构(33家银行,5家保险,34家券商)。
由于衡泰智信EDF计算的过程涉及到财务数据和股价,所以对于2010年之前上市的公司可以获取全部的10年数据,但是对于2010–2019年之间上市的公司,EDF数据序列并不能达到十年。因此时间段取一年能最大范围地包含所有上市金融机构(银行,保险,券商)。比如选取2010/01/01–2011/02/01(时间终点取到次年2月1号是因为在数据处理的过程会有部分数据丢失,为了保证时间序列的长度完整,多取一个月的值)。根据时间段选取符合条件的机构,进行Granger因果关系网络构建,任意两个机构A,B有四种关系:‘A与B无关’,‘A到B存在单项关系’,‘B到A存在单项关系’,‘A与B存在双向关系’。在进行Granger因果关系检验之前,需要保证数据是平稳的时间序列,可以使用增强Dickey-Fuller检验时间序列的单位根,如果存在单位根则是非平稳的。以平安银行为例,详见图1、图2。
根据AIC值选取滞后项,一般模型的AIC值随着滞后项的增大呈波动性下降趋势,但是滞后项越大模型越复杂,需要更多的计算时间,因此需要在模型的时间复杂度和精确度之间做权衡,最大滞后项阈值为10,选择时间序列的偏自相关函数中第一次落在95%置信区间的值作为滞后项m的初始值,然后计算[m,10]之间使模型AIC最小的滞后阶数,如果滞后阶数大于10,则直接采用m。详见图3。
对于需要进行Granger因果关系检测的两个平稳时间序列,输入两者对应的滞后阶数,即可通过statsmodels提供的grangercausalitytests()函数计算因果关系。通过函数返回的F检验的P值,显著性水平取1%,可以计算两个序列间是否存在显著的Granger因果关系;详见图4。
步骤二、根据EDF时间序列计算金融机构的Pearson相关系数,作为金融机构关系图的权重。
计算EDF时间序列的Pearson相关系数,该系数表示关联公司的互相影响的强弱。
步骤三、利用四分位距计算每个时间段的EDF均值,并根据定义的阈值将均值映射到对应的风险等级(范围:[1,2,3,4])。
EDF值的风险等级映射
四分位距是统计学中常用的异常值检测法。对于以按照升序排列的数据集,可以分为四等分,处于三个分割点的数是四分位数Q1,Q2,Q3。其中Q1处于25%的位置,Q2是中位数(50%),Q3处于75%位置。四分位距IQR=Q3–Q1,数据集下边界lower=Q1-1.5*IQR,数据集上边界upper=Q3+1.5*IQR。在边界之外的值为异常值,剔除异常值,剩余有效值的均值可代表样本EDF均值。见下表样本EDF值的风险等级映射:
步骤四:基于构建的带权有向关系图和风险矩阵,计算系统性、中心节点、重要节点、风险传染路径等特性。
系统性风险、中心节点、重要节点、风险传染路径等数据计算:
风险矩阵:C=[c1,c2,c3,......,cn]T
在发明的样本数据中,风险值2014年,2015年,2016年较高,其中2014和2016年因为网络结构变化(变得更紧密),2015年因为风险矩阵的值变高导致系统风险值增高。由于系统性风险是由风险等级和网络关系共同作用的结果,通过控制风险等级以及网络拓扑结构,可以定义导致系统风险变化的主要因素。中心性定义了节点在网络结构中的重要性,一个只有入度的节点重要性一定小于有出度的节点,因为只有入度的节点无法主动影响其他节点。同样,处于核心地位的节点对网络结构的影响程度比非核心节点更广。目前有多重方法度量节点的中心性,包括度中心性、特征向量中心性、PageRank、中间中心性、接近中心性等。本项目采用特征向量度量节点的中心性。特征向量中心性度量方法综合考虑了连接数量、方向以及相连接节点的重要性。比如节点A的度小于节点B的度,但是节点A的相邻节点具有更多的重要性,则计算结果很可能是A的中心性大于B。中心性从结构方面概括了节点的重要程度,但是节点的真实重要程度是受自身的风险等级影响的。因此,重要性综合考虑了中心性以及风险等级。在网络结构中,高中心性的节点具有潜在的风险,应该引起重视,一旦这些节点的风险值升高,将大范围地对系统造成冲击。
样本数据中各年份中心性机构
样本数据中各年份重要性机构
本发明目前研究了金融网络的风险传染路径和扩散范围。很多研究把复杂金融网络的风险传染与传染病模型相结合,尝试将传播动力学理论应用的金融网络中构建金融风险传播网络模型。目前,发明粗略的研究了风险的传染范围,传染深度,以及基于传播路径上的损失率构建具体特定阈值下的传播路径图。后续结合传染病模型做金融网络风险的传播是一个重要研究方向。
以2010年的网络拓扑关系为例,分别作出华夏银行和民生银行的风险传播范围(不考虑每一层传播的损失)。关系图显示华夏银行具有更高的中心性,出度为7,民生银行的出度为1。详见图5、6。
对比发现,理论传播范围图中华夏银行具有更广的传播范围,且传播速度更快(路径更短),华夏银行的最长传播路径为3,民生银行的最长传播路径为7。所以中心性越高的节点风险传染速度更快且能影响的节点数目更多。由于实际传播过程中,考虑到时延,每层传播的折损,真实传播路径是受限定的传播阈值影响的。比如阈值设定为0.1,每层的风险传播有效值与权重相关。则可作出华夏银行在传播阈值0.1的情况下的真实传播路径。
本发明通过量化的方法解决金融市场中系统性风险度量的问题,在EDF数据基础上,通过构建金融体系网络分析金融个体的信用风险变化对整个金融体系的影响,以及金融机构之间的关联性变化导致的金融网络的稳定性差异。通过定位潜在的系统性重要金融机构,以及模拟风险在金融体系网络中的传播路径可防范系统性风险的发生。
此外,需要说明的是,本说明书中所描述的具体实施例,其步骤的所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化,均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (7)
1.一种基于网络结构的信用风险传染监控方法,其特征在于,包括如下步骤:
步骤一、根据现有的软件提供相关金融机构的EDF时间序列基于Granger因果关系检测,构建金融机构关系网络;
步骤二、根据EDF时间序列计算金融机构的Pearson相关系数,作为金融机构关系图的权重;
步骤三、利用四分位距计算每个时间段的EDF均值,并根据定义的阈值将均值映射到对应的风险等级;
步骤四、基于构建的带权重的金融机构关系图和风险矩阵,计算系统性风险、中心节点、重要节点、风险传染路径特性。
2.根据权利要求1所述的基于网络结构的信用风险传染监控方法,其特征在于,所述的步骤一包括如下过程:
一、选取具备一定完整时间段财务数据和股价的金融机构,进行Granger因果关系网络构建,任意两个机构A,B有四种关系:‘A与B无关’,‘A到B存在单项关系’,‘B到A存在单项关系’,‘A与B存在双向关系’;
二、根据AIC值选取滞后项,选择时间序列的偏自相关函数中第一次落在95%置信区间的值作为滞后项m的初始值,然后计算[m,10]之间使模型AIC最小的滞后阶数,如果滞后阶数大于10,则直接采用m;
三、对于需要进行Granger因果关系检测的两个时间序列,输入两者对应的滞后阶数,即可通过statsmodels提供的grangercausalitytests函数计算因果关系,通过函数返回的F检验的P值,显著性水平取1%,可以计算两个序列间是否存在显著的Granger因果关系。
3.根据权利要求2所述的基于网络结构的信用风险传染监控方法,其特征在于,在进行AIC计算和Granger因果关系检验之前,即过程一中,需要保证数据是平稳的时间序列,使用增强Dickey-Fuller检验时间序列的单位根,如果存在单位根则是非平稳的,使用差分法得到平稳时间序列。
4.根据权利要求1所述的基于网络结构的信用风险传染监控方法,其特征在于,所述的步骤三中包括如下过程:将按照升序排列的数据集,分为四等分,处于三个分割点的数是四分位数Q1,Q2,Q3,其中Q1处于25%的位置,Q2是中位数(50%),Q3处于75%位置。四分位距IQR=Q3–Q1,数据集下边界lower=Q1-1.5*IQR,数据集上边界upper=Q3+1.5*IQR,在边界之外的值为异常值,剔除异常值,剩余有效值的均值可代表样本EDF均值。
5.根据权利要求1所述的基于网络结构的信用风险传染监控方法,其特征在于,所述的步骤四中,系统性风险是由风险等级和网络关系共同作用的结果,通过控制风险等级以及网络拓扑结构,进而定义导致系统风险变化的主要因素。
6.根据权利要求1所述的基于网络结构的信用风险传染监控方法,其特征在于,所述的步骤四中的中心节点的度量方法包括:度中心性、特征向量中心性、PageRank、中间中心性、接近中心性。
7.根据权利要求6所述的基于网络结构的信用风险传染监控方法,其特征在于,所述的特征向量中心性度量方法中,需综合考虑连接数量、方向以及相连接节点的重要性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011135913.6A CN112508709A (zh) | 2020-10-21 | 2020-10-21 | 一种基于网络结构的信用风险传染监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011135913.6A CN112508709A (zh) | 2020-10-21 | 2020-10-21 | 一种基于网络结构的信用风险传染监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112508709A true CN112508709A (zh) | 2021-03-16 |
Family
ID=74954905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011135913.6A Pending CN112508709A (zh) | 2020-10-21 | 2020-10-21 | 一种基于网络结构的信用风险传染监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508709A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222737A (zh) * | 2021-05-25 | 2021-08-06 | 天津大学 | 用于金融网络的风险可视化的图布局方法 |
CN113393113A (zh) * | 2021-06-10 | 2021-09-14 | 东南大学 | 复杂网络理论信用评价的路内停车欠逃费追缴方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110838060A (zh) * | 2019-10-30 | 2020-02-25 | 成都数融科技有限公司 | 金融风险度量方法、装置及电子设备 |
CN110969376A (zh) * | 2019-09-05 | 2020-04-07 | 浙江工商大学 | 基于复杂网络的建材供应链金融风险评估算法 |
CN111597229A (zh) * | 2020-05-15 | 2020-08-28 | 上海明寰科技有限公司 | 一种基于高维点过程的金融时间序列的因果关系学习方法 |
TW202036433A (zh) * | 2019-03-29 | 2020-10-01 | 臺灣銀行股份有限公司 | 信用風險壓力測試系統 |
CN111754340A (zh) * | 2020-07-03 | 2020-10-09 | 交通银行股份有限公司 | 一种基于图数据库的担保网络风险排查系统 |
-
2020
- 2020-10-21 CN CN202011135913.6A patent/CN112508709A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW202036433A (zh) * | 2019-03-29 | 2020-10-01 | 臺灣銀行股份有限公司 | 信用風險壓力測試系統 |
CN110969376A (zh) * | 2019-09-05 | 2020-04-07 | 浙江工商大学 | 基于复杂网络的建材供应链金融风险评估算法 |
CN110838060A (zh) * | 2019-10-30 | 2020-02-25 | 成都数融科技有限公司 | 金融风险度量方法、装置及电子设备 |
CN111597229A (zh) * | 2020-05-15 | 2020-08-28 | 上海明寰科技有限公司 | 一种基于高维点过程的金融时间序列的因果关系学习方法 |
CN111754340A (zh) * | 2020-07-03 | 2020-10-09 | 交通银行股份有限公司 | 一种基于图数据库的担保网络风险排查系统 |
Non-Patent Citations (4)
Title |
---|
刘晓东等: "中国金融机构的系统性风险贡献度研究", 《经济学(季刊)》 * |
张伟平等: "我国股市网络稳定性及其宏观影响因素――基于三种网络拓扑结构、鲁棒性的实证研究", 《运筹与管理》 * |
曹源芳等: "基于VAR模型的区域金融风险传染效应与实证分析――以金融危机前后数据为例", 《经济问题》 * |
黄玮强等: "基于信息溢出网络的金融机构风险传染研究", 《系统管理学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222737A (zh) * | 2021-05-25 | 2021-08-06 | 天津大学 | 用于金融网络的风险可视化的图布局方法 |
CN113222737B (zh) * | 2021-05-25 | 2022-06-14 | 天津大学 | 用于金融网络的风险可视化的图布局方法 |
CN113393113A (zh) * | 2021-06-10 | 2021-09-14 | 东南大学 | 复杂网络理论信用评价的路内停车欠逃费追缴方法及系统 |
CN113393113B (zh) * | 2021-06-10 | 2024-04-09 | 东南大学 | 复杂网络理论信用评价的路内停车欠逃费追缴方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Connectedness and risk spillovers in China’s stock market: A sectoral analysis | |
Masmoudi et al. | Credit risk modeling using Bayesian network with a latent variable | |
Morales et al. | A financial stability index for Colombia | |
Cornalba et al. | Statistical models for operational risk management | |
Iori et al. | Empirical analyses of networks in finance | |
Bekiros et al. | Estimation of Value-at-Risk by extreme value and conventional methods: a comparative evaluation of their predictive performance | |
Giudici | Financial data science | |
Li et al. | Analysis of the impact of Sino-US trade friction on China’s stock market based on complex networks | |
Serrano-Cinca et al. | Path modelling to bankruptcy: causes and symptoms of the banking crisis | |
Ahelegbey et al. | Network based evidence of the financial impact of Covid-19 pandemic | |
Mishra et al. | Re-examination of convergence hypothesis among Indian states in panel stationarity testing framework with structural breaks | |
Siebenbrunner et al. | Can bank-specific variables predict contagion effects? | |
Guegan et al. | Multivariate vars for operational risk capital computation: a vine structure approach | |
Ahelegbey et al. | NetVIX—A network volatility index of financial markets | |
Adepoju et al. | Technology acceptance of e-banking services in an unnatural environment | |
CN112508709A (zh) | 一种基于网络结构的信用风险传染监控方法 | |
Ékes et al. | The efficiency of bankruptcy forecast models in the Hungarian SME sector | |
Nason et al. | Quantifying the economic response to COVID-19 mitigations and death rates via forecasting purchasing managers' indices using generalised network autoregressive models with exogenous variables | |
Xie et al. | Systemic risk in financial institutions: A multiplex network approach | |
Elhoseny et al. | A new metaheuristic optimization model for financial crisis prediction: Towards sustainable development | |
CN117593142A (zh) | 财务风险评估管理方法及系统 | |
Alizadeh et al. | A novel XGamma extension: applications and actuarial risk analysis under the reinsurance data | |
Giudici | Integration of qualitative and quantitative operational risk data: A Bayesian approach | |
Wu et al. | Systemic risks and spillovers in the stock market of China: A sectoral analysis | |
Liu et al. | Probabilistic double hierarchy linguistic risk analysis based on failure mode and effects analysis and S-ARAS method |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 12 / F, Bainaohui science and technology building, 23 Jiaogong Road, Xihu District, Hangzhou City, Zhejiang Province, 310012 Applicant after: Hangzhou Hengtai Technology Co.,Ltd. Address before: 12 / F, Bainaohui science and technology building, 23 Jiaogong Road, Xihu District, Hangzhou City, Zhejiang Province, 310012 Applicant before: Hangzhou Hengtai Software Co.,Ltd. |
|
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210316 |