CN112801798A - 关联网络的影响传播分析和模式识别方法、系统、设备 - Google Patents

关联网络的影响传播分析和模式识别方法、系统、设备 Download PDF

Info

Publication number
CN112801798A
CN112801798A CN202110376586.1A CN202110376586A CN112801798A CN 112801798 A CN112801798 A CN 112801798A CN 202110376586 A CN202110376586 A CN 202110376586A CN 112801798 A CN112801798 A CN 112801798A
Authority
CN
China
Prior art keywords
node
propagation
dynamic
path
category
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
Application number
CN202110376586.1A
Other languages
English (en)
Inventor
杨艾森
陈文�
韩远
周凡吟
吴桐
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.)
Chengdu Business Big Data Technology Co Ltd
Original Assignee
Chengdu Business Big Data Technology Co Ltd
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 Chengdu Business Big Data Technology Co Ltd filed Critical Chengdu Business Big Data Technology Co Ltd
Priority to CN202110376586.1A priority Critical patent/CN112801798A/zh
Publication of CN112801798A publication Critical patent/CN112801798A/zh
Pending legal-status Critical Current

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
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明涉及关联网络的影响传播分析和模式识别方法、系统、设备，包括以下步骤：输入动态关联网络信息，以形成动态关联网络；所述动态关联网络包括动态节点集合V(t)、动态节点的关联边集合E(t)；获取所述动态关联网络在设定的最大传播度数内的关联路径；根据所述关联路径提取对应节点的类别和关联边的类别，获取关联路径类别
Figure 285490DEST_PATH_IMAGE001
；根据关联路径类别
Figure 14543DEST_PATH_IMAGE001
，以时间点t为基础，通过节点的数值型属性A，计算有关联边的各节点类别之间的影响传播溢出效应系数
Figure 954DEST_PATH_IMAGE002
。本发明结合时间相关的溢出效应分析方法与复杂网络的动态影响传播机制，实现对类别值波动带来的影响时变传播规律进行刻画，拓展了对复杂网络信息传导机制进行分析的维度。

Description

关联网络的影响传播分析和模式识别方法、系统、设备
技术领域
本发明涉及复杂网络分析技术领域，特别涉及关联网络的影响传播分析和模式识别方法、系统、设备，包括一种针对动态关联网络进行影响传播的分析方法、传播模式的识别方法、影响传播和模式识别的系统、电子设备。
背景技术
随着全球经济一体化的推进，贸易、投资、生产等经济和金融领域之间的依赖程度越来越紧密。金融领域的风险动态传播过程是很多研究的重点，包括从金融风险的动态传播过程中提炼出具有重复性和稳定性的节点间传导规律，以及在异质信息网络的基础上，通过对不同类别影响传导过程进行归类刻画，从而为对应风险防控策略的制定提供建议。进一步地，随着宏观市场环境发生变化，金融风险在不同时期的主导信息动态传播模式也会对应产生变化。
目前，随着基于复杂网络分析方法的兴起，将计量经济学和复杂网络分析方法在金融场景下的融合有了越来越多的切入点。比如将金融领域中企业金融资产视作具有属性信息的关联网络节点，将不同企业金融资产价值形成时间序列的关联关系作为节点间的边，进而可以将金融市场通过“节点”与“边”的关联，抽象为金融网络。通过关联网络的构建可以展示金融系统内部各主体间复杂的相互作用，实现从更加宏观的角度分析金融系统的特性。比如，从分析金融系统网络价格联动机制的角度出发，现有建模分析方法包括：基于资产价值相关关系、基于因果关系，以及基于自回归条件异方差模型等等。
但是，目前将基于时间序列的影响传播分析与复杂网络数据相结合的方法还没有，现实中影响的传播与时间序列很相关；比如金融风险或者供应链相关原材料和生产成品的价格的主导信息动态传播模式会跟随传播路径的变化而变化。但是，目前对关联网络中节点间互相影响的动态传播方法以及对不同类别传播路径的传导方式识别有限，没有准确和高效率的判断手段，以至于在分析相关应用领域关联网络影响动态传播规律和模式时受限，影响此类应用领域的数据分析能力和处理效率。
发明内容
本发明的目的在于提出可基于时间变化的风险传播分析与复杂网络数据项结合的方法，提供一种针对动态关联网络进行影响传播的分析方法、传播模式的识别方法、影响传播和模式识别的系统、电子设备。
为了实现上述发明目的，本发明实施例提供了以下技术方案：
针对动态关联网络进行影响传播的分析方法，包括以下步骤：
输入动态关联网络信息，以形成动态关联网络；所述动态关联网络包括动态节点集合V(t)、动态节点的关联边集合E(t)；所述动态关联网络信息为金融信息，所述动态节点集合V(t)中的节点为企业、机构、单位或个人；所述关联边集合E(t)中的关联边为企业、机构、单位和个人之间的关联关系；
获取所述动态关联网络在设定的最大传播度数内的关联路径；
根据所述关联路径提取对应节点的类别和关联边的类别，获取关联路径类别
Figure DEST_PATH_IMAGE001
；
根据关联路径类别
Figure 970210DEST_PATH_IMAGE001
，以时间点t为基础，通过节点的数值型属性A，计算有关联边的各节点类别之间的影响传播溢出效应系数
Figure DEST_PATH_IMAGE002
，所述影响传播溢出效应系数
Figure 33106DEST_PATH_IMAGE002
代表在属性A上，节点类别Ci的波动在对应关联边类别上对节点类别Cj所造成的影响。
在上述方案中，从动态关联网络中可以得到节点与节点之间的路径，即关联边，再根据节点以及关联边可获得关联路径；从关联路径中进一步抽取节点类别和关联边类别获得关联路径类别
Figure 660397DEST_PATH_IMAGE001
，获取的所述关联路径类别
Figure 637580DEST_PATH_IMAGE001
中说明了属于其中某一类别的节点与另一类别的节点具有关联关系，从而计算有关联关系的两节点类别之间的影响传播溢出效应系数
Figure 33926DEST_PATH_IMAGE002
；当
Figure 500680DEST_PATH_IMAGE002
越大，节点类别Ci的波动在对应关联边类别上对节点类别Cj的影响越大，反之亦然。
这就使得本方案结合时间相关的溢出效应分析方法与复杂网络的动态影响传播机制，可以使用在多种具有时序性数值型属性关联关系的图谱应用领域的分析中，实现对不同类别节点数值属性值波动带来的影响和传播规律的定量定性分析，解决了无法准确分析动态复杂网络节点间波动传到机制的行业难题，提高了相关领域波动传导机制数据分析计算的准确性，拓展了对复杂网络信息传导机制进行分析的维度，为相关波动的传导机制研究就未来时刻的波动预测提供可靠的技术工具。
本发明方案通过在具体关联路径基础上进一步提取关联路径类型，泛化了节点类型之间的影响传播溢出效应的适用范围，对整个动态网络进行关联路径类型的影响传播溢出效应计算，相比于单一路径的影响传播溢出效应的计算，处理效率更高，提高了相关领域分析的数据处理效率。
所述动态节点集合为
Figure DEST_PATH_IMAGE003
，其中
Figure DEST_PATH_IMAGE004
代表节点，
Figure DEST_PATH_IMAGE005
，N表示节点的个数；C是节点的字符型属性，代表节点的类别；A是节点的数值型属性；A(t)代表节点在t时刻所对应的数值型属性值；
所述节点的字符型属性C为行业、类型或地域；所述节点的数值型属性A为股价、资产、利润或亏损；
所述动态节点的关联边集合为
Figure DEST_PATH_IMAGE006
，其中
Figure DEST_PATH_IMAGE007
代表节点间的关联边，
Figure DEST_PATH_IMAGE008
，M表示关联边的条数；L代表关联边的类别；L(t)代表t时刻关联边的类别。
所述动态关联网络信息为金融信息，所述动态节点集合V(t)中的节点为企业、机构、单位和/或个人；所述关联边集合E(t)中的关联边为企业、机构、单位和/或个人之间的关联关系。
所述节点的字符型属性C为行业、类型和/或地域；所述节点的数值型属性A为股价、资产、利润或亏损。
在上述方案中，任一节点
Figure 929781DEST_PATH_IMAGE004
都具有其所属的类别C，以及该节点
Figure 445076DEST_PATH_IMAGE004
具有一个或多个数值型属性A。作为举例，比如某一节点
Figure 758245DEST_PATH_IMAGE004
为企业，则该节点
Figure 333583DEST_PATH_IMAGE004
的类别C可以为行业，行业可以是建筑行业、材料行业、设备行业、化工行业等；该节点可以具有股价、利润和，或亏损等数值型属性A。
还包括步骤：
将关联路径类别
Figure 233668DEST_PATH_IMAGE001
对应关联路径上的节点按照关联顺序放入对应集合中；并计算各集合中包含节点的数值型属性值A(t)在对应各时刻的加权平均值；所述加权平均值代表对应节点类别的数值属性值。
所述根据关联路径类别
Figure 818233DEST_PATH_IMAGE001
，以时间点t为基础，通过节点数值型属性A，计算有关联边的各节点类别之间的影响传播溢出效应系数
Figure 923593DEST_PATH_IMAGE002
的步骤，包括：
每种关联路径类别
Figure 935411DEST_PATH_IMAGE001
对应的节点类别集合为：类别C1、类别C2、…类别CN，分别具有数值属性时间序列加权平均值At(C1)、数值属性时间序列加权平均值At(C2)、…数值属性时间序列加权平均值At(CN)，以各节点类别对应的数值属性时间序列加权平均值为依据，通过多元DCC-GARCH模型计算两两节点类别之间的影响传播溢出效应系数
Figure 759010DEST_PATH_IMAGE002
。
所述通过多元DCC-GARCH模型计算两两节点类别之间的影响传播溢出效应系数
Figure 944004DEST_PATH_IMAGE002
的步骤，包括：
通过多元DCC-GARCH模型计算出随机变量之间的动态相关系数，使用最近的若干期相关系数的绝对值的均值作为两两节点类别对应的数值属性时间序列加权平均值之间的影响传播溢出效应系数
Figure 169449DEST_PATH_IMAGE002
。
所述根据关联路径类别
Figure 853634DEST_PATH_IMAGE001
，以时间点t为基础，通过节点数值型属性A，计算有关联边的各节点类别之间的影响传播溢出效应系数
Figure 961267DEST_PATH_IMAGE002
的步骤，包括：
每种关联路径类别
Figure 887635DEST_PATH_IMAGE001
对应的节点类别集合为：类别C1、类别C2、…类别CN，分别具有数值属性时间序列加权平均值At(C1)、数值属性时间序列加权平均值At(C2)、…数值属性时间序列加权平均值At(CN)，以各类别对应的数值属性时间序列加权平均值为依据，通过多元BEKK-GARCH模型计算两两节点类别之间的影响传播溢出效应系数
Figure 702007DEST_PATH_IMAGE002
。
上述方案是本发明计算影响传播溢出效应系数
Figure 321207DEST_PATH_IMAGE002
的可实施方式，使用多元BEKK-GARCH模型来计算。多元BEKK-GARCH模型的优点在于能灵活地施加约束条件，保证方差协方差矩阵的正定性，确保模型在现实中的适用性。
在上述方案中，若要在同一时刻分析N个类别之间的影响传播溢出效应系数，则使用N元BEKK-GARCH模型来计算，比如i节点i所属的类别，j为节点j所属的类别，
Figure 916136DEST_PATH_IMAGE002
则表示节点i所属的类别在时间t上的波动对节点j所属的类别所造成的影响；由于类别在不同的时间序列上，具有不同的属性值，比如将股价作为属性时，股价在t1时刻可能为5.0，而在t2时刻可能为3.2，因此若要计算其他时刻时，则更换时间序列，再次使用N元BEKK-GARCH模型计算即可，结合时间相关的溢出效应分析方法与复杂网络的动态影响传播机制，实现对类别值波动带来的影响时变传播规律进行刻画。
所述获取所述动态关联网络在设定的最大传播度数内的关联路径
Figure 882081DEST_PATH_IMAGE001
；根据所述关联路径提取对应节点的类别和关联边的类别，获取关联路径类别
Figure 816539DEST_PATH_IMAGE001
的步骤，包括：
设定最大传播度数degreemax，判断动态关联网络中传播度数degree小于所述最大传播度数degreemax的所有具有相同数值型属性A的起始节点到终点节点组合
Figure DEST_PATH_IMAGE009
，其中
Figure DEST_PATH_IMAGE010
表示起始节点
Figure 465695DEST_PATH_IMAGE004
的类别为
Figure DEST_PATH_IMAGE011
，该节点
Figure 16762DEST_PATH_IMAGE004
具有数值型属性A；
Figure DEST_PATH_IMAGE012
表示终点节点
Figure DEST_PATH_IMAGE013
的类别为
Figure DEST_PATH_IMAGE014
，该节点
Figure 911031DEST_PATH_IMAGE013
具有数值型属性A。
上述方案中，从而获取若干起始节点与终点节点的关联路径。在动态关联网络中，通过设置最大传播度数degreemax抽取出连接关系相对紧密的管理路径，为进一步抽取关联路径类别
Figure 762312DEST_PATH_IMAGE001
做准备。
从所述关联路径中抽取其对应的关联路径类别
Figure DEST_PATH_IMAGE015
，表示节点类别C1与节点类别Cp之间的关联边类别为L1，依次类推。通过抽取关联路径类别
Figure 502077DEST_PATH_IMAGE001
，将动态图谱中存在的关联路径进行归类，为进一步获取传播模式奠定数据基础。
针对动态关联网络进行影响传播模式识别的方法，其特征在于：包括以下步骤：
根据前述所述的针对动态关联网络进行影响传播的分析方法所提取的关联路径类别
Figure 806020DEST_PATH_IMAGE001
；
根据关联路径类别
Figure 877881DEST_PATH_IMAGE001
依次记录两两节点类别之间的影响传播溢出效应系数
Figure 786931DEST_PATH_IMAGE002
，形成对应的影响传播溢出效应系数的第一序列样本集，所述第一序列样本集中的数值变化规律为对应关联路径类别
Figure 449994DEST_PATH_IMAGE001
的影响溢出传播模式原型。
在上述方案中，进一步计算影响溢出传播模式原型，目的是针对每个存在影响溢出效果的关联路径序列类别，确定其中包含影响溢出的具体模式。用于描述不同类别之间影响传播溢出效应系数的传导规律，通过关联路径序列类别上的影响溢出传播模式原型体现。
还包括步骤：
在所述关联路径类别
Figure 710074DEST_PATH_IMAGE001
中筛选出节点类别之间的影响传播溢出效应系数
Figure 555932DEST_PATH_IMAGE002
均大于设定阈值
Figure DEST_PATH_IMAGE016
的节点类别，构成关联路径序列类别
Figure DEST_PATH_IMAGE017
；
根据关联路径序列类别
Figure 178544DEST_PATH_IMAGE017
依次记录两两节点类别之间的影响传播溢出效应系数
Figure 12507DEST_PATH_IMAGE002
，形成对应的影响传播溢出效应系数的第二序列样本集，所述第二序列样本集中的数值变化规律为对应关联路径序列类别
Figure 759883DEST_PATH_IMAGE017
的影响溢出传播模式原型。
在上述方案中，由于
Figure 409433DEST_PATH_IMAGE002
越小，则根据节点i所属类别的波动去判断节点j所属类别的波动的准确度就越小，这样的关联关系对类别值波动带来的影响时变传播规律进行刻画就基本没有价值，因此从关联路径类别
Figure 293075DEST_PATH_IMAGE001
中筛选出关联路径序列类别
Figure 297940DEST_PATH_IMAGE017
是为了剔除影响传播溢出效应系数
Figure 267033DEST_PATH_IMAGE002
小的关联路径，保留类别之间影响程度较大的关联路径，提高影响程度的判断效果。
还包括步骤：
根据所述影响溢出传播模式原型，预测下一时刻动态关联网络中对应关联路径起始节点属性值波动对关联路径上其他节点属性值的影响。
针对动态关联网络进行影响传播和模式识别的系统，其特征在于，包括：
动态关联网络输入模块，用于获取动态关联网络信息，以形成动态关联网络；所述动态关联网络包括动态节点集合V(t)、动态节点的关联边集合E(t)；所述动态关联网络信息为金融信息，所述动态节点集合V(t)中的节点为企业、机构、单位或个人；所述关联边集合E(t)中的关联边为企业、机构、单位和个人之间的关联关系；
路径抽取模块，用于获取所述动态关联网络在设定的最大传播度数内的关联路径；并根据所述关联路径提取动态节点集合V(t)中各节点的类别和动态节点的关联边集合E(t)中各关联边的类别，以获取动态关联网络中的关联路径类别
Figure 15547DEST_PATH_IMAGE001
；
效应系数计算模块，用于根据关联路径类别
Figure 19275DEST_PATH_IMAGE001
，以时间点t为基础，通过节点数值型属性A，计算有关联边的各节点类别之间的影响传播溢出效应系数
Figure 634189DEST_PATH_IMAGE002
，所述影响传播溢出效应系数
Figure 90578DEST_PATH_IMAGE002
代表在属性A上，节点类别Ci的波动在对应关联边类别上对节点类别Cj所造成的影响；所述节点的字符型属性C为行业、类型或地域；所述节点的数值型属性A为股价、资产、利润或亏损；
传播模式原型计算模块，用于根据关联路径类别
Figure 642782DEST_PATH_IMAGE001
依次记录两两节点类别之间的影响传播溢出效应系数
Figure 235438DEST_PATH_IMAGE002
，形成对应的影响传播溢出效应系数的第一序列样本集，所述第一序列样本集中的数值变化规律为对应关联路径类别
Figure 50947DEST_PATH_IMAGE001
的影响溢出传播模式原型；
所述动态关联网络输入模块、路径抽取模块、效应系数计算模块和传播模式原型计算模块依次相连。
所述路径抽取模块在获取关联路径时，设定最大传播度数degreemax，判断动态关联网络中传播度数degree小于所述最大传播度数degreemax的所有具有相同数值型属性的起始节点到终点节点组合，从而得到若干起始节点与终点节点的关联路径。
所述效应系数计算模块，还用于在关联路径类别
Figure 791370DEST_PATH_IMAGE001
中筛选出节点类别之间的影响传播溢出效应系数
Figure 320833DEST_PATH_IMAGE002
均大于设定阈值的节点类别构成关联路径序列类别
Figure 33575DEST_PATH_IMAGE017
。
所述传播模式原型计算模块，还用于根据关联路径序列类别
Figure 816723DEST_PATH_IMAGE017
依次记录两两节点类别之间的影响传播溢出效应系数
Figure 247704DEST_PATH_IMAGE002
，形成对应的影响传播溢出效应系数的第二序列样本集，所述第二序列样本集中的数值变化规律为对应关联路径序列类别
Figure 79394DEST_PATH_IMAGE017
的影响溢出传播模式原型。
所述效应系数计算模块通过多元DCC-GARCH模型或多元BEKK-GARCH模型计算关联路径类别
Figure 443379DEST_PATH_IMAGE001
和/或关联路径序列类别
Figure 102156DEST_PATH_IMAGE017
中各节点类别之间的影响传播溢出效应系数
Figure 754854DEST_PATH_IMAGE002
。
一种电子设备，包括：
存储器，存储程序指令；
处理器，与所述存储器相连接，执行存储器中的程序指令，实现所述针对动态关联网络进行影响传播的分析方法中的步骤。
一种电子设备，包括：
存储器，存储程序指令；
处理器，与所述存储器相连接，执行存储器中的程序指令，实现所述针对动态关联网络进行影响传播模式识别的方法中的步骤。
与现有技术相比，本发明的有益效果：
本发明结合时间相关的溢出效应分析方法与复杂网络的动态影响传播机制，实现对类别值波动带来的影响时变传播规律进行刻画，可以使用在多种具有时序性数值型属性关联关系的图谱应用领域的分析中，实现对不同类别节点数值属性值波动带来的影响和传播规律的定量定性分析，解决了无法准确分析动态复杂网络节点间波动传到机制的行业难题，提高了相关领域波动传导机制数据分析计算的准确性，拓展了对复杂网络信息传导机制进行分析的维度，为相关波动的传导机制研究就未来时刻的波动预测提供可靠的技术工具。
本发明方案通过在具体关联路径基础上进一步提取关联路径类型，泛化了节点类型之间的影响传播溢出效应的适用范围，对整个动态网络进行关联路径类型的影响传播溢出效应计算，相比于单一路径的影响传播溢出效应的计算，处理效率更高。提高了相关领域分析的数据处理效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍， 应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明影响传播的分析方法流程图；
图2为本发明实施例动态关联网络示意图；
图3为本发明实施例电子设备的结构示意图；
图4为本发明影响传播模式识别的方法流程图。
具体实施方式
下面将结合本发明实施例中附图，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实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
本发明通过下述技术方案实现，如图1所示，针对动态关联网络进行影响传播的分析方法，包括以下步骤：
步骤S1：输入动态关联网络信息，以形成动态关联网络(V(t),E(t))；所述动态关联网络包括动态节点集合V(t)、动态节点的关联边集合E(t)。
具体地，所述动态节点集合为
Figure 186972DEST_PATH_IMAGE003
，其中
Figure 608726DEST_PATH_IMAGE004
代表节点，
Figure 936940DEST_PATH_IMAGE005
；C是节点的字符型属性，代表节点的类别；A是节点的数值型属性；A(t)代表节点在t时刻所对应的数值型属性值；
所述动态节点的关联边集合为
Figure 873672DEST_PATH_IMAGE006
，其中
Figure 79787DEST_PATH_IMAGE007
代表节点间的关联边，
Figure 356048DEST_PATH_IMAGE008
；L代表关联边的类别；L(t)代表t时刻关联边的类别。
本发明方法可广泛适用于动态复杂网络节点之间数值波动的研究分析中，特别的，在本方案中，输入的所述动态关联网络信息为金融信息，从而形成的所述动态节点集合V(t)中的节点为企业、机构、单位和/或个人节点等；所述关联边集合E(t)中的关联边为企业、机构、单位和/或个人等之间的关联关系。所述节点的字符型属性C可以为行业、类型和/或地域等；所述节点的数值型属性A可以为股票价格（以下简称股价）、资产、利润或亏损等与金融相关的属性。相比于其他网络，金融信息网络的动态数值属性的波动性质更加明显，对于金融信息波动传导机制的分析更加具有现实的使用意义，市场的需求量十分巨大。
以金融领域的股票市场为例，V(t)代表不同的上市公司，E(t)代表不同上市公司之间的关联边（关联关系），当某两家上市公司具有关联关系时（比如属于同行业或具有产业链关系）则可以将这两家上市公司关联起来，依次类推多家上市公司关联就可形成上市公司动态关联网络。比如上市公司的动态关联网络中节点信息包含节点名称、节点字符型属性C（行业）和数值型属性A（股票价格股价，下文简称为股价）等。
比如上市公司a作为节点
Figure DEST_PATH_IMAGE018
，即上市公司a的类别C可以为“冶炼”；上市公司b作为节点
Figure DEST_PATH_IMAGE019
，上市公司b的类别C可以为“运输”。上市公司a和上市公司b之间具有关联关系，且关系为“合作”，那么节点
Figure 714217DEST_PATH_IMAGE018
与节点
Figure 341507DEST_PATH_IMAGE019
之间的关联边
Figure 53111DEST_PATH_IMAGE007
的类别L即为合作。将节点的属性A设置为“股价”时，类似的多家与上市公司a有关联关系的上市公司分别相连就可以得到上市公司a在任意t时刻的股票市场动态关联网络。
步骤S12：获取所述动态关联网络在设定的最大传播度数内的关联路径。
设定最大传播度数degreemax，判断动态关联网络中传播度数degree小于所述最大传播度数degreemax的所有具有相同数值型属性A的起始节点到终点节点组合
Figure 13239DEST_PATH_IMAGE009
，其中
Figure 683255DEST_PATH_IMAGE010
表示起始节点
Figure 532262DEST_PATH_IMAGE004
的类别为
Figure 109874DEST_PATH_IMAGE011
，该节点
Figure 626306DEST_PATH_IMAGE004
具有数值型属性A；
Figure 201644DEST_PATH_IMAGE012
表示终点节点
Figure 293273DEST_PATH_IMAGE013
的类别为
Figure 674576DEST_PATH_IMAGE014
，该节点
Figure 779935DEST_PATH_IMAGE013
具有数值型属性A。
从而获取若干起始节点与终点节点的关联路径。在动态关联网络中，通过设置最大传播度数degreemax抽取出连接关系相对紧密的管理路径，为进一步抽取关联路径类别
Figure 588491DEST_PATH_IMAGE001
做准备。需要说明的是，所述最大传播度数degreemax的大小是根据业务场景需求而配置的，所述传播度数degree定义的是连接两个节点所需的最少关联边数量，或者当两个节点之间具有多条关联边时，则传播度数degree可以是这两个节点之间的关联边数量。
步骤S13：根据所述关联路径提取对应节点的类别和关联边的类别，获取关联路径类别
Figure 412090DEST_PATH_IMAGE001
。
对于图2的注释：
建筑C1，材料C2，设备C3，化工C4，服务L1，供货L2，合作L3，投资L4。
作为举例，企业作为节点，数值型属性A设置为股价，字符型属性C为节点的行业。假设本实施例设置所述最大传播度数degreemax为3，请参见图2，企业a所属行业为建筑C1，企业c所属行业为建筑C1，企业a与企业c之间的关联边的类别为服务L1；企业e所属行业为材料C2，企业c与企业e之间的关联边的类别为投资L4；那么可以得到传播度数为3的一条关联路径：
{企业a，服务L1，企业c，投资L4，企业e}
从该条关联路径中获取其对应的关联路径类别
Figure 534767DEST_PATH_IMAGE001
为：
Figure 58415DEST_PATH_IMAGE001
={C1,L1,C1,L4,C2}={建筑，服务，建筑，投资，材料}
再举例，所述最大传播度数degreemax为3，请继续参见图2，企业f所属行业为材料C2，企业a所属行业为建筑C1，企业f与企业a之间的关联边的类别为服务L1；企业b所属行业为设备C3，企业a与企业b之间的关联边的类别为供货L2；那么可以得到传播度数为3的一条关联路径：
{企业f，服务L1，企业a，供货L2，企业b}
从该条关联路径中获取其对应的关联路径类别为：
Figure 241134DEST_PATH_IMAGE001
={C2,L1,C1,L2,C3}={材料，服务，建筑，供货，设备}
再举例，所述最大传播度数degreemax为4，请继续参见图2，企业d所属行业为设备C3，企业c所属行业为建筑C1，企业d与企业c之间的关联边的类别为供货L2；企业e所属行业为材料C2，企业c与企业e之间的关联边的类别为投资L4；企业g所属行业为化工C4，企业e与企业g之间的关联边的类别为投资L4；那么可以得到传播度数为4的一条关联路径：
{企业d，供货L2，企业c，投资L4，企业e，投资L4，企业g}
从该条关联路径中获取其对应的关联路径类别为：
Figure 552030DEST_PATH_IMAGE001
={C3,L2,C1,L4,C2,L4,C4}={设备，供货，建筑，投资，材料，投资，化工}
综上举例可以看出，在动态关联网络中设置最大传播度数后，最大传播度数以内的关联路径都可以被抽取出来，从而得到若干条关联路径，将关联路径中的节点使用其字符型属性C的类别表示后，则会抽取出相应的关联路径类别
Figure 275135DEST_PATH_IMAGE001
。
若在某一类别Ci中有多个节点与另一类别Cj中的多个节点所组成的关联路径的关联边类别都相同，则在抽取关联路径类别
Figure 355087DEST_PATH_IMAGE001
时，可以将路径合并。比如最大传播度数degreemax为4，请继续参见图2，企业a属于类别建筑C1，企业b属于类别设备C3，企业a与企业b之间的关联边的类别为供货L2；企业c属于类别建筑C1，企业d属于类别设备C3，可见企业c与企业d之间的关联边的类别也为供货L2。则将第一条关联路径{企业a，供货L2，企业b}和第二条关联路径{企业c，供货L2，企业d}合并为一条关联路径类别
Figure 708708DEST_PATH_IMAGE001
={C1,L2,C3}，这就是根据关联路径抽取关联路径类别
Figure 805102DEST_PATH_IMAGE001
的过程。
步骤S14：根据关联路径类别
Figure 4002DEST_PATH_IMAGE001
，以时间点t为基础，通过节点的数值型属性A，计算有关联边的各节点类别之间的影响传播溢出效应系数
Figure 777DEST_PATH_IMAGE002
，所述影响传播溢出效应系数
Figure 790878DEST_PATH_IMAGE002
代表在属性A上，节点类别Ci的波动在对应关联边类别上对节点类别Cj所造成的影响。
那么在实际中，则可以构成关联路径类别
Figure 341945DEST_PATH_IMAGE015
，表示节点类别C1与节点类别Cp之间的关联边类别为L1，依次类推。然后以时间点t为基础，计算某一类别Ci与另一类别Cj之间的影响传播溢出效应系数
Figure 377160DEST_PATH_IMAGE002
，表示i节点所属的类别的波动对j节点所属的类别所造成的影响。
步骤S15：将关联路径类别
Figure 166124DEST_PATH_IMAGE001
对应关联路径上的节点按照关联顺序放入对应集合中；并计算各集合中包含节点的数值型属性值A(t)在对应各时刻的加权平均值；所述加权平均值代表对应节点类别的数值属性值。
将关联路径类别对应关联路径上的节点按照关联顺序放入对应集合中；通过将同类关联路径上的涉及的节点，依次放入对应的集合中，形成了对应关联路径类别的关联节点集合序列。
为计算对应路径类别，需以各类节点的数字属性值做准。应该说明的是，对应类别节点集合中的数值属性值的取值方式可以是多样的，比如取集合中股票市值最大的企业节点的对应数值属性值来作为本集合的代表值来参与后续的溢出效应系数计算；或者取集合中节点股票价格的平均值等等。
作为一种优选方式，计算各集合中包含节点的数值型属性值A(t)在对应各时刻的加权平均值，以该加权平均值代表对应节点类别的数值属性值。通过在节点集合内计算节点数值型属性的在对应时刻的加权平均值，将该加权平均值作为该集合类节点的数字属性值，相比于其他取值方式，更能体现出关联路径上包含节点的真实情况，可以包含更多细节信息。
作为举例，如图2所示，比如现抽取的关联路径类别
Figure 658285DEST_PATH_IMAGE001
为（C1,L2,C3），如在整个动态关联网络中属于行业C3的企业节点一共有3家，但其中符合通过关联边L2与行业C1的企业相连的只有2家，分别为企业b和企业d，则在这2家企业节点的集合内来计算股价的加权平均值。这样计算出的行业数值属性平均值，也包含了路径信息的筛选依据，因此带有更多网络实际连接关系的信息。
如关联路径类别为
Figure DEST_PATH_IMAGE020
，其中对应路径的起始节点为行业C1中的节点有企业a和企业c，行业C3中的节点有企业b和企业d，当数值型属性A设置为股价时，计算行业C1的股价的加权平均值作为行业C1的股价，以及计算行业C3的股价的加权平均值作为行业C3的股价。比如企业a在某时刻t的股价为x1，占行业C1中总市值的
Figure DEST_PATH_IMAGE021
（本步骤的总市值可以是对应节点集合内包含企业的总市值，也可以是整个动态网络中该行业类别的企业总市值，单家企业的市值=股票价格*已发行股票数据），类似的企业c的股价为x2，占行业C1中总市值的
Figure DEST_PATH_IMAGE022
；企业b的股价为y1，占行业C3中总市值的
Figure DEST_PATH_IMAGE023
，企业d的股价为y2，占行业C3中总市值的
Figure DEST_PATH_IMAGE024
。那么计算行业C1在对应时刻t的股价加权平均值X为
Figure DEST_PATH_IMAGE025
，行业C2的股价加权平均值Y为
Figure DEST_PATH_IMAGE026
。然后以X作为对应时刻t行业C1的股价，以Y作为对应时刻t行业C2的股价进行影响传播溢出效应系数的计算。
通过上述的计算的过程，定量描述了所待分析的动态关联网络在某一特定传播路径L2前提下，企业a所属的行业C1的股价产生的波动对企业b所属的行业C3的股价所造成的影响。类似的，可以计算出动态关联网络内在设置的最大传播度数degreemax内的各种关联路径类别
Figure DEST_PATH_IMAGE027
对应的节点之间的波动影响模式，为研究不同类别传播路径下各类节点数值属性的波动传导模式奠定技术基础。
结合在实际情况中，比如金融领域中，多家属于不同行业的上市企业具有上下游产业链关系时，其中一家企业的股价（或产品价格）波动可能会引起上下游产业链相关不同行业企业的股价（或产品价格）波动。同样的，现实情况中比如有多家企业都属于同一行业，当其中某一企业的股价（或产品价格）发生波动时，往往跟该企业相关联的同一行业的其他企业也会发生波动。而这样的波动传导规律往往在同类别路径上具有相似性，本发明通过路径类别的提取和对应影响传播溢出效应系数的计算为相关分析提供依据。
一般地，若影响传播溢出效应系数
Figure 509698DEST_PATH_IMAGE002
越大，则说明行业C1的股价发生波动对行业C3的股价造成的波动影响程度越大；影响传播溢出效应系数
Figure 879762DEST_PATH_IMAGE002
越小，则说明行业C1的股价发生波动对行业C3的股价造成的波动影响程度越小。
作为一种可实施方式，在计算所述影响传播溢出效应系数
Figure 523233DEST_PATH_IMAGE002
时，确定一个时间点t1，得到节点i所属行业Ci的数值属性时间序列加权平均值At(Ci)，以及节点j所属行业Cj的数值属性时间序列加权平均值At(Cj)。比如企业a所属行业C1的数值属性时间序列加权平均值为At1(C1)，企业b所属行业C3的数值属性时间序列加权平均值为At1(C3)，以这两个类别对应的数值属性时间序列加权平均值为依据，通过二元BEKK-GARCH模型计算节点类别C1和节点类别C3之间的影响传播溢出效应系数。
若要计算多个类别时，则具有多个数值属性时间序列加权平均值，可使用多元BEKK-GARCH模型进行计算，因此数值属性时间序列加权平均值的个数与BEKK-GARCH模型的元数匹配。所述二元BEKK-GARCH模型由均值方程和方差方程两部分组成：
所述均值方程为：
Figure DEST_PATH_IMAGE028
（1）
在式（1）中，
Figure DEST_PATH_IMAGE029
为行业C1在时间t1下的数值型属性A的值，也就是行业C1的股价加权平均值，
Figure DEST_PATH_IMAGE030
为行业C3在时间t1下的数值型属性A的值，也就是行业C3的股价加权平均值，
Figure DEST_PATH_IMAGE031
为长期漂移系数，
Figure DEST_PATH_IMAGE032
为影响系数，
Figure DEST_PATH_IMAGE033
为随机误差。
所述方差方程为：
Figure DEST_PATH_IMAGE034
（2）
在式（2）中，
Figure DEST_PATH_IMAGE035
，
Figure DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE037
，
Figure DEST_PATH_IMAGE038
为时间t1下的条件方差矩阵，F为常数系数矩阵，D为条件残差系统矩阵，E为条件协方差系数矩阵，F`为F的转置矩阵，D`为D的转置矩阵，E`为E的转置矩阵；
Figure DEST_PATH_IMAGE039
表示常数系数系统矩阵F中的值，
Figure DEST_PATH_IMAGE040
表示件残差系统矩阵D中的值，
Figure DEST_PATH_IMAGE041
表示条件协方差系数矩阵E中的值，i表示节点i所属的行业C1，j表示节点j所属的行业C3。
将时间序列
Figure DEST_PATH_IMAGE042
和时间序列
Figure DEST_PATH_IMAGE043
的影响传播溢出效应系数定义为
Figure DEST_PATH_IMAGE044
，其中
Figure DEST_PATH_IMAGE045
为行业C1在属性时间序列
Figure 262711DEST_PATH_IMAGE042
上的波动对行业C3在属性时间序列
Figure 53950DEST_PATH_IMAGE043
上时所造成的影响（
Figure 929502DEST_PATH_IMAGE045
中的“1”即代表行业C1，“2”即代表行业C3）。
若
Figure DEST_PATH_IMAGE046
和
Figure DEST_PATH_IMAGE047
的值显著高于
Figure DEST_PATH_IMAGE048
和
Figure DEST_PATH_IMAGE049
，那么属性时间序列
Figure 647053DEST_PATH_IMAGE042
和属性时间序列
Figure 684279DEST_PATH_IMAGE043
的波动受自身波动的影响大，所述影响传播溢出效应系数
Figure 464279DEST_PATH_IMAGE045
的值小。也就是说，
Figure DEST_PATH_IMAGE050
和
Figure DEST_PATH_IMAGE051
远大于
Figure DEST_PATH_IMAGE052
和
Figure DEST_PATH_IMAGE053
，或远大于
Figure DEST_PATH_IMAGE054
和
Figure DEST_PATH_IMAGE055
，那么影响传播溢出效应系数
Figure 363096DEST_PATH_IMAGE045
的值小。
更详细的，若
Figure 43476DEST_PATH_IMAGE046
和
Figure 986024DEST_PATH_IMAGE047
的值显著高于
Figure 751855DEST_PATH_IMAGE048
和
Figure 205095DEST_PATH_IMAGE049
，且
Figure 943244DEST_PATH_IMAGE054
和
Figure 384590DEST_PATH_IMAGE055
显著为零时，那么属性时间序列
Figure DEST_PATH_IMAGE056
仅受自身前期波动和前期绝对残差的影响大，而受属性时间序列
Figure DEST_PATH_IMAGE057
的波动影响小；
若
Figure 467077DEST_PATH_IMAGE046
和
Figure 956964DEST_PATH_IMAGE047
的值大于
Figure 611937DEST_PATH_IMAGE048
和
Figure 161867DEST_PATH_IMAGE049
，且
Figure 636710DEST_PATH_IMAGE052
和
Figure 195868DEST_PATH_IMAGE053
越趋近于零时，那么属性时间序列
Figure 144494DEST_PATH_IMAGE043
仅受自身前期波动和前期绝对残差的影响大，而受属性时间序列
Figure 927643DEST_PATH_IMAGE042
的波动影响小。
相反，若
Figure 93045DEST_PATH_IMAGE046
和
Figure 987051DEST_PATH_IMAGE047
的值显著低于
Figure 288720DEST_PATH_IMAGE048
和
Figure 478655DEST_PATH_IMAGE049
，那么属性时间序列
Figure 131353DEST_PATH_IMAGE042
和属性时间序列
Figure 563472DEST_PATH_IMAGE043
的波动受对方波动的影响大，所述影响传播溢出效应系数
Figure 47543DEST_PATH_IMAGE045
的值大。
需要说明的是，本方案提及的“显著高于”、“显著低于”、“远大于”等用词，可设置一个阈值，当两值相减的差大于该阈值时，则说明“显著高于”、“显著低于”或“远大于”。
作为另一种可实施方式，通过多元DCC-GARCH模型计算这些行业两两之间的影响传播溢出效应系数
Figure 927819DEST_PATH_IMAGE002
的步骤，令
Figure DEST_PATH_IMAGE058
为N*1的向量，表示N个行业的数据，且
Figure 598971DEST_PATH_IMAGE058
服从均值为0，条件方差和协方差矩阵为
Figure DEST_PATH_IMAGE059
的多元正态分布，则有：
Figure DEST_PATH_IMAGE060
Figure DEST_PATH_IMAGE061
Figure DEST_PATH_IMAGE062
Figure DEST_PATH_IMAGE063
Figure DEST_PATH_IMAGE064
Figure DEST_PATH_IMAGE065
Figure DEST_PATH_IMAGE066
其中，
Figure DEST_PATH_IMAGE067
是t+1前期所有的信息集，sqrt为将矩阵中每一个元素取平方根的函数，diag为对角矩阵函数，
Figure DEST_PATH_IMAGE068
为单变量GARCH模型计算出的条件标准差所形成的N*N对角矩阵，
Figure DEST_PATH_IMAGE069
为动态条件相关系数矩阵，所述动态条件相关系数矩阵中包含动态相关系数，
Figure DEST_PATH_IMAGE070
为向量标准化后的残差，
Figure DEST_PATH_IMAGE071
为标准残差的无条件方差矩阵，
Figure DEST_PATH_IMAGE072
和
Figure DEST_PATH_IMAGE073
是GARCH模型的参数，u和g为滞后阶数；
通过多元DCC-GARCH模型计算出随机变量之间的动态相关系数，使用最近的若干期相关系数的绝对值的均值作为两两节点类别对应的数值属性时间序列加权平均值之间的影响传播溢出效应系数
Figure 759082DEST_PATH_IMAGE002
。
可以看出，本发明不限于使用某一模型来计算影响传播溢出效应系数，本实施例仅作为举例，说明可用来计算影响传播溢出效应系数的两个比较好的模型。
计算出时间点t1下的影响传播溢出效应系数，由于在不同的时间点，行业的属性值是变化的，比如说在不同的时间下，行业C1股价的波动对行业C3的股价波动影响程度可能会发生变化，因此也可以使用相同的方法，通过替换时间t，计算出在不同时间下的影响传播溢出效应系数。
本方案还提出针对动态关联网络进行影响传播模式识别的方法，如图4所示，包括以下步骤：
步骤S21：根据所述的针对动态关联网络进行影响传播的分析方法所提取的关联路径类别
Figure DEST_PATH_IMAGE074
依次记录两两节点类别之间的影响传播溢出效应系数
Figure 97659DEST_PATH_IMAGE002
，形成对应的影响传播溢出效应系数的第一序列样本集，所述第一序列样本集中的数值变化规律为对应关联路径类别
Figure 393511DEST_PATH_IMAGE001
的影响溢出传播模式原型。
现实情况下，相同关联路径类别
Figure 53425DEST_PATH_IMAGE001
上的影响传播溢出效应系数的传导具有相似的规律，因此通过计算获取到各个关联路径类别的两两相邻节点类别之间的影响传播溢出效益系数
Figure 30608DEST_PATH_IMAGE002
，并将该影响传播溢出效益系数
Figure 489272DEST_PATH_IMAGE002
按照关联顺序记录下来形成对应的影响传播溢出效应系数的第一序列样本集，这个第一序列样本集中的数值变化的规律，反应了节点类别间波动影响的传导规律及模式。
作为举例，请参见图2，比如一个关联路径类别为：
Figure 690446DEST_PATH_IMAGE001
={C3,L3,C1,L4,C2,L4,C4}={设备，合作，建筑，投资，材料，投资，化工}
假设经过计算{spill(C3,C1),spill(C1,C2),spill(C2,C4)}对应的影响传播溢出效应系数的第一序列样本集为{4.9,7.1,9.0}（上述数值跟具体的数据和计算方式相关，本处仅示意性的说明），那么数值的变化规律是依次增大（反应两类别之间的传导效应是波动影响逐步增强）；在实际情况中，spill也可能会存在先增大后减小，或者不断减小等等情况，因此通过第一序列样本集就可以得到一个行业的股价发生波动时，该关联路径上的其他行业的股价会相应的发生怎样的变化。
步骤S22：在所述关联路径类别
Figure 273874DEST_PATH_IMAGE001
中筛选出节点类别之间的影响传播溢出效应系数
Figure 618530DEST_PATH_IMAGE002
均大于设定阈值
Figure 134962DEST_PATH_IMAGE016
的节点类别，构成关联路径序列类别
Figure 710300DEST_PATH_IMAGE017
。
设定溢出效应系数阈值
Figure 843341DEST_PATH_IMAGE016
（比如5.0），若关联路径类别
Figure 959064DEST_PATH_IMAGE001
对应的节点集合序列中，任一类别Ci与另一类别Cj之间的影响传播溢出效应系数
Figure 565888DEST_PATH_IMAGE002
都大于阈值
Figure 108865DEST_PATH_IMAGE016
，则将这些类别路径筛选出来，构成关联路径序列类别
Figure 994782DEST_PATH_IMAGE017
。
比如在关联路径类别
Figure 851879DEST_PATH_IMAGE001
={C3,L3,C1,L4,C2,L4,C4}中，行业C3与其他行业虽然有关联关系，但之间的影响传播溢出效应系数小于所述溢出效应系数阈值
Figure 139641DEST_PATH_IMAGE016
，即spill(C3,C1)=4.9<5.0，则在进一步计算传播模式原型时将该条路径类别舍弃。作用在于剔除影响传播溢出效应系数
Figure 558246DEST_PATH_IMAGE002
小的关联路径，保留节点类别之间影响程度较大的关联路径，提高影响程度的判断效果。因此，将行业C3剔除，得到关联路径序列类别
Figure 665880DEST_PATH_IMAGE001
={C1,L4,C2,L4,C4}。
继续以股票市场为例，对于行业C1和行业C3来说，
Figure DEST_PATH_IMAGE075
越大，则说明行业C1的股价发生波动对行业C3的股价造成的影响越大，这样则可以有充分的理由根据行业C1的股价波动去判断行业C3的股价走势，因此关联关系对刻画股票之间金融风险的传播效应更有价值；反之，
Figure 654564DEST_PATH_IMAGE075
越小，行业C1的股价波动对行业C3的股价造成的影响就越小，根据行业C1的股价波动去判断行业C3的股价走势的准确度就越小，这样的关联关系对刻画股票之间金融风险传播效应基本没有价值。
步骤S23：根据关联路径序列类别
Figure 531253DEST_PATH_IMAGE017
依次记录两两节点类别之间的影响传播溢出效应系数
Figure 132479DEST_PATH_IMAGE002
，形成对应的影响传播溢出效应系数的第二序列样本集，所述第二序列样本集中的数值变化规律为对应关联路径序列类别
Figure 727408DEST_PATH_IMAGE017
的影响溢出传播模式原型。
假设经过验证或者设影响传播溢出效应系数5.0及以上反应为两类别之间的影响为强相关、强影响，影响传播溢出效应系数5.0以下为弱相关、弱影响。
作为举例，比如关联路径序列类别：
Figure 191887DEST_PATH_IMAGE017
={C1,L4,C2,L4,C4}
经过计算{spill(C1,C2),spill(C2,C4)}对应的影响传播溢出效应系数的第二序列样本集为{7.1,9.0}，那么可以得出这条路径类别的传播模式原型是强相关，影响规律是依次增大（涨）。传播模式原型可以定性描述对应路径类别的影响传导规律和传导模式，效应系数序列可以定量描述两两相连类别之间的波动传导影响大小。
步骤S24：根据所述影响溢出传播模式原型，预测下一时刻动态关联网络中对应关联路径起始节点属性值波动对关联路径上其他节点属性值的影响。
具体的，请参加图2，比如金融领域的股票市场上存在这样的具体传播路径d-L2-c-L4-e-L4-g，经过本发明前述方案计算出该传播路径对应关联路径类别为{C3,L2,C1,L4,C2,L4,C4}的溢出传播模式原型的数值为{5.9,9.3,7.0}，原型为强影响型（涨，跌）。在这样的前提下，假设在某个时点t，起始节点d的股价发生较大波动，则可以通过上述溢出传播模式原型来预测相关路径上其他企业所属类别C1、C2、C4的股价可能会发生的波动。
进一步地，本发明还提出一种针对动态关联网络进行影响传播和模式识别的系统，包括：
动态关联网络输入模块，用于获取动态关联网络信息，以形成动态关联网络(V(t),E(t))；所述动态关联网络包括动态节点集合V(t)、动态节点的关联边集合E(t)；
路径抽取模块，用于获取所述动态关联网络在设定的最大传播度数内的关联路径；并根据所述关联路径提取动态节点集合V(t)中各节点的类别和动态节点的关联边集合E(t)中各关联边的类别，以获取动态关联网络中的关联路径类别
Figure 188662DEST_PATH_IMAGE001
；
效应系数计算模块，用于根据关联路径类别
Figure 244343DEST_PATH_IMAGE001
，以时间点t为基础，通过节点数值型属性A，计算有关联边的各节点类别之间的影响传播溢出效应系数
Figure 765716DEST_PATH_IMAGE002
，所述影响传播溢出效应系数
Figure 96204DEST_PATH_IMAGE002
代表在属性A上，节点类别Ci的波动在对应关联边类别上对节点类别Cj所造成的影响；
传播模式原型计算模块，用于根据关联路径类别
Figure 885168DEST_PATH_IMAGE001
依次记录两两节点类别之间的影响传播溢出效应系数
Figure 377329DEST_PATH_IMAGE002
，形成对应的影响传播溢出效应系数的第一序列样本集，所述第一序列样本集中的数值变化规律为对应关联路径类别
Figure 884534DEST_PATH_IMAGE001
的影响溢出传播模式原型；
所述动态关联网络输入模块、路径抽取模块、效应系数计算模块和传播模式原型计算模块依次相连。
更进一步地，所述动态关联网络输入模块获取的动态关联网络信息为金融信息；所述动态节点集合V(t)中的节点为企业、机构、单位和/或个人；所述关联边集合E(t)中的关联边为企业、机构、单位和/或个人间的关联关系；所述节点的数值型属性A为股价、资产、利润或亏损。
更进一步地，所述路径抽取模块在获取关联路径时，设定最大传播度数degreemax，判断动态关联网络中传播度数degree小于所述最大传播度数degreemax的所有具有相同数值型属性的起始节点到终点节点组合，从而得到若干起始节点与终点节点的关联路径。
更进一步地，所述效应系数计算模块，还用于在关联路径类别
Figure 989018DEST_PATH_IMAGE001
中筛选出节点类别之间的影响传播溢出效应系数
Figure 429227DEST_PATH_IMAGE002
均大于设定阈值的节点类别构成关联路径序列类别
Figure 357869DEST_PATH_IMAGE017
。
更进一步地，所述传播模式原型计算模块，还用于根据关联路径序列类别
Figure 86790DEST_PATH_IMAGE017
依次记录两两节点类别之间的影响传播溢出效应系数
Figure 759080DEST_PATH_IMAGE002
，形成对应的影响传播溢出效应系数的第二序列样本集，所述第二序列样本集中的数值变化规律为对应关联路径序列类别
Figure 555260DEST_PATH_IMAGE017
的影响溢出传播模式原型。
更进一步地，所述效应系数计算模块通过多元DCC-GARCH模型或多元BEKK-GARCH模型计算关联路径类别
Figure 592486DEST_PATH_IMAGE001
和/或关联路径序列类别
Figure 871021DEST_PATH_IMAGE017
中各节点类别之间的影响传播溢出效应系数
Figure 19105DEST_PATH_IMAGE002
。
本发明还提出一种电子设备，包括：
存储器，存储程序指令；
处理器，与所述存储器相连接，执行存储器中的程序指令，实现所述针对动态关联网络进行影响传播的分析方法或针对动态关联网络进行影响传播模式识别的方法中的步骤。
请参见图3，该电子设备可以包括处理器71和存储器72，其中存储器72耦合至处理器71。值得注意的是，该图是示例性的，还可以使用其他类型的结构来补充或替代该结构。
如图3所示，该电子设备还可以包括：输入单元73、显示单元74和电源75。值得注意的是，该电子设备也并不是必须要包括图3中显示的所有部件。此外，电子设备还可以包括图3中没有示出的部件，可以参考现有技术。
处理器71有时也称控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该处理器71接收输入并控制电子设备的各个部件的操作。
其中，存储器72例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其他合适装置中的一种或多种，可存储上述处理器71的配置信息、处理器71执行的指令、记录的表格数据等信息。处理器71可以执行存储器72存储的程序，以实现信息存储或处理等。在一个实施例中，存储器72中还包括缓冲存储器，即缓冲器，以存储中间信息。
输入单元73例如用于向处理器71提供本体的数据或者数据持有方所拥有的数据。显示单元74用于显示处理过程中的各种结果，例如页面中展示的实体、关系、属性等等，该显示单元例如可以为LCD显示器，但本发明并不限于此。电源75用于为电子设备提供电力。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (16)

1.针对动态关联网络进行影响传播的分析方法，其特征在于：包括以下步骤：
输入动态关联网络信息，以形成动态关联网络；所述动态关联网络包括动态节点集合V(t)、动态节点的关联边集合E(t)；所述动态关联网络信息为金融信息，所述动态节点集合V(t)中的节点为企业、机构、单位或个人；所述关联边集合E(t)中的关联边为企业、机构、单位和个人之间的关联关系；
获取所述动态关联网络在设定的最大传播度数内的关联路径；
根据所述关联路径提取对应节点的类别和关联边的类别，获取关联路径类别
Figure 458004DEST_PATH_IMAGE001
；
根据关联路径类别
Figure 640724DEST_PATH_IMAGE001
，以时间点t为基础，通过节点的数值型属性A，计算有关联边的各节点类别之间的影响传播溢出效应系数
Figure 951619DEST_PATH_IMAGE002
，所述影响传播溢出效应系数
Figure 877987DEST_PATH_IMAGE002
代表在属性A上，节点类别Ci的波动在对应关联边类别上对节点类别Cj所造成的影响。
2.根据权利要求1所述的针对动态关联网络进行影响传播的分析方法，其特征在于：
所述动态节点集合为
Figure 223518DEST_PATH_IMAGE003
，其中
Figure 577139DEST_PATH_IMAGE004
代表节点，
Figure 142375DEST_PATH_IMAGE005
，N表示节点的个数；C是节点的字符型属性，代表节点的类别；A是节点的数值型属性；A(t)代表节点在t时刻所对应的数值型属性值；
所述节点的字符型属性C为行业、类型或地域；所述节点的数值型属性A为股价、资产、利润或亏损；
所述动态节点的关联边集合为
Figure 872433DEST_PATH_IMAGE006
，其中
Figure 72470DEST_PATH_IMAGE007
代表节点间的关联边，
Figure 596993DEST_PATH_IMAGE008
，M表示关联边的条数；L代表关联边的类别；L(t)代表t时刻关联边的类别。
3.根据权利要求2所述的针对动态关联网络进行影响传播的分析方法，其特征在于：还包括步骤：
将关联路径类别
Figure 882480DEST_PATH_IMAGE001
对应关联路径上的节点按照关联顺序放入对应集合中；并计算各集合中包含节点的数值型属性值A(t)在对应各时刻的加权平均值；所述加权平均值代表对应节点类别的数值属性值。
4.根据权利要求3所述的针对动态关联网络进行影响传播的分析方法，其特征在于：所述根据关联路径类别
Figure 416230DEST_PATH_IMAGE001
，以时间点t为基础，通过节点数值型属性A，计算有关联边的各节点类别之间的影响传播溢出效应系数
Figure 470774DEST_PATH_IMAGE002
的步骤，包括：
每种关联路径类别
Figure 933241DEST_PATH_IMAGE001
对应的节点类别集合为：类别C1、类别C2、…类别CN，分别具有数值属性时间序列加权平均值At(C1)、数值属性时间序列加权平均值At(C2)、…数值属性时间序列加权平均值At(CN)，以各节点类别对应的数值属性时间序列加权平均值为依据，通过多元DCC-GARCH模型计算两两节点类别之间的影响传播溢出效应系数
Figure 706025DEST_PATH_IMAGE002
。
5.根据权利要求4所述的针对动态关联网络进行影响传播的分析方法，其特征在于：所述通过多元DCC-GARCH模型计算两两节点类别之间的影响传播溢出效应系数
Figure 777886DEST_PATH_IMAGE002
的步骤，包括：
通过多元DCC-GARCH模型计算出随机变量之间的动态相关系数，使用最近的若干期相关系数的绝对值的均值作为两两节点类别对应的数值属性时间序列加权平均值之间的影响传播溢出效应系数
Figure 218095DEST_PATH_IMAGE002
。
6.根据权利要求3所述的针对动态关联网络进行影响传播的分析方法，其特征在于：所述根据关联路径类别
Figure 84420DEST_PATH_IMAGE001
，以时间点t为基础，通过节点数值型属性A，计算有关联边的各节点类别之间的影响传播溢出效应系数
Figure 610079DEST_PATH_IMAGE002
的步骤，包括：
每种关联路径类别
Figure 220052DEST_PATH_IMAGE001
对应的节点类别集合为：类别C1、类别C2、…类别CN，分别具有数值属性时间序列加权平均值At(C1)、数值属性时间序列加权平均值At(C2)、…数值属性时间序列加权平均值At(CN)，以各类别对应的数值属性时间序列加权平均值为依据，通过多元BEKK-GARCH模型计算两两节点类别之间的影响传播溢出效应系数
Figure 16232DEST_PATH_IMAGE002
。
7.针对动态关联网络进行影响传播模式识别的方法，其特征在于：包括以下步骤：
根据权利要求1-6任一项所述的针对动态关联网络进行影响传播的分析方法所提取的关联路径类别
Figure 319037DEST_PATH_IMAGE001
；
根据关联路径类别
Figure 66413DEST_PATH_IMAGE001
依次记录两两节点类别之间的影响传播溢出效应系数
Figure 480077DEST_PATH_IMAGE002
，形成对应的影响传播溢出效应系数的第一序列样本集，所述第一序列样本集中的数值变化规律为对应关联路径类别
Figure 363720DEST_PATH_IMAGE001
的影响溢出传播模式原型。
8.根据权利要求7所述的针对动态关联网络进行影响传播模式识别的方法，其特征在于：还包括步骤：
在所述关联路径类别
Figure 103006DEST_PATH_IMAGE001
中筛选出节点类别之间的影响传播溢出效应系数
Figure 573563DEST_PATH_IMAGE002
均大于设定阈值
Figure 525339DEST_PATH_IMAGE009
的节点类别，构成关联路径序列类别
Figure 529067DEST_PATH_IMAGE010
；
根据关联路径序列类别
Figure 173675DEST_PATH_IMAGE010
依次记录两两节点类别之间的影响传播溢出效应系数
Figure 895643DEST_PATH_IMAGE002
，形成对应的影响传播溢出效应系数的第二序列样本集，所述第二序列样本集中的数值变化规律为对应关联路径序列类别
Figure 916689DEST_PATH_IMAGE010
的影响溢出传播模式原型。
9.根据权利要求8所述的针对动态关联网络进行影响传播模式识别的方法，其特征在于：还包括步骤：
根据所述影响溢出传播模式原型，预测下一时刻动态关联网络中对应关联路径起始节点属性值波动对关联路径上其他节点属性值的影响。
10.针对动态关联网络进行影响传播和模式识别的系统，其特征在于，包括：
动态关联网络输入模块，用于获取动态关联网络信息，以形成动态关联网络；所述动态关联网络包括动态节点集合V(t)、动态节点的关联边集合E(t)；所述动态关联网络信息为金融信息，所述动态节点集合V(t)中的节点为企业、机构、单位或个人；所述关联边集合E(t)中的关联边为企业、机构、单位和个人之间的关联关系；
路径抽取模块，用于获取所述动态关联网络在设定的最大传播度数内的关联路径；并根据所述关联路径提取动态节点集合V(t)中各节点的类别和动态节点的关联边集合E(t)中各关联边的类别，以获取动态关联网络中的关联路径类别
Figure 509344DEST_PATH_IMAGE001
；
效应系数计算模块，用于根据关联路径类别
Figure 59274DEST_PATH_IMAGE001
，以时间点t为基础，通过节点数值型属性A，计算有关联边的各节点类别之间的影响传播溢出效应系数
Figure 770004DEST_PATH_IMAGE002
，所述影响传播溢出效应系数
Figure 329161DEST_PATH_IMAGE002
代表在属性A上，节点类别Ci的波动在对应关联边类别上对节点类别Cj所造成的影响；所述节点的字符型属性C为行业、类型或地域；所述节点的数值型属性A为股价、资产、利润或亏损；
传播模式原型计算模块，用于根据关联路径类别
Figure 41902DEST_PATH_IMAGE001
依次记录两两节点类别之间的影响传播溢出效应系数
Figure 762733DEST_PATH_IMAGE002
，形成对应的影响传播溢出效应系数的第一序列样本集，所述第一序列样本集中的数值变化规律为对应关联路径类别
Figure 193715DEST_PATH_IMAGE001
的影响溢出传播模式原型；
所述动态关联网络输入模块、路径抽取模块、效应系数计算模块和传播模式原型计算模块依次相连。
11.根据权利要求10所述的针对动态关联网络进行影响传播和模式识别的系统，其特征在于：所述路径抽取模块在获取关联路径时，设定最大传播度数degreemax，判断动态关联网络中传播度数degree小于所述最大传播度数degreemax的所有具有相同数值型属性的起始节点到终点节点组合，从而得到若干起始节点与终点节点的关联路径。
12.根据权利要求10所述的针对动态关联网络进行影响传播和模式识别的系统，其特征在于：所述效应系数计算模块，还用于在关联路径类别
Figure 290984DEST_PATH_IMAGE001
中筛选出节点类别之间的影响传播溢出效应系数
Figure 123810DEST_PATH_IMAGE002
均大于设定阈值的节点类别构成关联路径序列类别
Figure 517008DEST_PATH_IMAGE010
。
13.根据权利要求10所述的针对动态关联网络进行影响传播和模式识别的系统，其特征在于：所述传播模式原型计算模块，还用于根据关联路径序列类别
Figure 435285DEST_PATH_IMAGE010
依次记录两两节点类别之间的影响传播溢出效应系数
Figure 336245DEST_PATH_IMAGE002
，形成对应的影响传播溢出效应系数的第二序列样本集，所述第二序列样本集中的数值变化规律为对应关联路径序列类别
Figure 757999DEST_PATH_IMAGE010
的影响溢出传播模式原型。
14.根据权利要求10所述的针对动态关联网络进行影响传播和模式识别的系统，其特征在于：所述效应系数计算模块通过多元DCC-GARCH模型或多元BEKK-GARCH模型计算关联路径类别
Figure 820633DEST_PATH_IMAGE001
和/或关联路径序列类别
Figure 960628DEST_PATH_IMAGE010
中各节点类别之间的影响传播溢出效应系数
Figure 665278DEST_PATH_IMAGE002
。
15.一种电子设备，其特征在于，包括：
存储器，存储程序指令；
处理器，与所述存储器相连接，执行存储器中的程序指令，实现权利要求1-6任一项所述针对动态关联网络进行影响传播的分析方法中的步骤。
16.一种电子设备，其特征在于，包括：
存储器，存储程序指令；
处理器，与所述存储器相连接，执行存储器中的程序指令，实现权利要求7-9任一项所述针对动态关联网络进行影响传播模式识别的方法中的步骤。
CN202110376586.1A 2021-04-08 2021-04-08 关联网络的影响传播分析和模式识别方法、系统、设备 Pending CN112801798A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110376586.1A CN112801798A (zh) 2021-04-08 2021-04-08 关联网络的影响传播分析和模式识别方法、系统、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110376586.1A CN112801798A (zh) 2021-04-08 2021-04-08 关联网络的影响传播分析和模式识别方法、系统、设备

Publications (1)

Publication Number Publication Date
CN112801798A true CN112801798A (zh) 2021-05-14

Family

ID=75816567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110376586.1A Pending CN112801798A (zh) 2021-04-08 2021-04-08 关联网络的影响传播分析和模式识别方法、系统、设备

Country Status (1)

Country Link
CN (1) CN112801798A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115034832A (zh) * 2022-07-05 2022-09-09 广东电网有限责任公司 一种天然气和电力的协调调度方法、装置及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8150805B1 (en) * 2006-06-30 2012-04-03 Symantec Operating Corporation Consistency interval marker assisted in-band commands in distributed systems
US8600799B2 (en) * 2001-11-27 2013-12-03 Siebel Systems, Inc. Method and system for sales-credit assignment via time-based organization hierarchies
US20140214722A1 (en) * 2013-01-25 2014-07-31 The Research Foundation Of The State University Of New York Real time evaluation of financial returns based on nearly elliptical models
CN105787582A (zh) * 2015-12-24 2016-07-20 清华大学 股票风险预测方法和装置
CN109214647A (zh) * 2018-07-24 2019-01-15 焦点科技股份有限公司 一种基于网络访问日志数据的在线访问渠道间的溢出效应分析方法
CN110264352A (zh) * 2019-05-16 2019-09-20 福建江夏学院 基于神经网络模型和时间序列的股指预测方法及装置
CN110852584A (zh) * 2019-10-30 2020-02-28 北京航空航天大学 一种基于复杂网络分析的风险识别方法
CN111221873A (zh) * 2019-12-31 2020-06-02 成都数联铭品科技有限公司 基于关联网络的企业间同名人识别方法及系统
US10740843B2 (en) * 2010-01-22 2020-08-11 Verient, Inc. Systems and methods for controlling payment processing
CN111738532A (zh) * 2020-08-14 2020-10-02 支付宝(杭州)信息技术有限公司 一种事件对对象影响度的获取方法和系统
CN112115570A (zh) * 2020-09-16 2020-12-22 合肥工业大学 一种便捷的多尺度风险传导网络构建方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8600799B2 (en) * 2001-11-27 2013-12-03 Siebel Systems, Inc. Method and system for sales-credit assignment via time-based organization hierarchies
US8150805B1 (en) * 2006-06-30 2012-04-03 Symantec Operating Corporation Consistency interval marker assisted in-band commands in distributed systems
US10740843B2 (en) * 2010-01-22 2020-08-11 Verient, Inc. Systems and methods for controlling payment processing
US20140214722A1 (en) * 2013-01-25 2014-07-31 The Research Foundation Of The State University Of New York Real time evaluation of financial returns based on nearly elliptical models
CN105787582A (zh) * 2015-12-24 2016-07-20 清华大学 股票风险预测方法和装置
CN109214647A (zh) * 2018-07-24 2019-01-15 焦点科技股份有限公司 一种基于网络访问日志数据的在线访问渠道间的溢出效应分析方法
CN110264352A (zh) * 2019-05-16 2019-09-20 福建江夏学院 基于神经网络模型和时间序列的股指预测方法及装置
CN110852584A (zh) * 2019-10-30 2020-02-28 北京航空航天大学 一种基于复杂网络分析的风险识别方法
CN111221873A (zh) * 2019-12-31 2020-06-02 成都数联铭品科技有限公司 基于关联网络的企业间同名人识别方法及系统
CN111738532A (zh) * 2020-08-14 2020-10-02 支付宝(杭州)信息技术有限公司 一种事件对对象影响度的获取方法和系统
CN112115570A (zh) * 2020-09-16 2020-12-22 合肥工业大学 一种便捷的多尺度风险传导网络构建方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XIN SUI; JIAN-MIN HE; SHOU-WEI LI: "Research on the tail risk spillover between shanghai and shenzhen stock markets based on MODWT and time-varying Clayton Copula", 《2014 INTERNATIONAL CONFERENCE ON MANAGEMENT SCIENCE & ENGINEERING 21TH ANNUAL CONFERENCE PROCEEDINGS》 *
YING-CHIN HO，WEN-CHIEH HSU，CHENG-CHANG CHANG: "Multi-category and Multi-standard Project Selection under Constrainedly Periodical Budget and Ambiguous Value-based Time Limit", 《JOURNAL OF E-BUSINESS》 *
牛晓健 吴客形 : "金融市场互联及风险传播的研究综述:从时间序列到复杂网络", 《投资研究》 *
王明刚: "时间序列复杂网络分析理论及应用", 《中国博士学位论文全文数据库 基础科学辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115034832A (zh) * 2022-07-05 2022-09-09 广东电网有限责任公司 一种天然气和电力的协调调度方法、装置及系统

Similar Documents

Publication Publication Date Title
Nazari-Shirkouhi et al. A hybrid approach using Z-number DEA model and Artificial Neural Network for Resilient supplier Selection
Baydaş et al. Exploring the specific capacity of different multi criteria decision making approaches under uncertainty using data from financial markets
US20150142713A1 (en) Real-Time Adaptive Decision System And Method Using Predictive Modeling
CN117593142A (zh) 财务风险评估管理方法及系统
US20080195431A1 (en) System and method for correlating business transformation metrics with sustained business performance
Kopa et al. A portfolio optimality test based on the first-order stochastic dominance criterion
US20240346531A1 (en) Systems and methods for business analytics model scoring and selection
Zheng et al. Stock market modeling and forecasting
Bruni et al. Lending decisions under uncertainty: a DEA approach
HongXing et al. Connectedness between currency risk hedging and firm value: A deep neural network-based evaluation
Kothandapani Applications of Robotic Process Automation in Quantitative Risk Assessment in Financial Institutions
Farnè et al. A methodology for automatised outlier detection in high-dimensional datasets: an application to euro area banks’ supervisory data
CN112801798A (zh) 关联网络的影响传播分析和模式识别方法、系统、设备
Bai et al. Performance measurement and evaluation for sustainable supply chains using rough set and data envelopment analysis
Piao et al. Analyzing the Effectiveness of Finance in Supply Chain in Solving the Financing Difficulties of SMEs Based on Grey Theory Model
CN117114812A (zh) 一种针对企业的金融产品推荐方法及装置
Berteloot et al. A novel credit rating migration modeling approach using macroeconomic indicators
Pankratova et al. Using trading system consolidated models in stock exchange price forecasting
Xu An Intelligent Classification Method of Multisource Enterprise Financial Data Based on SAS Model
Almheiri Automated Loan Approval System for Banks
Wahlstrøm Financial data science for exploring and explaining the ever-increasing amount of data
Lextrait Scaling up SME's credit scoring scope with LightGBM
Lubbers Comparing the performance of xgboost and random forest models for predicting company cash position
Meghanadh et al. Imputation of missing values in the fundamental data: using MICE framework
Esfahanipour et al. A hybrid multicriteria approach for performance evaluation: the case of a holding company

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210514