CN114493035A - 一种企业违约概率预测方法及装置 - Google Patents
一种企业违约概率预测方法及装置 Download PDFInfo
- Publication number
- CN114493035A CN114493035A CN202210137214.8A CN202210137214A CN114493035A CN 114493035 A CN114493035 A CN 114493035A CN 202210137214 A CN202210137214 A CN 202210137214A CN 114493035 A CN114493035 A CN 114493035A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- data
- kernel function
- default probability
- function matrix
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种企业违约概率预测方法及装置,涉及风险预测技术领域,可用于金融领域或其他技术领域。所述方法包括:获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据;根据所述宏观经济指标历史数据,构建第一核函数矩阵,并根据所述宏观经济指标历史数据和所述宏观经济指标预测值,构建第二核函数矩阵;根据用于企业违约概率计算的预设参数、所述第一核函数矩阵、所述第二核函数矩阵、所述宏观经济指标预测值、所述企业资产数据和所述企业贷款数据,计算极端状态下的企业违约概率预测值。所述装置执行上述方法。本发明实施例提供的方法及装置,提高了企业违约概率预测准确性,且降低了系统开销。
Description
技术领域
本发明涉及风险控制技术领域,具体涉及一种企业违约概率预测方法及装置。
背景技术
金融机构在为企业贷款之前需要对贷款企业的违约情况进行预测,进而为贷款提供辅助参考。
目前,金融机构预测在极端状态(经济极端状态,包括经济萧条、经济危机等)下贷款企业的违约概率方法基于莫顿模型搭建。该方法在建立极端场景时使用线性的参数方法,导致要获得较高的预测精度,系统计算开销较大,经济性难以保证。其具体表现为:为了使用线性处理方法逼近非线性方法的真实状态,需要在少数真实数据的基础上做大规模的数据模拟,以拟合出更符合实际的情景。但是预测结果与现实情况差异明显,且实际开销较大。
发明内容
针对现有技术中的问题,本发明实施例提供一种企业违约概率预测方法及装置,能够至少部分地解决现有技术中存在的问题。
一方面,本发明提出一种企业违约概率预测方法,包括:
获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据;
根据所述宏观经济指标历史数据,构建表示现有状态下的宏观经济指标关联关系的第一核函数矩阵,并根据所述宏观经济指标历史数据和所述宏观经济指标预测值,构建用于预测极端状态下的企业违约概率的第二核函数矩阵;
根据用于企业违约概率计算的预设参数、所述第一核函数矩阵、所述第二核函数矩阵、所述宏观经济指标预测值、所述企业资产数据和所述企业贷款数据,计算极端状态下的企业违约概率预测值。
其中,所述根据用于企业违约概率计算的预设参数、所述第一核函数矩阵、所述第二核函数矩阵、所述宏观经济指标预测值、所述企业资产数据和所述企业贷款数据,计算极端状态下的企业违约概率预测值,包括:
根据所述预设参数、所述企业资产数据和所述企业贷款数据,计算用于企业违约概率预测值计算的中间数据;
根据所述第一核函数矩阵、所述第二核函数矩阵和所述宏观经济指标预测值,计算用于企业违约概率计算的预测分布参数;
根据所述预测分布参数和所述中间数据,计算极端状态下的企业违约概率预测值。
其中,所述根据所述宏观经济指标历史数据和所述宏观经济指标预测值,构建用于预测极端状态下的企业违约概率的第二核函数矩阵,包括:
分别计算所述宏观经济指标历史数据与所述宏观经济指标预测值之间的核函数,并将各核函数作为所述第二核函数矩阵中的矩阵元素。
其中,所述根据所述宏观经济指标历史数据,构建表示现有状态下的宏观经济指标关联关系的第一核函数矩阵,包括:
计算所述宏观经济指标历史数据中各数据之间的核函数,并将各核函数作为所述第一核函数矩阵中的矩阵元素。
其中,所述企业违约概率预测方法还包括:
获取极端状态下的企业违约概率历史数据,根据极端状态下的企业违约概率历史数据、所述预设参数、所述企业资产数据和所述企业贷款数据,计算现有状态下的样本数据值;
根据所述样本数据值、所述第一核函数矩阵和宏观经济指标历史数据的样本数据值数量,确定所述第一核函数矩阵中矩阵元素的矩阵元素相关参数;
根据所述矩阵元素相关参数计算所述第一核函数矩阵和所述第二核函数矩阵中的矩阵元素。
其中,在所述获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据的步骤之前,所述企业违约概率预测方法还包括:
获取企业的行业类型数据,并确定与所述行业类型数据对应的企业压力测试相关指标数据;
根据所述企业压力测试相关指标数据计算企业压力测试判别数据,将所述企业压力测试判别数据大于预设值的企业作为第一目标企业;
针对所述第一目标企业执行所述获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据,以及后续步骤。
其中,在计算极端状态下的企业违约概率预测值的步骤之后,所述企业违约概率预测方法还包括:
将所述企业违约概率预测值大于预设阈值的企业作为第二目标企业;
重新计算所述第二目标企业的贷款评估指标数据,并根据贷款评估指标数据的类型,采用相应的风控处理策略。
其中,所述贷款评估指标数据的类型包括押品价值;相应的,所述根据贷款评估指标数据的类型,采用相应的风控处理策略包括:
若确定所述押品价值低于预设价值,则生成补充押品的警告消息。
一方面,本发明提出一种企业违约概率预测装置,包括:
获取单元,用于获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据;
构建单元,用于根据所述宏观经济指标历史数据,构建表示现有状态下的宏观经济指标关联关系的第一核函数矩阵,并根据所述宏观经济指标历史数据和所述宏观经济指标预测值,构建用于预测极端状态下的企业违约概率的第二核函数矩阵;
预测单元,用于根据用于企业违约概率计算的预设参数、所述第一核函数矩阵、所述第二核函数矩阵、所述宏观经济指标预测值、所述企业资产数据和所述企业贷款数据,计算极端状态下的企业违约概率预测值。
再一方面,本发明实施例提供一种电子设备,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如下方法:
获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据;
根据所述宏观经济指标历史数据,构建表示现有状态下的宏观经济指标关联关系的第一核函数矩阵,并根据所述宏观经济指标历史数据和所述宏观经济指标预测值,构建用于预测极端状态下的企业违约概率的第二核函数矩阵;
根据用于企业违约概率计算的预设参数、所述第一核函数矩阵、所述第二核函数矩阵、所述宏观经济指标预测值、所述企业资产数据和所述企业贷款数据,计算极端状态下的企业违约概率预测值。
本发明实施例提供一种非暂态计算机可读存储介质,包括:
所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如下方法:
获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据;
根据所述宏观经济指标历史数据,构建表示现有状态下的宏观经济指标关联关系的第一核函数矩阵,并根据所述宏观经济指标历史数据和所述宏观经济指标预测值,构建用于预测极端状态下的企业违约概率的第二核函数矩阵;
根据用于企业违约概率计算的预设参数、所述第一核函数矩阵、所述第二核函数矩阵、所述宏观经济指标预测值、所述企业资产数据和所述企业贷款数据,计算极端状态下的企业违约概率预测值。
本发明实施例提供的企业违约概率预测方法及装置,获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据;根据所述宏观经济指标历史数据,构建表示现有状态下的宏观经济指标关联关系的第一核函数矩阵,并根据所述宏观经济指标历史数据和所述宏观经济指标预测值,构建用于预测极端状态下的企业违约概率的第二核函数矩阵;根据用于企业违约概率计算的预设参数、所述第一核函数矩阵、所述第二核函数矩阵、所述宏观经济指标预测值、所述企业资产数据和所述企业贷款数据,计算极端状态下的企业违约概率预测值,通过核函数矩阵中的核函数避免了线性计算的缺点,进而提高了企业违约概率预测准确性,且降低了系统开销。
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的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本发明一实施例提供的企业违约概率预测方法的流程示意图。
图2是本发明另一实施例提供的经济系统组件计算示意图。
图3是本发明另一实施例提供的参数计算组件计算示意图。
图4是本发明另一实施例提供的结果导出组件计算示意图。
图5是本发明另一实施例提供的概率映射组件计算示意图。
图6是本发明一实施例提供的企业违约概率预测装置的结构示意图。
图7为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
图1是本发明一实施例提供的企业违约概率预测方法的流程示意图,如图1所示,本发明实施例提供的企业违约概率预测方法,包括:
步骤S1:获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据。
步骤S2:根据所述宏观经济指标历史数据,构建表示现有状态下的宏观经济指标关联关系的第一核函数矩阵,并根据所述宏观经济指标历史数据和所述宏观经济指标预测值,构建用于预测极端状态下的企业违约概率的第二核函数矩阵。
步骤S3:根据用于企业违约概率计算的预设参数、所述第一核函数矩阵、所述第二核函数矩阵、所述宏观经济指标预测值、所述企业资产数据和所述企业贷款数据,计算极端状态下的企业违约概率预测值。
在上述步骤S1中,装置获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据。装置可以是执行该方法的计算机设备,例如包括服务器。需要说明是,本发明实施例涉及企业资产数据和企业贷款数据等数据的获取及分析是经用户授权的。企业资产数据可以包括企业资产价值VA和企业资产波动率σA,企业贷款数据可以包括银行对企业的贷款价值BT和企业贷款期限T。
极端状态,是指经济极端状态,可以包括经济萧条、经济危机等。
极端状态下的宏观经济指标预测值和极端状态下的宏观经济指标历史数据可以采用现有方法获得。
在上述步骤S2中,装置根据所述宏观经济指标历史数据,构建表示现有状态下的宏观经济指标关联关系的第一核函数矩阵,并根据所述宏观经济指标历史数据和所述宏观经济指标预测值,构建用于预测极端状态下的企业违约概率的第二核函数矩阵。现有状态,是指经济现有状态,可以包括经济繁荣、经济萧条和经济危机等。
本发明实施例使用核函数来描述同一经济系统中经济数据样本的相关性。在极端状态中,即当宏观经济指标样本X1与样本X2发生变化的时候,与之对应的与违约概率相关的指标d2发生变化。这种变化由两个方面决定,分别为X1与X2本身在全部样本的位置,以及X1与X2之间的距离,可以使用核函数这种工具来描述这两个方面对d2的影响。常用的核函数可以为径向基核函数,径向基核函数的一般形式为:
其中,k(x1,x2)为与X1和X2分别对应的宏观经济指标历史数据x1,x2之间的核函数;||x1-x2||为X1和X2之间的范数;σ为企业资产价值波动率、与上述企业资产波动率σA相比,σ更强调资产真实价值;θ和l都为超参数,表示矩阵元素相关参数,是用于企业违约概率预测值计算的中间数据。
所述根据所述宏观经济指标历史数据,构建表示现有状态下的宏观经济指标关联关系的第一核函数矩阵,包括:
计算所述宏观经济指标历史数据中各数据之间的核函数,并将各核函数作为所述第一核函数矩阵中的矩阵元素。
第一核函数矩阵表示如下:
其中,∑为第一核函数矩阵;n为宏观经济指标历史数据的样本数据值数量;各核函数分别为k(x1,x1)、k(x1,x2)等等。
所述根据所述宏观经济指标历史数据和所述宏观经济指标预测值,构建用于预测极端状态下的企业违约概率的第二核函数矩阵,包括:
分别计算所述宏观经济指标历史数据与所述宏观经济指标预测值之间的核函数,并将各核函数作为所述第二核函数矩阵中的矩阵元素。
第二核函数矩阵表示如下:
在上述步骤S3中,装置根据用于企业违约概率计算的预设参数、所述第一核函数矩阵、所述第二核函数矩阵、所述宏观经济指标预测值、所述企业资产数据和所述企业贷款数据,计算极端状态下的企业违约概率预测值。企业违约概率计算的预设参数μ,对其解释说明如下:
选定一个时间窗口,在这个时间窗口内观察,得到关于经济状态的n个样本D={D1,D2…Dn}(D=d2-d1)和与之对应的极端状态下的宏观经济指标历史数据X={x1,x2…xn}。关于这n个样本,在本发明实施例中存在如下两个假设:
1、这n个经济状态之间虽然存在时间上的先后顺序,但只存在相关关系,不能判定因果关系。
2、经济状态在任意时刻都是一个概率分布,该时刻得到的经济数据均为反映该经济状态下的一个样本。
根据假设1和假设2,可以认为在一段时间窗口内,一个经济系统可以使用一个多元分布进行描述。为了在符合实际情况的前提下在数学上处理简便,本发明实施例对经济系统使用多元高斯分布进行测度。
根据假设2,这n个经济数据的样本为一个n元高斯分布的抽样。而这个n元高斯分布则为本发明实施例对现有经济系统的测度工具。
高斯分布的参数有两个,均值μ和方差Σ。在经济系统环境下,均值代表经济系统变动的长期趋势。在一个较短的时间段内,可以认为这个趋势为一个常数(对应企业违约概率计算的预设参数μ)。方差表示观察到这n组样本之间的相关性,由相关性测度工具的结论,这个相关性可以使用核函数进行测度。
综上所述,现有经济系统的状态可以表示为:
所述根据用于企业违约概率计算的预设参数、所述第一核函数矩阵、所述第二核函数矩阵、所述宏观经济指标预测值、所述企业资产数据和所述企业贷款数据,计算极端状态下的企业违约概率预测值,包括:
根据所述预设参数、所述企业资产数据和所述企业贷款数据,计算用于企业违约概率预测值计算的中间数据;根据如下公式计算用于企业违约概率预测值计算的中间数据:
其中,d1为用于企业违约概率预测值计算的中间数据;其他各参数可参照上述说明,不再赘述。
根据所述第一核函数矩阵、所述第二核函数矩阵和所述宏观经济指标预测值,计算用于企业违约概率计算的预测分布参数;根据如下公式计算用于企业违约概率计算的预测分布参数:
根据所述预测分布参数和所述中间数据,计算极端状态下的企业违约概率预测值。根据如下公式计算极端状态下的企业违约概率预测值:
根据极端状态下的宏观经济指标预测值Xp={xn+1,xn+2,…xn+p},目标为预测出极端状态下的D的预测值DP。在得到极端状态下的DP之后,便能够得到极端状态下的企业违约概率预测值。
根据假设1和假设2,Xp与之前的X共同构成了一个经济系统,而X为已知的,Xp为未知的,于是DP的预测问题便转换为一个条件分布问题,即:
DP~P(DP|D)
根据多元高斯分布的结论,DP的预测分布为:
在得到DP的一个完整概率分布之后,可以取压力状态下DP在某个区间内的多个取值,进而构成违约概率在压力条件下的区间估计。由此便完成了莫顿模型法下的违约概率压力测试预测过程,能够得到最终结果。
本发明实施例提供的企业违约概率预测方法,获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据;根据所述宏观经济指标历史数据,构建表示现有状态下的宏观经济指标关联关系的第一核函数矩阵,并根据所述宏观经济指标历史数据和所述宏观经济指标预测值,构建用于预测极端状态下的企业违约概率的第二核函数矩阵;根据用于企业违约概率计算的预设参数、所述第一核函数矩阵、所述第二核函数矩阵、所述宏观经济指标预测值、所述企业资产数据和所述企业贷款数据,计算极端状态下的企业违约概率预测值,通过核函数矩阵中的核函数避免了线性计算的缺点,进而提高了企业违约概率预测准确性,且降低了系统开销。
进一步地,所述根据用于企业违约概率计算的预设参数、所述第一核函数矩阵、所述第二核函数矩阵、所述宏观经济指标预测值、所述企业资产数据和所述企业贷款数据,计算极端状态下的企业违约概率预测值,包括:
根据所述预设参数、所述企业资产数据和所述企业贷款数据,计算用于企业违约概率预测值计算的中间数据;可参照上述说明,不再赘述。
根据所述第一核函数矩阵、所述第二核函数矩阵和所述宏观经济指标预测值,计算用于企业违约概率计算的预测分布参数;可参照上述说明,不再赘述。
根据所述预测分布参数和所述中间数据,计算极端状态下的企业违约概率预测值。可参照上述说明,不再赘述。
本发明实施例提供的企业违约概率预测方法,通过计算中间数据和用于企业违约概率计算的预测分布参数,方便计算极端状态下的企业违约概率预测值,进一步提高了企业违约概率预测计算的效率。
进一步地,所述根据所述宏观经济指标历史数据和所述宏观经济指标预测值,构建用于预测极端状态下的企业违约概率的第二核函数矩阵,包括:
分别计算所述宏观经济指标历史数据与所述宏观经济指标预测值之间的核函数,并将各核函数作为所述第二核函数矩阵中的矩阵元素。可参照上述说明,不再赘述。
本发明实施例提供的企业违约概率预测方法,方便计算第二核函数矩阵中的矩阵元素,进一步提高了企业违约概率预测计算的效率。
进一步地,所述根据所述宏观经济指标历史数据,构建表示现有状态下的宏观经济指标关联关系的第一核函数矩阵,包括:
计算所述宏观经济指标历史数据中各数据之间的核函数,并将各核函数作为所述第一核函数矩阵中的矩阵元素。可参照上述说明,不再赘述。
本发明实施例提供的企业违约概率预测方法,方便计算第一核函数矩阵中的矩阵元素,进一步提高了企业违约概率预测计算的效率。
进一步地,所述企业违约概率预测方法还包括:
获取极端状态下的企业违约概率历史数据,根据极端状态下的企业违约概率历史数据、所述预设参数、所述企业资产数据和所述企业贷款数据,计算现有状态下的样本数据值;极端状态下的企业违约概率历史数据可以根据现有方法获得。根据如下公式反算出现有状态下的样本数据值:
其中,D为现有状态下的样本数据值;PD2为极端状态下的企业违约概率历史数据;根据所述预设参数、所述企业资产数据和所述企业贷款数据,计算d1可参照上述说明,不再赘述。
根据所述样本数据值、所述第一核函数矩阵和宏观经济指标历史数据的样本数据值数量,确定所述第一核函数矩阵中矩阵元素的矩阵元素相关参数;具体说明如下:
参照上述说明,忽略经济系统长期趋势在短期内的影响,则其需要进行参数估计仅为核函数中的超参数(对应矩阵元素相关参数)。取多元高斯分布成熟的结论,对于上式:
其对数似然为:
其中,f(θ,l)为自变量为θ和l的函数,该式成立性的保证为核函数的非负定,而在实际应用中,核函数一般为正定的。因此,则对经济系统测度工具的参数估计的问题便转化为求解该式的最值问题,利用目前较为成熟的梯度下降或遗传算法等手段可以解决。另外对于d1的计算,可以采用原莫顿模型利用几何布朗运动假设的导出结论。
根据所述矩阵元素相关参数计算所述第一核函数矩阵和所述第二核函数矩阵中的矩阵元素。即将求解到的θ和l代入第一核函数矩阵和第二核函数矩阵中的矩阵元素(核函数)的计算公式中,得到第一核函数矩阵和第二核函数矩阵中的矩阵元素。
本发明实施例提供的企业违约概率预测方法,能够计算得到计算矩阵元素所需的矩阵元素相关参数,进而保证企业违约概率预测计算能够正常进行。
进一步地,在所述获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据的步骤之前,所述企业违约概率预测方法还包括:
获取企业的行业类型数据,并确定与所述行业类型数据对应的企业压力测试相关指标数据;行业类型数据可以包括农林牧渔企业、能源企业、制造业企业、高新技术企业;与农林牧渔企业对应的企业压力测试相关指标数据为引入该企业主要经营地区的温度t、降雨量rf和灾难事件Q这3个变量,其中,灾难事件包括但不限于地震、台风、动植物疫情等事件。
其中,Q在未发生时为1,发生时根据严重程度的不同取2-10内的正整数,将Y作为企业压力测试判别数据,有:
Y=[(t-μ11)2+(rf-μ2)2]×Q
其中,μ1和μ2可以为预设数值,也可以是历史数据的经验值,当该企业的Y值大于预设值的时候,则认为需要进行压力测试,否则,不需要进行压力测试。
与能源企业对应的企业压力测试相关指标数据为引入国际原油价格o、国内焦炭价格c和国内铁路、航运交通运输量P(吨)和灾难事件Q这4个变量,其中,灾难事件包括但不限于地震、台风、贸易战、疫情等事件。
其中,Q在未发生时为1,发生时根据严重程度的不同取2-10内的正整数,将Y作为企业压力测试判别数据,有:
Y=[(o-μ1)2+(c-μ2)2+(P-μ3)2]×Q
其中,μ1、μ2和μ3可以为预设数值,也可以是历史数据的经验值,当该企业的Y值大于预设值的时候,则认为需要进行压力测试,否则,不需要进行压力测试。
与制造业企业对应的企业压力测试相关指标数据为引入企业用电量e、企业用水量w和企业员工规模r(个)和灾难事件Q这4个变量,其中,灾难事件包括但不限于地震、台风、贸易战、疫情等事件。
其中,Q在未发生时为1,发生时根据严重程度的不同取2-10内的正整数,将Y作为企业压力测试判别数据,有:
Y=[(e-μ1)2+(w-μ2)2+(r-μ3)2]×Q
其中,μ1、μ2和μ3可以为预设数值,也可以是历史数据的经验值,当该企业的Y值大于预设值的时候,则认为需要进行压力测试,否则,不需要进行压力测试。
与高新技术企业对应的企业压力测试相关指标数据为企业员工规模r(个)、产品迭代速度s(次/年)、论文和专利数u和灾难事件Q这4个变量,其中,灾难事件包括但不限于地震、台风、贸易战、疫情等事件。企业员工规模r进一步可以为企业研发员工规模。
其中,Q在未发生时为1,发生时根据严重程度的不同取2-10内的正整数,将Y作为企业压力测试判别数据,有:
Y=[(r-μ1)2+(s-μ2)2-μ3×u2]×Q
其中,μ1、μ2和μ3可以为预设数值,也可以是历史数据的经验值,当该企业的Y值大于预设值的时候,则认为需要进行压力测试,否则,不需要进行压力测试。
根据所述企业压力测试相关指标数据计算企业压力测试判别数据,将所述企业压力测试判别数据大于预设值的企业作为第一目标企业;可参照上述说明,不再赘述。
针对所述第一目标企业执行所述获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据,以及后续步骤。可参照上述说明,不再赘述。
本发明实施例提供的企业违约概率预测方法,适用于各种行业类型的企业,增加了该方法的适用性。
进一步地,在计算极端状态下的企业违约概率预测值的步骤之后,所述企业违约概率预测方法还包括:
将所述企业违约概率预测值大于预设阈值的企业作为第二目标企业;预设阈值可以根据实际情况自主设置。
重新计算所述第二目标企业的贷款评估指标数据,并根据贷款评估指标数据的类型,采用相应的风控处理策略。贷款评估指标数据可以包括押品价值和授信额度;相应的,所述根据贷款评估指标数据的类型,采用相应的风控处理策略包括:
若确定所述押品价值低于预设价值,则生成补充押品的警告消息。预设价值可以根据实际情况自主设置。与押品价值对应的押品可以包括房产、生产设备和核心专利技术等。
在重新计算的授信额度基础上,下调预设幅度的授信额度,预设幅度可以根据实际情况自主设置。
本发明实施例提供的企业违约概率预测方法,能够采用相应的风控处理策略降低金融机构贷款风险。
进一步地,所述贷款评估指标数据的类型包括押品价值;相应的,所述根据贷款评估指标数据的类型,采用相应的风控处理策略包括:
若确定所述押品价值低于预设价值,则生成补充押品的警告消息。可参照上述说明,不再赘述。
本发明实施例提供的企业违约概率预测方法,通过生成补充押品的警告消息,进一步降低金融机构贷款风险。
可以通过组件化实现本方法,具体说明如下:
1、数据存储:
数据可以使用数据表单的形式进行存储,按照存储期限分为基础数据表与临时表。
其中,基础数据表有4张,分别为企业基础信息表(corp_base);
极端状态下的宏观经济指标(历史数据)(ex_macro_H);极端状态下的宏观经济指标(预测值)(ex_macro_P);试算记录表(rec_res_H)。基础数据表永久存储,可以按季度更新。
表1为企业基础信息表(corp_base)样表,如下所示:
表1
表2为极端状态下的宏观指标(历史数据)(ex_macro_H)样表,如下所示:
表2
表3为极端状态下的宏观经济指标(预测值)(ex_macro_P)样表,如下所示:
表3
表4为试算记录表(rec_res_H)样表
表4
临时表有一张,为参数表(para_s)用于传递与记录参数,该表5在用户发起预测时生成,在关闭系统之后自动删除。
表5
2、选取进行企业违约概率预测的目标企业:
可参照上述确定第一目标企业的说明,不再赘述。
3、相关性计算组件
使用核函数来描述同一经济系统中经济数据样本的相关性。在极端状态中,即当宏观经济指标样本X1与样本X2发生变化的时候,与之对应的与违约概率相关的指标d2发生变化。这种变化由两个方面决定,分别为X1与X2本身在全部样本的位置,以及X1与X2之间的距离,可以使用核函数这种工具来描述这两个方面对d2的影响。常用的核函数可以为径向基核函数,径向基核函数的一般形式为:
其中,k(x1,x2)为与X1和X2分别对应的宏观经济指标历史数据x1,x2之间的核函数;||x1-x2||为X1和X2之间的范数;σ为企业资产价值波动率、与上述企业资产波动率σA相比,σ更强调资产真实价值;θ和l都为超参数,表示矩阵元素相关参数,是用于企业违约概率预测值计算的中间数据。
4、经济系统组件
选定一个时间窗口,在这个时间窗口内观察,得到关于经济状态的n个样本D={D1,D2…Dn}(D=d2-d1)和与之对应的极端状态下的宏观经济指标历史数据X={x1,x2…xn}。关于这n个样本,在本发明实施例中存在如下两个假设:
1、这n个经济状态之间虽然存在时间上的先后顺序,但只存在相关关系,不能判定因果关系。
2、经济状态在任意时刻都是一个概率分布,该时刻得到的经济数据均为反映该经济状态下的一个样本。
根据假设1和假设2,可以认为在一段时间窗口内,一个经济系统可以使用一个多元分布进行描述。为了在符合实际情况的前提下在数学上处理简便,本发明实施例对经济系统使用多元高斯分布进行测度。
根据假设2,这n个经济数据的样本为一个n元高斯分布的抽样。而这个n元高斯分布则为本发明实施例对现有经济系统的测度工具。
高斯分布的参数有两个,均值μ和方差Σ。在经济系统环境下,均值代表经济系统变动的长期趋势。在一个较短的时间段内,可以认为这个趋势为一个常数(对应企业违约概率计算的预设参数μ)。方差表示观察到这n组样本之间的相关性,由相关性测度工具的结论,这个相关性可以使用核函数进行测度。
综上所述,现有经济系统的状态可以表示为:
在组件构成上,当历史数据输入进该组件之后,信息系统便按照理论规则合成一组数据。如图2所示。
5、参数计算组件
忽略经济系统长期趋势在短期内的影响,则其需要进行参数估计仅为核函数中的超参数(对应矩阵元素相关参数)。取多元高斯分布成熟的结论,对于上式(1):
其对数似然为:
其中,f(θ,l)为自变量为θ和l的函数,该式成立性的保证为核函数的非负定,而在实际应用中,核函数一般为正定的。因此,则对经济系统测度工具的参数估计的问题便转化为求解该式的最值问题,利用目前较为成熟的梯度下降或遗传算法等手段可以解决。另外对于d1的计算,可以采用原莫顿模型利用几何布朗运动假设的导出结论。
根据所述矩阵元素相关参数计算所述第一核函数矩阵和所述第二核函数矩阵中的矩阵元素。即将求解到的θ和l代入第一核函数矩阵和第二核函数矩阵中的矩阵元素(核函数)的计算公式中,得到第一核函数矩阵和第二核函数矩阵中的矩阵元素。
在组件构成上,具体形式如图3所示。
6、结果导出组件
根据极端状态下的宏观经济指标预测值Xp={xn+1,xn+2,…xn+p},目标为预测出极端状态下的D的预测值DP。在得到极端状态下的DP之后,便能够得到极端状态下的企业违约概率预测值。
根据假设1和假设2,Xp与之前的X共同构成了一个经济系统,而X为已知的,Xp为未知的,于是DP的预测问题便转换为一个条件分布问题,即:
DP~P(DP|D)
根据多元高斯分布的结论,DP的预测分布为:
在得到DP的一个完整概率分布之后,可以取压力状态下DP在某个区间内的多个取值,进而构成违约概率在压力条件下的区间估计。由此便完成了莫顿模型法下的违约概率压力测试预测过程,能够得到最终结果。
在组件构成上,具体形式如图4所示。
7、概率映射组件
在结果导出的基础上,使用高斯分布的分布函数,组成概率映射组件,最终得到企业在极端状态下的违约概率。具体形式如图5所示。
本发明实施例具有如下优点:
1、提高小样本下的系统精度,本系统基于非参数方法,使得小样本建模成为可能。传统的莫顿模型法使用含参数的线性模型,随着经济变量数目的上升,模型复杂度也在提升。但是经济模型,特别是极端经济场景下很难取得大量样本数据,使得参数模型的估计变的困难。
2、充分降低系统开销,本发明使用高维高斯分布,而不是一个值来测度经济系统的状态,提取了经济系统的动态特征,绕过了相关系数的缺点,衡量了尾部相关性,避免了系统预测结果的失真,从而避免了原先系统参数的反复计算与大量模拟数据的生成,从而降低系统开销,据估算,使用同等性能的计算机,系统开销能够节省一倍。
需要说明的是,本发明实施例提供的企业违约概率预测方法可用于金融领域,也可用于除金融领域之外的任意技术领域,本发明实施例对企业违约概率预测方法的应用领域不做限定。
图6是本发明一实施例提供的企业违约概率预测装置的结构示意图,如图6所示,本发明实施例提供的企业违约概率预测装置,包括获取单元601、构建单元602和预测单元603,其中:
获取单元601用于获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据;构建单元602用于根据所述宏观经济指标历史数据,构建表示现有状态下的宏观经济指标关联关系的第一核函数矩阵,并根据所述宏观经济指标历史数据和所述宏观经济指标预测值,构建用于预测极端状态下的企业违约概率的第二核函数矩阵;预测单元603用于根据用于企业违约概率计算的预设参数、所述第一核函数矩阵、所述第二核函数矩阵、所述宏观经济指标预测值、所述企业资产数据和所述企业贷款数据,计算极端状态下的企业违约概率预测值。
具体的,装置中的获取单元601用于获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据;构建单元602用于根据所述宏观经济指标历史数据,构建表示现有状态下的宏观经济指标关联关系的第一核函数矩阵,并根据所述宏观经济指标历史数据和所述宏观经济指标预测值,构建用于预测极端状态下的企业违约概率的第二核函数矩阵;预测单元603用于根据用于企业违约概率计算的预设参数、所述第一核函数矩阵、所述第二核函数矩阵、所述宏观经济指标预测值、所述企业资产数据和所述企业贷款数据,计算极端状态下的企业违约概率预测值。
本发明实施例提供的企业违约概率预测装置,获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据;根据所述宏观经济指标历史数据,构建表示现有状态下的宏观经济指标关联关系的第一核函数矩阵,并根据所述宏观经济指标历史数据和所述宏观经济指标预测值,构建用于预测极端状态下的企业违约概率的第二核函数矩阵;根据用于企业违约概率计算的预设参数、所述第一核函数矩阵、所述第二核函数矩阵、所述宏观经济指标预测值、所述企业资产数据和所述企业贷款数据,计算极端状态下的企业违约概率预测值,通过核函数矩阵中的核函数避免了线性计算的缺点,进而提高了企业违约概率预测准确性,且降低了系统开销。
本发明实施例提供企业违约概率预测装置的实施例具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
图7为本发明实施例提供的电子设备实体结构示意图,如图7所示,所述电子设备包括:处理器(processor)701、存储器(memory)702和总线703;
其中,所述处理器701、存储器702通过总线703完成相互间的通信;
所述处理器701用于调用所述存储器702中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:
获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据;
根据所述宏观经济指标历史数据,构建表示现有状态下的宏观经济指标关联关系的第一核函数矩阵,并根据所述宏观经济指标历史数据和所述宏观经济指标预测值,构建用于预测极端状态下的企业违约概率的第二核函数矩阵;
根据用于企业违约概率计算的预设参数、所述第一核函数矩阵、所述第二核函数矩阵、所述宏观经济指标预测值、所述企业资产数据和所述企业贷款数据,计算极端状态下的企业违约概率预测值。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:
获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据;
根据所述宏观经济指标历史数据,构建表示现有状态下的宏观经济指标关联关系的第一核函数矩阵,并根据所述宏观经济指标历史数据和所述宏观经济指标预测值,构建用于预测极端状态下的企业违约概率的第二核函数矩阵;
根据用于企业违约概率计算的预设参数、所述第一核函数矩阵、所述第二核函数矩阵、所述宏观经济指标预测值、所述企业资产数据和所述企业贷款数据,计算极端状态下的企业违约概率预测值。
本实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,所述计算机程序使所述计算机执行上述各方法实施例所提供的方法,例如包括:
获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据;
根据所述宏观经济指标历史数据,构建表示现有状态下的宏观经济指标关联关系的第一核函数矩阵,并根据所述宏观经济指标历史数据和所述宏观经济指标预测值,构建用于预测极端状态下的企业违约概率的第二核函数矩阵;
根据用于企业违约概率计算的预设参数、所述第一核函数矩阵、所述第二核函数矩阵、所述宏观经济指标预测值、所述企业资产数据和所述企业贷款数据,计算极端状态下的企业违约概率预测值。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本说明书的描述中,参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种企业违约概率预测方法,其特征在于,包括:
获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据;
根据所述宏观经济指标历史数据,构建表示现有状态下的宏观经济指标关联关系的第一核函数矩阵,并根据所述宏观经济指标历史数据和所述宏观经济指标预测值,构建用于预测极端状态下的企业违约概率的第二核函数矩阵;
根据用于企业违约概率计算的预设参数、所述第一核函数矩阵、所述第二核函数矩阵、所述宏观经济指标预测值、所述企业资产数据和所述企业贷款数据,计算极端状态下的企业违约概率预测值。
2.根据权利要求1所述的企业违约概率预测方法,其特征在于,所述根据用于企业违约概率计算的预设参数、所述第一核函数矩阵、所述第二核函数矩阵、所述宏观经济指标预测值、所述企业资产数据和所述企业贷款数据,计算极端状态下的企业违约概率预测值,包括:
根据所述预设参数、所述企业资产数据和所述企业贷款数据,计算用于企业违约概率预测值计算的中间数据;
根据所述第一核函数矩阵、所述第二核函数矩阵和所述宏观经济指标预测值,计算用于企业违约概率计算的预测分布参数;
根据所述预测分布参数和所述中间数据,计算极端状态下的企业违约概率预测值。
3.根据权利要求1所述的企业违约概率预测方法,其特征在于,所述根据所述宏观经济指标历史数据和所述宏观经济指标预测值,构建用于预测极端状态下的企业违约概率的第二核函数矩阵,包括:
分别计算所述宏观经济指标历史数据与所述宏观经济指标预测值之间的核函数,并将各核函数作为所述第二核函数矩阵中的矩阵元素。
4.根据权利要求1所述的企业违约概率预测方法,其特征在于,所述根据所述宏观经济指标历史数据,构建表示现有状态下的宏观经济指标关联关系的第一核函数矩阵,包括:
计算所述宏观经济指标历史数据中各数据之间的核函数,并将各核函数作为所述第一核函数矩阵中的矩阵元素。
5.根据权利要求4所述的企业违约概率预测方法,其特征在于,所述企业违约概率预测方法还包括:
获取极端状态下的企业违约概率历史数据,根据极端状态下的企业违约概率历史数据、所述预设参数、所述企业资产数据和所述企业贷款数据,计算现有状态下的样本数据值;
根据所述样本数据值、所述第一核函数矩阵和宏观经济指标历史数据的样本数据值数量,确定所述第一核函数矩阵中矩阵元素的矩阵元素相关参数;
根据所述矩阵元素相关参数计算所述第一核函数矩阵和所述第二核函数矩阵中的矩阵元素。
6.根据权利要求1至5任一所述的企业违约概率预测方法,其特征在于,在所述获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据的步骤之前,所述企业违约概率预测方法还包括:
获取企业的行业类型数据,并确定与所述行业类型数据对应的企业压力测试相关指标数据;
根据所述企业压力测试相关指标数据计算企业压力测试判别数据,将所述企业压力测试判别数据大于预设值的企业作为第一目标企业;
针对所述第一目标企业执行所述获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据,以及后续步骤。
7.根据权利要求1至5任一所述的企业违约概率预测方法,其特征在于,在计算极端状态下的企业违约概率预测值的步骤之后,所述企业违约概率预测方法还包括:
将所述企业违约概率预测值大于预设阈值的企业作为第二目标企业;
重新计算所述第二目标企业的贷款评估指标数据,并根据贷款评估指标数据的类型,采用相应的风控处理策略。
8.根据权利要求7所述的企业违约概率预测方法,其特征在于,所述贷款评估指标数据的类型包括押品价值;相应的,所述根据贷款评估指标数据的类型,采用相应的风控处理策略包括:
若确定所述押品价值低于预设价值,则生成补充押品的警告消息。
9.一种企业违约概率预测装置,其特征在于,包括:
获取单元,用于获取企业资产数据和企业贷款数据,以及极端状态下的宏观经济指标预测值和宏观经济指标历史数据;
构建单元,用于根据所述宏观经济指标历史数据,构建表示现有状态下的宏观经济指标关联关系的第一核函数矩阵,并根据所述宏观经济指标历史数据和所述宏观经济指标预测值,构建用于预测极端状态下的企业违约概率的第二核函数矩阵;
预测单元,用于根据用于企业违约概率计算的预设参数、所述第一核函数矩阵、所述第二核函数矩阵、所述宏观经济指标预测值、所述企业资产数据和所述企业贷款数据,计算极端状态下的企业违约概率预测值。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
11.一种计算机可读存储介质,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权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137214.8A CN114493035A (zh) | 2022-02-15 | 2022-02-15 | 一种企业违约概率预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137214.8A CN114493035A (zh) | 2022-02-15 | 2022-02-15 | 一种企业违约概率预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114493035A true CN114493035A (zh) | 2022-05-13 |
Family
ID=81481397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210137214.8A Pending CN114493035A (zh) | 2022-02-15 | 2022-02-15 | 一种企业违约概率预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114493035A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115760365A (zh) * | 2022-11-23 | 2023-03-07 | 中电金信软件有限公司 | 一种构建违约损失率预测模型的方法及装置 |
-
2022
- 2022-02-15 CN CN202210137214.8A patent/CN114493035A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115760365A (zh) * | 2022-11-23 | 2023-03-07 | 中电金信软件有限公司 | 一种构建违约损失率预测模型的方法及装置 |
CN115760365B (zh) * | 2022-11-23 | 2024-05-07 | 中电金信软件有限公司 | 一种构建违约损失率预测模型的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chien et al. | Strategic capacity planning for smart production: Decision modeling under demand uncertainty | |
Hong et al. | Probabilistic electric load forecasting: A tutorial review | |
Suryani et al. | Demand scenario analysis and planned capacity expansion: A system dynamics framework | |
Ghamlouch et al. | The use of real option in condition-based maintenance scheduling for wind turbines with production and deterioration uncertainties | |
CN109726865A (zh) | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 | |
CN111401777A (zh) | 企业风险的评估方法、装置、终端设备及存储介质 | |
CN111738504A (zh) | 企业财务指标资金量预测方法和装置、设备及存储介质 | |
Södersten et al. | A supply-use approach to capital endogenization in input–output analysis | |
Guo et al. | Power demand forecasting and application based on SVR | |
Rathnayaka et al. | An unbiased GM (1, 1)-based new hybrid approach for time series forecasting | |
Xue et al. | Relationships between engineering construction standards and economic growth in the construction industry: The case of China’s construction industry | |
CN112215398A (zh) | 电力用户负荷预测模型建立方法、装置、设备及存储介质 | |
Yemelyanov et al. | Assessment of Information Barriers to the Implementation of Energy Saving Projects at Ukrainian Enterprises | |
CN114493035A (zh) | 一种企业违约概率预测方法及装置 | |
Rabie et al. | A new strategy of load forecasting technique for smart grids | |
Quasim et al. | Artificial intelligence as a business forecasting and error handling tool | |
Wang et al. | Coordination estimation of enterprise resource planning and manufacturing execution system diffusion in China’s manufacturing industry: A panel Lotka-Volterra method | |
Šarlija et al. | Measuring enterprise growth: pitfalls and implications | |
CN116402528A (zh) | 电力数据处理系统 | |
Zang et al. | The credit risk assessment of P2P lending based on BP neural network | |
Mohd Lip et al. | Comparative study of smoothing methods and box-jenkins model in forecasting unemployment rate in Malaysia | |
Pumi et al. | Unit-Weibull autoregressive moving average models | |
Darvishi Salookolaei et al. | Application of grey system theory in rainfall estimation | |
Guo et al. | A Fuzzy‐Decomposition Grey Modeling Procedure for Management Decision Analysis | |
Avdeeva et al. | Raw material price forecasting on commodity markets: application of expert and quantitative information |
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 |