CN114625781A - 一种基于商品住房价值的批量评估方法 - Google Patents

一种基于商品住房价值的批量评估方法 Download PDF

Info

Publication number
CN114625781A
CN114625781A CN202210239328.3A CN202210239328A CN114625781A CN 114625781 A CN114625781 A CN 114625781A CN 202210239328 A CN202210239328 A CN 202210239328A CN 114625781 A CN114625781 A CN 114625781A
Authority
CN
China
Prior art keywords
value
commodity
housing
rate
commodity housing
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
CN202210239328.3A
Other languages
English (en)
Inventor
霍超能
杨成名
潘明轩
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.)
Shenzhen Yunzhiping Information Technology Co ltd
Original Assignee
Shenzhen Yunzhiping Information 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 Shenzhen Yunzhiping Information Technology Co ltd filed Critical Shenzhen Yunzhiping Information Technology Co ltd
Priority to CN202210239328.3A priority Critical patent/CN114625781A/zh
Publication of CN114625781A publication Critical patent/CN114625781A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于商品住房价值的批量评估方法，包括：获取待评估商品住房的基本信息，按待评估商品住房的属性分类，相同的划分为同一类别，获取企业历史年度经营数据，基于企业历史年度经营数据预测未来年度经营收益，基于企业未来年度经营收益确定各类商品住房的分成率、折现率和资产贡献率，预设被评估商品住房的预设评估值，使预设评估值分别与分成率、折现率和资产贡献率进行乘积并求和，计算商品住房的基本评估值，基于商品住房价值的影响因素设定修正系数，使商品住房的基本评估值乘以修正系数进行计算，将计算结果输出价值评估报告，解决了现有的商品住房价值评估方式效率低和评价主观的问题，具有良好的市场应用价值。

Description

一种基于商品住房价值的批量评估方法
技术领域
本发明涉及价值评估领域，具体的说是一种基于商品住房价值的批量评估方法。
背景技术
商品住房作为重要的融资手段越来越受到企业的重视，其价值评估的重要性也随之日益凸显，目前，传统商品住房价值评估主要采用单项评估方式、耗时长且主观因素较大，对于需要同时评估的批量商标资产，无法做到及时、客观、合理评价，针对已有方法的不足，本发明一种基于商品住房价值的批量评估方法可以有效的节省人力物力，使价值评估更加精确，具有重大意义。
发明内容
本发明针对已有的方法的不足，提供一种基于商品住房价值的批量评估方法。
本发明解决其技术问题所采用的技术方案是：
提供一种系统，包括：获取待评估商品住房的基本信息，按待评估商品住房的属性分类，相同的划分为同一类别，获取企业历史年度经营数据，基于企业历史年度经营数据预测未来年度经营收益，基于企业未来年度经营收益确定各类商品住房的分成率、折现率和资产贡献率，预设被评估商品住房的预设评估值，使预设评估值分别与分成率、折现率和资产贡献率进行乘积并求和，计算商品住房的基本评估值，基于商品住房价值的影响因素设定修正系数，使商品住房的基本评估值乘以修正系数进行计算，将计算结果输出价值评估报告。
进一步的，所述一种基于商品住房价值的批量评估方法，其特征在于，所述获取待评估商品住房的基本信息包括信息采集，采集能够影响住房价值的要素，如占地面积、地理位置、交通情况等，采用系统算法将数据一一筛选，将收集来的数据整理并上传数据库中，以确保商品住房价值评估时所需的数据准确性和安全性。
进一步的，所述按待评估商品住房企业的特性进行住房分类，将属于相同属性的住房划分至同一类别，根据商品住房所属企业的所处区域、企业性质、行业类别、权利状况因素，按企业的性质、规模、经营情况、地区的分布的分类标准进行商标分类，并进行相关分析，设商品住房价值为自变量Y，上述多种影响因素为因变量X1…Xk，绘制二者的主成分分析方程，计算相关系数矩阵，得到一种矩阵式关系
Figure BDA0003543695070000021
计算特征值及特征值向量，设X＝(x1,x2…xp)是P 维随机变量，均值E(x)＝μ，方差D(x)＝∑var(Yi)，对X进行线性变化，得到综合变量Y，分析之前，对数据进行标准化处理，
Figure BDA0003543695070000022
计算方差，确定主成分，先假设总体相关量为0，即H0为两总体无显著的线性相关关系，计算相应的统计量，并得到对应的相伴概率值.如果相伴概率值小于或等于指定的显著性水平，则拒绝Ho，认为两总体存在显著的线性相关关系；如果相伴概率值大于指定的显著性水平，则不能拒绝Ho，认为两总体不存在显著的线性相关关系，当r大于等于0.8，呈高度相关，当r大于0.5小于0.8，呈中度相关，当r大于0.3小于0.5时，呈低度相关，当r小于0.3时，说明不相关，因此将上述商品住房的基本信息代入，得到商品住房价值与其他因素之间的相关性，得到最大相关性。
进一步的，所述获取企业历史年度经营数据，基于企业历史年度经营数据预测未来年度经营收益，统计预测方法可归纳分为定性预测方法和定量预测方法，建立多元线性回归模型进行预测，多元线性回归模型的参数估计，用最小二乘法求解参数，求解回归参数的标准方程组为
Figure BDA0003543695070000031
进行拟合程度的测定，估计二者之间标准误差，估计标准误差越小，回归方程拟合程度越强，同时需要检验回归系数的显著性，通过上述回归模型将获取企业历史年度经营数据代入算法公式，回归预测模型精准预测未来年度经营收益，剔除长期资产和流动资产贡献额，确定无形资产组合贡献额，再采用层次分析法确定各行业商标类资产贡献率，确定各类商品住房的资产贡献率同时关联商品住房价值。
进一步的，所述一种基于商品住房价值的批量评估方法，其特征在于，所述基于企业未来年度经营收益确定各类商品住房的分成率、折现率和资产贡献率，以安全利率加上风险调整值作为报酬率，使折现率小于所述报酬率，确定各类别商品住房价值的折现率。
进一步的，所述一种基于商品住房价值的批量评估方法，系统，其特征在于，所述预设被评估商品住房的预设评估值，使预设评估值分别与分成率、折现率和资产贡献率进行乘积并求和，计算商品住房的基本评估值，得到基本评估值的详细数据，代表各个商品住房的等级，生成等级列表，所述商品住房模型对综合得分进行评价，将各个商品住房的等级划分为优秀、良好、一般及较差四个等级，舍弃最低分数低于设定阈值的商品住房。
进一步的，所述一种基于商品住房价值的批量评估方法，其特征在于，所述基于商品住房价值的影响因素设定修正系数，使商品住房的基本评估值乘以修正系数进行计算，将计算结果输出价值评估报告，所述商品住房价值影响因素经相关分析得出相关性比较强的因素，与相关性系数做比较，大于0.8则呈强相关，重新修正系数，所述商品住房的基本评估值与修正系数相乘，得到最终结果，将最终结果输出价值评估报告。
与现有技术相比，本发明的有益效果是：
1.商品住房所属企业的参考依据更全面，以更好的评估商品住房行业，使得分类更加准确；
2.采用层次分析法对影响商品住房价值的因素进行剖析，以更合理的确定各类商品住房的分成率，有利于更准确的进行商品住房价值评估；
3.剔除长期资产和流动资产贡献额，确定无形资产组合贡献率，使得评判标准更贴合实际的商品住房价值，提高了商品住房价值评估结果的准确率；
4.通过价值评估报告直观形象的呈现商品住房价值的评估结果，以便于后续商品住房价值的跟踪与监控，也节省了大量人力物力。
附图说明
附图1为本发明一种基于商品住房价值的批量估计方法的架构图。
具体实施方式
为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明，附图中给出了本发明的较佳的实施例，但是，本发明可以以许多不同的形式来实现，并不限于本说明书所描述的实施例，相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同，本说明书中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。
下面结合附图对本发明作以下详细地说明。
实施例1，如图1所示，一种基于商品住房价值的批量评估方法，包括：获取待评估商品住房的基本信息，按待评估商品住房的属性分类，相同的划分为同一类别，获取企业历史年度经营数据，基于企业历史年度经营数据预测未来年度经营收益，基于企业未来年度经营收益确定各类商品住房的分成率、折现率和资产贡献率，预设被评估商品住房的预设评估值，使预设评估值分别与分成率、折现率和资产贡献率进行乘积并求和，计算商品住房的基本评估值，基于商品住房价值的影响因素设定修正系数，使商品住房的基本评估值乘以修正系数进行计算，将计算结果输出价值评估报告。
实施例2，如图1所示，所述获取待评估商品住房的基本信息包括信息采集，采集能够影响住房价值的要素，如占地面积、地理位置、交通情况等，采用系统算法将数据一一筛选，将收集来的数据整理并上传数据库中，以确保商品住房价值评估时所需的数据准确性和安全性。
在本实施例中，获取被评估商品住房的基本信息，通过人工收集被评估商品住房的基本信息并对应录入系统中，有利于更好的评估商品住房的价值。
实施例3，如图1所示，所述按待评估商品住房企业的特性进行住房分类，将属于相同属性的住房划分至同一类别，根据商品住房所属企业的所处区域、企业性质、行业类别、权利状况因素，按企业的性质、规模、经营情况、地区的分布的分类标准进行商标分类，并进行相关分析，设商品住房价值为自变量Y，上述多种影响因素为因变量X1…Xk，绘制二者的主成分分析方程，计算相关系数矩阵，得到同理
Figure BDA0003543695070000061
计算特征值及特征值向量，设X＝(x1,x2…xp) 是P维随机变量，均值E(x)＝μ，方差D(x)＝∑var(Yi)，对X进行线性变化，得到综合变量Y，分析之前，对数据进行标准化处理，
Figure BDA0003543695070000071
计算方差，确定主成分，先假设总体相关量为0，即H0为两总体无显著的线性相关关系，计算相应的统计量，并得到对应的相伴概率值.如果相伴概率值小于或等于指定的显著性水平，则拒绝Ho，认为两总体存在显著的线性相关关系；如果相伴概率值大于指定的显著性水平，则不能拒绝Ho，认为两总体不存在显著的线性相关关系，当r大于等于0.8，呈高度相关，当r大于0.5小于0.8，呈中度相关，当r大于0.3小于0.5时，呈低度相关，当r小于0.3时，说明不相关，因此将上述商品住房的基本信息代入，得到商品住房价值与其他因素之间的相关性，得到最大相关性。
在本实施例中，参考上市公司行业分类指引，确定待评估的商品住房属于各种类别，划分至同一类别的商品住房之间具有同一性，能批量的进行价值评估，效率更高。
实施例4，如图1所示，所述获取企业历史年度经营数据，基于企业历史年度经营数据预测未来年度经营收益，统计预测方法可归纳分为定性预测方法和定量预测方法，建立多元线性回归模型进行预测，多元线性回归模型的参数估计，用最小二乘法求解参数，求解回归参数的标准方程组为
Figure BDA0003543695070000072
进行拟合程度的测定，估计二者之间标准误差，估计标准误差越小，回归方程拟合程度越强，同时需要检验回归系数的显著性，通过上述回归模型将获取企业历史年度经营数据代入算法公式，回归预测模型精准预测未来年度经营收益，剔除长期资产和流动资产贡献额，确定无形资产组合贡献额，再采用层次分析法确定各行业商标类资产贡献率，确定各类商品住房的资产贡献率同时关联商品住房价值。
在本实施例中，预测企业的未来年度经营收益，经营状态是否正常、处于稳定发展阶段，通过这些预测预设误差范围内波动。
实施例5，如图1所示，所述基于企业未来年度经营收益确定各类商品住房的分成率、折现率和资产贡献率，以安全利率加上风险调整值作为报酬率，使折现率小于所述报酬率，确定各类别商品住房价值的折现率。
在本实施例中，商品住房的分成率包括收入分成率和利润分成率，采用层次分析法确定不同类别的分成率，根据问题的性质和要达到的总目标，将与决策有关的元素分解成目标、准则、方案等层次。
实施例6，如图1所示，所述预设被评估商品住房的预设评估值，使预设评估值分别与分成率、折现率和资产贡献率进行乘积并求和，计算商品住房的基本评估值，得到基本评估值的详细数据，代表各个商品住房的等级，生成等级列表，所述商品住房模型对综合得分进行评价，将各个商品住房的等级划分为优秀、良好、一般及较差四个等级，舍弃最低分数低于设定阈值的商品住房。
在本实施例中，基本评估值的详细数据需要有准确的数据支撑，与商品住房的分成率、折现率、资产贡献率组成，通过乘积算法求出基本评估值的详细数据，进行列表对比。
实施例7，如图1所示，所述基于商品住房价值的影响因素设定修正系数，使商品住房的基本评估值乘以修正系数进行计算，将计算结果输出价值评估报告，所述商品住房价值影响因素经相关分析得出相关性比较强的因素，与相关性系数做比较，大于0.8则呈强相关，重新修正系数，所述商品住房的基本评估值与修正系数相乘，得到最终结果，将最终结果输出价值评估报告。
在本实施例中，修正系数是对商品住房的基本评估值进行商品住房强度系数进行调整，从而得出合理的商品住房价值，修正系数包括法律因素修正系数、社会荣誉修正系数和经济因素修正系数。
本发明的工作原理：一种基于商品住房价值的批量评估方法，通过收集商品住房信息，采用系统算法对数据进行处理筛选，之后进行商品住房进行分类，相同的划分为同一类，有利于后期批量评估方法，用相关分析得出主要影响价值因素，求出基本评估值并修订修正系数，将最终结果输出价值评估报告，利于后期批量评估，构建一个完整的商品住房价值批量评估方法。
要说明的是，上述各技术特征继续相互组合，形成未在上面列举的各种实施例，均视为本发明说明书记载的范围；并且，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (7)

1.一种基于商品住房价值的批量评估方法，其特征在于，包括：获取待评估商品住房的基本信息，按待评估商品住房的属性分类，相同的划分为同一类别，获取企业历史年度经营数据，基于企业历史年度经营数据预测未来年度经营收益，基于企业未来年度经营收益确定各类商品住房的分成率、折现率和资产贡献率，预设被评估商品住房的预设评估值，使预设评估值分别与分成率、折现率和资产贡献率进行乘积并求和，计算商品住房的基本评估值，基于商品住房价值的影响因素设定修正系数，使商品住房的基本评估值乘以修正系数进行计算，将计算结果输出价值评估报告。
2.根据权利要求1所述的一种基于商品住房价值的批量评估方法，其特征在于，所述获取待评估商品住房的基本信息包括信息采集，采集能够影响住房价值的要素，如占地面积、地理位置、交通情况等，采用系统算法将数据一一筛选，将收集来的数据整理并上传数据库中，以确保商品住房价值评估时所需的数据准确性和安全性。
3.根据权利要求1所述的一种基于商品住房价值的批量评估方法，其特征在于，所述按待评估商品住房企业的特性进行住房分类，将属于相同属性的住房划分至同一类别，根据商品住房所属企业的所处区域、企业性质、行业类别、权利状况因素，按企业的性质、规模、经营情况、地区的分布的分类标准进行商标分类，并进行相关分析，设商品住房价值为自变量Y，上述多种影响因素为因变量X1…Xk，绘制二者的主成分分析方程，计算相关系数矩阵，得到以
Figure FDA0003543695060000021
计算特征值及特征值向量，设X＝(x1,x2…xp)是P维随机变量，均值E(x)＝μ，方差D(x)＝∑var(Yi)，对X进行线性变化，得到综合变量Y，分析之前，对数据进行标准化处理，
Figure FDA0003543695060000022
计算方差，确定主成分，先假设总体相关量为0，即H0为两总体无显著的线性相关关系，计算相应的统计量，并得到对应的相伴概率值.如果相伴概率值小于或等于指定的显著性水平，则拒绝Ho，认为两总体存在显著的线性相关关系；如果相伴概率值大于指定的显著性水平，则不能拒绝Ho，认为两总体不存在显著的线性相关关系，当r大于等于0.8，呈高度相关，当r大于0.5小于0.8，呈中度相关，当r大于0.3小于0.5时，呈低度相关，当r小于0.3时，说明不相关，因此将上述商品住房的基本信息代入，得到商品住房价值与其他因素之间的相关性，得到最大相关性。
4.根据权利要求1所述的一种基于商品住房价值的批量评估方法，其特征在于，所述获取企业历史年度经营数据，基于企业历史年度经营数据预测未来年度经营收益，统计预测方法可归纳分为定性预测方法和定量预测方法，建立多元线性回归模型进行预测，多元线性回归模型的参数估计，用最小二乘法求解参数，求解回归参数的标准方程组为
Figure FDA0003543695060000023
进行拟合程度的测定，估计二者之间标准误差，估计标准误差越小，回归方程拟合程度越强，同时需要检验回归系数的显著性，通过上述回归模型将获取企业历史年度经营数据代入算法公式，回归预测模型精准预测未来年度经营收益，剔除长期资产和流动资产贡献额，确定无形资产组合贡献额，再采用层次分析法确定各行业商标类资产贡献率，确定各类商品住房的资产贡献率同时关联商品住房价值。
5.根据权利要求1所述的一种基于商品住房价值的批量评估方法，其特征在于，所述基于企业未来年度经营收益确定各类商品住房的分成率、折现率和资产贡献率，以安全利率加上风险调整值作为报酬率，使折现率小于所述报酬率，确定各类别商品住房价值的折现率。
6.根据权利要求1所述的一种基于商品住房价值的批量评估方法，其特征在于，所述预设被评估商品住房的预设评估值，使预设评估值分别与分成率、折现率和资产贡献率进行乘积并求和，计算商品住房的基本评估值，得到基本评估值的详细数据，代表各个商品住房的等级，生成等级列表，所述商品住房模型对综合得分进行评价，将各个商品住房的等级划分为优秀、良好、一般及较差四个等级，舍弃最低分数低于设定阈值的商品住房。
7.根据权利要求1所述的一种基于商品住房价值的批量评估方法，其特征在于，所述基于商品住房价值的影响因素设定修正系数，使商品住房的基本评估值乘以修正系数进行计算，将计算结果输出价值评估报告，所述商品住房价值影响因素经相关分析得出相关性比较强的因素，与相关性系数做比较，大于0.8则呈强相关，重新修正系数，所述商品住房的基本评估值与修正系数相乘，得到最终结果，将最终结果输出价值评估报告。
CN202210239328.3A 2022-03-11 2022-03-11 一种基于商品住房价值的批量评估方法 Pending CN114625781A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210239328.3A CN114625781A (zh) 2022-03-11 2022-03-11 一种基于商品住房价值的批量评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210239328.3A CN114625781A (zh) 2022-03-11 2022-03-11 一种基于商品住房价值的批量评估方法

Publications (1)

Publication Number Publication Date
CN114625781A true CN114625781A (zh) 2022-06-14

Family

ID=81901662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210239328.3A Pending CN114625781A (zh) 2022-03-11 2022-03-11 一种基于商品住房价值的批量评估方法

Country Status (1)

Country Link
CN (1) CN114625781A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115587694A (zh) * 2022-09-27 2023-01-10 深圳市云智评信息技术有限公司 用于房屋租金批量评估的数据处理方法、装置及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115587694A (zh) * 2022-09-27 2023-01-10 深圳市云智评信息技术有限公司 用于房屋租金批量评估的数据处理方法、装置及设备
CN115587694B (zh) * 2022-09-27 2023-11-28 深圳市云智评信息技术有限公司 用于房屋租金批量评估的数据处理方法、装置及设备

Similar Documents

Publication Publication Date Title
CN108564286B (zh) 一种基于大数据征信的人工智能金融风控授信评定方法和系统
CN109902441B (zh) 一种基于kano模型原理的车辆性能指标权重分配系统及方法
CN1372667A (zh) 在有缺失输入的情形中的评价预测模型
CN1630862A (zh) 诸如金融工具的资产的投资组合的快速评价
CN110826886A (zh) 一种基于聚类算法和主成分分析的电力客户画像构建方法
CN113537807B (zh) 一种企业智慧风控方法及设备
CN107609771A (zh) 一种供应商价值评价方法
CN114048436A (zh) 一种预测企业财务数据模型构建方法及构建装置
CN113627735A (zh) 工程建设项目安全风险的预警方法及系统
CN110827169A (zh) 一种基于分级指标的分布式电网业务监控方法
CN116468536A (zh) 一种自动化风险控制规则生成的方法
CN112613971A (zh) 一种用户信用风险评估方法、装置、计算机设备及存储介质
CN112488496A (zh) 一种财务指标预测方法及装置
CN114625781A (zh) 一种基于商品住房价值的批量评估方法
CN111626855A (zh) 债券信用利差预测方法及系统
CN114881374A (zh) 用于建筑能耗预测的多元异构能耗数据融合方法和系统
Gazeloglu et al. Comparison of weighted least squares and robust estimation in structural equation modeling of ordinal categorical data with larger sample sizes
CN115115414A (zh) 一种基于机器学习的二手车估价方法
CN115239502A (zh) 一种分析师模拟方法、系统、电子设备及存储介质
CN113988639A (zh) 资产价值动态管理系统
CN113537759A (zh) 一种基于权重自适应的用户体验度量模型
CN112598225A (zh) 评价指标的确定方法及装置、存储介质、电子装置
CN113642834B (zh) 基于任务属性优先级映射的任务重要性评价方法和系统
Wojtasiak-Terech et al. Assessing financial condition of municipalities using taxonomic methods
Ahmad et al. Using power laws to identify the structural parameters of trade models with firm heterogeneity

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