CN115907837B - 基于机器学习的期货数据分析、风险预测方法及系统 - Google Patents
基于机器学习的期货数据分析、风险预测方法及系统 Download PDFInfo
- Publication number
- CN115907837B CN115907837B CN202310158846.7A CN202310158846A CN115907837B CN 115907837 B CN115907837 B CN 115907837B CN 202310158846 A CN202310158846 A CN 202310158846A CN 115907837 B CN115907837 B CN 115907837B
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- futures
- module
- database
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000010801 machine learning Methods 0.000 title claims abstract description 13
- 238000013500 data storage Methods 0.000 claims abstract description 21
- 238000004451 qualitative analysis Methods 0.000 claims abstract description 19
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000007726 management method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013058 risk prediction model Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 claims description 2
- 230000000630 rising effect Effects 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 14
- 230000001502 supplementing effect Effects 0.000 abstract 1
- 230000006872 improvement Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000007630 basic procedure Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及期货数据分析技术领域,具体地说,涉及基于机器学习的期货数据分析、风险预测方法及系统。其包括以下步骤:收集期货市场数据,将期货市场数据信息录入期货源数据库内,增加数据库的数据储备量,提高数据分析的准确率;通过风险测算系统对期货数据进行风险测算,对现有期货源数据库内的数据进行风险定性分析,经过风险定性分析后数据送入风险数据库;将期货市场下一交易日的实际数据与风险预测模块预估的数据通过误差分析模块进行校对,并通过定量分析单元定位干扰因素b,将干扰因素b补充至风险数据库中。风险预测模块直接读取风险数据存储模块内的有效数据,提升风险预测模块的数据读取速度,进而提升风险测算系统的测算速度。
Description
技术领域
本发明涉及期货数据分析技术领域,具体地说,涉及基于机器学习的期货数据分析、风险预测方法及系统。
背景技术
期货数据分析和风险预测是股指期货风险管理人员经过详细调研,对各种潜在的及己存在的风险进行系统归类和全面识别的过程。它是风险管理第一和最基本的程序,通常用损失的机会和概率来度量。风险的识别是风险管理和风险决策的基础和前提,人们只有准确地识别出各种风险,才有可能针对性地选择防范风险和控制风险的对策。
机器学习的对象是某种隐藏在表象背后的潜在“规律”,对于期货交易分析来说,基于机器可学习期货交易决策与收益风险之间的规律,从而辅助购买者获得更大的收益;而现有的期货分析系统中,需要获取海量数据信息,而且,随着系统的运行,需要计算和分析的数据逐渐累加,会增加系统的运行负担,影响系统响应速度,因此,设计基于机器学习的期货数据分析、风险预测方法及系统,在提升系统测算速度的同时,提升对期货风险预测的精度。
发明内容
本发明的目的在于提供基于机器学习的期货数据分析、风险预测方法及系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供一种基于机器学习的期货数据分析、风险预测方法,包括以下步骤:
S1.1:收集并整理期货市场数据,将期货市场数据信息录入期货源数据库内,增加数据库的数据储备量,提高数据分析的准确率;
S1.2:通过风险测算系统对期货数据进行风险测算,对现有期货源数据库内的数据进行风险定性分析,经过风险定性分析后数据送入风险数据库,通过风险数据库内的数据进行分类存储,将数据分为风险数据和无风险数据,用于去除期货源数据库中的无风险干扰项;
S1.3:通过风险预测模块读取风险数据库内数据建立函数预测模型,对未来期货市场进行风险定量预测,规避市场风险、提高期货收益率;
S1.4:将期货市场下一交易日的实际数据与风险预测模块预估的数据通过误差分析模块进行校对,并通过定量分析单元定位干扰因素b,并将干扰因素b补充至风险数据库中,丰富风险数据库的数据多样性,提高风险预测模块的测算精度;
S1.5:通过风险测算系统再次对未来期货市场趋势进行风险测算,并通过风险管理单元对期货数据进行查询、监督等操作,完成对市场风险的预测和规避。
作为本技术方案的进一步改进,所述S1.1中,所述期货源数据库整合了期货市场过去交易日的数据信息。
本发明目的之二在于,一种用于实现基于机器学习的期货数据分析、风险预测方法的系统,所述风险测算系统包括实现数据筛选的风险定性分析单元、预测未来期货市场波动趋势的风险预测模块、对预测数据进行分析的定量分析单元、用于存储经过风险定性分析单元筛选后的数据的风险数据库以及对预测数据实现实时监控的风险管理单元。
作为本技术方案的进一步改进,所述风险定性分析单元包括用于对源数据进行风险判别的数据分类模块,结合现有期货收益状况对源数据库中的数据进行风险判别,并通过数据分类模块将源数据中可能影响期货收益的数据进行分类;通过对期货现有收益趋势,分析并定位可能影响期货收益的因素,对影响期货收益的风险数据进行定位的干扰因素定位模块a。
作为本技术方案的进一步改进,所述风险数据库包括用于存储有效数据的风险数据存储模块和用于存储无效数据的无风险数据存储模块。
作为本技术方案的进一步改进,所述风险预测模块用于预测期货市场未来波动趋势。
作为本技术方案的进一步改进,所述定量分析单元包括将期货市场下一交易日的实际数据与预估数据进行对比分析的误差分析模块、用于对风险预测模块产生预测误差的风险因素进行定位的干扰因素定位模块b。
作为本技术方案的进一步改进,所述定量分析单元将定位到的干扰因素直接送入风险数据存储模块内,丰富风险数据存储模块内的数据量,以提高风险预测的精度,随着数据量的不断增加,风险预测模块的测算精度不断增加。
作为本技术方案的进一步改进,所述风险管理单元包括对测算数据进行实时监测的监管模块;将测算数据传送至智能终端的数据报送模块、为客户提供测算数据查询服务的数据查询模块。
与现有技术相比,本发明的有益效果:
1、该基于机器学习的期货数据分析、风险预测方法及系统中,使用风险测算系统,通过风险定性分析单元实现对现有期货数据进行分析和风险评估,并通过对预测的数据进行定量分析单元,来完善风险数据库的有效数据,通过将有效数据存储至风险数据存储模块,风险预测模块直接读取风险数据存储模块内的有效数据,来提升风险预测模块的数据读取速度,进而提升风险测算系统的测算速度。
2、该基于机器学习的期货数据分析、风险预测方法及系统中,通过在风险数据库中设置有风险数据存储模块,实现对期货源数据库中的数据进行分类存储,将定量分析单元定位到的干扰因素会直接传输至风险数据存储模块内,来丰富风险数据库中的有效数据量,进而提升风险预测模块的测算精度。
附图说明
图1为实施例的期货数据分析、风险预测方法流程框图;
图2为实施例的风险测算系统整体框图。
图中各个标号意义为:
1、风险定性分析单元;11、数据分类模块;12、干扰因素定位模块a;
2、风险数据库;21、风险数据存储模块;22、无风险数据存储模块;
3、风险预测模块;
4、定量分析单元;41、误差分析模块;42、干扰因素定位模块b;
5、风险管理单元;
6、期货源数据库。
具体实施方式
下面将结合本发明实施例中的附图,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
实施例1
本发明目的之一在于:基于机器学习的期货数据分析、风险预测方法,包括以下步骤:
S1.1:收集并整理期货市场数据,将期货市场数据信息录入期货源数据库6内,增加数据库的数据储备量,提高数据分析的准确率;
S1.2:通过风险测算系统对期货数据进行风险测算,对现有期货源数据库6内的数据进行风险定性分析,经过风险定性分析后数据送入风险数据库2,通过风险数据库2内的数据进行分类存储,将数据分为风险数据和无风险数据,用于去除期货源数据库中的无风险干扰项;其中,风险数据是可以对风险预测模块3预测趋势产生影响的有效数据,无风险数据则是不会对未来期货市场产生波动的无效数据;
S1.3:通过风险预测模块3读取风险数据库2内数据建立函数预测模型,对未来期货市场进行风险定量预测,规避市场风险、提高期货收益率;
S1.4:将期货市场下一交易日的实际数据与风险预测模块3预估的数据通过误差分析模块41进行校对,并通过定量分析单元4定位干扰因素b,并将干扰因素b补充至风险数据库2中,将干扰因素b直接送入风险数据存储模块,在丰富风险数据库2的数据多样性的同时,可提高风险预测模块3的测算精度;
S1.5:通过风险测算系统再次对未来期货市场趋势进行风险测算,并通过风险管理单元5对期货数据进行查询、监督等操作,完成对市场风险的预测和规避,其中,风险管理单元5包括对测算数据进行实时监测的监管模块、将测算数据传送至智能终端的数据报送模块、为客户提供测算数据查询服务的数据查询模块。
其中,S1.1中,期货源数据库6整合了期货市场过去交易日的数据信息,包括过去交易日期货指数日收益率的均值、方差、上涨(下跌)概率,期货收益率的最小值、最大值、均值、中位数、标准差、峰度、J-B统计量等统计学分析指标。
本发明目的之二在于:一种用于实现基于机器学习的期货数据分析、风险预测方法的系统,所述风险测算系统包括实现数据筛选的风险定性分析单元1;预测未来期货市场波动趋势的风险预测模块3;对预测数据进行分析的定量分析单元4;用于存储经过风险定性分析单元1筛选后的数据的风险数据库2以及对预测数据实现实时监控的风险管理单元5;
其次,风险定性分析单元1包括用于对源数据进行风险判别的数据分类模块11,结合现有期货收益状况对源数据库中的数据进行风险判别,并通过数据分类模块11将源数据中可能影响期货收益的数据进行分类;通过对期货现有收益趋势,分析并定位可能影响期货收益的因素,对影响期货收益的风险数据进行定位的干扰因素定位模块a12,可能会对期货收益产生影响的因素有市场风险、流动性风险、信用风险、操作风险和法律风险等;
进一步的,风险数据库2包括用于存储有效数据的风险数据存储模块21和用于存储无效数据的无风险数据存储模块22;其中,当风险预测模块3读取风险数据库2内的数据时,随着数据量的不断增加,风险预测模块3的计算量不断增加,而源数据中包含有不影响风险测算的数据,因此,通过对风险数据进行分类,对样本总数N进行筛选分类,降低风险测算系统的整体运算负荷,提升风险测算系统的运算速度,风险预测模块3直接从风险数据存储模块21内读取有效数据。
风险预测模块3用于预测期货市场未来波动趋势,风险预测模块3通过基于POT模型的VAR风险预测模型进行风险预测,VAR模型能够直观地表达出期货市场风险值大小,同时又拥有较好的统计学原理作为支撑,因而具有普遍的适用,VAR风险预测模型函数表达式为:其中,该模型表现了在置信水平/>下,期货合约的每日最大损失率/>,阈值/>不仅决定了异常损益分布的数量/>,同时决定了期货对数损益分布的尾部形状参数/>和尺度参数/>,即风险的表征状态,进而决定了风险预测的精度;进一步的,/>表示阈值、/>表示形状参数、/>表示尺度参数、/>表示样本总数、/>表示超过阈值的损益个数;为避免/>模型期货市场风险测度中可能出现的不足,因此还构建ES模型对期货市场进行风险测度结合ES理论建立ES风险预测模型,损失期望ES的表达式为:;其中/>,该模型表现了未来一段时间里,期货市场受到外界干扰,价格会产生剧烈波动,投资者的风险损失一旦在概率为/>下超过了所预测的VAR值,则超过VAR值得损失率的平均值为/>;期望损失是在VAR的基础上对风险预测值的修正,提高了投资者对期货投资的潜在风险的认识。
所述定量分析单元4包括将期货市场下一交易日的实际数据与预估数据进行对比分析的误差分析模块41;用于对风险预测模块3产生预测误差的风险因素进行定位的干扰因素定位模块b42;定量分析单元4将定位到的干扰因素直接送入风险数据存储模块21内,丰富风险数据存储模块21内的数据量,以提高风险预测的精度,随着数据量的不断增加,风险预测模块3的测算精度不断增加,在该风险测算系统中,风险预测模块3根据过往交易数据完成对下一交易日期货数据的预测,并通过定量分析单元4分析风险因素,补充风险数据库2的数据量,起到修正风险预测模块3预测准确率的效果,且上述步骤随着时间的推移,不断往复进行,风险预测模块3不断自我纠正与学习,有效提升了对期货数据分析以及风险预测的精度。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (1)
1.基于机器学习的期货数据分析、风险预测方法,其特征在于,包括以下步骤:
S1.1:收集并整理期货市场数据,将期货市场数据信息录入期货源数据库(6)内,增加数据库的数据储备量,其中,期货源数据库(6)用于整合期货市场过去交易日的数据信息,包括过去交易日期货指数日收益率的均值、方差、上涨或下跌概率,期货收益率的最小值、最大值、均值、中位数、标准差、峰度、J-B统计量的统计学分析指标;
S1.2:通过风险测算系统对期货数据进行风险测算,对现有期货源数据库(6)内的数据进行风险定性分析,经过风险定性分析后数据送入风险数据库(2),通过风险数据库(2)内的数据进行分类存储,将数据分为风险数据和无风险数据,其中,所述风险数据表示对风险预测模块(3)预测趋势产生影响的有效数据,所述无风险数据表示不会对未来期货市场产生波动的无效数据;
S1.3:通过风险预测模块(3)读取风险数据库(2)内数据建立函数预测模型,对未来期货市场进行风险定量预测,其中,所述函数预测模型为基于POT模型的VAR风险预测模型,所述VAR风险预测模型函数表达式为:
所述VAR风险预测模型用于表现在置信水平下,期货合约的每日最大损失率/>,阈值/>不仅决定了异常损益分布的数量/>,同时决定了期货对数损益分布的尾部形状参数和尺度参数/>,即风险的表征状态,进而决定了风险预测的精度;
其中,,所述ES风险预测模型用于表示未来一段时间里,期货市场受到外界干扰,价格会产生剧烈波动,投资者的风险损失一旦在概率为/>下超过了所预测的VAR值,则超过VAR值得损失率的平均值为/>;损失期望用于在VAR的基础上对风险预测值进行修正,提高投资者对期货投资的潜在风险的认识;
S1.4:将期货市场下一交易日的实际数据与风险预测模块(3)预估的数据通过误差分析模块(41)进行校对,并通过定量分析单元(4)定位干扰因素b,并将干扰因素b补充至风险数据库(2)中;
S1.5:通过风险测算系统再次对未来期货市场趋势进行风险测算,并通过风险管理单元(5)对期货数据进行查询、监督操作;
所述风险测算系统包括实现数据筛选的风险定性分析单元(1);
预测未来期货市场波动趋势的风险预测模块(3);
对预测数据进行分析的定量分析单元(4);
用于存储经过风险定性分析单元(1)筛选后的数据的风险数据库以及对预测数据实现实时监控的风险管理单元(5);
以及风险数据库(2);
所述风险定性分析单元(1)包括用于对源数据进行风险判别的数据分类模块(11)、对影响期货收益的风险数据进行定位的干扰因素定位模块a(12);
所述风险数据库(2)包括用于存储有效数据的风险数据存储模块(21)和用于存储无效数据的无风险数据存储模块(22);
所述风险预测模块(3)用于预测期货市场未来波动趋势;
所述定量分析单元(4)包括将期货市场下一交易日的实际数据与预估数据进行对比分析的误差分析模块(41)、用于对风险预测模块(3)产生预测误差的风险因素进行定位的干扰因素定位模块b(42);
所述定量分析单元(4)将定位到的干扰因素直接送入风险数据存储模块(21)内,丰富风险数据存储模块(21)内的数据量;
所述风险管理单元(5)包括对测算数据进行实时监测的监管模块、将测算数据传送至智能终端的数据报送模块、为客户提供测算数据查询服务的数据查询模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310158846.7A CN115907837B (zh) | 2023-02-24 | 2023-02-24 | 基于机器学习的期货数据分析、风险预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310158846.7A CN115907837B (zh) | 2023-02-24 | 2023-02-24 | 基于机器学习的期货数据分析、风险预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115907837A CN115907837A (zh) | 2023-04-04 |
CN115907837B true CN115907837B (zh) | 2023-06-02 |
Family
ID=86493562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310158846.7A Active CN115907837B (zh) | 2023-02-24 | 2023-02-24 | 基于机器学习的期货数据分析、风险预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907837B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151851B (zh) * | 2023-09-12 | 2024-04-30 | 浪潮数字(山东)建设运营有限公司 | 基于遗传算法的银行风险预测方法、装置和电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110047001A (zh) * | 2019-03-28 | 2019-07-23 | 莆田学院 | 一种期货数据人工智能分析方法及系统 |
CN113361848A (zh) * | 2021-03-30 | 2021-09-07 | 浙江电力交易中心有限公司 | 基于电力市场售电企业交易行为的风险识别方法、装置及存储设备 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693511A (zh) * | 2012-06-11 | 2012-09-26 | 深圳市中金阿尔法投资研究有限公司 | 基于策略分类的对冲基金指数与评级系统 |
EP3096253A1 (en) * | 2015-05-19 | 2016-11-23 | Universidad de Vigo | System, computer-implemented method and computer program product for individualized multiple-disease quantitative risk assessment |
CN106934503A (zh) * | 2017-03-22 | 2017-07-07 | 四川倍发科技有限公司 | 一种股票波动率预测系统 |
CN107844914B (zh) * | 2017-11-27 | 2021-11-16 | 安徽经邦软件技术有限公司 | 基于集团管理的风险管控系统和实现方法 |
CN110349012A (zh) * | 2019-07-12 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 数据预测方法及计算机可读存储介质 |
CN110599351A (zh) * | 2019-08-09 | 2019-12-20 | 苏宁金融科技(南京)有限公司 | 一种投资数据处理方法及装置 |
CN112686570A (zh) * | 2021-01-11 | 2021-04-20 | 国家电投集团内蒙古能源有限公司 | 一种智能安全风险管控系统 |
CN113360566A (zh) * | 2021-08-06 | 2021-09-07 | 成都明途科技有限公司 | 一种信息内容监测方法及系统 |
CN113947336A (zh) * | 2021-12-20 | 2022-01-18 | 远光软件股份有限公司 | 评估投标企业风险的方法、装置、存储介质及计算机设备 |
CN115146904A (zh) * | 2022-05-11 | 2022-10-04 | 李益非 | 一种基于人工智能的证券资产风险监控系统 |
-
2023
- 2023-02-24 CN CN202310158846.7A patent/CN115907837B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110047001A (zh) * | 2019-03-28 | 2019-07-23 | 莆田学院 | 一种期货数据人工智能分析方法及系统 |
CN113361848A (zh) * | 2021-03-30 | 2021-09-07 | 浙江电力交易中心有限公司 | 基于电力市场售电企业交易行为的风险识别方法、装置及存储设备 |
Non-Patent Citations (2)
Title |
---|
Yalin Deng ; Jingyuan Wang ; Sheng Ge ; Chao Li ; Fei Yang.Forecasting Portfolio Risks in Futures Markets Using the GARCH-VaR Model.IEEE.2018,全文. * |
金程金融研究院.FRM二级中文精读.民主与建设出版社,2019,第233-235页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115907837A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751371B (zh) | 基于统计四分位距的商品库存风险预警方法、系统及计算机可读存储介质 | |
CN112053233B (zh) | 基于gra的动态中小企业信用评分方法及系统 | |
CN115907837B (zh) | 基于机器学习的期货数据分析、风险预测方法及系统 | |
CN116308851B (zh) | 一种企业财务信息数据管理风险识别系统 | |
CN113516313A (zh) | 一种基于用户画像的燃气异常检测方法 | |
CN112037006A (zh) | 小微企业的信用风险识别方法及装置 | |
CN113298575A (zh) | 一种商标价值批量评估的方法、系统、设备及存储介质 | |
CN111612602A (zh) | 上市公司疑似财务风险判别方法及装置 | |
Ridwan et al. | The impact of total equity, risk-based capital ratio, adequacy investment ratio, direct premium receivable ratio, liquidity ratio, and loss ratio toward the early warning system of general insurance | |
KR20130042746A (ko) | 기업별 실시간 상대가치 평가 방법 | |
Chandrika et al. | Comparative analysis of machine learning algorithms to forecast Indian stock market | |
CN117522598A (zh) | 区块链财务审计与交易跟踪系统 | |
Subhan et al. | THE INFLUENCE OF ECONOMIC FACTORS ON THE STOCK PRICE OF KIMIA FARMA COMPANIES ON THE INDONESIAN STOCK EXCHANGE | |
CN116611696B (zh) | 一种基于时间序列分析的数字资产市场风险预测系统 | |
US11544753B2 (en) | Indicating forecasts of invoice payments | |
KR102488653B1 (ko) | 재무제표 분석을 통한 가치 산출 및 차트 표시 서비스 제공 시스템 | |
CN117593101B (zh) | 基于多维数据的金融风险数据处理分析方法及系统 | |
CN115797047A (zh) | 智能化客户经营风险评估方法及系统 | |
Gao | Analysis of the Impact of Digital Currency on Traditional Banking and Financial Stability | |
CN112926833A (zh) | 企业健康状况的检测方法及检测系统 | |
CN114549213A (zh) | 一种基金产品的分析管理方法、装置及系统 | |
CN116385176A (zh) | 一种投资交易系统交易数据监控系统及方法 | |
CN117808294A (zh) | 一种基于信用数据与监测数据融合的货运车辆风险识别和分类监管方法 | |
CN117408816A (zh) | 基于大数据的证券投资风险分析方法及装置 | |
CN116109418A (zh) | 一种债券发行主体的信用风险监测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |