CN117876128A - 一种基于机器学习算法的财务风险识别与管理的实现方法 - Google Patents
一种基于机器学习算法的财务风险识别与管理的实现方法 Download PDFInfo
- Publication number
- CN117876128A CN117876128A CN202311416783.7A CN202311416783A CN117876128A CN 117876128 A CN117876128 A CN 117876128A CN 202311416783 A CN202311416783 A CN 202311416783A CN 117876128 A CN117876128 A CN 117876128A
- Authority
- CN
- China
- Prior art keywords
- financial
- risk
- machine learning
- model
- learning algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 27
- 238000010801 machine learning Methods 0.000 title claims abstract description 26
- 230000010485 coping Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 20
- 230000009897 systematic effect Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 22
- 238000007726 management method Methods 0.000 description 16
- 238000011156 evaluation Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000007306 turnover Effects 0.000 description 4
- 230000019771 cognition Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
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
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及一种基于机器学习算法的财务风险识别与管理的实现方法，该方法利用先进的机器学习技术，通过对大量财务数据的分析和模式识别，实现对企业的财务风险进行快速、准确的识别和管理。该方法能够分析风险的原因和潜在影响，为企业提供相关建议和应对策略，此外，本发明还构建了公司财务系统性金融风险指标，系统性金融风险指标的加入提高了模型和算法的预测精度。本发明的财务风险识别与管理的实现方法，具有高效、准确、自动化的特点，能够帮助企业及时识别和管理财务风险，提高财务决策的科学性和精确性，降低企业面临的风险和损失。
Description
技术领域
本发明涉及公司或企业财务风险识别领域，融合系统性金融风险指标，尤其涉及一种基于机器学习的财务风险识别方法。
背景技术
在现代商业环境中，财务风险管理对企业的可持续发展至关重要。企业面临的财务风险包括但不限于资金流动性不足、债务偿还风险、市场波动性、经营不善等。准确地识别和管理财务风险对于企业保持健康的财务状况、提高利润稳定性以及降低经营风险具有重要意义。
传统的财务风险识别与管理方法主要依赖于人工分析和统计指标的应用。然而，这些方法存在着以下几个主要问题：首先，人工分析过程繁琐且耗时，容易产生主观偏差；其次，传统统计指标仅能提供有限的风险识别能力，无法应对复杂的财务风险模式；最后，传统方法往往无法实现实时监测和预警，导致企业对风险的应对不够及时和精确。
随着机器学习技术的快速发展，基于机器学习算法的财务风险识别与管理方法成为了一种新的解决方案。机器学习算法通过对大量财务数据的分析和模式识别，能够自动发现潜在的财务风险模式，并能够根据实时数据进行快速预测和预警。这种方法能够提高财务风险识别的准确性和效率，为企业提供更科学、客观的决策依据。
尽管在财务风险识别与管理领域已经有一些相关的研究和方法，但现有技术仍然存在着一些局限性。现有方法往往无法有效利用大规模的财务数据，无法充分挖掘和利用财务数据中隐藏的信息。同时，现有方法在模型的准确性和实时性方面也存在着一定的不足。因此，需要一种新的财务风险识别与管理方法，能够更好地利用机器学习算法，提高财务风险识别的准确性和实时性，为企业提供更全面、有效的风险管理手段。
因此，本发明提出了一种基于机器学习算法的财务风险识别与管理的实现方法，旨在克服现有技术的不足，并提供一种高效、准确、自动化的财务风险管理解决方案，为企业的财务决策和风险管理提供有力支持。
发明内容
本发明要解决的技术问题是，针对上述问题，提供一种基于机器学习算法的财务风险识别与管理的实现方法，旨在克服传统方法的局限性，提高财务风险识别的准确性和实时性，为企业提供更全面、有效的风险管理手段。
为解决上述技术问题，本发明提供的技术方案为：一种基于机器学习算法的财务风险识别与管理的实现方法，所述方法包括以下主要步骤：
S1、收集财务数据，
在该步骤中，首先收集企业的财务数据，包括财务报表、财务指标、现金流量等，同时，结合行业标准和历史数据，建立一个全面的财务数据集，这样的数据集能够提供丰富的信息基础，为财务风险识别和分析提供可靠的数据支持。
S2、机器学习模型训练，
在该步骤中，采用机器学习算法进行模型训练。所选择的机器学习算法可以是Logistic、Adaboost、贝叶斯判别和云模型等。通过输入财务数据集，模型能够自动识别与财务风险相关的特征，并对数据进行降维和优化，以提高模型的准确性和效率。
S3、Logistic模型，
Logistic方法主要应用于研究某些现象发生的概率。其回归方程如下式所示
π＝P(Y＝1x1,x2,...,xk)
在进行Logistic回归之前，需要对财务指标变量进行显著性分析，通过t检验方法分析财务危机公司和正常公司，寻找出差别较大，能够区分两类公司的财务指标。
S4、Adaboost分类器，
Adaboost 算法的思想是合并多个“弱”分类器的输出以产生一个更强的有效分类器。它的主要原理是通过改变数据分布结构来实现的，利用每次训练集之中每个样本的分类是否正确来确定每个样本的权值，将修改过权值的新数据集送给下层分类器进行训练，最后融合每次的分类结果，作为最后的决策分类器。
S5、贝叶斯判别，
Logistic算法和Adaboost分类算法没有考虑人们对研究对象已有的认知，已有的认知可能会对分类的结果产生贡献，贝叶斯(Bayes)判别用先验概率表达这种已有的认知，然后通过样本数据修正先验概率，修正后的先验概率称为后验概率，基于此来进行分类判别。
判别规则的平均误判代价为：
使平均误判代价最小的判别规则为：
x∈Gi,若
S6、云模型，
云模型是一种处理不确定性问题的双向认知模型，主要用于定性和定量之间的相互转换。“云滴”是云模型的基本单元，所谓“云滴”是指其在论域上的一个分布，可以用联合概率的形式(x,μ)来类比；
云模型用三个数据表示其特征：
(1)期望：云滴在论域空间分布的期望，用符号Ex表示；
(2)熵：不确定性程度，由离群程度和模糊程度共同决定，用符号En表示；
(3)超熵：用来度量熵的不确定性，即熵的熵，用符号He表示。
S7、财务风险识别，
在该步骤中，将训练得到的模型应用于新的财务数据，通过输入企业的最新财务数据，该方法能够快速评估企业的财务状况，并给出相应的风险等级，模型还能够分析风险的原因和潜在影响，为企业提供相关建议和应对策略。
S8、实时监测和预警，
为了实现实时风险管理，本发明的方法支持实时监测和预警功能，通过定期更新财务数据并重新训练模型，该方法能够及时发现和识别新的财务风险，并向企业发送预警信息，以便及时采取相应的风险管理措施。
进一步地，一种基于机器学习算法的财务风险识别与管理的实现方法，包括收集企业的财务数据，建立财务数据集，构建系统性金融风险指标，采用机器学习算法进行模型训练，自动识别并提取与财务风险相关的特征，对数据进行降维和优化，通过模型对新的财务数据进行风险识别，分析风险的原因和潜在影响，提供相关建议和应对策略，支持实时监测和预警功能。
本发明与现有技术相比的优点在于：
1、高准确性：通过机器学习算法的应用，本发明能够准确地识别和评估企业的财务风险，避免了传统方法中存在的主观偏差和局限性。
2、实时性：通过实时监测和预警功能，本发明能够及时发现和识别新的财务风险，并向企业发送预警信息，帮助企业及时采取风险管理措施，降低潜在风险的影响。
3、综合性：本发明综合利用了大规模财务数据和机器学习算法，能够从多个角度全面评估企业的财务状况和风险因素，提供更全面、客观的决策依据。
4、可定制性：本发明的方法可根据企业的特定需求进行定制，可以根据不同行业和企业的财务特点进行调整和优化，提供更适用的财务风险管理解决方案。
附图说明
图1为云模型算法流程图；
图2为Adaboost的算法应用流程图；
图3为XXX行业财务风险网络结构图；
图4为云模型检测结果(应收账款周转率)；
图5为上市公司系统性风险度量；
图6为考虑系统性风险的财务风险回归。
具体实施方式
本发明实施例提供基于机器学习的财务风险识别与管理的方法及系统，用于解决如何辅助业务人员高效、准确、及时的对公司的财务风险进行预警和管理。
实施例：
S1、样本公司选择，
样本公司的选择上，之前的研究关于财务危机公司样本多选取ST公司，正常公司样本是与ST公司具有相同行业的公司。本发明在财务危机公司的样本选择上，利用沪深两市具有特征变动(由好变差)的公司作为危机公司样本，更具有代表性，体现了危机的含义,此样本共计141个；正常公司样本是由ST公司变为正常公司的样本，体现了公司由坏变好的过程，此样本共计147个。
S2、财务指标选取，
财务指标的选择上，选取了包括偿债能力、发展能力、风险水平、经营能力、现金流能力和盈利能力在内的6类共计30个财务指标作为研究对象，剔除相关性较强的指标后，共计21个财务指标。财务危机公司的财务指标均不太理想，总资产增长率只有约8％，净利润增长率只有30％，而对比正常公司，净利润增长率却有800％，财务杠杆，应收账款周转率等财务指标与正常公司也相差较远。
S3、基于Logistic模型的财务风险预测，
特征选择：根据数据的背景和特征的相关性选择最相关的特征。此部分通过统计方法、特征工程技术或领域知识来实现。
数据分割：将数据集分为训练集和测试集。将80％数据用于训练模型，剩余部分用于评估模型的性能。
特征缩放：对特征进行缩放处理，以便它们在模型训练过程中具有相似的尺度。此部分缩放方法包括标准化(将特征转换为均值为0，标准差为1的分布)。
模型训练：使用训练集对Logistic回归模型进行训练。模型的目标是找到最佳的参数值，使得模型的预测结果与实际观测结果之间的误差最小化。此部分训练方法包括梯度下降法。
模型评估：使用测试集评估训练好的模型的性能。此部分评估指标包括准确率、精确率、召回率、F1值等。
S4、基于Adaboost模型的财务风险预测，
初始化权重：为每个样本初始化权重，通常将所有样本的权重初始化为相等值。这些权重用于控制每个样本在模型训练中的重要性。
迭代训练弱分类器：在每次迭代中，使用当前权重分布训练一个弱分类器(例如决策树、支持向量机等)。弱分类器的任务是根据当前权重分布对样本进行分类。
弱分类器权重计算：根据弱分类器的分类准确性，计算其在最终分类器中的权重。分类准确性越高的弱分类器将获得更高的权重。
更新样本权重：根据当前弱分类器的分类结果和权重，更新每个样本的权重。被错误分类的样本将获得更高的权重，以便在下一次迭代中更好地被后续的弱分类器纠正。
终止条件判断：根据预设的终止条件(例如达到最大迭代次数或分类误差小于阈值)，判断是否终止迭代训练。如果不满足终止条件，则返回步骤3；否则，进行下一步。
构建强分类器：根据每个弱分类器的权重，组合它们构建一个强分类器。强分类器的预测结果是每个弱分类器预测结果的加权和。
模型评估：使用测试集评估训练好的模型的性能。此部分评估指标包括准确率、精确率、召回率、F1值等。
S5、基于贝叶斯判别模型的财务风险预测，
计算先验概率：对于每个类别，计算该类别在训练集中出现的先验概率。先验概率表示在没有任何其他信息的情况下，一个样本属于某个类别的概率。
计算类别条件概率：对于每个特征变量和每个类别，计算该类别下特征变量的条件概率。条件概率表示在给定某个类别的情况下，一个样本具有某个特征变量的概率。
计算后验概率：根据贝叶斯定理，计算给定特征变量的情况下，一个样本属于每个类别的后验概率。后验概率表示在考虑了特征变量的情况下，一个样本属于某个类别的概率。
模型评估：使用测试集评估训练好的模型的性能。此部分评估指标包括准确率、精确率、召回率、F1值等。
S6、基于云模型的财务风险预测，
确定隶属函数：根据数据的特点和问题的需求，选择适当的隶属函数来描述变量的隶属度。常用的隶属函数包括三角形隶属函数、梯形隶属函数等。
构建初始云：根据隶属函数和数据，构建初始的云。云由一个隶属度函数和一个不确定性函数组成，用于描述变量的隶属度和不确定性程度。
进行云的运算：通过云的运算，可以进行模糊推理和决策。常见的云运算包括云化、云的聚类、云的切割等。
云的合并：将多个云进行合并，得到更精确的结果。合并可以基于云的相似性度量和合并规则进行。
云的降解：根据需求和决策目标，将云进行降解，得到一个确定性的结果。降解可以使用不同的方法，例如期望值法、最大隶属度法等。
模型评估：使用测试集评估训练好的模型的性能。此部分评估指标包括准确率、精确率、召回率、F1值等。
S7、加入公司财务系统性风险指标，
系统性风险是由于上市公司从事金融活动或交易所在的整个系统因外部因素的冲击或内部因素的牵连而发生剧烈波动、危机或瘫痪，使单个上市公司不能幸免，从而遭受经济损失的可能性。而复杂网络在系统性风险中的研究较为实用，本文正是使用复杂网络中接近度中心性来度量单个上市公司在整个行业中面临的系统性风险。
S8、计算系统性风险指标，
中心性度量了网络中各节点的重要性程度。在网络分析中，对某个节点的中心性的表征有多种方法，分别有度中心性、介数中心性、接近度中心性和特征向量中心性。接近中心性需要考量每个结点到其它结点的最短路的平均长度。其计算公式如4-4所示：
其中，vi表示第i家上市公司，N表示上市公司总数，dij表示上市公司i和上市公司j之间的距离，用两家公司股票收益率的相关系数来衡量。收益率相关系数越大，则两个公司之间的“距离”就越小；收益率相关系数越小，则两个公司之间的“距离”就越大。
S9、加入系统性风险指标进行财务风险预警，
首先重新对这20家上市公司的3个财务指标：应收账款周转率，净资产收益率和营业毛利率进行回归分析。可以发现，应收账款周转率和营业毛利率在小样本中仍然显著，通过了小样本的稳健性检验。本发明接下来将系统性风险这个变量加入上述四个模型中回归中，回归结果如表10所示。可以看出，系统性风险指标在5％的水平下显著，而且从总体P值看，提高了模型的解释力度。说明了系统性风险指标对于财务预警的有效性。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员在不脱离本发明的精神和范围的情况下，还可以作各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。
Claims (3)
1.一种基于机器学习算法的财务风险识别与管理的实现方法，其特征在于，所述方法包括以下主要步骤：
S1、收集企业的财务数据，包括财务报表、财务指标、现金流量等，并结合行业标准和历史数据，建立起一个全面的财务数据集；
S2、基于财务数据集，采用机器学习算法进行模型训练，其中所述机器学习算法选自Logistic、Adaboost、贝叶斯判别和云模型；
S3、在模型训练过程中，自动识别并提取与财务风险相关的特征，对数据进行降维和优化，以提高模型的准确性和效率；
S4、利用训练得到的模型对新的财务数据进行风险识别，快速评估企业的财务状况，并给出相应的风险等级；
S5、计算企业财务系统性风险指标，弥补传统企业财务风险指标的不足，加入系统性金融风险指标后运用机器学习算法进行财务风险预测；
S6、分析风险的原因和潜在影响，为企业提供相关建议和应对策略，以帮助企业管理财务风险。
2.根据权利要求1所述的一种基于机器学习算法的财务风险识别与管理的实现方法，其特征在于：
所述S3模型训练过程中中支持实时监测和预警功能，通过定期更新财务数据并重新训练模型，及时发现和识别新的财务风险，并向企业发送预警信息。
3.一种基于机器学习算法的财务风险识别与管理的实现方法，其特征在于；包括收集企业的财务数据，建立财务数据集，构建系统性金融风险指标，采用机器学习算法进行模型训练，自动识别并提取与财务风险相关的特征，对数据进行降维和优化，通过模型对新的财务数据进行风险识别，分析风险的原因和潜在影响，提供相关建议和应对策略，支持实时监测和预警功能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311416783.7A CN117876128A (zh) | 2023-10-28 | 2023-10-28 | 一种基于机器学习算法的财务风险识别与管理的实现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311416783.7A CN117876128A (zh) | 2023-10-28 | 2023-10-28 | 一种基于机器学习算法的财务风险识别与管理的实现方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117876128A true CN117876128A (zh) | 2024-04-12 |
Family
ID=90587107
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311416783.7A Pending CN117876128A (zh) | 2023-10-28 | 2023-10-28 | 一种基于机器学习算法的财务风险识别与管理的实现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117876128A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118735707A (zh) * | 2024-07-05 | 2024-10-01 | 金八文化传媒(北京)有限公司 | 一种基于机器学习的财务风险评估系统 |
-
2023
- 2023-10-28 CN CN202311416783.7A patent/CN117876128A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118735707A (zh) * | 2024-07-05 | 2024-10-01 | 金八文化传媒(北京)有限公司 | 一种基于机器学习的财务风险评估系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111324642A (zh) | 一种面向电网大数据分析的模型算法选型与评价方法 | |
| CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
| CN110990718B (zh) | 一种公司形象提升系统的社会网络模型构建模块 | |
| CN113986674B (zh) | 时序数据的异常检测方法、装置和电子设备 | |
| CN109191276B (zh) | 一种基于强化学习的p2p网络借贷机构风险评估方法 | |
| CN116562740B (zh) | 一种基于改进型深度学习算法模型的外贸物流平台 | |
| CN110210973A (zh) | 基于随机森林与朴素贝叶斯模型的内幕交易识别方法 | |
| CN107862406A (zh) | 应用深度学习和改进Apriori算法综合的一次设备风险预测的方法 | |
| CN114912772A (zh) | 一种基于城市经济分类分析的城市权利透明度差异化评价体系匹配方法及系统 | |
| CN116187524B (zh) | 一种基于机器学习的供应链分析模型对比方法及装置 | |
| CN112052273B (zh) | 一种多角度业务流程下一候选活动提取方法 | |
| CN117876128A (zh) | 一种基于机器学习算法的财务风险识别与管理的实现方法 | |
| CN116186603A (zh) | 异常用户的识别方法及装置、计算机存储介质、电子设备 | |
| CN118134358B (zh) | 一种智慧物流配送数据管理平台 | |
| CN115098681A (zh) | 一种基于有监督对比学习的开放服务意图检测方法 | |
| Xu et al. | Novel Early-Warning Model for Customer Churn of Credit Card Based on GSAIBAS-CatBoost. | |
| CN116402228A (zh) | 一种基于因果推理的股票趋势预测方法及装置 | |
| Shahoud et al. | Descriptive statistics time-based meta features (DSTMF) constructing a better set of meta features for model selection in energy time series forecasting | |
| CN115237970A (zh) | 数据预测方法、装置、设备、存储介质及程序产品 | |
| Shukla et al. | Stock market prediction using deep learning | |
| Lakshmi et al. | An enhanced regression technique for house price prediction | |
| Thomas et al. | The evolution of forecasting techniques traditional versus machine learning methods | |
| CN118277941B (zh) | 一种基于自成长机制的民航客票价格异常智能发现方法 | |
| CN114549213B (zh) | 一种基金产品的分析管理方法、装置及系统 | |
| Manengadan et al. | Crime Data Analysis, Visualization and Prediction Using LSTM |
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 |