JP2020524346A - 短期利益を予測する方法、装置、コンピューターデバイス、プログラムおよび記憶媒体 - Google Patents
短期利益を予測する方法、装置、コンピューターデバイス、プログラムおよび記憶媒体 Download PDFInfo
- Publication number
- JP2020524346A JP2020524346A JP2019570544A JP2019570544A JP2020524346A JP 2020524346 A JP2020524346 A JP 2020524346A JP 2019570544 A JP2019570544 A JP 2019570544A JP 2019570544 A JP2019570544 A JP 2019570544A JP 2020524346 A JP2020524346 A JP 2020524346A
- Authority
- JP
- Japan
- Prior art keywords
- data
- prediction
- feature data
- short
- regression
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 67
- 238000004364 calculation method Methods 0.000 claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 16
- 238000013277 forecasting method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 description 25
- 230000001419 dependent effect Effects 0.000 description 16
- 238000012549 training Methods 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 238000000611 regression analysis Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Abstract
Description
本出願は、インターネット技術の分野に関し、特に、短期利益を予測する方法、装置、コンピューターデバイス、プログラムおよび記憶媒体に関する。
前記第1の関連データをK−meansアルゴリズムに入力し、1回目のクラスタリング計算を行うステップと、
1回目のクラスタリング計算によって取得された各クラスタに対して事前に設定された方法で回帰予測を行い、第1の予測結果を得るステップと、
前記第1の予測結果に従って融資対象の短期収益性を決定するステップと、を含む。
ブロックチェーンから融資対象に関連する第1の関連データを取得するための取得手段と、
前記第1の関連データをK−meansアルゴリズムに入力し、1回目のクラスタリング計算を行うためのクラスタリング手段と、
1回目のクラスタリング計算によって取得された各クラスタに対して事前に設定された方法で回帰予測を行い、第1の予測結果を得るための回帰手段と、
前記第1の予測結果に従って融資対象の短期収益性を決定するための決定手段と、を含む。
本出願は、コンピューター読み取り可能な命令が記憶される不揮発性コンピューター読み取り可能な記憶媒体をさらに提供し、前記コンピューター読み取り可能な命令は、プロセッサによって実行されるときに上記予測方法のステップを実現することを特徴とする。
本出願において、銀行などの金融機関の運転資金融資は、通常、一時融資、短期融資および中期貸款に分けられ、そのうち、短期融資は、期限が通常3ヶ月から1年(3ヶ月を除き、1年を含む)となる運転資金融資である。市場の変化は不規則であるため、歴史データを利用して抽出されたルールは一定の期間において正確であるが、一定の期間が経過すると、その正確性が低下する。予測時間の範囲の長さに応じて、短期予測、中期予測および長期予測の3種類に分けることができる。一般に、予測時間の範囲が短いほど、予測品質が高くなり、逆に、予測結果の精度が低くなる。本出願において、ブロックチェーン上のデータ量がプリセット量よりも少ないことを限定条件として、本方法は、各企業のデータリンクをレイアウトする初期段階で、様々なデータが比較的少ない場合に使用されることが限定され、本出願において「プリセット量よりも少ないデータ量」は、現在の「ビッグデータ」と比較して「スモールデータ」と呼ばれることがある。
S1、ブロックチェーンから融資対象に関連する第1の関連データを取得するステップと、
S2、前記第1の関連データをK−meansアルゴリズムに入力し、1回目のクラスタリング計算を行うステップと、
S3、1回目のクラスタリング計算によって取得された各クラスタに対して事前に設定された方法で回帰予測を行い、第1の予測結果を得るステップと、
S4、前記第1の予測結果に従って融資対象の短期収益性を決定するステップと、を含む。
S21、与えられた、n個のd次元のデータ点を含む関連データのデータセット(第1の関連データ)X={x1、x2、…、xn}に対して、ここで、xi∈Rd、データセットにおけるK個の点を選択して初期のクラスタ中心として、各対象は1種類の中心μk(k=1、2、…、K)を表す。
S24、クラスタ中心と値が変化したかどうかを判断し、変化した場合はステップS22に戻り、変化しなかった場合にクラスタを終了する。
上記のステップS3で説明したように、上記の回帰予測は、予測の関連性の原則に基づいて、予測目標に影響を与える各要因を見つけて、次いで、これらの要因と予測目標との間の関数関係の類似表現を見つけて、数学の方法で見つける。上記の第1の予測結果は、1回目のクラスタリング計算により得られた各クラスタを事前に設定された方法の回帰予測によって算出された結果であり、また、上記の第1の関連データが融資対象の関連データであるため、第1の予測結果は、ある程度、融資対象の短期間内の収益性を反映できる。回帰予測の基本的なステップは以下のとおりである、すなわち、1、予測目標に従って、独立変数および従属変数を決定する。具体的には、予測される特定の目標を決定し、従属変数も決定される。予測される特定の目標が次年度の販売量である場合、販売量Yは従属変数である。市場調査と資料調査を通じて、予測目標に関連する影響因子、つまり独立変数を見つけ、その中から主な影響因子を選択する。2、回帰予測モデルを確立する。具体的には、独立変数および従属変数の履歴統計資料に従って計算し、これに基づいて回帰分析方程式、すなわち回帰予測モデルを確立する。3、相関分析を行う。具体的には、回帰分析は、因果関係を有する影響因子(独立変数)および予測対象(従属変数)に対して実行される数学的統計分析処理である。確立された回帰方程式は、変数と従属変数との間に関係がある場合のみ意味がある。従って、独立変数としての要因が従属変数としての予測対象に関連するかどうか、どの程度関連するか、およびこのような関連程度を判断する把握性は、回帰分析を行うときに解決する必要がある問題となる。通常、相関分析には相関関係の算出が必要であり、相関係数の大きさに従って独立変数と従属変数との間の関連程度を判断する。4、回帰予測モデルを検証し、予測誤差を計算する。具体的には、回帰予測モデルが実際の予測に使用できるかどうかは、回帰予測モデルに対する検証および予測誤差への計算によって決められる。回帰方程式は、様々な検証に合格し、予測誤差が小さい場合のみ、回帰方程式を予測モデルとして予測できる。5、予測値を計算して決定する。具体的には、回帰予測モデルを利用して予測値を計算し、予測値を総合的に分析し、最終的な予測値を決定する。本出願において、まずデータをクラスタリングし、次いでにクラスタリングされた後のデータを回帰予測し、予測速度がより速くなる。
算出された各クラスタを事前に設定されたSVR予測モデルに入力して回帰予測を行うステップS31を含む。
上記のSVR(サポートベクトル回帰アルゴリズム)は主に、クラスタリング結果を次元上げして、高次元空間で線形決定関数を構築することによって線形回帰を実現し、e不感損失関数を使用する場合、その基本は主にe不感損失関数およびカーネル関数アルゴリズムである。フィッティングした数学モデルが多次元空間でのある曲線を表す場合、e不感損失関数から得られた結果は、当該曲線およびトレーニング点の「eパイプ」を含む。全てのサンプル点のうち、「パイプ壁」に分布するサンプル点の部分のみによってパイプの位置を決定する。トレーニングサンプルのこの部分は、「サポートベクトル」と呼ばれる。トレーニングサンプル集合の非線形に対応するために、従来のフィッティング方法では通常、線形方程式の後に高次項を追加する。この方法は効果的であるが、調整可能なパラメータを増やすとオーバーフィッティングのリスクが高まる。SVRはカーネル関数を採用することによってこの矛盾を解決した。線形方程式中の線形項をカーネル関数で置き換えると、元の線形アルゴリズムを「非線形化」にすることができ、つまり、非線形回帰を実行できる。同時に、カーネル関数の導入は「次元上げ」の目的を達成し、増加した調整可能なパラメータはオーバーフィッティングでも制御されることができる。本出願では、成熟した技術を備えたSVRアルゴリズムが使用され、計算結果は信頼でき、さらに正確な予測の効果を達成できる。
前記第1の関連データに対して特徴抽出を行うステップS21と、
抽出された特徴データに対して関連性分析を行い、他の特徴データに関連しない無相関特徴データを得るステップS22と、
前記第1の関連データにおいて前記無相関特徴データに対応する第1の関連データをクリアした後、K−meansアルゴリズムに入力し、1回目のクラスタリング計算を行うステップS23と、を含む。
1、全ての特徴重みを0に設定し、Tを空集合とする。
2、for i=1 to m do
1)、サンプルRをランダムに選択する;
2)、同じクラスに属するサンプル集合からRの最近傍Hを見つけて、異なるクラスに属するサンプル集合から最近傍サンプルMを見つける。
3)、for A=1 to N do
W(A)=W(A)-diff(A,R,H)/m+diff(A,R,M)/m
3、for A=1 to N do
if W(A)≧δ
A番目の特徴をTに追加する。
S2021、前記特徴データを散布図として作成し、前記散布図における離散点に対応する特徴データを前記無相関特徴データとして記録する。
S2022、前記特徴データに対して関連行列分析を行い、他の特徴データに関連しない前記無相関特徴データを抽出する。
S5、非ブロックチェーン上の前記融資対象に関連する第2の関連データを取得する。
S6、前記第2の関連データをK−meansアルゴリズムに入力し、2回目のクラスタリング計算を行う。
S7、2回目のクラスタリング計算によって得られた各クラスタに対して事前に設定された方法で回帰予測を行い、第2の予測結果を取得する。
S8、前記第1の予測結果と前記第2の予測結果との差が事前に設定された閾値よりも小さいかどうかを判断する。
S9、前記差が前記閾値よりも小さい場合、前記第1の予測結果に従って融資対象の短期収益性を決定した結果は使用可能な結果であると判断する。
S201、前記第1の関連データのデータ量が事前に設定されたデータ閾値よりも大きいかどうかを判断する。
S202、そうであれば、前記第1の関連データを事前に設定されたビッグデータに基づく予測アルゴリズムに入力して予測する。
本出願において、銀行などの金融機関の運転資金融資は、通常、一時融資、短期融資および中期貸款に分類され、そのうち、短期融資は、期限が通常3ヶ月から1年(3ヶ月を除き、1年を含む)となる運転資金融資である。市場の変化は不規則であるため、歴史データを利用して抽出されたルールは一定の期間において正確であるが、一定の期間が経過すると、その正確性が低下する。予測時間の範囲の長さに応じて、短期予測、中期予測および長期予測の3種類に分けることができる。普通は、予測時間の範囲が短いほど、予測品質が高くなり、逆に、予測結果の精度が低くなる。本出願において、ブロックチェーン上のデータ量がプリセット量よりも少ないことを限定条件として、本方法は、各企業のデータリンクをレイアウトする初期段階で、様々なデータが比較的少ない場合に使用されることが限定され、本出願において「プリセット量よりも少ないデータ量」は、現在の「ビッグデータ」と比較して「スモールデータ」と呼ばれることがある。
ブロックチェーンから融資対象に関連する第1の関連データを取得するための取得部10と、
前記第1の関連データをK−meansアルゴリズムに入力し、1回目のクラスタリング計算を行うためのクラスタリング部20と、
1回目のクラスタリング計算によって取得された各クラスタに対して事前に設定された方法で回帰予測を行い、第1の予測結果を得るための回帰部30と、
前記第1の予測結果に従って融資対象の短期収益性を決定するための決定部40と、を含む。
(1)、与えられた、n個のd次元のデータ点を含む関連データのデータセット(第1の関連データ)X={x1、x2、…、xn}に対して、ここで、xi∈Rd、データセットにおけるK個の点を初期のクラスタ中心として選択し、各対象は1種類の中心μk(k=1、2、…、K)を表す。
(2)、各点から中心μkまでのユークリッド距離を計算し、距離の最も近い基準に従ってそれらを最も類似したクラスタ中心で表されるクラスにそれぞれ割り当てて、K個のクラスタC={ck、k=1、2、…、k}を形成する。各クラスタckは1つのクラスを表す。当該クラスの各点からクラスタ中心μkまでの距離の二乗和J(ck)を計算する。すなわち、
(4)、クラスタ中心と値が変化したかどうかを判断し、変化した場合はステップS22に戻り、変化しなかった場合にクラスタを終了する。
上記の回帰部30において、上記の回帰予測は、予測の関連性の原則に基づいて、予測目標に影響を与える各要因を見つけて、次いでにこれらの要因と予測目標との間の関数関係の類似表現を見つけて、数学の方法で見つける。上記の第1の予測結果は、1回目のクラスタリング計算により得られた各クラスタを事前に設定された方法の回帰予測によって算出された結果であり、また、上記の第1の関連データが融資対象の関連データであるため、第1の予測結果は、ある程度、融資対象の短期間内の収益性を反映できる。回帰予測の基本的なステップは以下のとおりである、すなわち、(1)予測目標に従って、独立変数および従属変数を決定する。具体的には、予測の特定の目標を決定し、従属変数も決定される。予測の特定の目標が次年度の販売量である場合、販売量Yは従属変数である。市場調査と資料調査を通じて、予測目標に関連する影響因子、つまり独立変数を見つけ、その中から主な影響因子を選択する。(2)回帰予測モデルを確立する。具体的には、独立変数および従属変数の履歴統計資料に従って計算し、これに基づいて回帰分析方程式、すなわち回帰予測モデルを確立する。(3)相関分析を行う。具体的には、回帰分析は、因果関係を有する影響因子(独立変数)および予測対象(従属変数)に対して行われる数学的統計分析処理である。確立された回帰方程式は、変数と従属変数との間に関係がある場合のみ意味がある。従って、独立変数としての要因が従属変数としての予測対象に関連するかどうか、どの程度関連するか、およびこのような関連程度を判断する把握性は、回帰分析を行うときに解決する必要がある問題となる。通常、相関分析には相関関係の算出が必要であり、相関係数の大きさに従って独立変数と従属変数との間の関連程度を判断する。(4)回帰予測モデルを検証し、予測誤差を計算する。具体的には、回帰予測モデルが実際の予測に使用できるかどうかは、回帰予測モデルに対する検証および予測誤差への計算によって決められる。回帰方程式は、様々な検証に合格し、予測誤差が小さい場合のみ、回帰方程式を予測モデルとして予測できる。(5)予測値を計算して決定する。具体的には、回帰予測モデルを利用して予測値を計算し、予測値を総合的に分析し、最終的な予測値を決定する。本出願において、まずデータをクラスタリングし、次いでにクラスタリングされた後のデータを回帰予測し、予測速度がより速くなる。
算出された各クラスタを事前に設定されたSVR予測モデルに入力して回帰予測を行うためのSVR予測モジュール31を含む。
前記第1の関連データに対して特徴抽出を行うための抽出モジュール21と、
抽出された特徴データに対して関連性分析を行い、他の特徴データに関連しない無相関特徴データを得るための分析モジュール22と、
前記第1の関連データにおいて前記無相関特徴データに対応する第1の関連データをクリアした後、K−meansアルゴリズムに入力し、1回目のクラスタリング計算を行うためのクラスタリングモジュール23と、を含む。
上記の視覚分析サブモジュールにおいて、上記の散布図(scatter diagram)は、回帰分析においてデカルト座標系平面上のデータ点の分布を指し、通常はクラス間の集計データを比較するために使用される。散布図に含まれるデータが多いほど、比較する効果がよりよくなる。本実施例において、上記の特徴データは一般に行列であり、この場合、散布図行列を利用して各独立変数間の散布図を同時に描くことができ、こうして複数の変数間の主な関連性を迅速に見つけることができる。上記の特徴データを散布図に作成するプロセスは即ち視覚化のプロセスであり、特徴データが視覚化されるため、肉眼でグラフまたは画像上の離散点の存在を直感的に識別し、そして離散点を選択することができ、コンピューターデバイスは、選択された離散点に対応する特徴データを無相関特徴データとして記録する。
上記の行列分析サブモジュールにおいて、上記の関連行列は、相関係数行列とも呼ばれ、行列の各列間の相関係数から構成される。つまり、関連行列のi行目のj列目の要素は、元の行列のi列目とj列目の相関係数である。本実施例において、一般に共分散行列を用いて分析し、共分散は、2つの変数の全体誤差を測定するために使用され、2つの変数の変化傾向が一致する場合、共分散は正の値であり、2つの変数が正の相関であることが示される。2つの変数が反対方向に変化する場合、共分散は負の値であり、2つの変数が負の相関であることが示される。2つの変数が互いに独立している場合、共分散は0であり、2つの変数が無関係であることが示され、変数が3組以上である場合、対応する共分散行列が使用される。
非ブロックチェーン上の前記融資対象に関連する第2の関連データを取得するためのデータ取得部50と、
前記第2の関連データをK−meansアルゴリズムに入力し、2回目のクラスタリング計算を行うためのデータクラスタリング部60と、
2回目のクラスタリング計算によって得られた各クラスタに対して事前に設定された方法で回帰予測を行い、第2の予測結果を取得するためのクラスタリング回帰部70と、
前記第1の予測結果と前記第2の予測結果との差が事前に設定された閾値よりも小さいかどうかを判断するための比較部80と、
前記差が前記閾値よりも小さい場合、前記第1の予測結果に従って融資対象の短期収益性を決定した結果は使用可能な結果であると判断するための判定部90と、をさらに含む。
前記第1の関連データのデータ量が事前に設定されたデータ閾値よりも大きいかどうかを判断するための判断部と、
前記第1の関連データを事前に設定されたビッグデータに基づく予測アルゴリズムに入力して予測するための切替部と、をさらに含む。
不正分析部であって、上記の第1の関連データには不正データが含まれるかどうかを分析するために使用され、具体的な方法として、取得された第1の関連データに対して特徴抽出を行い、特徴データを得て、前記特徴データから他の特徴データに関連しない無相関特徴データを抽出して、次いでにVoronoiアルゴリズムによって前記無相関特徴データに対して外れ値の認識を行い、不正データを得る。不正データの量によって、融資対象の評判値を分析できる。そして、評判値と短期収益性に基づいて、融資対象の融資額を決定する。
上記の説明は本出願の好適な実施例に過ぎず、本出願の特許範囲を限定するものではなく、本出願の明細書および図面の内容によってなされる同等の構造または同等のプロセス変換、或いは、他の関連する技術分野に直接または間接的に適用されるものは、いずれも本出願の特許請求の範囲に含まれる。
20 クラスタリング部
21 抽出モジュール
22 分析モジュール
23 クラスタリングモジュール
30 回帰部
31 SVR予測モジュール
40 決定部
50 データ取得部
60 データクラスタリング部
70 クラスタリング回帰部
80 比較部
90 判定部
Claims (15)
- ブロックチェーンから取得された融資対象に関連するデータ量がプリセット量よりも少ない場合に使用され、
ブロックチェーンから融資対象に関連する第1の関連データを取得するステップと、
前記第1の関連データをK−meansアルゴリズムに入力し、1回目のクラスタリング計算を行うステップと、
1回目のクラスタリング計算によって取得された各クラスタに対して事前に設定された方法で回帰予測を行い、第1の予測結果を得るステップと、
前記第1の予測結果に従って融資対象の短期収益性を決定するステップと、を含むことを特徴とする短期利益の予測方法。 - 前記の1回目のクラスタリング計算によって取得された各クラスタに対して事前に設定された方法で回帰予測を行うステップは、
算出された各クラスタを事前に設定されたSVR予測モデルに入力して回帰予測を行うステップを含むことを特徴とする請求項1に記載の短期利益の予測方法。 - 前記第1の関連データをK−meansアルゴリズムに入力し、1回目のクラスタリング計算を行うステップは、
前記第1の関連データに対して特徴抽出を行うステップと、
抽出された特徴データに対して関連性分析を行い、前記特徴データにおいて他の特徴データに関連しない無相関特徴データを得るステップと、
前記第1の関連データにおいて前記無相関特徴データに対応する目標データをクリアした後、K−meansアルゴリズムに入力し、1回目のクラスタリング計算を行うステップと、を含むことを特徴とする請求項1に記載の短期利益の予測方法。 - 前記抽出された特徴データに対して関連性分析を行い、他の特徴データに関連しない無相関特徴データを得るステップは、
前記特徴データを散布図として作成し、前記散布図において離散点に対応する特徴データを前記無相関特徴データとして記録するステップを含むことを特徴とする請求項3に記載の短期利益の予測方法。 - 前記抽出された特徴データに対して関連性分析を行い、他の特徴データに関連しない無相関特徴データを得るステップは、
前記特徴データに対して関連行列分析を行い、他の特徴データに関連しない前記無相関特徴データを抽出するステップを含むことを特徴とする請求項3に記載の短期利益の予測方法。 - 前記第1の予測結果に従って融資対象の短期収益性を決定するステップの後、
非ブロックチェーン上の前記融資対象に関連する第2の関連データを取得するステップと、
前記第2の関連データをK−meansアルゴリズムに入力し、2回目のクラスタリング計算を行うステップと、
2回目のクラスタリング計算によって得られた各クラスタに対して事前に設定された方法で回帰予測を行い、第2の予測結果を取得するステップと、
前記第1の予測結果と前記第2の予測結果との差が事前に設定された閾値よりも小さいかどうかを判断するステップと、
前記差が前記閾値よりも小さい場合、前記第1の予測結果に従って融資対象の短期収益性を決定した結果は使用可能な結果であると判断するステップと、を含むことを特徴とする請求項1に記載の短期利益の予測方法。 - 前記第1の関連データをK−meansアルゴリズムに入力し、1回目のクラスタリング計算を行うステップの前、
前記第1の関連データのデータ量が事前に設定されたデータ閾値よりも大きいかどうかを判断するステップと、
そうであれば、前記第1の関連データを事前に設定されたビッグデータに基づく予測アルゴリズムに入力して予測するステップと、を含むことを特徴とする請求項1に記載の短期利益の予測方法。 - ブロックチェーンから取得された融資対象に関連するデータ量がプリセット量よりも少ない場合に使用され、
ブロックチェーンから融資対象に関連する第1の関連データを取得するための取得手段と、
前記第1の関連データをK−meansアルゴリズムに入力し、1回目のクラスタリング計算を行うためのクラスタリング手段と、
1回目のクラスタリング計算によって取得された各クラスタに対して事前に設定された方法で回帰予測を行い、第1の予測結果を得るための回帰手段と、
前記第1の予測結果に従って融資対象の短期収益性を決定するための決定手段と、を含むことを特徴とする短期利益の予測装置。 - 前記回帰手段は、
算出された各クラスタを事前に設定されたSVR予測モデルに入力して回帰予測を行うためのSVR予測モジュールを含むことを特徴とする請求項8に記載の短期利益の予測装置。 - 前記クラスタリング手段は、
前記第1の関連データに対して特徴抽出を行うための抽出モジュールと、
抽出された特徴データに対して関連性分析を行い、他の特徴データに関連しない無相関特徴データを得るための分析モジュールと、
前記第1の関連データにおいて前記無相関特徴データに対応する第1の関連データをクリアした後、K−meansアルゴリズムに入力し、1回目のクラスタリング計算を行うためのクラスタリングモジュールと、を含むことを特徴とする請求項8に記載の短期利益の予測装置。 - 前記分析モジュールは、
前記特徴データに対して関連行列分析を行い、他の特徴データに関連しない前記無相関特徴データを抽出するための行列分析サブモジュールを含むことを特徴とする請求項10に記載の短期利益の予測装置。 - 前記抽出された特徴データに対して関連性分析を行い、他の特徴データに関連しない無相関特徴データを得ることは、
前記特徴データに対して関連行列分析を行い、他の特徴データに関連しない前記無相関特徴データを抽出することを含むことを特徴とする請求項10に記載の短期利益の予測装置。 - ブロックチェーンから融資対象に関連する第1の関連データを取得するための取得手段と、
前記第1の関連データをK−meansアルゴリズムに入力し、1回目のクラスタリング計算を行うためのクラスタリング手段と、
1回目のクラスタリング計算によって取得された各クラスタに対して事前に設定された方法で回帰予測を行い、第1の予測結果を得るための回帰手段と、
前記第1の予測結果に従って融資対象の短期収益性を決定するための決定手段と、を含むことを特徴とするコンピューターデバイス。 - ブロックチェーンから融資対象に関連する第1の関連データを取得する機能と、
前記第1の関連データをK−meansアルゴリズムに入力し、1回目のクラスタリング計算を行う機能と、
1回目のクラスタリング計算によって取得された各クラスタに対して事前に設定された方法で回帰予測を行い、第1の予測結果を得る機能と、
前記第1の予測結果に従って融資対象の短期収益性を決定する機能と、をコンピュータによって実行させるプログラム。 - ブロックチェーンから融資対象に関連する第1の関連データを取得する機能と、
前記第1の関連データをK−meansアルゴリズムに入力し、1回目のクラスタリング計算を行う機能と、
1回目のクラスタリング計算によって取得された各クラスタに対して事前に設定された方法で回帰予測を行い、第1の予測結果を得る機能と、
前記第1の予測結果に従って融資対象の短期収益性を決定する機能と、をコンピュータによって実行させるプログラムを格納する読み取り可能な記憶媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810345257.9A CN108710965A (zh) | 2018-04-17 | 2018-04-17 | 短期盈利的预测方法、装置、计算机设备和存储介质 |
CN201810345257.9 | 2018-04-17 | ||
PCT/CN2018/095483 WO2019200742A1 (zh) | 2018-04-17 | 2018-07-12 | 短期盈利的预测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020524346A true JP2020524346A (ja) | 2020-08-13 |
JP6855604B2 JP6855604B2 (ja) | 2021-04-07 |
Family
ID=63866732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019570544A Active JP6855604B2 (ja) | 2018-04-17 | 2018-07-12 | 短期利益を予測する方法、装置、コンピューターデバイス、プログラムおよび記憶媒体 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP6855604B2 (ja) |
CN (1) | CN108710965A (ja) |
WO (1) | WO2019200742A1 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991744B (zh) * | 2019-12-05 | 2022-07-12 | 中国银行股份有限公司 | 一种交易限额的设置方法及系统 |
CN111444963B (zh) * | 2020-03-27 | 2023-08-25 | 中南大学 | 一种基于ssa-svr模型的高炉铁水硅含量预测方法 |
CN112199812B (zh) * | 2020-08-18 | 2022-10-28 | 华电电力科学研究院有限公司 | 基于趋势回归分析的燃气能源系统工业蒸汽负荷预测方法 |
CN113037840B (zh) * | 2021-03-08 | 2022-06-10 | 中国联合网络通信集团有限公司 | 通信数据传输方法、通信终端和通信平台 |
CN116166960B (zh) * | 2023-02-07 | 2023-09-29 | 山东经鼎智能科技有限公司 | 用于神经网络训练的大数据特征清洗方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004078435A (ja) * | 2002-08-13 | 2004-03-11 | Ibm Japan Ltd | リスク管理装置、リスク管理システム、リスク管理方法、将来期待利益算出方法、およびプログラム |
JP2010227326A (ja) * | 2009-03-27 | 2010-10-14 | Advanced Telecommunication Research Institute International | 行動識別システム |
JP2011039934A (ja) * | 2009-08-17 | 2011-02-24 | Tokai Univ | 感情推定システム及びそれを利用した学習システム |
JP2012242528A (ja) * | 2011-05-18 | 2012-12-10 | Nippon Telegr & Teleph Corp <Ntt> | 対話評価装置、方法及びプログラム |
WO2016120918A1 (ja) * | 2015-01-27 | 2016-08-04 | 日本電気株式会社 | 予測システム、予測方法及びコンピュータ読み取り可能記録媒体 |
US20170024824A1 (en) * | 2015-07-21 | 2017-01-26 | Palantir Technologies Inc. | Systems and models for data analytics |
WO2017090329A1 (ja) * | 2015-11-24 | 2017-06-01 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
JP2017151871A (ja) * | 2016-02-26 | 2017-08-31 | 沖電気工業株式会社 | 情報処理装置、情報処理システム、及びプログラム |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127380A (zh) * | 2016-06-22 | 2016-11-16 | 北京拓明科技有限公司 | 一种大数据风险分析方法 |
CN106980909A (zh) * | 2017-03-30 | 2017-07-25 | 重庆大学 | 一种基于模糊线性回归的电影票房预测方法 |
CN107844836A (zh) * | 2017-10-24 | 2018-03-27 | 信雅达系统工程股份有限公司 | 一种基于机器学习的系统及学习方法 |
-
2018
- 2018-04-17 CN CN201810345257.9A patent/CN108710965A/zh active Pending
- 2018-07-12 JP JP2019570544A patent/JP6855604B2/ja active Active
- 2018-07-12 WO PCT/CN2018/095483 patent/WO2019200742A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004078435A (ja) * | 2002-08-13 | 2004-03-11 | Ibm Japan Ltd | リスク管理装置、リスク管理システム、リスク管理方法、将来期待利益算出方法、およびプログラム |
JP2010227326A (ja) * | 2009-03-27 | 2010-10-14 | Advanced Telecommunication Research Institute International | 行動識別システム |
JP2011039934A (ja) * | 2009-08-17 | 2011-02-24 | Tokai Univ | 感情推定システム及びそれを利用した学習システム |
JP2012242528A (ja) * | 2011-05-18 | 2012-12-10 | Nippon Telegr & Teleph Corp <Ntt> | 対話評価装置、方法及びプログラム |
WO2016120918A1 (ja) * | 2015-01-27 | 2016-08-04 | 日本電気株式会社 | 予測システム、予測方法及びコンピュータ読み取り可能記録媒体 |
US20170024824A1 (en) * | 2015-07-21 | 2017-01-26 | Palantir Technologies Inc. | Systems and models for data analytics |
WO2017090329A1 (ja) * | 2015-11-24 | 2017-06-01 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
JP2017151871A (ja) * | 2016-02-26 | 2017-08-31 | 沖電気工業株式会社 | 情報処理装置、情報処理システム、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
CN108710965A (zh) | 2018-10-26 |
WO2019200742A1 (zh) | 2019-10-24 |
JP6855604B2 (ja) | 2021-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mudassir et al. | Time-series forecasting of Bitcoin prices using high-dimensional features: a machine learning approach | |
JP6855604B2 (ja) | 短期利益を予測する方法、装置、コンピューターデバイス、プログラムおよび記憶媒体 | |
US11210368B2 (en) | Computational model optimizations | |
AU2019100362A4 (en) | Personal Credit Rating System Based on The Logistic Regression | |
Zhao et al. | Price trend prediction of stock market using outlier data mining algorithm | |
US11481707B2 (en) | Risk prediction system and operation method thereof | |
Abbasimehr et al. | A new framework for predicting customer behavior in terms of RFM by considering the temporal aspect based on time series techniques | |
CN111401600A (zh) | 基于关联关系的企业信用风险评价方法和系统 | |
CN110930038A (zh) | 一种贷款需求识别方法、装置、终端及存储介质 | |
Louati et al. | Price forecasting for real estate using machine learning: A case study on Riyadh city | |
Akerkar | Advanced data analytics for business | |
Zhang et al. | Credit scoring model based on a novel group feature selection method: The case of Chinese small-sized manufacturing enterprises | |
Özlem et al. | Predicting cash holdings using supervised machine learning algorithms | |
Weng et al. | Mining time series data for segmentation by using Ant Colony Optimization | |
CN117235608B (zh) | 风险检测方法、装置、电子设备及存储介质 | |
Anderies et al. | Telekom-net: The embedded bi-lstm and expert knowledge model for stock forecasting and suggestion | |
KR20110114181A (ko) | 예측 정확성이 향상된 대출 심사 방법 | |
Mokheleli et al. | Machine learning approach for credit score predictions | |
CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
Liu | Design of XGBoost prediction model for financial operation fraud of listed companies | |
CN113052512A (zh) | 风险预测方法、装置和电子设备 | |
Chang et al. | PSO based time series models applied in exchange rate forecasting for business performance management | |
Li et al. | Research on listed companies’ credit ratings, considering classification performance and interpretability | |
Li | The price prediction of virtual currency base on improved support vector regression | |
Harsha et al. | Addressing Challenges in Stock Selection: A Financial Decision Support System Approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191219 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201222 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210215 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210317 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6855604 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |