TWI808424B - 貿易型態教具 - Google Patents
貿易型態教具 Download PDFInfo
- Publication number
- TWI808424B TWI808424B TW110119331A TW110119331A TWI808424B TW I808424 B TWI808424 B TW I808424B TW 110119331 A TW110119331 A TW 110119331A TW 110119331 A TW110119331 A TW 110119331A TW I808424 B TWI808424 B TW I808424B
- Authority
- TW
- Taiwan
- Prior art keywords
- value
- futures
- export
- import
- news
- Prior art date
Links
Images
Landscapes
- Sampling And Sample Adjustment (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Carbon And Carbon Compounds (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一種貿易型態教具,主要係由一第一貿易國資料庫、一第二貿易國資料庫、一電子新聞收集器以及計量系統所構成;該第一貿易國資料庫鏈結具有一第一出口總值與一第一進口總值的一第一期貨價值;該第二貿易國資料庫鏈結具有一第二出口總值與一第二進口總值的一第二期貨價值;該電子新聞收集器係鏈結開放資料的複數新聞以進行自動化分類而產生複數分類模型的一權重值;該計量系統係連接該未來樹狀圖再根據複數新聞的該權重值以一未來經濟效益來計量分析與檢定以判斷該第一期貨價值與該第二期貨價值其未來市場的未來值是為一增值或是為一減值。
Description
本發明係關於一種貿易型態教具,特別是指一種分析或學習製造業的風險、技術轉移、匯率、金融服務的貿易型態教具。
習用一種適用於國際經濟和貿易專業的教學類比系統係如公告第CN108961860A號專利案,其主要構成特徵為:一種適用於國際經濟和貿易專業的教學類比系統,為解決現有技術存在的難以實現對學生的語音輸入進行校正、評分,不易於使學生全方面掌握專業知識以及控制邏輯繁瑣等問題,本發明裝置包括有桌子、集成控制箱,桌子頂部平面設置有顯示器、鍵盤以及滑鼠,桌子下方設置有集成控制箱,集成控制箱內部設有中央處理器,中央處理器的輸入端與語音輸入子系統、指紋輸入子系統、鍵盤輸入子系統電性連接,中央處理器的輸出端與發音校正子系統、發音評分子系統、語音輸出子系統以及顯示輸出子系統電性連接,此外,語音輸入子系統、發音校正子系統的輸出端與顯示輸出子系統電性連接。本發明可以實現外貿英語學習系統、網課系統、
線上測試系統以及線上課後作業系統功能,在有利於本裝置的推廣應用的同時也降低了實現的成本。
關於一種貿易型態教具之先前技術,請另參考公告TW200818050、CN207489426、CN206630356、CN206411944、CN206394330、CN206379061、CN206115922、CN205640141、CN205486869、CN205451603、CN205451604、CN205379112、CN205354612、CN205256582、CN205211193、CN205121926、CN204970302、CN204520042、CN204410004、CN204378506、CN204178576、CN204130001、CN203995246、CN203801897、CN203721047、CN203567401、KR2017014230、RU2109335、AU2013267002、AU2007284408、US5519622專利案所提到上述的問題,均處在架構複雜,在本發明中可精簡架構與即時系統(Real-Time),對快速反應市場相當實用化。
本發明之目的即在於提供一種貿易型態教具,其能預測中美貿易戰之關稅動向與政府貿易政策的重點或方向。
可達成上述發明目的之貿易型態教具,包括有:一第一貿易國資料庫,係鏈結具有一多國貿易與一多貨貿易的一第一貿易國的一第一海關進出口統計資料庫,以獲取該第一海關進出口統計資料庫中的一第一出口
總值與一第一進口總值,並從該第一出口總值獲取複數出口貨物、複數出口國家的金額以及複數出口國家的百分比,再從該第一進口總值獲取複數進口貨物、複數進口國家的金額以及複數進口國家的百分比進行運算以分別得到一第一期貨價值;一第二貿易國資料庫,係鏈結具有一多國貿易與一多貨貿易的一第二貿易國的一第二海關進出口統計資料庫,以獲取該第二海關進出口統計資料庫中的一第二出口總值與一第二進口總值,並從該第二出口總值獲取複數出口貨物、複數出口國家的金額以及複數出口國家的百分比,再從該第二進口總值獲取複數進口貨物、複數進口國家的金額以及複數進口國家的百分比進行運算以分別得到一第二期貨價值;一電子新聞收集器,係鏈結開放資料的複數新聞並使一自然語言處理系統結合K近鄰演算法以及決策樹模組能夠利用複數熱門新聞與複數新聞群種類的辨識可信度與特徵,以將複數新聞進行自動化分類而產生複數分類模型的一權重值,該權重值作為分析該第一期貨價值或該第二期貨價值其未來市場的一未來樹狀圖;一計量系統,係設置有一總體計量模型與一計量經濟模型,並連接該第一貿易國資料庫、該第二貿易國資料庫以及該電子新聞收集器,其連接該未來樹狀圖並產生有
一失業模組、一薪資模組、一工業生產模組、一農業生產模組、一景氣領先模組、一經濟成長模組以及一通貨膨脹模組,該總體計量模型與該計量經濟模型再根據複數新聞進行自動化分類而產生複數分類模型的該權重值以一未來經濟效益來計量分析與檢定以判斷該第一期貨價值與該第二期貨價值其未來市場的未來值是為一增值或是為一減值。
1:第一貿易國資料庫
11:第一海關進出口統計資料庫
12:第一出口總值
13:第一進口總值
14:第一期貨價值
2:第二貿易國資料庫
21:第二海關進出口統計資料庫
22:第二出口總值
23:第二進口總值
24:第二期貨價值
3:電子新聞收集器
31:新聞
32:自然語言處理系統
33:K近鄰演算法
34:決策樹模組
35:權重值
36:未來樹狀圖
4:計量系統
41:總體計量模型
42:計量經濟模型
43:類別模組
44:未來經濟效益
45:第一期貨價值的未來值
46:第二期貨價值的未來值
47:增值
48:減值
5:事前預測模型
51:預測分析器
52:輸入預測值
53:第一期貨價值的預測值
54:第二期貨價值的預測值
55:第一過高/過低百分比
56:第二過高/過低百分比
圖1為該第一貿易國資料庫其邏輯結構的方塊示意圖;圖2為該第二貿易國資料庫其邏輯結構的方塊示意圖;圖3為該電子新聞收集器其邏輯結構的方塊示意圖;圖4為該分類模型的該權重值與該順序號碼顯示方式的樣式一之示意圖;圖5為該分類模型的該權重值與該順序號碼顯示方式的樣式二之示意圖;圖6為該計量系統於各處理階段的方塊示意圖;圖7為該第一期貨價值的未來值之期貨分類模塊圖;圖8為該第二期貨價值的未來值之期貨分類模塊圖;圖9為該貿易型態教具增設一事前預測模型之方塊示意圖;
圖10為手動輸入預測值之期貨分類模塊圖;圖11為該電子新聞收集器與事前預測模型其邏輯結構的方塊示意圖;圖12為該計量系統產生一第一過高/過低百分比之期貨分類模塊圖;以及圖13為該計量系統產生一第二過高/過低百分比之期貨分類模塊圖。
請參閱圖1至圖4,本發明所提供之貿易型態教具,主要包括有:一第一貿易國資料庫1、一第二貿易國資料庫2、一電子新聞收集器3以及一計量系統4所構成;如圖1所示,該第一貿易國資料庫1(例如中國)係鏈結具有一多國貿易(Multicountry trade)與一多貨貿易(Multicommodity trade)的一第一貿易國的一第一海關進出口統計資料庫11,以獲取該第一海關進出口統計資料庫11中的一第一出口總值12與一第一進口總值13,並從該第一出口總值12獲取複數出口貨物、複數出口國家的金額以及複數出口國家的百分比,再從該第一進口總值13獲取複數進口貨物、複數進口國家的金額以及複數進口國家的百分比進行運算以分別得到一第一期貨價值14(first future value)。
如圖2所示,該第二貿易國資料庫2(例如美國)係鏈結具有一多國貿易與一多貨貿易的一第二貿易國的一
第二海關進出口統計資料庫21,以獲取該第二海關進出口統計資料庫21中的一第二出口總值22與一第二進口總值23,並從該第二出口總值22獲取複數出口貨物、複數出口國家的金額以及複數出口國家的百分比,再從該第二進口總值23獲取複數進口貨物、複數進口國家的金額以及複數進口國家的百分比進行運算以分別得到一第二期貨價值24(second future value)。
該電子新聞收集器3(electronic news collector),如圖3所示,係鏈結開放資料(open data)的複數新聞31(news)並使一自然語言處理系統32(natural language processing system)結合K近鄰演算法33(K Nearest Neighbor)、支持向量機(support vector machines)以及決策樹模組34(decision tree module)能夠利用複數熱門新聞(hot news)與複數新聞群種類(newsgroups categories)進行一協作新聞採集(cooperative news gathering)與一情節式新聞框架(episodic news frame)的辨識可信度(recognition confidence)與特徵(feature)(或同屬收集(generic collection)),複數新聞31能為期貨新聞、股市新聞、國際股市指數、美國股市指數期貨、亞洲股市指數期貨、歐洲股市指數期貨、台股期貨指數之至少一者或一包含上述至少其中之一之組合,以將複數新聞31進行自動化分類而產生複數分類模型的一權重值35(weight value)與一順序號碼(sequence number),該權重值35作為分析該第一期貨價值14
或該第二期貨價值24其未來市場(Futures Market)的一未來樹狀圖36(future reality tree);經由總和前述複數新聞31的複數分類模型的數量(number),而使每一新聞模型依照一數量序(order of magnitude)產生該順序號碼,該數量序即是決定該權重值35與該順序號碼的一主要條件,該順序號碼在本發明中能設定為順序1、順序2、順序3……順序N、順序N+1,其中,該電子新聞收集器3會按照時間序列(指定時間)獲得於短週期(short cycle)內更新的該新聞31為前提並將各新聞模型的數量單位(Quantity Units)作為該權重值35與該順序號碼獲得的順序排序,該權重值35是一變數(variable);如圖4所示,該分類模型的該權重值35與該順序號碼顯示方式的樣式一,進一步如下顯示,包括:有失業新聞模型的權重值(順序6)、薪資新聞模型的權重值(順序7)、工業生產新聞模型的權重值(順序3)、農業生產新聞模型的權重值(順序4)、景氣領先新聞模型的權重值(順序2)、經濟成長新聞模型的權重值(順序1)以及通貨膨脹新聞模型的權重值(順序5);該電子新聞收集器3會按照時間序列(指定時間)獲得於短週期內再一次更新的該新聞31為前提並將各新聞模型的數量單位作為該權重值35與該順序號碼獲得的順序排序並加以存儲,再將各新聞模型再次進行數量計算(quantity calculus)的該權重值35與該順序號碼進行更新成樣
式二,如圖5所示:失業新聞模型的權重值(順序3)、薪資新聞模型的權重值(順序2)、工業生產新聞模型的權重值(順序1)、農業生產新聞模型的權重值(順序6)、景氣領先新聞模型的權重值(順序7)、經濟成長新聞模型的權重值(順序4)以及通貨膨脹新聞模型的權重值(順序5)。
如圖6所示,該計量系統4(quantity filling system)係設置有一總體計量模型41(Macroeconometric models)與一計量經濟模型42(Econometric model),並連接(connection)該第一貿易國資料庫1、該第二貿易國資料庫2以及該電子新聞收集器3,其連接該未來樹狀圖36並連接有一類別模組43(class Modules),該類別模組43包括有一失業模組、一薪資模組、一工業生產模組、一農業生產模組、一景氣領先模組、一經濟成長模組以及一通貨膨脹模組,該總體計量模型41與該計量經濟模型42再根據複數新聞31進行自動化分類而產生複數分類模型的該權重值35以一未來經濟效益44(future economic benefit)來計量分析與檢定(Econometric analysis and testing)以判斷該第一期貨價值14與該第二期貨價值24其未來市場的未來值(fval),而該未來值進而包括一第一期貨價值的未來值45與一第二期貨價值的未來值46是為一增值47或是為一減值48;其中,該出口貨物或該進口貨物包括:一金屬期貨(metal futures)、一能源期貨(energy futures)、一軟性商品
期貨(soft commodity futures)、一農產品期貨(farm product futures)以及一肉類期貨(meat futures);該出口貨物或該進口貨物為以一平行處理軟體(parallel processing software)來解決大量期貨資料或是計算龐大期貨資料過程的複雜邏輯(complex logic)與複雜任務(complex task)或複雜繫結(complex-Bound);當期貨資料之間的相依性(data dependency)較弱時,該平行處理軟體可透過將複雜的難題拆解成許多的小問題,再分配給不同的平行計算系統(parallel computing system)同時處理,以提升一個計算複雜度不高,但在即時系統(Real-Time)中先計算在該金屬期貨、該能源期貨、該軟性商品期貨、該農產品期貨、該肉類期貨及選擇權市場上尋找一期貨價值(future value),該第一貿易國資料庫1與該第二貿易國資料庫2是以一交易價格(transaction price)與一期貨價格(futures price)之間的一歸納關係(inductive relation)當作計算基礎,如果該歸納關係不存在,立即產生該第一期貨價值14或該第二期貨價值24。
該金屬期貨又包括:COMEX黃金、COMEX白銀、COMEX銅、白金、鈀金、LME鋁、LME鉛、LME鎳、LME錫、LME鋅等的指數名稱、成交價格、漲跌幅(%)、當日走勢;該能源期貨又包括:紐約輕原油、布蘭特原油、紐約杜拜原油、天然氣、無鉛汽油、取暖油、液化石油氣、
乙醇等的商品名稱、成交價格、漲跌幅(%)、當日走勢;該軟性商品期貨又包括:可可、咖啡豆、Robusta咖啡豆、2號棉花、11號糖、凍橘汁、木材等的商品名稱、成交價格、漲跌幅(%)、當日走勢;該農產品期貨又包括:小麥、玉米、黃豆、糙米、燕麥、黃豆粉、黃豆油、溫尼伯菜籽油等的商品名稱、成交價格、漲跌幅(%)、當日走勢;該肉類期貨又包括:育肥用牛、肉牛、瘦豬、第三級牛奶等的商品名稱、成交價格、漲跌幅(%)、當日走勢。
本發明利用一機器學習(machine learning)之監督式學習演算法(supervised learning)建構該電子新聞收集器3,來預測該多國貿易發生該多貨貿易之機率,最後以辨識可信度較高、或特徵較高的一同屬收集方式產生複數分類模型各自所屬的該權重值35;該電子新聞收集器3(electronic news collector)係以內建的該自然語言處理系統32鏈結分析(link analysis)複數新聞31,複數新聞31係從要進行新聞收集就必須從開放網路(open web)中擷取原始資料(raw facts),以一新聞五要素(five "W's" of news)結合K近鄰演算法33過濾掉重複、過時、衝突、不完整等的原始資料後,才可以進行新聞數據處理。其中,該新聞五要素指的是構成新聞的必需材料,一般來說
有以下六個:新聞人物(Who)、新聞時間(When)、新聞地點(Where)、新聞事件(What)、新聞發生的原因(Why)、新聞發生的過程(How)。
該電子新聞收集器3以該自然語言處理系統32進行該新聞31的資料擷取(fact extraction)時,先進行一實體辨識(entity resolution),該實體辨識其目標為辨識該新聞31文字資料中指向實體(entity)的文字區塊。次,進行該新聞31的時間紀錄(time record),某些新聞具時效性,因此該新聞31查證(verifying)時當然要檢核該新聞31發佈的時間點並過濾掉過時資料。另,進行該新聞31的可性度評估(credibility evaluation)為透過鏈結多個新聞數據源,鏈結分析新聞來源網站的可信度來增加該新聞31的可信度。又,進行該新聞31的連結預測(Link prediction)可用來推斷新聞新資訊、複數熱門新聞、複數新聞群種類,再與第一期貨價值14或該第二期貨價值24間隱含的關係,進行自動化分類該新聞31而產生複數預測分析的分類模型以及該分類模型的該權重值35。
該電子新聞收集器3的辨識可信度階段,就是針對該新聞31新資訊進行新聞查證,先進行該新聞31的實體定位(Entity locating)將複數新聞31的主語言(primary language)對應到開放網路(open web)上的複數節點(node)。次,
進行該新聞31的關係驗證(Relation verification),該關係驗證該電子新聞收集器3驗證開放網路(open web)必須要是一個完整的三元位址(triple address)的該新聞31,該三元位址的該新聞31以對應完成之兩個節點間的邊(edge)便是複數新聞31其間的關係。另,進行該新聞31的知識推導(knowledge inference)是當三元位址的該新聞31沒有被完整定義時,必須要透過一連結預測(link prediction)進行該協作新聞採集與該情節式新聞框架來推導新聞的辨識可信度與該新聞31的特徵,以將複數新聞31依照一新聞題材(news peg)、一新聞標題(headline)、一新聞本質(nature of story)、一新聞來源(news source)以及一連續性新聞(second-day story)進行自動化分類而產生複數分類模型的該權重值35,同時易產生複數新聞31的該未來樹狀圖36。
該未來樹狀圖36連接該計量系統4,使該計量系統4內設置的該類別模組43,使該類別模組43中的該失業模組、該薪資模組、該上業生產模組、該農業生產模組、該景氣領先模組、該經濟成長模組以及該通貨膨脹模組再帶入該第一期貨價值14或該第二期貨價值24以進行重新計算(recalculate)與重新組合(recombining);經過重新計算與重新組合的該類別模組43,使該類別模組43中的該失業模組、該薪資模組、該工業生產模組、該農業生產模組、該景氣領先模組、該經濟成長模組
以及該通貨膨脹模組再由該總體計量模型41與該計量經濟模型42會與該權重值35相乘得到一組合權重(composite weight),該組合權重以該未來經濟效益44來計量分析與檢定以判斷該第一期貨價值的未來值45(如圖7所示)與該第二期貨價值的未來值46(如圖8所示)是為一增值47或是為一減值48,亦即將該金屬期貨的增值、該金屬期貨的減值、該能源期貨的增值、該能源期貨的減值、該軟性商品期貨的增值、該軟性商品期貨的減值、該農產品期貨的增值、該農產品期貨的減值、該肉類期貨的增值以及該肉類期貨的減值等該第一期貨價值的未來值45或是該第二期貨價值的未來值46的進行重新發送(send again)或重新排序(reordering)並輸出,即能得知該第一貿易國或該第二貿易國其產業趨勢(industrial trend)與趨勢分析(trend analysis)。
如圖9與圖10所示,為達到本發明能構成一教具之使用,當使用者清楚知道該第一貿易國的該第一海關進出口統計資料庫11、第一出口總值12、該第一進口總值13以及該第二貿易國的該第二海關進出口統計資料庫21、第二出口總值22、該第二進口總值23,本發明另增設一事前預測模型5(Prognosis model)以一預測分析器51(predictive analyzer)對該金屬期貨、該能源期貨、該軟性商品期貨、該農產品期貨、該肉類期貨的一交易價格預測值(transaction price predicated value)或一期貨價格預測值(futures price predicated
value)進行預測(forecasting)而能讓使用者或學習者以手動輸入預測值52(predicated value)至該計量系統4,該輸入預測值52如:該金屬期貨的預測值、該能源期貨的預測值、該軟性商品期貨的預測值、該農產品期貨的預測值、該肉類期貨的預測值、一金融期貨(financial futures)的預測值、一外匯期貨(currency futures)的預測值、一黃金期貨(gold futures)的預測值、一歐洲美元期貨(Eurodollar futures)的預測值,使該計量系統4再次以該總體計量模型41與該計量經濟模型42連接該第一貿易國資料庫1、該第二貿易國資料庫2以及該未來樹狀圖36再對該類別模組43中的該失業模組、該薪資模組、該工業生產模組、該農業生產模組、該景氣領先模組、該經濟成長模組、該通貨膨脹模組進入該未來經濟效益44進行比較動態(Comparative dynamics)、比較分析(comparative analysis)與比較判斷(comparative judgement),再快速依序傳送(fast sequenced transport)以直接產生一第一期貨價值的預測值53與一第二期貨價值的預測值54;其後,如圖11與圖12所示,該第一期貨價值的預測值53與該第一期貨價值的未來值45由該計量系統4互相對比(contrast),使該計量系統4對該第一期貨價值的預測值53以該第一期貨價值的未來值45對產生一第一過高/過低百分比55(first over/under percent);再,如圖11與圖13所示,而該第二期貨價值的預測值54與該第二期貨價值的
未來值46由該計量系統4也互相對比,使該計量系統4對該第二期貨價值的預測值54以該第二期貨價值的未來值46產生一第二過高/過低百分比56(second over/under percent),經由該過高/過低百分比能得知使用者手動輸入預測值52對比該金屬期貨的預測值、該能源期貨的預測值、該軟性商品期貨的預測值、該農產品期貨的預測值、該肉類期貨的預測值的百分比(percentage),而該百分比是否接近該分類模型的該權重值35與該順序號碼,同時相互逆推(mutual inversion),以達學習預測理論(forecasting theory)或預測數量(forecast quantity)之功效。
綜上所述,本案不但在空間型態上確屬創新,並能較習用物品增進上述多項功效,應已充分符合新穎性及進步性之法定發明專利要件,爰依法提出申請,懇請 貴局核准本件發明專利申請案,以勵發明,至感德便。
35:權重值
4:計量系統
41:總體計量模型
42:計量經濟模型
43:類別模組
44:未來經濟效益
45:第一期貨價值的未來值
46:第二期貨價值的未來值
47:增值
48:減值
Claims (2)
- 一種貿易型態教具,包括:一第一貿易國資料庫,係鏈結具有一多國貿易與一多貨貿易的一第一貿易國的一第一海關進出口統計資料庫,以獲取該第一海關進出口統計資料庫中的一第一出口總值與一第一進口總值,並從該第一出口總值獲取複數出口貨物、複數出口國家的金額以及複數出口國家的百分比,再從該第一進口總值獲取複數進口貨物、複數進口國家的金額以及複數進口國家的百分比進行運算以分別得到一第一期貨價值;一第二貿易國資料庫,係鏈結具有一多國貿易與一多貨貿易的一第二貿易國的一第二海關進出口統計資料庫,以獲取該第二海關進出口統計資料庫中的一第二出口總值與一第二進口總值,並從該第二出口總值獲取複數出口貨物、複數出口國家的金額以及複數出口國家的百分比,再從該第二進口總值獲取複數進口貨物、複數進口國家的金額以及複數進口國家的百分比進行運算以分別得到一第二期貨價值;一電子新聞收集器,係鏈結開放資料的複數新聞並使一自然語言處理系統結合K近鄰演算法以及決策樹模組能夠利用複數熱門新聞與複數新聞群種類的辨識可信度與特徵,以將複數新聞進行自動化分類而產生複數分類模型的 一權重值,該權重值作為分析該第一期貨價值或該第二期貨價值其未來市場的一未來樹狀圖;以及一計量系統,係設置有一總體計量模型與一計量經濟模型,並連接該第一貿易國資料庫、該第二貿易國資料庫以及該電子新聞收集器,其連接該未來樹狀圖並連接有一類別模組,使該類別模組再帶入該第一期貨價值或該第二期貨價值以進行重新計算與重新組合,經過重新計算與重新組合的該類別模組,再由該總體計量模型與該計量經濟模型與該權重值相乘得到一組合權重,該組合權重以一未來經濟效益來計量分析與檢定以判斷該第一期貨價值的未來值與該第二期貨價值的未來值是為一增值或是為一減值。
- 一種貿易型態教具,包括:一第一貿易國資料庫,係鏈結具有一多國貿易與一多貨貿易的一第一貿易國的一第一海關進出口統計資料庫,以獲取該第一海關進出口統計資料庫中的一第一出口總值與一第一進口總值,並從該第一出口總值獲取複數出口貨物、複數出口國家的金額以及複數出口國家的百分比,再從該第一進口總值獲取複數進口貨物、複數進口國家的金額以及複數進口國家的百分比進行運算以分別得到一第一期貨價值;一第二貿易國資料庫,係鏈結具有一多國貿易與一多貨貿易的一第二貿易國的一第二海關進出口統計資料庫,以獲 取該第二海關進出口統計資料庫中的一第二出口總值與一第二進口總值,並從該第二出口總值獲取複數出口貨物、複數出口國家的金額以及複數出口國家的百分比,再從該第二進口總值獲取複數進口貨物、複數進口國家的金額以及複數進口國家的百分比進行運算以分別得到一第二期貨價值;一電子新聞收集器,係鏈結開放資料的複數新聞並使一自然語言處理系統結合K近鄰演算法以及決策樹模組能夠利用複數熱門新聞與複數新聞群種類的辨識可信度與特徵,以將複數新聞進行自動化分類而產生複數分類模型的一權重值,該權重值作為分析該第一期貨價值或該第二期貨價值其未來市場的一未來樹狀圖;一計量系統,係設置有一總體計量模型與一計量經濟模型,並連接該第一貿易國資料庫、該第二貿易國資料庫以及該電子新聞收集器,其連接該未來樹狀圖並連接有一類別模組,使該類別模組再帶入該第一期貨價值或該第二期貨價值以進行重新計算與重新組合,經過重新計算與重新組合的該類別模組,再由該總體計量模型與該計量經濟模型與該權重值相乘得到一組合權重,該組合權重以該未來經濟效益來計量分析與檢定以判斷該第一期貨價值的未來值與該第二期貨價值的未來值是為一增值或是為一減值;以及 一事前預測模型,以一預測分析器對第一期貨價值與第二期貨價值的一交易價格預測值或一期貨價格預測值進行預測而能以手動輸入預測值,以直接產生一第一期貨價值的預測值與一第二期貨價值的預測值,該第一期貨價值的預測值與該第一期貨價值的未來值互相對比,使該計量系統對該第一期貨價值的預測值以該第一期貨價值的未來值對產生一第一過高/過低百分比,而該第二期貨價值的預測值與該第二期貨價值的未來值互相對比,使該計量系統對該第二期貨價值的預測值以該第二期貨價值的未來值產生一第二過高/過低百分比,以達學習預測理論或預測數量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110119331A TWI808424B (zh) | 2021-05-25 | 2021-05-25 | 貿易型態教具 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110119331A TWI808424B (zh) | 2021-05-25 | 2021-05-25 | 貿易型態教具 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202247076A TW202247076A (zh) | 2022-12-01 |
TWI808424B true TWI808424B (zh) | 2023-07-11 |
Family
ID=85793820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110119331A TWI808424B (zh) | 2021-05-25 | 2021-05-25 | 貿易型態教具 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI808424B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090047637A1 (en) * | 2003-07-08 | 2009-02-19 | Comes Alive International, Inc. | Teaching aid for accounting |
TWM532058U (zh) * | 2016-07-20 | 2016-11-11 | su-zhen Huang | 商品經濟策劃裝置 |
TWI687905B (zh) * | 2019-07-23 | 2020-03-11 | 僑光科技大學 | 具經濟模型的電子教具 |
CN112348336A (zh) * | 2020-10-28 | 2021-02-09 | 吴金桃 | 一种基于gdp增长指标区域宏观经济预测教育建模方法 |
-
2021
- 2021-05-25 TW TW110119331A patent/TWI808424B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090047637A1 (en) * | 2003-07-08 | 2009-02-19 | Comes Alive International, Inc. | Teaching aid for accounting |
TWM532058U (zh) * | 2016-07-20 | 2016-11-11 | su-zhen Huang | 商品經濟策劃裝置 |
TWI687905B (zh) * | 2019-07-23 | 2020-03-11 | 僑光科技大學 | 具經濟模型的電子教具 |
CN112348336A (zh) * | 2020-10-28 | 2021-02-09 | 吴金桃 | 一种基于gdp增长指标区域宏观经济预测教育建模方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202247076A (zh) | 2022-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194803A (zh) | 一种p2p网贷借款人信用风险评估的装置 | |
CN107103548A (zh) | 网络行为数据的监控方法和系统以及风险监控方法和系统 | |
CN106952159A (zh) | 一种不动产抵押品风险控制方法、系统及存储介质 | |
CN112700325A (zh) | 一种基于Stacking集成学习的网贷回头客预测的方法 | |
CN108389069A (zh) | 基于随机森林和逻辑回归的优质客户识别方法及装置 | |
CN108733748A (zh) | 一种基于商品评论舆情的跨境产品质量风险模糊预测方法 | |
AU2018101523A4 (en) | A personal credit scoring model based on machine learning method | |
CN107609771A (zh) | 一种供应商价值评价方法 | |
CN108364191A (zh) | 基于随机森林和逻辑回归的优质客户优化识别方法及装置 | |
CN104850868A (zh) | 一种基于k-means和神经网络聚类的客户细分方法 | |
CN110222733A (zh) | 一种高精度的多阶神经网络分类方法及系统 | |
CN114140248A (zh) | 一种基于ai人工智能技术的异常交易识别方法 | |
CN112419030A (zh) | 财务舞弊风险评估的方法、系统及设备 | |
CN114139931A (zh) | 企业数据评估方法、装置、计算机设备及存储介质 | |
CN114519508A (zh) | 基于时序深度学习和法律文书信息的信用风险评估方法 | |
TWI808424B (zh) | 貿易型態教具 | |
CN112907371A (zh) | 一种风控模型的训练方法 | |
CN113535848A (zh) | 基于区块链的征信等级确定方法、装置、设备及存储介质 | |
CN108960282A (zh) | 一种基于半监督学习的在线服务信誉度量方法 | |
WO2022143431A1 (zh) | 一种反洗钱模型的训练方法及装置 | |
CN116611911A (zh) | 基于支持向量机的信用风险预测方法及装置 | |
CN115563176A (zh) | 一种电子商务数据处理系统及方法 | |
CN115880077A (zh) | 基于客户标签的推荐方法及其装置、电子设备及存储介质 | |
CN111489134B (zh) | 数据模型的构建方法、装置、设备及计算机可读存储介质 | |
CN113837803A (zh) | 一种基于多模型融合的二手手机回收价格预测算法 |