CN109063944A - 基于大数据分析技术的城市金融指数分析方法及装置 - Google Patents
基于大数据分析技术的城市金融指数分析方法及装置 Download PDFInfo
- Publication number
- CN109063944A CN109063944A CN201810563023.1A CN201810563023A CN109063944A CN 109063944 A CN109063944 A CN 109063944A CN 201810563023 A CN201810563023 A CN 201810563023A CN 109063944 A CN109063944 A CN 109063944A
- Authority
- CN
- China
- Prior art keywords
- index analysis
- banking
- analysis model
- data
- banking index
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据分析技术的城市金融指数分析方法及装置,所述方法包括:获取金融数据;将所述金融数据输入预设的金融指数分析模型,以使金融指数分析模型对所述金融数据进行分析,并获得城市金融指数分析结果。本发明实施例具有以下有益效果:根据预先构建的金融指数分析模型对所述金融数据进行分析,并获得城市金融指数分析结果,可以获得城市金融指数的准确分析结果,从而可以通过指数的分析结果,促进各城市金融业的发展。
Description
技术领域
本发明涉及大数据领域,特别涉及一种基于大数据分析技术的城市金融指数分析方法及装置。
背景技术
在传统技术中,行业决策一般是通过业务驱动方式得以实现。目前,为了能提高金融科技发展研究专业性,金融科技领域的行业决策正在由业务驱动方式向数据驱动方式转变。
为满足数据驱动方式的要求,需要计算城市金融指数。城市金融指数作为一级指标,下设四大二级指标,分别是金融科技产业绩效、金融科技机构实力、金融科技市场规模和金融科技生态环境。二级指标的权数再细分到三级指标。共包括十个以上三级指标。采用无量纲化法测算个体指标的指数,再进行加权,计算二级指标的指数,最后加权计算出总指数。
但每个城市的金融状况不同,其中金融科技机构实力也不同,而且城市金融的指标在进行计算时,有的是正向指标,有的是负向(逆向)指标。正向指标数字越高,指数越低;负向指标值越高,指数越大。比如GDP总量是正向指标,总量越大,指数越高。但是PM2.5浓度是负向指标,值越高,指数越低。因此,如何能够对城市金融指数进行准确分析关系到城市金融的发展。
发明内容
有鉴于此,本发明实施例为解决背景技术中提出的至少一个技术问题,提供至少一种有益的选择。
为了实现上述目的,本发明实施例提供了一种基于大数据分析技术的城市金融指数分析方法,包括:
获取金融数据;
将所述金融数据输入预设的金融指数分析模型,以使金融指数分析模型对所述金融数据进行分析,并获得城市金融指数分析结果。
作为优选,将所述金融数据输入预设的金融指数分析模型,以获得城市金融指数分析结果之前,所述方法包括:
构建所述金融指数分析模型,以使得金融指数分析模型对所述金融数据进行分析。
作为优选,构建所述金融指数分析模型包括:
根据所述金融数据中的训练数据及至少一个预设算法,构建至少一个金融指数分析模型;
根据所述金融数据中的测试数据,评估每个所述金融指数分析模型,根据评估结果,确定所述金融指数分析模型。
作为优选,根据所述金融数据中的训练数据及至少一个预设算法,构建至少一个金融指数分析模型:
调整所述金融指数分析模型的参数;
确定所述参数对应的金融指数分析模型输出的效果及性能;
选择效果及性能符合要求的金融指数分析模型。
作为优选,根据所述金融数据中的测试数据,评估每个所述金融指数分析模型,根据评估结果,确定所述金融指数分析模型包括:
对所述金融指数分析模型进行交叉验证;
计算每个所述金融指数分析模型的时间复杂度和空间复杂度;
选择时间复杂度和空间复杂度超过预设阈值的金融指数分析模型。
作为优选,获取金融数据包括:
采用网络爬虫技术,获取互联网上的金融数据;或者,
接收录入的金融数据。
作为优选,获取金融数据之后,所述方法还包括:
对所述金融数据进行预处理。
作为优选,对所述金融数据进行预处理包括:
对所述金融数据进行清洗,然后存储清洗后的金融数据。
本发明实施例还提供一种一种基于大数据分析技术的城市金融指数分析装置,所述装置包括:
获取模块,配置为获取金融数据;
分析模块,配置为将所述金融数据输入预设的金融指数分析模型,以使金融指数分析模型对所述金融数据进行分析,并获得城市金融指数分析结果。
作为优选,所述装置还包括:
构建模块,配置为构建所述金融指数分析模型,以使得金融指数分析模型对所述金融数据进行分析。
作为优选,所述构建模块具体配置为:
根据所述金融数据中的训练数据及至少一个预设算法,构建至少一个金融指数分析模型;
根据所述金融数据中的测试数据,评估每个所述金融指数分析模型,根据评估结果,确定所述金融指数分析模型。
作为优选,所述构建模块具体配置为:
调整所述金融指数分析模型的参数;
确定所述参数对应的金融指数分析模型输出的效果及性能;
选择效果及性能符合要求的金融指数分析模型。
作为优选,所述构建模块具体配置为:
对所述金融指数分析模型进行交叉验证;
计算每个所述金融指数分析模型的时间复杂度和空间复杂度;
选择时间复杂度和空间复杂度超过预设阈值的金融指数分析模型。
本发明实施例具有以下有益效果:根据预先构建的金融指数分析模型对所述金融数据进行分析,并获得城市金融指数分析结果,可以获得城市金融指数的准确分析结果,从而可以通过指数的分析结果,促进各城市金融业的发展。
附图说明
图1为本发明的基于大数据分析技术的城市金融指数分析方法的实施例一的流程图;
图2为本发明的基于大数据分析技术的城市金融指数分析方法的实施例二的流程图;
图3为本发明的基于大数据分析技术的城市金融指数分析方法装置的实施例一的示意图;
图4为本发明的基于大数据分析技术的城市金融指数分析方法装置的实施例二的示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例一
图1为本发明的基于大数据分析技术的城市金融指数分析方法的实施例一的流程图,如图1所示,本实施例的基于大数据分析技术的城市金融指数分析方法,具体可以包括如下步骤:
S101,获取金融数据;
对于金融数据的获取存在多种数据来源,例如,可通过互联网网络数据抓取和/或人工数据录入等方式来获取金融数据。
通过互联网数据爬虫技术等技术手段,在预设时间间隔内抓取预设网站的金融数据等信息。
其中,金融数据可以包括以下至少一项:企业工商信息、城市金融政策信息、城市金融舆情信息、城市金融新闻咨询和城市金融等信息。
在具体实施时,可采用爬虫技术在预设的数据源网站对原始金融数据进行采集。同时,在获取金融数据的基础上,还可以遵循用户友好性原则,可以实现任务调度管理功能和日志综合管理功能,从而确保可实现较完备的水平可扩展功能、错误追踪功能及阈值告警机制功能等。
另外,本发明实施例还提供数据录入接口,当需要对金融数据进行人工补录时,例如,需要增加金融数据的维度时,可将需要发布的金融数据,采用人工录入的方式,通过数据录入接口导入。
S102,将所述金融数据输入预设的金融指数分析模型,以使金融指数分析模型对所述金融数据进行分析,并获得城市金融指数分析结果。
其中,金融指数分析模型的构建方法介绍如下:
(1)由层次析分析法(AHP)得出各二级指标的权重
当视一级指标为目标层,二级指标为决策层,以某时间点下三级指标构成的向量为方案的方案层,则指标体系已呈现出一定的递阶层次结构,可采用层次分析法来获得发展水平的评价指数。根据资料数据、专家的意见和***分析人员的经验经过反复研究后确定判断矩阵。判断矩阵表是针对上一层次某单元(元素),本层次与它有关单元之间相对重要性的比较。由于我们的目的是测算指数,所以判断矩阵只有在目标层与准则层之间构建,方案层与准则层之间不构建判断矩阵。
层次分析法采用1-9标度方法,对不同情况的评比给出数量标度,如表1所示。
表1:判断矩阵的标度标准
分值 | 判断矩阵的标度标准 |
1 | 表示两个元素相比,具有同样的重要性 |
3 | 表示两个元素相比,一个元素比另一个元索稍微重要 |
5 | 表示两个元素相比.一个元素比另一个元索明显重要 |
7 | 表示两个元素相比,一个元素比另一个元素强烈重要 |
9 | 表两个元素相比.一个元素坨另一个元索极端重要 |
然后,按照标度值依次构造出评价指标的判断矩阵A
其中A为判别矩阵,aij为元素i与j重要性比较结果,并有如下关系:
aij=1/aij
aij有9种取值,分别为1/9,1/7,1/5,1/3,1/1,3,5,7,9,分别表示i要素对于j要素重要程度由轻到重。
另外,对判断矩阵还需要一致性检验,以避免比较评分不合逻辑的问题。
然后求解判断矩阵的最大特征根及其所对应的特征向量,该特征向量即为所求的各指标的权重系数。
(2)对各类三级指标进行归一化处理
为计算金融科技行业指数,定性与定量相结合,使求出来的指数有可比性,我们对三级指标的统计量用0-1标准化技术进行无量纲化处理,将量纲不同、大小悬殊的不同指标转化到同等的水平上,使得组内数据可同级比较。公式如下
其中,Xmax为最大值,Xmin为最小值
(3)初步合成发展指数
合成指数的计算方法是先求出每个三级指标的对称变化率,实际上是序列的一阶差分相对变化率,其目的是使序列平稳、规则、且均值为零,使峰、谷及其落差显得更明显,以便后面的分析和判断。接着,求出各组指标的组间平均变化率,使得各二级指数可比。若不进行标准化处理,指标数值大的序列组中的作用会强化,从而相对弱化了指标数值小的序列.然后以层次分析法得到的权重计算平均变化率并再次进行标准化。
本发明实施例涉及的指标即为特征,为符合用语习惯,有地方写成指标,有的地方写成特征,本领域技术人员应当理解二者指代同一。
本发明实施例具有以下有益效果:根据预先构建的金融指数分析模型对所述金融数据进行分析,并获得城市金融指数分析结果,可以获得城市金融指数的准确分析结果,从而可以通过指数的分析结果,促进各城市金融业的发展。
实施例二
图2为本发明的基于大数据分析技术的城市金融指数分析方法的实施例二的流程图,本实施例的基于大数据分析技术的城市金融指数分析方法在上述实施例一的基础上,进一步更加详细地介绍本发明的技术方案。如图2所示,本实施例的基于大数据分析技术的城市金融指数分析方法,具体可以包括如下步骤:
S201,获取金融数据。
由于许多网站设置了反爬虫策略,因此在获取金融数据时,可考虑针对反爬应对策略。
本发明实施例在获取金融数据后,可将数据在多种形式进行存储,例如,云存储。这样可以保证业务需求的不中断。而且在业务升级或者流量突增、需要创建大量云主机时,云主机的快速创建能够快速响应业务需求。
S202,对所述金融数据进行预处理。
其中,步骤S202包括:对所述金融数据进行清洗,然后存储清洗后的金融数据。
由于在互联网上获取的金融数据可能是结构化的,也可能是半结构化或非结构化的,因此需要对获取的金融数据进行数据清洗。以实现金融数据的规范化、数据抽样、数据排序、汇总、指定因变量、属性变换、数据替换、数据降维、数据集拆分、离散化等功能。另外,可将清洗后的金融数据装载入数据仓库,而且如果数据仓库汇总层的加工结果不能满足金数据展现需求,则可建设数据集市来存储清洗后的金融数据。
另外,在预处理阶段,还可以对金融数据进行归一化处理。
另外,在获取金融数据后,由于数据格式不尽相同,可对金融数据进行数据解析,以支持多种格式数据源;还可对所获取的金融数据进行去重处理。
S203,构建所述金融指数分析模型,以使得金融指数分析模型对所述金融数据进行分析。
步骤S203包括:A,根据所述金融数据中的训练数据及至少一个预设算法,构建至少一个金融指数分析模型;B,根据所述金融数据中的测试数据,评估每个所述金融指数分析模型,根据评估结果,确定所述金融指数分析模型。
其中,金融指数分析模型的建立和优化主要分为三个步骤:模型特征选择、构建数据集、尝试多种模型。好述三个步骤的顺序可以根据需要,随时做出调整。
本发明实施例为使构建的模型能够对金融数据进行准确的分析,可构建多种模型,对金融数据进行分析,然后对分析结果进行评估,然后选择分析结果最优的模型作为金融指数分析模型。另外,为对分析结果进行准确的评估,可将所获取的金融数据按照预设比例分成两部分,一部分作为训练数据用于构建模型,另一部分作为测试数据用于测试模型的分析结果。例如,可将采集的金融数据按8比2的比例分割,也就是说80%的金融数据作为训练数据,将20%的数据测试数据。
本发明实施例可首先确定模型需要的特征。其中,特征可包括:金融科技产业绩效、金融科技机构实力、金融科技市场规模和金融科技生态环境等二级指标。同时,在每个二级指标下进行指标刻画的细分,例如,可选取十个以上三级指标作为测量金融科技行业发展水平的基础指标。
然后获取与特征对应的金融数据,在获取金融数据后,可构建金融数据集。为防止数据过拟合,可将金融数据集中的数据顺序进行随机排序。数据集的结构可以为(y,x1,x2,……,xn),其中y为该数据集的标签值,x1,x2,……,xn为所构建模型的特征,n为所构建模型的维度。y对应金融数据中的测试数据,x1,x2,……,xn对应金融数据中的训练数据。也就是说,当采用x1,x2,……,xn构建成模型后,输入测试值y,测试当前模型输出的金融分析指数是否准确。
同时,由于城市金融的指标在进行计算时,有的是正向指标,有的是负向(逆向)指标,因此对在对金融数据分析时,需要提供业务解释,或对每一特征需要赋予权重。
本发明实施例可构建多种数据模型,根据城市金融分析指数的业务需求,例如,可构建回归、分类或者聚类模型。基于数据的实际情况,如数据规模,数据的分布情况等信息,选择逻辑回归、支持向量机、决策树等不同模型,或根据业务需求,设计新的模型算法,并记录每种模型的效果和性能。
当构建完数据模型后,可使用数据集中的测试数据对模型进行交叉验证。例如,对于大规模数据,需采用K折交叉验证;对于小规模数据,可选用K折交叉验证或者留一验证。可将所选验证方法记录在日志中。
另外,每一数据模型都对应有多种参数,在构建数据模型后,需要对不同参数进行调整,以寻求各个模型的最优参数,并记录每一种参数下模型的效果及性能。
例如,对于分类模型,需记录每种模型的准确度(accuracy),精确度(precision),召回率(recall),综合评价指标(F1-score)及受试者工作曲线下的面积值(Area Underthe ROC Curve,AUC),其他性能结果可自选。
再例如,对于回归模型,需要记录每种模型的均方根误差(RMSE)、平均绝对差值(MAE)和平均绝对百分误差(MAPE),其他性能结果可自选。
再例如,对于聚类模型,需要记录其轮廓系数(Silhouette Coefficient)。如果有真实值,仍需记录准确度、精确度、召回率,F1值、AUC值以及调整兰德指数(adjusted randindex,ARI)。
另外,对于各类模型,开发人员都需要评估模型的时间复杂度和空间复杂度,并将速度和内存占有率记录在日志中。然后可选择时间复杂度和空间复杂度符合要求的数据模型。
S204,将所述金融数据输入预设的金融指数分析模型,以使金融指数分析模型对所述金融数据进行分析,并获得城市金融指数分析结果。
上述步骤S204对应实施例一的步骤S102。
本发明实施例,还提供数据管理功能,例如,权限管理、数据血缘和元数据查看等功能。
本发明实施例具有以下有益效果:根据预先构建的金融指数分析模型对所述金融数据进行分析,并获得城市金融指数分析结果,可以获得城市金融指数的准确分析结果,从而可以通过指数的分析结果,促进各城市金融业的发展。
实施例三
图3为本发明的基于大数据分析技术的城市金融指数分析装置的示意图,如图3所示,本实施例的基于大数据分析技术的城市金融指数分析装置,具体可以包括获取模块31和分析模块32。
获取模块31,配置为获取金融数据;
分析模块32,配置为将所述金融数据输入预设的金融指数分析模型,以使金融指数分析模型对所述金融数据进行分析,并获得城市金融指数分析结果。
本实施例的基于大数据分析技术的城市金融指数分析装置,通过采用上述模块对城市金融指数分析的实现机制与上述图1所示实施例的基于大数据分析技术的城市金融指数分析方法的实现机制相同,详细可以参考上述图1所示实施例的记载,在此不再赘述。
实施例四
图4为本发明的基于大数据分析技术的城市金融指数分析装置的示意图,如图4所示,本实施例的基于大数据分析技术的城市金融指数分析装置,具体可以包括:
构建模块33,配置为构建所述金融指数分析模型,以使得金融指数分析模型对所述金融数据进行分析。
进一步地,所述构建模块具体配置为:
根据所述金融数据中的训练数据及至少一个预设算法,构建至少一个金融指数分析模型;
根据所述金融数据中的测试数据,评估每个所述金融指数分析模型,根据评估结果,确定所述金融指数分析模型。
进一步地,所述构建模块还具体配置为:
调整所述金融指数分析模型的参数;
确定所述参数对应的金融指数分析模型输出的效果及性能;
选择效果及性能符合要求的金融指数分析模型。
进一步地,所述构建模块还具体配置为:
对所述金融指数分析模型进行交叉验证;
计算每个所述金融指数分析模型的时间复杂度和空间复杂度;
选择时间复杂度和空间复杂度超过预设阈值的金融指数分析模型。
本实施例的基于大数据分析技术的城市金融指数分析装置,通过采用上述模块对城市金融指数分析的实现机制与上述图2所示实施例的基于大数据分析技术的城市金融指数分析方法的实现机制相同,详细可以参考上述图2所示实施例的记载,在此不再赘述。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (13)
1.一种基于大数据分析技术的城市金融指数分析方法,其特征在于,包括:
获取金融数据;
将所述金融数据输入预设的金融指数分析模型,以使金融指数分析模型对所述金融数据进行分析,并获得城市金融指数分析结果。
2.根据权利要求1所述的方法,其特征在于,将所述金融数据输入预设的金融指数分析模型,以获得城市金融指数分析结果之前,所述方法包括:
构建所述金融指数分析模型,以使得金融指数分析模型对所述金融数据进行分析。
3.根据权利要求2所述的方法,其特征在于,构建所述金融指数分析模型包括:
根据所述金融数据中的训练数据及至少一个预设算法,构建至少一个金融指数分析模型;
根据所述金融数据中的测试数据,评估每个所述金融指数分析模型,根据评估结果,确定所述金融指数分析模型。
4.根据权利要求3所述的方法,其特征在于,根据所述金融数据中的训练数据及至少一个预设算法,构建至少一个金融指数分析模型:
调整所述金融指数分析模型的参数;
确定所述参数对应的金融指数分析模型输出的效果及性能;
选择效果及性能符合要求的金融指数分析模型。
5.根据权利要求3所述的方法,其特征在于,根据所述金融数据中的测试数据,评估每个所述金融指数分析模型,根据评估结果,确定所述金融指数分析模型包括:
对所述金融指数分析模型进行交叉验证;
计算每个所述金融指数分析模型的时间复杂度和空间复杂度;
选择时间复杂度和空间复杂度超过预设阈值的金融指数分析模型。
6.根据权利要求1所述的方法,其特征在于,获取金融数据包括:
采用网络爬虫技术,获取互联网上的金融数据;或者,
接收录入的金融数据。
7.根据权利要求1所述的方法,其特征在于,获取金融数据之后,所述方法还包括:
对所述金融数据进行预处理。
8.根据权利要求7所述的方法,其特征在于,对所述金融数据进行预处理包括:
对所述金融数据进行清洗,然后存储清洗后的金融数据。
9.一种基于大数据分析技术的城市金融指数分析装置,其特征在于,包括:
获取模块,配置为获取金融数据;
分析模块,配置为将所述金融数据输入预设的金融指数分析模型,以使金融指数分析模型对所述金融数据进行分析,并获得城市金融指数分析结果。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
构建模块,配置为构建所述金融指数分析模型,以使得金融指数分析模型对所述金融数据进行分析。
11.根据权利要求10所述的装置,其特征在于,所述构建模块具体配置为:
根据所述金融数据中的训练数据及至少一个预设算法,构建至少一个金融指数分析模型;
根据所述金融数据中的测试数据,评估每个所述金融指数分析模型,根据评估结果,确定所述金融指数分析模型。
12.根据权利要求11所述的装置,其特征在于,所述构建模块具体配置为:
调整所述金融指数分析模型的参数;
确定所述参数对应的金融指数分析模型输出的效果及性能;
选择效果及性能符合要求的金融指数分析模型。
13.根据权利要求11所述的装置,其特征在于,所述构建模块具体配置为:
对所述金融指数分析模型进行交叉验证;
计算每个所述金融指数分析模型的时间复杂度和空间复杂度;
选择时间复杂度和空间复杂度超过预设阈值的金融指数分析模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810563023.1A CN109063944A (zh) | 2018-06-04 | 2018-06-04 | 基于大数据分析技术的城市金融指数分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810563023.1A CN109063944A (zh) | 2018-06-04 | 2018-06-04 | 基于大数据分析技术的城市金融指数分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109063944A true CN109063944A (zh) | 2018-12-21 |
Family
ID=64820317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810563023.1A Pending CN109063944A (zh) | 2018-06-04 | 2018-06-04 | 基于大数据分析技术的城市金融指数分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063944A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242779A (zh) * | 2020-01-03 | 2020-06-05 | 湖南工商大学 | 金融数据特征选择和预测方法、装置、设备及存储介质 |
CN112860785A (zh) * | 2021-03-31 | 2021-05-28 | 山东财经大学 | 一种经济数据分析方法及*** |
-
2018
- 2018-06-04 CN CN201810563023.1A patent/CN109063944A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242779A (zh) * | 2020-01-03 | 2020-06-05 | 湖南工商大学 | 金融数据特征选择和预测方法、装置、设备及存储介质 |
CN111242779B (zh) * | 2020-01-03 | 2023-08-18 | 湖南工商大学 | 金融数据特征选择和预测方法、装置、设备及存储介质 |
CN112860785A (zh) * | 2021-03-31 | 2021-05-28 | 山东财经大学 | 一种经济数据分析方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222267B (zh) | 一种游戏平台信息推送方法、***、存储介质及设备 | |
US9489627B2 (en) | Hybrid clustering for data analytics | |
CN109409677A (zh) | 企业信用风险评估方法、装置、设备及存储介质 | |
CN105718490A (zh) | 一种用于更新分类模型的方法及装置 | |
CN106227756A (zh) | 一种基于情感分类的股票指数预测方法及*** | |
CN107357902A (zh) | 一种基于关联规则的数据表分类***与方法 | |
Yildizbasi et al. | Green supplier selection in new era for sustainability: a novel method for integrating big data analytics and a hybrid fuzzy multi-criteria decision making | |
Yao | Financial accounting intelligence management of internet of things enterprises based on data mining algorithm | |
CN105528465A (zh) | 信用状况评估方法及装置 | |
CN111738843B (zh) | 一种使用流水数据的量化风险评价***和方法 | |
Gu et al. | [Retracted] Application of Fuzzy Decision Tree Algorithm Based on Mobile Computing in Sports Fitness Member Management | |
KR20200075120A (ko) | 기업 부도 예측 시스템 및 이의 동작 방법 | |
CN106933814A (zh) | 税务数据异常分析方法及*** | |
Ramesh | Big data architecture | |
Xu et al. | Novel key indicators selection method of financial fraud prediction model based on machine learning hybrid mode | |
Zhang et al. | Author impact: Evaluations, predictions, and challenges | |
CN112419029A (zh) | 类金融机构风险监控方法、风险模拟***及存储介质 | |
Sarantitis et al. | A network analysis of the United Kingdom’s consumer price index | |
CN109063944A (zh) | 基于大数据分析技术的城市金融指数分析方法及装置 | |
Zhang et al. | Research on borrower's credit classification of P2P network loan based on LightGBM algorithm | |
Kipkogei et al. | Business success prediction in Rwanda: a comparison of tree-based models and logistic regression classifiers | |
CN112506930B (zh) | 一种基于机器学习技术的数据洞察*** | |
CN107291722B (zh) | 一种描述词的分类方法及设备 | |
Shaji et al. | Weather Prediction Using Machine Learning Algorithms | |
Jabir et al. | Big data analytics for strategic and operational decisions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181221 |
|
WD01 | Invention patent application deemed withdrawn after publication |