CN111861729A - 基于lstm的行为评分***及方法 - Google Patents
基于lstm的行为评分***及方法 Download PDFInfo
- Publication number
- CN111861729A CN111861729A CN202010757049.7A CN202010757049A CN111861729A CN 111861729 A CN111861729 A CN 111861729A CN 202010757049 A CN202010757049 A CN 202010757049A CN 111861729 A CN111861729 A CN 111861729A
- Authority
- CN
- China
- Prior art keywords
- lstm
- client
- data
- period
- behavior scoring
- 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 abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 230000000306 recurrent effect Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000013077 scoring method Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 7
- 230000006399 behavior Effects 0.000 description 45
- 238000004458 analytical method Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000004080 punching Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000004898 kneading Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001960 triggered effect Effects 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及数据处理技术领域，具体公开了基于lstm的行为评分***及方法，方法包括如下步骤：S1、将观察点之前的一段时期设定为观察期，将观察点之后的一段时期设定为表现期；依据客户在表现期的表现对客户进行划分并生成标签数据，标签数据包括好客户或坏客户；S2、在完成观察期和表现期的设定后，构建行为评分卡的衍生指标；S3、构建lstm循环神经网络，输入观察期内客户的衍生指标数据，以及客户的标签数据进行训练，建立基于lstm循环神经网络的行为评分卡模型；S4、将建立的行为评分卡模型部署在预设的产品中，按预定的时间间隔对预设的产品中的在贷客户进行扫描生成行为评分卡结果。采用本发明的技术方案能够进行贷后的自动化管理，降低风险。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及基于lstm的行为评分***及方法。
背景技术
目前，个人消费性循环贷产品日益线上化，其具有客户数目庞大、单笔金额较小、风险分散等特点。这使得推出这类产品的商业银行在迅速扩张业务规模的同时，也面临着巨大的信用风险。
因此商业银行需要一种快速有效的风控方法，准确及时地判断客户风险。目前比较成熟、主流的做法是基于数据挖掘构造评分卡模型，并且以评分支持风险管理决策。但是大部分银行主要的评分卡应用是在前端审批决策的，对于贷后管理方面缺乏自动化、智能化和定量化的管理工具。
为此，需要一种能对贷后进行自动化管理，降低风险的***及方法。
发明内容
本发明提供了基于lstm的行为评分***及方法，能够进行贷后的自动化管理，降低风险。
为了解决上述技术问题，本申请提供如下技术方案：
基于lstm的行为评分方法，包括如下步骤：
S1、选取客户样本中的一个时间点为观察点，将观察点之前的一段时期设定为观察期，将观察点之后的一段时期设定为表现期；依据客户在表现期的表现对客户进行划分并生成标签数据，标签数据包括好客户或坏客户；
S2、在完成观察期和表现期的设定后，构建行为评分卡的衍生指标；衍生指标包括客户申请贷款时的状况和贷款成功后的各个还款行为数据；
S3、构建lstm循环神经网络，输入观察期内客户的衍生指标，以及客户的标签数据进行训练，建立基于lstm循环神经网络的行为评分卡模型；
S4、将建立的行为评分卡模型部署在预设的产品中，按预定的时间间隔对预设的产品中的在贷客户进行扫描生成行为评分卡结果。
基础方案原理及有益效果如下：
lstm的全称是long short-term memory，即长短时记忆网络，是一种特定形式的循环神经网络，而循环神经网络是一系列能够处理序列数据的神经网络的总称。其主要应用于时间序列数据的分析及预测。通过对前面信息进行记忆并应用到当前输出的计算。其具有较强的时间序列学习能力以及较强的信息选择能力。
本方案中，为了提高个人消费性循环贷等产品的贷后预警监控的及时性和前瞻性以及准确性，运用lstm算法，通过对借款人贷后的还款行为数据等具有时间先后顺序的数据进行分析，建立行为评分卡模型；通过将行为评分卡模型部署在预设的产品中，按预定的时间间隔对在贷客户进行扫描生成行为评分卡结果，可以有效实现贷后的自动化管理，降低风险。
进一步，所述S1中，获取客户的账户数据中的贷后还款数据，基于客户在表现期中贷后还款数据将客户划分成好客户和坏客户。
进一步，所述S1中，将贷后还款数据中历史逾期天数大于预定天数的客户定义为坏客户。
进一步，所述S1中，观察期长度为6-18个月。
进一步，所述S2中，衍生指标还包括人行行为数据和三方数据源数据。
引入三方数据源数据、人行行为数据等多种维度的数据，有助于提高行为评分卡模型的精度。
进一步，还包括S5、根据行为评分卡结果，对预设的产品中的在贷客户进行监控，基于预设的自动预警规则生成建议处理措施。
定期对客户进行自动扫描监测，生成建议处理措施，能尽早监控到在贷客户可能出现的问题，提前采取措施、减小贷款银行损失。行为评分卡模型作为动态的风险评估方法，能够实现存量零售业务的定量分析和自动处理，为贷后风险预警、组合分析、催收管理、交叉营销等提供决策支持。
进一步，所述S2中，客户申请贷款时的状况包括婚姻状况、年龄、性别和个人收入。
进一步，所述S2中，贷款成功后的各个还款行为数据包括最大逾期天数、最小逾期天数、贷款余额、逾期金额。
进一步，所述S2中，贷款成功后的各个还款行为数据还包括提前还款次数、提款次数和提款总金额。
基于lstm的行为评分***，采用上述基于lstm的行为评分方法。
基于lstm的行为评分***，能够实现存量零售业务的定量分析和自动处理，为贷后风险预警、组合分析、催收管理、交叉营销等提供决策支持。为了提高个人消费性循环贷等产品的贷后预警监控的及时性和前瞻性以及准确性，同时，因为风控场景下有大量的具有时间先后顺序的数据，运用lstm算法，通过对客户贷后的还款行为数据、三方数据源数据、人行行为数据等多种维度的数据进行分析，建立行为评分卡模型，定期对客户进行自动扫描监测，生成建议处理措施，能尽早监控到在贷客户可能出现的问题，提前采取措施、减小贷款银行损失。
附图说明
图1为基于lstm的行为评分方法实施例一流程图。
具体实施方式
下面通过具体实施方式进一步详细说明：
实施例一
如图1所示，本实施例的基于lstm的行为评分方法，包括如下步骤：
S1、定义客户标签：首先选取客户样本中的一个时间点为观察点，将观察点之前的一段时期设定为观察期，将观察点之后的一段时期设定为表现期；依据客户在表现期的表现将客户划分并生成标签数据，标签数据包括好客户和坏客户。本实施例中，获取客户的账户数据中的贷后还款数据，基于客户在表现期的贷后还款数据将客户划分成好客户和坏客户。具体的，贷后还款数据中历史逾期天数大于预定天数的客户定义为坏客户，预定天数为20-60天，本实施例中为30天。观察期长度为6-18个月，本实施例中为9个月。
S2、构建衍生指标：在完成观察期和表现期的设定后，需要构建特征变量即构建行为评分卡的衍生指标。
其中，衍生指标包括客户申请贷款时的状况(如婚姻状况、年龄、性别、个人收入、申请评分卡分数)、贷款成功后的各个还款行为数据(如连续几个月的还款行为包括但不限于最近几个月的最大逾期天数、最小逾期天数、贷款余额、逾期金额、提前还款次数、提款次数、提款总金额、提款金额占授信金额占比、借款利率、借款期限等)、人行行为数据(最近几个月人行行为数据的变动如***通过率、贷款通过率、贷款查询次数等信息)和三方数据源数据(最近几个月的消费数据、多头借贷数据等)。本实施例中，三方数据源数据指第三方机构提供的数据，多头借贷数据指单个借款人向两家或者两家以上的金融机构提出借贷需求的行为数据。
S3、建立行为评分卡模型：构建lstm循环神经网络，输入观察期内客户的衍生指标，以及客户的标签数据进行训练，建立基于lstm循环神经网络的行为评分卡模型；
S4、扫描：将建立的行为评分卡模型部署在预设的产品中，按预定的时间间隔对预设的产品中在贷客户进行扫描生成行为评分卡结果。本实施例中，预设的产品为个人消费性循环贷产品。具体的，扫描时计算衍生指标，预测客户的风险大小生成行为评分卡结果。也就是客户未来一段时间内发生违约的概率，例如客户出现拖欠还款等风险的概率以及风险严重程度。
S5、监控：根据行为评分卡结果，对预设的产品中的在贷客户进行监控，基于预设的自动预警规则生成建议处理措施。本实施例中，根据不同的风险程度采取不同的处理措施，例如一旦借款人在某个节点的行为评分卡分数超出预警值，根据风险程度采取冻结额度、催收等措施，减少损失。如果借款人分数较高，风险较低亦可以进行提额、二次营销等措施，最大限度的锁定客户，提高收益。在其他实施例中，也可以在行为评分卡结果的基础上结合其他要素自由制定自动预警规则。
本实施例的基于lstm的行为评分***，采用上述基于lstm的行为评分方法。
实施例二
本实施例的基于lstm的行为评分方法，衍生指标还包括客户的工作情况。客户的工作情况，对于机构的放款会有不小的影响，若客户的工作出现了造假的情况，如通盖假章(或者托关系)的方式捏造一个工作单位。由于工作单位为捏造，放款后，用户的偿还能力及偿还意识都得不到保证。这样，会对机构的回款造成不好的影响，若这样的客户数量达到了一定的数量级，更是会对机构的贷款业务造成较大的打击。
为了避免这样的情况出现，本实施例中，还包括客户端，客户端为装载对应APP的智能手机；客户端内存储有客户的用户资料，用户资料包括工作的公司；客户端用于接收到上班打卡语音信息时，定位当前的位置，并将当前的位置与用户资料上公司的定位信息进行对比；
客户端还用于对客户进行工作标记；具体的，当对比次数达到预设值时，客户端计算地址一致性的比率，若地址一致性的比率超过预设比率，则将客户的工作情况标记为工作认证通过，否则将客户的工作情况标记为工作存疑。
由于客户上班打卡时，需要位于打卡机附近，也就是位于公司地址，通过上班打卡(如钉钉蓝牙打卡)的声音触发客户端采集客户当前坐标，此时采集的坐标位置可以确保是客户所在公司的真实地址。之后，客户端将采集的当前坐标与用户资料中公司的定位信息进行比对。可以知晓客户实际的上班地址与资料中公司地址是否一致。
当对比的次数达到预设值(如30次)后，客户端计算地址一致性占的比率，若比率超过预设比率(如80％，考虑到工作人员有时会外出的情况)，则说明客户的工作单位属实。因此，将客户的工作情况标记为“工作认证通过”。否则将客户的工作情况标记为“工作存疑”。便于后续录入衍生指标内。
通过这样的方式，能够获得真实的客户的工作单位信息，进而对客户的工作单位信息进行验证，防止因为客户工作单位信息问题给机构的贷款业务造成负面影响。
以上的仅是本发明的实施例，该发明不限于此实施案例涉及的领域，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.基于lstm的行为评分方法，其特征在于，包括如下步骤：
S1、选取客户样本中的一个时间点为观察点，将观察点之前的一段时期设定为观察期，将观察点之后的一段时期设定为表现期；依据客户在表现期的表现对客户进行划分并生成标签数据，标签数据包括好客户或坏客户；
S2、在完成观察期和表现期的设定后，构建行为评分卡的衍生指标；衍生指标包括客户申请贷款时的状况和贷款成功后的各个还款行为数据；
S3、构建lstm循环神经网络，输入观察期内客户的衍生指标，以及客户的标签数据进行训练，建立基于lstm循环神经网络的行为评分卡模型；
S4、将建立的行为评分卡模型部署在预设的产品中，按预定的时间间隔对预设的产品中的在贷客户进行扫描生成行为评分卡结果。
2.根据权利要求1所述的基于lstm的行为评分方法，其特征在于：所述S1中，获取客户的账户数据中的贷后还款数据，基于客户在表现期中贷后还款数据将客户划分成好客户和坏客户。
3.根据权利要求2所述的基于lstm的行为评分方法，其特征在于：所述S1中，贷后还款数据中历史逾期天数大于预定天数的客户定义为坏客户。
4.根据权利要求3所述的基于lstm的行为评分方法，其特征在于：所述S1中，观察期长度为6-18个月。
5.根据权利要求4所述的基于lstm的行为评分方法，其特征在于：所述S2中，衍生指标还包括人行行为数据和三方数据源数据。
6.根据权利要求5所述的基于lstm的行为评分方法，其特征在于：还包括S5、根据行为评分卡结果，对预设的产品中的在贷客户进行监控，基于预设的自动预警规则生成建议处理措施。
7.根据权利要求6所述的基于lstm的行为评分方法，其特征在于：所述S2中，客户申请贷款时的状况包括婚姻状况、年龄、性别和个人收入。
8.根据权利要求7所述的基于lstm的行为评分方法，其特征在于：所述S2中，贷款成功后的各个还款行为数据包括最大逾期天数、最小逾期天数、贷款余额、逾期金额。
9.根据权利要求8所述的基于lstm的行为评分方法，其特征在于：所述S2中，贷款成功后的各个还款行为数据还包括提前还款次数、提款次数和提款总金额。
10.基于lstm的行为评分***，其特征在于，采用权利要求1-9任一项所述的基于lstm的行为评分方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010757049.7A CN111861729A (zh) | 2020-07-31 | 2020-07-31 | 基于lstm的行为评分***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010757049.7A CN111861729A (zh) | 2020-07-31 | 2020-07-31 | 基于lstm的行为评分***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111861729A true CN111861729A (zh) | 2020-10-30 |
Family
ID=72952530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010757049.7A Pending CN111861729A (zh) | 2020-07-31 | 2020-07-31 | 基于lstm的行为评分***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111861729A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700280A (zh) * | 2020-12-31 | 2021-04-23 | 上海竞动科技有限公司 | 一种短期非连续用户行为评价方法及装置 |
| CN113159924A (zh) * | 2021-04-30 | 2021-07-23 | 中国银行股份有限公司 | 授信客户对象的确定方法及装置 |
| CN113516547A (zh) * | 2021-04-23 | 2021-10-19 | 武汉赢联数据技术股份有限公司 | 一种语音播报式分级***客户风险预警*** |
| CN113590629A (zh) * | 2021-08-09 | 2021-11-02 | 马上消费金融股份有限公司 | 数据处理方法、违约概率模型训练方法及相关设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
| CN109191282A (zh) * | 2018-08-23 | 2019-01-11 | 北京玖富普惠信息技术有限公司 | 一种基于行为模型的贷中监测评分方法以及*** |
| CN109584048A (zh) * | 2018-11-30 | 2019-04-05 | 上海点融信息科技有限责任公司 | 基于人工智能对申请者进行风险评级的方法和装置 |
| CN110246029A (zh) * | 2019-06-21 | 2019-09-17 | 深圳前海微众银行股份有限公司 | 贷后风险管理方法、终端、装置及可读存储介质 |
| CN110827143A (zh) * | 2019-11-08 | 2020-02-21 | 支付宝(杭州)信息技术有限公司 | 训练信用评分模型的方法、装置及设备 |
| CN111311402A (zh) * | 2020-03-30 | 2020-06-19 | 百维金科(上海)信息科技有限公司 | 一种基于XGBoost的互联网金融风控模型 |
| CN114493826A (zh) * | 2021-12-22 | 2022-05-13 | 四川新网银行股份有限公司 | 一种基于神经网络的个人征信评分方法 |
-
2020
- 2020-07-31 CN CN202010757049.7A patent/CN111861729A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
| CN109191282A (zh) * | 2018-08-23 | 2019-01-11 | 北京玖富普惠信息技术有限公司 | 一种基于行为模型的贷中监测评分方法以及*** |
| CN109584048A (zh) * | 2018-11-30 | 2019-04-05 | 上海点融信息科技有限责任公司 | 基于人工智能对申请者进行风险评级的方法和装置 |
| CN110246029A (zh) * | 2019-06-21 | 2019-09-17 | 深圳前海微众银行股份有限公司 | 贷后风险管理方法、终端、装置及可读存储介质 |
| CN110827143A (zh) * | 2019-11-08 | 2020-02-21 | 支付宝(杭州)信息技术有限公司 | 训练信用评分模型的方法、装置及设备 |
| CN111311402A (zh) * | 2020-03-30 | 2020-06-19 | 百维金科(上海)信息科技有限公司 | 一种基于XGBoost的互联网金融风控模型 |
| CN114493826A (zh) * | 2021-12-22 | 2022-05-13 | 四川新网银行股份有限公司 | 一种基于神经网络的个人征信评分方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700280A (zh) * | 2020-12-31 | 2021-04-23 | 上海竞动科技有限公司 | 一种短期非连续用户行为评价方法及装置 |
| CN113516547A (zh) * | 2021-04-23 | 2021-10-19 | 武汉赢联数据技术股份有限公司 | 一种语音播报式分级***客户风险预警*** |
| CN113516547B (zh) * | 2021-04-23 | 2023-10-03 | 武汉赢联数据技术股份有限公司 | 一种语音播报式分级***客户风险预警*** |
| CN113159924A (zh) * | 2021-04-30 | 2021-07-23 | 中国银行股份有限公司 | 授信客户对象的确定方法及装置 |
| CN113590629A (zh) * | 2021-08-09 | 2021-11-02 | 马上消费金融股份有限公司 | 数据处理方法、违约概率模型训练方法及相关设备 |
| CN113590629B (zh) * | 2021-08-09 | 2024-05-24 | 马上消费金融股份有限公司 | 数据处理方法、违约概率模型训练方法及相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bourdeau-Brien et al. | The impact of natural disasters on the stock returns and volatilities of local firms | |
| Mensi et al. | Do global factors impact BRICS stock markets? A quantile regression approach | |
| CN111861729A (zh) | 基于lstm的行为评分***及方法 | |
| CN109858737B (zh) | 基于模型部署的评分模型调整方法、装置和计算机设备 | |
| Pavlović et al. | Application of Data Mining in direct marketing | |
| CN110390465A (zh) | 业务数据的风控分析处理方法、装置和计算机设备 | |
| Mittermayer et al. | Newscats: A news categorization and trading system | |
| CN109165840A (zh) | 风险预测处理方法、装置、计算机设备和介质 | |
| CN109767322A (zh) | 基于大数据的可疑交易分析方法、装置和计算机设备 | |
| Van Thiel et al. | Artificial intelligence credit risk prediction: An empirical study of analytical artificial intelligence tools for credit risk prediction in a digital era | |
| CN109829629A (zh) | 风险分析报告的生成方法、装置、计算机设备和存储介质 | |
| US20120246058A1 (en) | Method of computerized monitoring of investment trading and associated system | |
| Al-Saleh et al. | Prediction of financial distress for commercial banks in Kuwait | |
| US20110153536A1 (en) | Computer-Implemented Systems And Methods For Dynamic Model Switching Simulation Of Risk Factors | |
| CN112700321A (zh) | 基于用户行为数据的多规则反欺诈预测方法及*** | |
| Van Thiel et al. | Artificial intelligent credit risk prediction: An empirical study of analytical artificial intelligence tools for credit risk prediction in a digital era | |
| Bakhach et al. | TSFDC: A trading strategy based on forecasting directional change | |
| CN109767326A (zh) | 可疑交易报告生成方法、装置、计算机设备和存储介质 | |
| US20200184344A1 (en) | System and method for measuring model efficacy in highly regulated environments | |
| Vuković et al. | Corporate bankruptcy prediction: evidence from wholesale companies in the Western European countries | |
| Li et al. | Predicting loss given default of unsecured consumer loans with time-varying survival scores | |
| JP6771513B2 (ja) | 債務不履行確率を算出する装置、方法及びそのためのプログラム | |
| Polintan et al. | Forecasting gross domestic product in the Philippines using autoregressive integrated moving average (ARIMA) model | |
| Karime et al. | Political news and stock market reactions: evidence from Turkey over the period 2008–2017 | |
| KR101960074B1 (ko) | 신용 상태 평가 방법, 이를 실행하는 서버 및 이를 실행하는 시스템 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201030 |