CN116542774B - 一种基于概率扩散模型的上市公司关联交易合规检测方法 - Google Patents
一种基于概率扩散模型的上市公司关联交易合规检测方法 Download PDFInfo
- Publication number
- CN116542774B CN116542774B CN202310764777.4A CN202310764777A CN116542774B CN 116542774 B CN116542774 B CN 116542774B CN 202310764777 A CN202310764777 A CN 202310764777A CN 116542774 B CN116542774 B CN 116542774B
- Authority
- CN
- China
- Prior art keywords
- transaction
- compliance
- matrix
- representing
- party
- 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.)
- Active
Links
- 238000009792 diffusion process Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 134
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 230000000007 visual effect Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012502 risk assessment 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Technology Law (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Algebra (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于概率扩散模型的上市公司关联交易合规检测方法,包括:收集上市公司与关联方之间的交易信息,并基于交易信息构建关联交易矩阵;基于视觉转换器模型对归一化后的关联交易矩阵进行特征提取,得到关联交易特征编码矩阵;采用概率扩散模型对关联交易特征编码矩阵进行多步去噪处理;将处理后的关联交易特征编码矩阵转换为交易合规性矩阵;基于合规性阈值确定交易合规性矩阵中交易的合规性。该方法能够智能、高效且准确地对上市公司的关联交易进行合规性检测,减少了人工干预,提高了上市公司的关联交易合规性检测效率。
Description
技术领域
本申请涉及企业风控技术领域,特别是涉及一种基于概率扩散模型的上市公司关联交易合规检测方法。
背景技术
上市公司的关联交易是指公司与其关联方之间的交易。由于关联交易存在如信息不对称、内幕交易、占用资金等诸多风险,可能影响企业的正常经营和股东的利益。因此,上市公司需要进行关联交易合规性检测,以保证其交易合规,保护股东利益,增强市场透明度。
目前,上市公司关联交易合规检测方法存在许多不足,传统的人工检测方法耗时耗力,效率低下,并且容易出现人为失误;而传统的自动化检测基于规则方法,难以发现新的不合规交易模式。
发明内容
基于此,有必要针对传统人工检测方法效率低下、容易出现失误且传统自动化检测方法难以发现新的不合规交易模式的问题,提供一种基于概率扩散模型的上市公司关联交易合规检测方法。
本申请提供了一种基于概率扩散模型的上市公司关联交易合规检测方法,该方法包括:
S1:收集上市公司与关联方之间的交易信息,并基于所述交易信息构建关联交易矩阵;
S2:基于视觉转换器模型对归一化后的关联交易矩阵进行特征提取,得到关联交易特征编码矩阵;
S3:采用概率扩散模型对所述关联交易特征编码矩阵进行多步去噪处理;将处理后的所述关联交易特征编码矩阵转换为交易合规性矩阵;
S4:基于合规性阈值确定所述交易合规性矩阵中交易的合规性。
优选的,S1中,基于交易信息的数据构建所述关联交易矩阵;所述交易信息的数据包括交易金额的连续的标量表示、交易频次的连续的标量表示、交易条件的分类索引表示以及交易类型的分类索引表示;交易金额的连续的标量表示以及交易频次的连续的标量表示的取值范围均为大于0的实数;交易条件的分类索引表示以及交易类型的分类索引表示的取值范围均为正整数;
所述关联交易矩阵表示为:
;
其中,表示关联交易矩阵;n表示关联方数量;k表示交易信息的类别数量;M ij 表示第i个关联方的第j种交易信息的数据。
优选的,S1中,还包括对关联交易矩阵中每项数据均进行归一化;计算公式为:
;
其中,表示归一化后的第i个关联方的第j种交易信息的数据;M ij 表示第i个关联方的第j种交易信息的数据。
优选的,S2中,包括:
步骤1:将归一化后的关联交易矩阵重构为二维矩阵;计算公式为:
;
其中,表示二维矩阵;reshape(·)表示矩阵形状重构函数;/>表示归一化后的关联交易矩阵;n表示关联方数量;k表示交易信息的类别数量;
步骤2:通过视觉转换器模型中的多头自注意力机制以及前馈神经网络对所述二维矩阵进行特征提取,得到所述关联交易特征编码矩阵;计算公式为:
;
其中,表示关联交易特征编码矩阵;N表示由二维矩阵分割得到的小矩阵数量;d model 表示视觉转换器模型的特征维度;ViT(·)表示视觉转换器模型。
优选的,S3中,采用U-Net网络作为概率扩散模型,并设定迭代次数;基于所述迭代次数,通过概率扩散模型对所述关联交易特征编码矩阵进行多步去噪处理;计算公式为:
;
其中,E t+1表示减去噪声后得到的第t+1次迭代的关联交易特征编码矩阵;E t 表示第t次迭代的关联交易特征编码矩阵;PDM(·)表示概率扩散模型;表示概率扩散模型预测的噪声;
采用反卷积网络将处理后的所述关联交易特征编码矩阵转换为交易合规性矩阵;计算公式为:
;
其中,C n×k 表示交易合规性矩阵;DeConv(·)表示反卷积网络;E’表示处理后的关联交易特征编码矩阵;交易合规性矩阵的尺寸与关联交易特征编码矩阵的尺寸一致。
优选的,所述视觉转换器模型和概率扩散模型是通过下述方法优化得到的:
基于交易信息训练数据集构建关联交易训练矩阵;
将关联交易训练矩阵输入初始视觉转换器模型和初始概率扩散模型,得到预测交易合规性矩阵;
基于所述预测交易合规性矩阵与实际标注的交易合规性矩阵计算出L1损失函数;基于计算出的L1损失函数,采用梯度下降反向传播算法,并通过预设的优化器对初始视觉转换器模型和初始概率扩散模型进行优化,直至达到最大迭代次数,结束优化,得到优化后的视觉转换器模型和概率扩散模型。
优选的,基于所述预测交易合规性矩阵与实际标注的交易合规性矩阵计算出L1损失函数;计算公式为:
;
其中,表示L1损失函数;n表示关联方数量;k表示交易信息的类别数量;C ij 表示预测交易合规性矩阵中第i个关联方的第j种交易信息的合规程度;/>表示实际标注的交易合规性矩阵中第i个关联方的第j种交易信息的合规程度。
优选的,S4中,包括:根据实际标注的交易合规性矩阵中所有的合规程度,计算出合规程度的均值以及标准差;基于合规程度的均值以及标准差计算出所述合规性阈值;计算公式为:
;
其中,θ表示合规性阈值;μ表示合规程度的均值;q为自定义系数;σ表示合规程度的标准差;
遍历所述交易合规性矩阵的所有元素;将交易合规性矩阵中低于合规性阈值的合规程度对应的交易标记为不合规交易,否则标记为合规交易。
优选的,所述迭代次数为1000次。
优选的,S1中,关联方包括与上市公司关联的公司高管、董事、主要股东、子公司;所述交易信息包括交易金额、交易频次、交易条件、交易类型。
有益效果:该方法能够智能、高效且准确地对上市公司的关联交易进行合规性检测,减少了人工干预,提高了上市公司的关联交易合规性检测效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的上市公司关联交易合规检测方法的流程图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似改进,因此本申请不受下面公开的具体实施例的限制。
在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
请参考图1,其示出了本申请的一些实施方式所提供的一种基于概率扩散模型的上市公司关联交易合规检测方法的流程图,如图1所示,基于概率扩散模型的上市公司关联交易合规检测方法可以包括以下步骤:
S1:收集上市公司与关联方之间的交易信息,并基于所述交易信息构建关联交易矩阵。
在本实施例中,关联方包括但不限于与上市公司关联的公司高管、董事、主要股东、子公司;所述交易信息包括但不限于交易金额、交易频次、交易条件、交易类型。
具体的,基于交易信息的数据构建所述关联交易矩阵;所述交易信息的数据包括交易金额的连续的标量表示、交易频次的连续的标量表示、交易条件的分类索引表示以及交易类型的分类索引表示;交易金额的连续的标量表示以及交易频次的连续的标量表示的取值范围均为大于0的实数;交易条件的分类索引表示以及交易类型的分类索引表示的取值范围均为正整数;
所述关联交易矩阵表示为:
;
其中,表示关联交易矩阵;n表示关联方数量;k表示交易信息的类别数量;M ij 表示第i个关联方的第j种交易信息的数据。
在本实施例中,该步骤还包括对关联交易矩阵中每项数据均进行归一化;计算公式为:
;
其中,表示归一化后的第i个关联方的第j种交易信息的数据;M ij 表示第i个关联方的第j种交易信息的数据。
S2:基于视觉转换器模型对归一化后的关联交易矩阵进行特征提取,得到关联交易特征编码矩阵。
具体的,步骤1:将归一化后的关联交易矩阵重构为二维矩阵;计算公式为:
;
其中,表示二维矩阵;reshape(·)表示矩阵形状重构函数;/>表示归一化后的关联交易矩阵;n表示关联方数量;k表示交易信息的类别数量;
步骤2:通过视觉转换器模型中的多头自注意力机制以及前馈神经网络对所述二维矩阵进行特征提取,得到所述关联交易特征编码矩阵;计算公式为:
;
其中,表示关联交易特征编码矩阵;N表示由二维矩阵分割得到的小矩阵数量;d model 表示视觉转换器模型的特征维度;ViT(·)表示视觉转换器模型。
S3:采用概率扩散模型对所述关联交易特征编码矩阵进行多步去噪处理;将处理后的所述关联交易特征编码矩阵转换为交易合规性矩阵。
具体的,采用U-Net网络作为概率扩散模型,并设定迭代次数,在本实施例中所述迭代次数被设为1000次;基于所述迭代次数,通过概率扩散模型对所述关联交易特征编码矩阵进行多步去噪处理;计算公式为:
;
其中,E t+1表示减去噪声后得到的第t+1次迭代的关联交易特征编码矩阵;E t 表示第t次迭代的关联交易特征编码矩阵;PDM(·)表示概率扩散模型;表示概率扩散模型预测的噪声;
U-Net网络传统上常用于图像分割和其他计算机视觉任务;但近年来,随着图像生成领域的发展,U-Net网络被广泛应用于DALL-E2和稳定扩散(Stable Diffusion)等先进的概率扩散模型中,用于从潜在空间重建到另一个高频特征空间,被证明具有着优秀的特征重建能力。在本实施例中,利用这一特性,从所述关联交易特征编码矩阵中,通过多步去噪处理,并将去噪处理后的关联交易特征编码矩阵通过反卷积网络重建出交易合规性矩阵。
采用反卷积网络将处理后的所述关联交易特征编码矩阵转换为交易合规性矩阵;计算公式为:
;
其中,C n×k 表示交易合规性矩阵;DeConv(·)表示反卷积网络;E’表示处理后的关联交易特征编码矩阵;交易合规性矩阵的尺寸与关联交易特征编码矩阵的尺寸一致。
在本实施例中,所述视觉转换器模型和概率扩散模型是通过下述方法优化得到的:
基于交易信息训练数据集构建关联交易训练矩阵;
将关联交易训练矩阵输入初始视觉转换器模型和初始概率扩散模型,得到预测交易合规性矩阵;
基于所述预测交易合规性矩阵与实际标注的交易合规性矩阵计算出L1损失函数;基于计算出的L1损失函数,采用梯度下降反向传播算法,并通过预设的优化器对初始视觉转换器模型和初始概率扩散模型进行优化(即优化初始视觉转换器模型以及初始概率扩散模型的权重参数),直至达到最大迭代次数,结束优化,得到优化后的视觉转换器模型和概率扩散模型。在本实施例中,预设的优化器选用Adam优化器。
L1损失函数计算公式为:
;
其中,表示L1损失函数;n表示关联方数量;k表示交易信息的类别数量;C ij 表示预测交易合规性矩阵中第i个关联方的第j种交易信息的合规程度;/>表示实际标注的交易合规性矩阵中第i个关联方的第j种交易信息的合规程度。
在每次迭代优化过程中,计算L1损失函数分别关于初始视觉转换器模型以及初始概率扩散模型的权重参数的梯度,并更新权重参数以减小L1损失函数;达到最大迭代次数之后,优化后的视觉转换器模型和概率扩散模型;优化后的视觉转换器模型和概率扩散模型,其性能将得到提升,从而更准确地估计交易的合规程度。
S4:基于合规性阈值确定所述交易合规性矩阵中交易的合规性。
具体的,根据实际标注的交易合规性矩阵中所有的合规程度,计算出合规程度的均值以及标准差;基于合规程度的均值以及标准差计算出所述合规性阈值;计算公式为:
;
;
;
其中,θ表示合规性阈值;μ表示合规程度的均值;q为自定义系数;σ表示合规程度的标准差;X表示实际标注的交易合规性矩阵中合规程度的数量,X=n*k;n表示关联方数量;k表示交易信息的类别数量;表示实际标注的交易合规性矩阵;x表示实际标注的交易合规性矩阵中第x个合规程度;
遍历所述交易合规性矩阵的所有元素;将交易合规性矩阵中低于所述合规性阈值的合规程度对应的交易标记为不合规交易,否则标记为合规交易。
本实施例提供的这种基于概率扩散模型的上市公司关联交易合规检测方法能够智能、高效且准确地对上市公司的关联交易进行合规性检测,减少了人工干预,提高了上市公司的关联交易合规性检测效率;另外,可以将检测出的不合规交易的具体不合规内容提供给监管部门、上市公司自身以及投资者进行风险评估和合规管理。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于概率扩散模型的上市公司关联交易合规检测方法,其特征在于,包括:
S1:收集上市公司与关联方之间的交易信息,并基于所述交易信息构建关联交易矩阵;
S2:基于视觉转换器模型对归一化后的关联交易矩阵进行特征提取,得到关联交易特征编码矩阵;
步骤1:将归一化后的关联交易矩阵重构为二维矩阵;计算公式为:
;
其中,表示二维矩阵;reshape(·)表示矩阵形状重构函数;/>表示归一化后的关联交易矩阵;n表示关联方数量;k表示交易信息的类别数量;
步骤2:通过视觉转换器模型中的多头自注意力机制以及前馈神经网络对所述二维矩阵进行特征提取,得到所述关联交易特征编码矩阵;计算公式为:
;
其中,表示关联交易特征编码矩阵;N表示由二维矩阵分割得到的小矩阵数量;d model 表示视觉转换器模型的特征维度;ViT(·)表示视觉转换器模型;
S3:采用概率扩散模型对所述关联交易特征编码矩阵进行多步去噪处理;将处理后的所述关联交易特征编码矩阵转换为交易合规性矩阵;
S4:基于合规性阈值确定所述交易合规性矩阵中交易的合规性。
2.根据权利要求1所述的上市公司关联交易合规检测方法,其特征在于,S1中,基于交易信息的数据构建所述关联交易矩阵;所述交易信息的数据包括交易金额的连续的标量表示、交易频次的连续的标量表示、交易条件的分类索引表示以及交易类型的分类索引表示;交易金额的连续的标量表示以及交易频次的连续的标量表示的取值范围均为大于0的实数;交易条件的分类索引表示以及交易类型的分类索引表示的取值范围均为正整数;
所述关联交易矩阵表示为:
;
其中,表示关联交易矩阵;n表示关联方数量;k表示交易信息的类别数量;M ij 表示第i个关联方的第j种交易信息的数据。
3.根据权利要求1所述的上市公司关联交易合规检测方法,其特征在于,S1中,还包括对关联交易矩阵中每项数据均进行归一化;计算公式为:
;
其中,表示归一化后的第i个关联方的第j种交易信息的数据;M ij 表示第i个关联方的第j种交易信息的数据。
4.根据权利要求1所述的上市公司关联交易合规检测方法,其特征在于,S3中,采用U-Net网络作为概率扩散模型,并设定迭代次数;基于所述迭代次数,通过概率扩散模型对所述关联交易特征编码矩阵进行多步去噪处理;计算公式为:
;
其中,E t+1表示减去噪声后得到的第t+1次迭代的关联交易特征编码矩阵;E t 表示第t次迭代的关联交易特征编码矩阵;PDM(·)表示概率扩散模型;表示概率扩散模型预测的噪声;
采用反卷积网络将处理后的所述关联交易特征编码矩阵转换为交易合规性矩阵;计算公式为:
;
其中,C n×k 表示交易合规性矩阵;DeConv(·)表示反卷积网络;E’表示处理后的关联交易特征编码矩阵;交易合规性矩阵的尺寸与关联交易特征编码矩阵的尺寸一致。
5.根据权利要求1所述的上市公司关联交易合规检测方法,其特征在于,所述视觉转换器模型和概率扩散模型是通过下述方法优化得到的:
基于交易信息训练数据集构建关联交易训练矩阵;
将关联交易训练矩阵输入初始视觉转换器模型和初始概率扩散模型,得到预测交易合规性矩阵;
基于所述预测交易合规性矩阵与实际标注的交易合规性矩阵计算出L1损失函数;基于计算出的L1损失函数,采用梯度下降反向传播算法,并通过预设的优化器对初始视觉转换器模型和初始概率扩散模型进行优化,直至达到最大迭代次数,结束优化,得到优化后的视觉转换器模型和概率扩散模型。
6.根据权利要求5所述的上市公司关联交易合规检测方法,其特征在于,基于所述预测交易合规性矩阵与实际标注的交易合规性矩阵计算出L1损失函数;计算公式为:
;
其中,表示L1损失函数;n表示关联方数量;k表示交易信息的类别数量;C ij 表示预测交易合规性矩阵中第i个关联方的第j种交易信息的合规程度;/>表示实际标注的交易合规性矩阵中第i个关联方的第j种交易信息的合规程度。
7.根据权利要求6所述的上市公司关联交易合规检测方法,其特征在于,S4中,包括:根据实际标注的交易合规性矩阵中所有的合规程度,计算出合规程度的均值以及标准差;基于合规程度的均值以及标准差计算出所述合规性阈值;计算公式为:
;
其中,θ表示合规性阈值;μ表示合规程度的均值;q为自定义系数;σ表示合规程度的标准差;
遍历所述交易合规性矩阵的所有元素;将交易合规性矩阵中低于合规性阈值的合规程度对应的交易标记为不合规交易,否则标记为合规交易。
8.根据权利要求4所述的上市公司关联交易合规检测方法,其特征在于,所述迭代次数为1000次。
9.根据权利要求1所述的上市公司关联交易合规检测方法,其特征在于,所述关联方包括与上市公司关联的公司高管、董事、主要股东、子公司;所述交易信息包括交易金额、交易频次、交易条件、交易类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310764777.4A CN116542774B (zh) | 2023-06-27 | 2023-06-27 | 一种基于概率扩散模型的上市公司关联交易合规检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310764777.4A CN116542774B (zh) | 2023-06-27 | 2023-06-27 | 一种基于概率扩散模型的上市公司关联交易合规检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116542774A CN116542774A (zh) | 2023-08-04 |
CN116542774B true CN116542774B (zh) | 2023-12-22 |
Family
ID=87452737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310764777.4A Active CN116542774B (zh) | 2023-06-27 | 2023-06-27 | 一种基于概率扩散模型的上市公司关联交易合规检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542774B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237114B (zh) * | 2023-11-10 | 2024-03-08 | 深圳市迪博企业风险管理技术有限公司 | 一种基于孪生进化的融资性贸易合规检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583033A (zh) * | 2020-04-01 | 2020-08-25 | 北京智信度科技有限公司 | 基于上市公司和股东之间联系的关联分析方法及装置 |
CN112598513A (zh) * | 2020-12-07 | 2021-04-02 | 深圳价值在线信息科技股份有限公司 | 识别股东风险交易行为的方法及装置 |
CN113420190A (zh) * | 2021-08-23 | 2021-09-21 | 连连(杭州)信息技术有限公司 | 一种商户风险识别方法、装置、设备及存储介质 |
CN115081616A (zh) * | 2022-06-02 | 2022-09-20 | 华为技术有限公司 | 一种数据的去噪方法以及相关设备 |
CN115719275A (zh) * | 2022-11-29 | 2023-02-28 | 中国工商银行股份有限公司 | 基于交易数据的风险监测方法及装置、电子设备 |
CN115760127A (zh) * | 2021-09-02 | 2023-03-07 | 华东师范大学 | 一种基于规则注意力机制的交易欺诈检测方法及*** |
CN115965822A (zh) * | 2023-02-09 | 2023-04-14 | 沈阳工业大学 | 一种风险等级的分类方法及模型训练方法 |
CN115965618A (zh) * | 2023-01-12 | 2023-04-14 | 广东工业大学 | 一种多源异构数据融合的肝胆管结石复发智能预测方法 |
CN116304705A (zh) * | 2023-03-21 | 2023-06-23 | 南京邮电大学 | 一种基于有条件扩散模型的流量数据集生成方法及装置 |
CN116310219A (zh) * | 2023-03-20 | 2023-06-23 | 浙江大学 | 一种基于条件扩散模型的三维脚型生成方法 |
-
2023
- 2023-06-27 CN CN202310764777.4A patent/CN116542774B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583033A (zh) * | 2020-04-01 | 2020-08-25 | 北京智信度科技有限公司 | 基于上市公司和股东之间联系的关联分析方法及装置 |
CN112598513A (zh) * | 2020-12-07 | 2021-04-02 | 深圳价值在线信息科技股份有限公司 | 识别股东风险交易行为的方法及装置 |
CN113420190A (zh) * | 2021-08-23 | 2021-09-21 | 连连(杭州)信息技术有限公司 | 一种商户风险识别方法、装置、设备及存储介质 |
CN115760127A (zh) * | 2021-09-02 | 2023-03-07 | 华东师范大学 | 一种基于规则注意力机制的交易欺诈检测方法及*** |
CN115081616A (zh) * | 2022-06-02 | 2022-09-20 | 华为技术有限公司 | 一种数据的去噪方法以及相关设备 |
CN115719275A (zh) * | 2022-11-29 | 2023-02-28 | 中国工商银行股份有限公司 | 基于交易数据的风险监测方法及装置、电子设备 |
CN115965618A (zh) * | 2023-01-12 | 2023-04-14 | 广东工业大学 | 一种多源异构数据融合的肝胆管结石复发智能预测方法 |
CN115965822A (zh) * | 2023-02-09 | 2023-04-14 | 沈阳工业大学 | 一种风险等级的分类方法及模型训练方法 |
CN116310219A (zh) * | 2023-03-20 | 2023-06-23 | 浙江大学 | 一种基于条件扩散模型的三维脚型生成方法 |
CN116304705A (zh) * | 2023-03-21 | 2023-06-23 | 南京邮电大学 | 一种基于有条件扩散模型的流量数据集生成方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116542774A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111199474B (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
CN116542774B (zh) | 一种基于概率扩散模型的上市公司关联交易合规检测方法 | |
CN111222976B (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
US11055772B1 (en) | Instant lending decisions | |
US11037236B1 (en) | Algorithm and models for creditworthiness based on user entered data within financial management application | |
CN113344700B (zh) | 一种基于多目标优化的风控模型构建方法、装置和电子设备 | |
CN112541575B (zh) | 图神经网络的训练方法及装置 | |
CN115205689B (zh) | 一种改进的无监督遥感影像异常检测方法 | |
CN111260189B (zh) | 一种风险控制方法、装置、计算机***及可读存储介质 | |
CN114626890A (zh) | 一种基于图结构学习的异常用户检测方法 | |
CN114936639A (zh) | 一种渐进式的对抗训练方法及装置 | |
Fan et al. | A better way to monitor haze through image based upon the adjusted LeNet-5 CNN model | |
Lei et al. | Comparison of multiple machine learning models based on enterprise revenue forecasting | |
CN110889493A (zh) | 针对关系网络添加扰动的方法及装置 | |
CN116993490B (zh) | 一种基于人工智能的银行场景自动处理方法及*** | |
CN116452007B (zh) | 一种基于胶囊网络的企业税收合规风险评估方法 | |
CN113177841A (zh) | 一种异常社区的识别方法、装置和设备 | |
CN116681497A (zh) | 基于图神经网络的资金风险识别方法、计算机装置及计算机可读存储介质 | |
CN117236698A (zh) | 基于图神经网络的产业链风险评估模型、方法及介质 | |
US20230316002A1 (en) | Predictive time series data object machine learning system | |
Chapman et al. | A nonparametric approach to detecting changes in variance in locally stationary time series | |
CN116883151A (zh) | 对用户风险的评估***进行训练的方法及装置 | |
CN116227940A (zh) | 一种基于资金流向图的企业资金流异常检测方法 | |
CN112348220A (zh) | 一种基于企业行为模式的信用风险评估预测方法及*** | |
CN115511606A (zh) | 对象识别方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |