CN117808576A - 一种用于企业融资额度估算的商业汇票大数据分析方法 - Google Patents
一种用于企业融资额度估算的商业汇票大数据分析方法 Download PDFInfo
- Publication number
- CN117808576A CN117808576A CN202410021747.9A CN202410021747A CN117808576A CN 117808576 A CN117808576 A CN 117808576A CN 202410021747 A CN202410021747 A CN 202410021747A CN 117808576 A CN117808576 A CN 117808576A
- Authority
- CN
- China
- Prior art keywords
- model
- variable
- enterprise
- value
- interpretation
- 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 62
- 238000007405 data analysis Methods 0.000 title claims abstract description 17
- 230000004044 response Effects 0.000 claims abstract description 29
- 230000000694 effects Effects 0.000 claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000012417 linear regression Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
Landscapes
- Complex Calculations (AREA)
Abstract
本发明涉及信息管理技术领域，尤其涉及一种用于企业融资额度估算的商业汇票大数据分析方法。本发明方法，根据企业历史汇票交易数据，通过离群值逐步收敛法寻找模型效果最优点，使模型效果影响比较大的离群值逐步收敛，降低离群值对模型训练的噪声干扰，使模型更加稳定；本发明方法，基于解释变量与响应变量数据进行多元线性回归算法建模，利用最小二乘参数估计法求解，使之与响应变量之间的相关关系的方差扰动降低，应用方差膨胀因子减少多重共线性影响，使模型泛化能力更加稳健；本发明方法，应用企业实际授信额度与预测额度之间的差值评估算法结果授信额度的可信性，能够精准预测企业贷款授信额度。
Description
技术领域
本发明涉及信息管理技术领域，尤其涉及一种用于企业融资额度估算的商业汇票大数据分析方法。
背景技术
目前，金融机构对存在用款需求的企业的授信，主要是根据该企业自身的***数据、税务数据等来进行，这部分数据一定程度能够反映经营情况，但在维度上存在不足，如，某中小企业经营规模中等，但为了减少成本，尽可能地选择了少开***等策略，上述授信考虑的逻辑就存在失真。金融机构开展供应链金融业务一般基于核心企业供应链展开，如图2所示，针对信用特别好的核心企业集团深挖其信用传递能力，围绕核心企业上下游的产业关联企业进行准入与授信；但在全国5000万家中小企业中，仅有约800万家企业支持通过***进行授权，仅从纳税、***维度考虑授信，在核心企业一级上下游可以满足，但在更深层次的中小企业，就存在信用传递穿透性不足，信用数据佐证材料缺失等问题。因此，为实现信用穿透，亟需一类信用工具数据，能够对纳税、***数据进行补足，以期更好地为中小企业进行精准授信。汇票数据作为国内特有工具兼具支付和流通属性，公众认可度较高，平均一张银行承兑汇票可以流通8手以上，非常适合反映核心企业的信用传递。因此，采用银行承兑汇票、商业承兑汇票等汇票数据作为基础开发大数据增信提额模型，能够较好地起到佐证作用。
基于商业汇票交易的业务关于企业的特征指标共计200余个，存在数值型、分类型、布尔型多种类型的特征指标，各指标存在一定程度的离群值，过大的离群值对线性回归的结果会有较大的影响，需要对数据的归一化处理，减小模型复杂度的同时尽可能地排除数据噪声的影响；部分特征指标之间存在很强的相关性，同时进入模型会产生多重共线性，降低模型指标回归系数的解释性。因而，如何对解释变量离群值处理、寻找模型效果最优点，如何降低响应变量之间相关关系的方差扰动，如何减少多重共线性影响，如何科学评估算法结果授信额度的可信性、精准预测企业贷款授信额度，是亟须解决的技术问题。
发明内容
本发明要解决的技术问题是：克服现有技术中存在的不足，提供一种用于企业融资额度估算的商业汇票大数据分析方法，根据企业历史汇票交易数据，对解释变量离群值处理、寻找模型效果最优点，降低响应变量之间相关关系的方差扰动、减少多重共线性影响，科学评估算法结果授信额度的可信性、精准预测企业贷款授信额度。本发明技术方案如下：
一种用于企业融资额度估算的商业汇票大数据分析方法，将企业授信金额定义为响应变量，将企业特征指标定义为模型解释变量，方法模型主要采用解释变量对响应变量进行学习，得到能够针对样本外的企业解释变量去预测响应变量值，包括：
S1解释变量离群值处理，应用离群值优化算法，通过离群值逐步收敛法寻找模型效果最优点从而达到降低离群值对模型训练的噪声干扰，所述/>为解释变量与响应变量之间的训练模型计算值；模型效果决定系数/>是对线性模型评估的一种评价指标，其值最大为1，最小为0；当值越接近于1，则说明模型越好，此时参数为最优值；值越接近于0，则模型越差；
公式：
;
其中，表示模型估计值，/>表示样本原始值，/>表示样本原始值的均值；
S2解释变量离散化处理，利用最小二乘离散化方法对解释变量进行预处理，使之与响应变量之间的相关关系的方差扰动降低，从而使模型泛化能力更加稳健；
最小二乘离散化方法公式：
；
；
;
上述公式表达为选取待切分离散化的第j个X变量，遍历其切分点s，使得数据集D划分为和/>，/>和/>分别为数据集/>和/>中Y对应的均值，寻找使得上述表达式值最小的切分点s；
S3算法训练构建模型，基于上述两类分析方法处理的解释变量与响应变量数据进行多元线性回归算法建模，利用最小二乘参数估计法求解，并用方差膨胀因子VIF进行多重共线性检验；
S3.1采用多元线性回归算法，公式：
;
S3.2参数估计方法损失函数：
；
其中，i表示第i个样本，n为样本总数，表示因变量模型估计值，/>表示因变量样本原始值，由链式法则对/>中的/>求偏导数，得到：
；
上述公式k表示第k个解释变量或参数，两边同时乘以，令d=/>，经过矩阵式转换，得到：
；
；
由于参数最优化求解的需要，且L为非凸函数，当时损失函数/>值可达到最小，该方法称为最小二乘参数求解法，在等式两边从左侧同时乘以/>，得到：
；
S3.3应用方差膨胀因子VIF对回归变量间共线性检验，公式：
；
其原理是把第i个解释变量作为响应变量，将其余N-1个变量作为解释变量，作线性回归计算模型得出判决统计量方差膨胀因子VIF，所述/>为第i个解释变量与其他解释变量之间的；方差膨胀因子越大，说明/>越接近１，则第i个解释变量与其他解释变量之间共线程度越强；如果方差膨胀因子VIF大于/>，则认为该变更与剩余N-1个变量之间具备多重共线性，因而剔除该变量；所述/>的取值范围3～10；
S4对模型算法进行效果统计与评估，评分模型效果误差统计与分布：
；
为企业实际授信额度与预测额度之间的差值，当误差/>表现出为均值为0的渐近正态分布时，模型效果最佳。
优选地，S3.3所述。
本发明的有益效果是：
1、本发明提供的一种用于企业融资额度估算的商业汇票大数据分析方法，选取汇票数据作为标准化数据，通过其承载的支付频次、连续性、规模等信息，能够使用反映核心企业链属企业间的紧密程度，企业经营规模与近一年汇票收入规模成正比。
2、本发明提供的一种用于企业融资额度估算的商业汇票大数据分析方法，通过多张汇票提取企业交易关系、企业合作方式指标，能够从行业、客群角度反映同一类的企业信用；汇票数据不是纳税、***数据的替代数据，而是一种有效的加强与补充，在现有同质化较高的基于纳税数据、***数据的模型基础上叠加汇票数据，能够更好地反映供应链关系。
3、本发明提供的一种用于企业融资额度估算的商业汇票大数据分析方法，能够根据企业历史汇票交易数据，通过离群值逐步收敛法寻找模型效果最优点，使模型效果影响比较大的离群值逐步收敛，从而降低离群值对模型训练的噪声干扰，从而使模型更加稳定。
4、本发明提供的一种用于企业融资额度估算的商业汇票大数据分析方法，基于解释变量与响应变量数据进行多元线性回归算法建模，利用最小二乘参数估计法求解，使之与响应变量之间的相关关系的方差扰动降低，应用方差膨胀因子减少多重共线性影响，从而使模型泛化能力更加稳健。
5、本发明提供的一种用于企业融资额度估算的商业汇票大数据分析方法，应用企业实际授信额度与预测额度之间的差值评估算法结果授信额度的可信性，当误差表现出为均值为0的渐近正态分布时，模型效果最佳，从而精准预测企业贷款授信额度。
附图说明
为了更清楚地说明本发明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的介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，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是本发明实施例中的一种用于企业融资额度估算的商业汇票大数据分析方法流程图；
图2是本发明背景技术围绕产业链核心企业上下游产业关联企业准入与授信示意图；
图3是本发明实施例中的一种用于企业融资额度估算的商业汇票大数据分析方法离群值优化算法原理图；
图4是本发明实施例中的一种用于企业融资额度估算的商业汇票大数据分析方法实际授信额度示意图；
图5是本发明实施例中的一种用于企业融资额度估算的商业汇票大数据分析方法算法预测授信额度示意图；
图6是本发明实施例中的一种用于企业融资额度估算的商业汇票大数据分析方法误差分布示意图。
具体实施方式
以下将参照附图详细描述本发明的示例性实施例。应注意，以下的描述在本质上仅是解释性和示例性的，决不意在限制本发明及其应用或使用，除非另外特别说明，否则，在实施例阐述的组件和步骤的相对位置、数字表达式以及数值并不限制本发明的范围。另外，本领域技术人员已知的技术、方法和设备可能不被详细讨论，但在合适的情况下意在成为说明书的一部分。
实施例1为本发明公开的一种用于企业融资额度估算的商业汇票大数据分析方法，将企业授信金额定义为响应变量，将企业特征指标定义为模型解释变量，模型主要采用解释变量对响应变量进行学习，得到能够针对样本外的企业解释变量去预测响应变量值，如图1所示：
S1解释变量离群值处理，应用离群值优化算法，通过离群值逐步收敛法寻找模型效果最优点从而达到降低离群值对模型训练的噪声干扰，所述/>为解释变量与响应变量之间的训练模型计算值；模型效果决定系数/>是对线性模型评估的一种评价指标，其值最大为1，最小为0；当值越接近于1，则说明模型越好，此时参数为最优值；值越接近于0，则模型越差；
公式：
；
其中，表示模型估计值，/>表示样本原始值，/>表示样本原始值的均值；
企业规模不同，汇票交易额度数量级也不同；有的企业交易金额比较大，比如说500万、1000万甚至更高，目前银行的贷款授信额度上限是500万；对于汇票交易额度大于500万的企业，最终的贷款授信额度也是500万；因此，将汇票交易额度大于500万的自变量，定义为离群值；对数据远大于500万的离群值，应用增信提额模型计算的数据贡献价值等同于额度500万的自变量；本算法基于线性回归，对离群值比较敏感，因而需采取离群值优化算法，对模型效果影响比较大的离群值逐步收敛，从而使模型更加稳定。
其原理图如图3所示，对于一个解释变量X的样本取值的最大值逐步往小的方向调整，每次将大于等于的值阈全部转化为该切分点对应的值，再分别对该解释变量X转化的前后结果与响应变量Y做普通最小二乘回归，计算前后的/>并观测其是否有相应的增加，若随着X的调整/>不断增加则重复上述步骤直至获取/>不再增加的切分点/>。
S2解释变量离散化处理，利用最小二乘离散化方法对解释变量进行预处理，使之与响应变量之间的相关关系的方差扰动降低，从而使模型泛化能力更加稳健；
最小二乘离散化方法公式：
；
;
；
上述公式表达为选取待切分离散化的第j个X变量，遍历其切分点s，使得数据集D划分为和/>，/>和/>分别为数据集/>和/>中Y对应的均值，寻找使得上述表达式值最小的切分点s；
在回归过程中，部分自变量数据比较少，会存在较大的方差，通过离散化规避方差过大；例如：当X1=100、150、200时，随着X1数值的不断增加，呈现出来的授信金额不断增大；但是由于数据分布的度量比较小，可能存在150时方差小于100，200时比100、150都大，这时就不再是单纯的线性；通过离散化处理，把100、150、200作为一个集体均值处理，从而减少方差波动的影响，使自变量成线性相关；
对于给定的一组数据，如表1所示：
表1：给定数据A
；
从数据中可以找出一些规律，Y整体上是随着X1的增加而增加的，同样也发现X1变量取值1～4之间对应的Y的取值非常接近，同样5～8，9～12，13～16，17～20也有类似的规律，表明Y与X1之间线性相关的关系中也存在非线性关系，通过上述最小二乘离散化方法可以先逐步遍历X1的每个取值s，使数据集分为D1(X1 < =s)和D2(X1 >s)。
第一轮迭代当s=8时，根据的计算公式将X1转化为，如表2所示：
表2：第一轮迭代结果
；
得到上述表达式最小平方误差SE=15976.25;
第二轮迭代当s=4时，根据的计算公式将X1转化为，如表3所示：
表3：第二轮迭代结果
；
得到上述表达式最小平方误差SE=12816;
第三轮迭代当s=16时，根据的计算公式将X1转化为，如表4所示：
表4：第三轮迭代结果
；
得到上述表达式最小平方误差SE=3216;
第四轮迭代当s=12时，根据的计算公式将X1转化为，如表5所示：
表5：第四轮迭代结果
；
得到上述表达式最小平方误差SE=95.5；
至此已经完成了对X1的离散化处理，用离散化后的X1较离散化前的X1去预测Y相对更为精准和稳定。
S3算法训练构建模型，基于上述两类分析方法处理的解释变量与响应变量数据进行多元线性回归算法建模，利用最小二乘参数估计法求解，并用方差膨胀因子VIF进行多重共线性检验；模型训练算法采用多元线性算法，训练方法采用逐步回归，应用方差膨胀因子减少多重共线性影响；
S3.1采用多元线性回归算法，公式：
；
此处y为连线性取值，即多个指标的线性组合；
S3.2参数估计方法损失函数：
；
其中，i表示第i个样本，n为样本总数，表示因变量模型估计值，/>表示因变量样本原始值，由链式法则对/>中的/>求偏导数，得到：
；
上述公式k表示第k个解释变量或参数，两边同时乘以，令d=/>，经过矩阵式转换，得到：
；
；
由于参数最优化求解的需要，且L为非凸函数，当时损失函数/>值可达到最小，该方法称为最小二乘参数求解法，在等式两边从左侧同时乘以/>，得到：
；
S3.3应用方差膨胀因子VIF对回归变量间共线性检验，公式：
；
其原理是把第i个解释变量作为响应变量，将其余N-1个变量作为解释变量，作线性回归计算模型得出判决统计量方差膨胀因子VIF，所述/>为第i个解释变量与其他解释变量之间的；方差膨胀因子越大，说明/>越接近１，则第i个解释变量与其他解释变量之间共线程度越强；如果方差膨胀因子VIF大于5时，该变更与剩余N-1个变量之间具备多重共线性，因而剔除该变量；
对于给定的一组数据，如表6所示：
表6：给定数据B
；
检测X1与剩余X2、X3之间是否存在共线性，则将X1作为响应变量，X2、X3作为解释变量做线性回归得到X1的估计公式为
；
计算=0.825，得到VIF=5.714，则表明X1与X2、X3之间存在较强的共线性。
S4对模型算法进行效果统计与评估，评分模型效果误差统计与分布：
；
为企业实际授信额度与预测额度之间的差值，当误差/>表现出为均值为0的渐近正态分布时，模型效果最佳；
图4为当前实际授信额度曲线；图5为算法预测授信额度曲线；图6为误差分布曲线；额度对照图中，横轴代表额度、纵轴代表某一额度的数据占比；额度模型预测的是企业的授信额度，预测授信额度与原始授信额度之间存在误差项，当误差项集中在0附近时，模型效果更符合预期；
2．误差效果数据，如表6所示：
表7：误差效果统计
；
通过模型误差效果数据统计可以看出，30%误差集中在-190000到10000之间，既是误差数据的统计结果，也是模型效果的呈现；上述数据可以看到接近50%的样本误差的绝对值在40万额度范围内，整体的模型拟合效果具有一定的商业应用价值。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种用于企业融资额度估算的商业汇票大数据分析方法，将企业授信金额定义为响应变量，将企业特征指标定义为模型解释变量，方法模型主要采用解释变量对响应变量进行学习，得到能够针对样本外的企业解释变量去预测响应变量值，包括：
S1解释变量离群值处理，应用离群值优化算法，通过离群值逐步收敛法寻找模型效果最优点从而达到降低离群值对模型训练的噪声干扰，所述/>为解释变量与响应变量之间的训练模型计算值；模型效果决定系数/>是对线性模型评估的一种评价指标，其值最大为1，最小为0；当值越接近于1，则说明模型越好，此时参数为最优值；值越接近于0，则模型越差；
公式：
；
其中，表示模型估计值，/>表示样本原始值，/>表示样本原始值的均值；
S2解释变量离散化处理，利用最小二乘离散化方法对解释变量进行预处理，使之与响应变量之间的相关关系的方差扰动降低，从而使模型泛化能力更加稳健；
最小二乘离散化方法公式：
；
；
；
上述公式表达为选取待切分离散化的第j个X变量，遍历其切分点s，使得数据集D划分为和/>，/>和/>分别为数据集/>和/>中Y对应的均值，寻找使得上述表达式值最小的切分点s；
S3算法训练构建模型，基于上述两类分析方法处理的解释变量与响应变量数据进行多元线性回归算法建模，利用最小二乘参数估计法求解，并用方差膨胀因子VIF进行多重共线性检验；
S3.1采用多元线性回归算法，公式：
；
S3.2参数估计方法损失函数：
；
其中，i表示第i个样本，n为样本总数，表示因变量模型估计值，/>表示因变量样本原始值，由链式法则对/>中的/>求偏导数，得到：
；
上述公式k表示第k个解释变量或参数，两边同时乘以，令d=/>，经过矩阵式转换，得到：
；
；
由于参数最优化求解的需要，且L为非凸函数，当时损失函数L值可达到最小，该方法称为最小二乘参数求解法，在等式两边从左侧同时乘以/>，得到：
；
S3.3应用方差膨胀因子VIF对回归变量间共线性检验，公式：
；
其原理是把第i个解释变量作为响应变量，将其余N-1个变量作为解释变量，作线性回归计算模型得出判决统计量方差膨胀因子VIF，所述/>为第i个解释变量与其他解释变量之间的；方差膨胀因子越大，说明/>越接近1，则第i个解释变量与其他解释变量之间共线程度越强；如果方差膨胀因子VIF大于/>，则认为该变更与剩余N-1个变量之间具备多重共线性，因而剔除该变量；所述/>的取值范围3～10；
S4对模型算法进行效果统计与评估，评分模型效果误差统计与分布：
；
为企业实际授信额度与预测额度之间的差值，当误差/>表现出为均值为0的渐近正态分布时，模型效果最佳。
2.根据权利要求1所述的一种用于企业融资额度估算的商业汇票大数据分析方法，S3.3所述。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410021747.9A CN117808576B (zh) | 2024-01-08 | 2024-01-08 | 一种用于企业融资额度估算的商业汇票大数据分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410021747.9A CN117808576B (zh) | 2024-01-08 | 2024-01-08 | 一种用于企业融资额度估算的商业汇票大数据分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117808576A true CN117808576A (zh) | 2024-04-02 |
| CN117808576B CN117808576B (zh) | 2024-05-28 |
Family
ID=90419761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410021747.9A Active CN117808576B (zh) | 2024-01-08 | 2024-01-08 | 一种用于企业融资额度估算的商业汇票大数据分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117808576B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6063544B1 (ja) * | 2015-10-30 | 2017-01-18 | みずほ第一フィナンシャルテクノロジー株式会社 | 説明変数値を算出する装置、方法及びプログラム |
| CN112348654A (zh) * | 2020-09-23 | 2021-02-09 | 民生科技有限责任公司 | 企业授信额度自动评定方法、***及可读存储介质 |
| CN112365339A (zh) * | 2020-11-12 | 2021-02-12 | 北京宸信征信有限公司 | 一种中小企业商业价值信用贷款额度判定方法 |
-
2024
- 2024-01-08 CN CN202410021747.9A patent/CN117808576B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6063544B1 (ja) * | 2015-10-30 | 2017-01-18 | みずほ第一フィナンシャルテクノロジー株式会社 | 説明変数値を算出する装置、方法及びプログラム |
| CN112348654A (zh) * | 2020-09-23 | 2021-02-09 | 民生科技有限责任公司 | 企业授信额度自动评定方法、***及可读存储介质 |
| CN112365339A (zh) * | 2020-11-12 | 2021-02-12 | 北京宸信征信有限公司 | 一种中小企业商业价值信用贷款额度判定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117808576B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Enterprise credit risk evaluation based on neural network algorithm | |
| Lai et al. | Internal control quality and investment efficiency | |
| Paolone et al. | Earnings manipulation among the main industrial sectors. evidence from Italy | |
| Arsic | Challenges of financial risk management: AI applications | |
| CN111784487A (zh) | 一种基于动态财资流的中小企业超短期信用评价方法 | |
| Al-Baidhani et al. | Review of earnings response coefficient studies | |
| Ali et al. | The relationship between risk measurement and the accounting information system: A review in the commercial and islamic banking sectors | |
| Vesna | Challenges of financial risk management: AI applications | |
| Black et al. | Managerial discretion and the comparability of fair value estimates | |
| CN117808576B (zh) | 一种用于企业融资额度估算的商业汇票大数据分析方法 | |
| Zheng et al. | Research on stock price forecast based on gray relational analysis and ARMAX model | |
| Höglund | Detecting earnings management using neural networks | |
| CN116703563A (zh) | 一种基于量化分析模型的信贷策略 | |
| Berteloot et al. | A novel credit rating migration modeling approach using macroeconomic indicators | |
| Anantharaman et al. | Artificial Intelligence and Financial Reporting Quality | |
| Dai et al. | Evaluation Method of Customs' Price Evaluation Risks in China's Coastal Special Economic Zones | |
| Hasibuan et al. | Time series financial market forecasting based on support vector regression algorithm | |
| Yan et al. | The Research in Credit Risk of Micro and Small Companies with Linear Regression Model | |
| Straková | Identification of Earnings Management Existence Using Discretionary Accrual of Modified Jones Model | |
| Xia et al. | Construction of inflation forecasting model based on Ensemble Empirical Mode Decomposition and Bayesian Model | |
| CN117688455B (zh) | 一种基于数据质量与强化学习的元任务小样本分类方法 | |
| Seddighi et al. | The Effect of Using Fair Value Approach on Performance Prediction in Investment Companies | |
| Rowland et al. | Machine learning forecasting of USA and PRC balance of trade in context of mutual sanctions | |
| Kirui | Financial Constraints, Capital Structure and Investment: Evidence from Listed Manufacturing Firms in Kenya | |
| Hyránek et al. | Model of Enterprise Financial Performance Measurement in Uncertain Market Environment of Central Europe |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 276000, 3rd Floor, Building D10, Shanggu Smart Industrial Park, Lanshan Street, Lanshan District, Linyi City, Shandong Province Applicant after: Shenzhen (Shandong) Digital Technology Group Co.,Ltd. Address before: 276000 building e, phase III, Yigao Shanghai Street, Liuqing street, Lanshan District, Linyi City, Shandong Province Applicant before: Shenzhen (Shandong) Digital Technology Group Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |