A real-time risk assessment model for cross-border financial transactions based on big data technology
Notice bibliographique
Résumé
Abstract The study applies the method of resampling to deal with unbalanced financial transaction data, which is resampled by the method of majority class weighted minority class oversampling. After data processing, the VaR-GARCH financial transaction risk assessment model is constructed. The financial transaction risk assessment method of this paper is compared with other risk assessment methods to test its assessment performance. Subsequently, taking the carbon financial market as an entry point, the trading price data of seven global carbon financial markets from 2021 to June 28, 2024, are selected for the study to assess the risk of the carbon transnational trading market in real-time. The risk assessment efficacy of this paper’s risk assessment model on both the AP and LC datasets has an overall advantage. Among the seven global carbon markets, the EU has the most drastic fluctuation in transaction prices, while the Chinese carbon market is the smoothest. The transaction price averages from highest to lowest are California-Quebec (85.59), South Korea (72.49), U.S. Regional Greenhouse Gas Emission Reduction Program (47.24), U.K. (44.80), China (37.26), New Zealand (34.35), and EU (34.34). California-Quebec had the highest average transaction price, while the EU had the lowest average transaction price. Transaction prices in China are the most stable, and log yield trends in the UK and South Korea are similar. The top three markets in terms of value-at-risk VaR are California-Quebec, South Korea, and the EU, and the smallest is the UK market.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».