A real-time risk assessment model for cross-border financial transactions based on big data technology
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle