-
sfc_sfc是什麼_香港證監會 sfc_香港證券及期貨事務監察委員會-金...
香港證券及期貨事務監察委員會（SFC）的目標證券及期貨事務監察委員會（SFC）是根據《證券及期貨事務監察委員會條例》（《證監會條例》）成立的獨立法定組織。《證監會條例》及另外九條涉及證券期貨的條例已合併成為《證券及期貨條例》。該條例自2003年4月1日起生效。證券及期貨事務監察委員會負責執行監管香港證券期貨市場的法例，同時亦有責任促進及協助這些市場的發展。
-
數據模型概念及類型劃分
數據(data)是描述事物的符號記錄。模型(Model)是現實世界的抽象。數據模型(Data Model)是數據特徵的抽象，是資料庫管理的教學形式框架。資料庫系統中用以提供信息表示和操作手段的形式構架。
-
盤點金融領域裡常用的深度學習模型
作者 | Sonam Srivastava ，譯者 | sambodhi ，編輯 | Vincent ，AI前線出品｜ ID：ai-front在今天我們發布的這篇文章中，作者 Sonam Srivastava 介紹了金融中的三種深度學習用例及這些模型優劣的證據。
-
數據倉庫模型設計與工具
數據模型對於數倉是最核心的東西，數據模型是數據組織和存儲方法，模型的好壞，決定了數倉能支撐企業業務多久。為什麼大多數企業，數倉都要重建，這不僅僅是業務拓展、發展迅速，很大一部分是因為模型建的很爛。
-
《證券期貨業網絡時鐘授時規範》全文
中華人民共和國金融行業標準前言本標準依據GB/T 1.1-2009給出的規則起草。本標準由全國金融標準化技術委員會提出並歸口。本標準起草單位： 上海期貨交易所、上海市標準化研究院、深圳證券交易所。
-
理解資料庫與數據模型的概念
圖 2-1 數據抽象過程現實世界是指客觀存在的事物及其相互間的聯繫，人們一般選擇事物的基本特徵來描述事物。概念模型主要用來描述顯示世界的概念化結構，它使資料庫的設計人員在設計的初始階段，擺脫計算機系統及資料庫管理系統的具體技術問題，集中精力分析數據以及數據之間的聯繫。在概念模型中，最常用的設計模型就是實體—聯繫模型（ER模型），關於課程的ER模型如下圖所示：
-
馬蜂窩數據中臺起步建設:數倉的架構、模型與應用
二、數據倉庫核心架構馬蜂窩數據倉庫遵循標準的三層架構，對數據分層的定位主要採取維度模型設計，不會對數據進行抽象打散處理，更多注重業務過程數據整合。現有數倉主要以離線為主，整體架構如下：如圖所示，共分為 3 層：業務數據層、公共數據層與應用數據層，每層定位、目標以及建設原則各不相同。
-
MVC設計模式(模型-視圖-控制器)設計模式介紹
對於界面設計可變性的需求，MVC把交互系統的組成分解成模型、視圖、控制三種部件。 模型部件是軟體所處理問題邏輯在獨立於外在顯示內容和形式情況下的內在抽象，封裝了問題的核心數據、邏輯和功能的計算關係，他獨立於具體的界面表達和I/O操作。 視圖部件把表示模型數據及邏輯關係和狀態的信息及特定形式展示給用戶。
-
數極客新版發布,已擁有15種用戶行為數據分析模型
Druid的核心設計結合了OLAP 實時分析資料庫，時間序列資料庫和搜索系統的創意，為運營分析創建了統一的系統。Druid將 3 個系統中每個系統的關鍵特性合併到其注入層，存儲格式，查詢層和核心架構中。Facebook、Ebay、PaypalAirbnb、阿里巴巴、美團、優酷、知乎等知名網際網路企業均在其核心系統中應用Druid。升級二、數據分析模型全面升級亮點 1.
-
風險模型方法研究——基於A股市場的應用
來源：中證指數在數據存儲與分析技術快速發展的今天，數量化方法對投資領域的滲透超越歷史任何時期。大量的創新性方法被提出並得到應用，以數據和模型為核心的現代投資方法體系已見雛形。在組合風險預測領域，線性風險模型方法不斷在理論框架內升級完善，成為組合管理者所採用的風險預測主流方法。
-
常見概率模型在金融市場中的應用
概率模型簡介 概率模型是一大類模型的統稱，是常規金融模型的概率化表達。通常概率模型會把常規金融模型中的某些參數看作是一個未知的概率分布，這個未知的分布通常會預先給定一個基本假設，即先驗概率，然後再根據具體的觀測數據去推斷或者逐步修正這些假設。一種比較常見的概率模型就是貝葉斯線性回歸模型，這類模型把線性回歸中的係數 和截距等參數作為未知的概率分布。
-
數據分析方法:RFM模型
RFM本質上是一種用三個分類維度，找判斷標準方法；通過三個維度的組合計算，能判定出用戶的好壞，然後採取對應措施。RFM的真正意義在於：這是一種從交易數據反推用戶價值的方法，因此可行性非常高！要知道：做數據分析的最大瓶頸是數據採集，而只要是個正常企業，交易數據是肯定有的；因此只要企業建立了用戶ID統一認證機制，就能將用戶ID與交易數據關聯起來，就能用RFM來分析用戶了；即使沒有埋點、沒有網站、沒有基礎信息也能做，簡直是方便好用的神器。當然，所有方便好用的工具，都自帶一些不足，RFM模型也是如此。
-
融慧金科盛軍:如何快速破解金融模型開發與應用實操難題
數字經濟時代，金融科技漸成銀行核心驅動力。2020年5月，中國銀保監會正式發布《商業銀行網際網路貸款管理暫行辦法》，其中對商業銀行的風險管理體系、風險數據和風險模型管理、信息科技風險管理、監督管理等均作出了明確要求，這意味著網際網路貸款野蠻生長的時代即將結束。
-
證券行業數據資產洩漏分析報告
出現這種情況是因為金融行業涉及到的人群大多是高淨值人群，數據轉化率高，變現能力強，黑灰產人員選擇攻擊的行業大多是金融行業，大部分購買數據的需求也集中在金融行業。哪裡有利益，哪裡就會有黑灰產人員的存在。將金融行業數據資產洩露進行細分，見下圖：
-
量化| 模型校正在量化金融中的應用
在量化金融中，用複雜模型的定價問題已經不易，那麼相對應的校正問題更加困難，如： 定價問題是BS(σ) = 1美元，把BS看成是個模型，那麼與之對應的校正問題就是多少波動率σ帶入BS公式裡得到期權價值1美元。 本推文就為大家展示各種資產類的常見模型的模型校正！裡面畫的圖全是基於真實的市場數據，而作者也有一套系統的程序來實現各種模型校正。
-
金融大數據的應用現狀、存在的問題及相關建議
利用交往圈分析模型，持續觀察企業間的通信交往數據變化情況，通過與基線數據的對比來洞察異常的交往動態，評估供應鏈的健康度及為企業貸後風控提供參考依據。 (二)大數據在證券行業中的應用 股市行情預測。大數據可以有效拓寬證券企業量化投資數據維度，幫助企業更精準的了解市場行情。
-
穩定幣2.0:經濟基礎和風險模型
圖1總結了我們對風險的一些最重要維度的分類。貢獻我們提供了託管穩定幣設計的功能細分，與傳統金融工具的分類和模型相對應（第2節）。我們提供了一個通用的功能框架，用於關聯所有非託管穩定幣設計的經濟機制，並討論了在這種情況下出現的新風險（第3節）。我們提出經濟穩定性和安全性問題，這些問題適用於評估非託管穩定幣（第3節）。
-
Survey | 基於生成模型的分子設計
近幾年，基於數據驅動的人工智慧方法，尤其是生成模型，逐漸被用於解決各個領域的逆向設計，並在分子反向設計和藥物發現中展現出了光明的前景。簡而言之，生成模型的作用是捕獲數據分布的潛在規則。取給定空間中的部分數據點集合{Xi}作為訓練集，訓練生成模型匹配真實數據分布，使生成的數據Y∼類似於實際數據X∼。
-
數據建模中分類與預測模型
摘要： 隨著計算機技術的興起，當前社會已經進入大數據資訊時代。資本市場隨著投資者的不斷湧入以及金融科技的不斷發展，交易時所涉及到的信息也逐漸繁雜。如果還是利用過往的分析模式，個人的力量就顯得愈加薄弱。
-
金融科技與商業銀行效率——基於DEA-Malmquist模型的實證研究
文章利用DEA模型的Malmquist指數測算商業銀行全要素生產率，不依賴生產函數和樣本量綱，能得到較穩健的結果。利用2013—2018年面板數據，參照已有研究(李興華方式等，2014;劉笑彤和楊德勇，2017)，以商業銀行固定資產和員工人數作為投入指標，以貸款總額和稅前利潤作為產出指標，測算結果如表1所示。