登录社区云，与社区用户共同成长
邀请您加入社区
生存分析算法通过引入时间变量，能够量化风险随时间的变化趋势，预测客户在不同时间节点的生存状态（如正常还款、逾期、违约），从而为贷前审批、贷中监控、贷后管理提供更精准的决策支持。例如，通过Kaplan - Meier曲线对比不同信用等级借款人的生存概率，发现高信用等级客户的生存曲线更平缓，违约风险更低。例如，通过Cox比例风险模型分析历史数据，将新借款人的特征（如职业稳定性、资产负债率）代入模型，预
鸵鸟效应是技术风险管理中的一个重要概念。通过识别和应对鸵鸟效应，技术团队可以更有效地管理风险，保障项目的顺利进行。建立风险意识文化、实施透明沟通和制定应急计划是应对鸵鸟效应的关键步骤。通过案例分析和技术工具的应用，我们可以更好地理解和实践这些策略。
摘要：最近TRS（总收益互换）在金融圈大火，但很多开发者对背后的技术实现一知半解。本文将从系统架构、核心模块到代码实战，手把手教你如何用Spring Cloud + Kafka搭建一套高可用的TRS交易系统，并揭秘券商们不愿透露的风控黑科技！（文末送完整技术方案脑图）监控告警：Prometheus + Grafana（实时监控Kafka堆积）区块链：Hyperledger Fabric（跨境清结算
熟悉Greenplum的小伙伴都知道，Greenplum是一款分布式数据库。MPP架构相较于传统的SMP架构更能快速响应分析型应用的需求。利用MPP架构的优势，Greenplum可以处理海量数据。2021数据库大咖讲坛第6期《数据库性能优化技巧与最佳实践》活动中，来自Greenplum中文社区的阿福（苑泽福）发表演讲《Greenplum数据库优化技巧与实践》。下面让我们通过本篇文章回顾一下精华内容
一、交易所架构1、证券交易架构证券交易包括交易所、买方、卖方，证券交易解决方案架构如下：卖方是把各种资产包装成产品并提供给市场的实体，如各大证券公司（中信证券、中信建投、海通证券、国泰君安证券等）、期货公司（永安期货）。买方是进行投资管理的实体，如公募基金、私募基金、对冲基金、保险公司、个人投资者。通常量化机构客户通过券商极速交易柜台进行交易，普通客户通过集中交易系统进行交易，但极速交易柜台没有清
我在尝试用信号处理的知识积累和思考方式做量化交易，应用深度学习和AI实现股票自动交易，目的是实现财务自由~ 目前我正在开发基于miniQMT的量化交易系统——看海量化交易系统。MiniQMT是一种轻量级的量化交易解决方案，使用MiniQMT可实现对交易过程的完全控制，借此优势实现最灵活的系统构建和最前沿的算法应用。然而，MiniQMT也有其挑战，它要求用户具有较强的编程能力，因为很多功能需要自己开
需要对策略进行回测，使用历史数据评估策略的有效性，之前都是自己开发的，最近用了tradingview挺好用，Python 的 backtrader也被推荐使用后面可以研究。- 监控面板：可以使用 Grafana 等工具，实时监控系统状态，如订单执行情况、资金曲线等。2. 网络延迟：对于高频交易，网络延迟会影响策略执行效果，需考虑服务器与交易所的距离。- 订单类型：支持限价单、市场单、止损单等订单类
基于聚宽平台建立自己的股票数据池，编写量化分析框架
