- 综合排序
- 最热优先
- 最新优先
中国电信与腾讯云构建广域金融数据空间：隐私计算驱动反诈反洗钱联防联控
第一章：金融数据合规流通与风控协同的战略困境 在国家数据局发布《可信数据空间发展行动计划（2024—2028年）》及2025年试点通知的背景下，金融行业面临数据要素合规流通与风险联防联控的双重压力。 第二章：构建“密流+区块链+图联邦”技术融合体系 贺伟（天翼支付科技有限公司区块链研究院院长、中国电信集团二级首席专家）提出，通过融合中国电信密流安全计算平台、天翼区块链服务平台及图联邦计算平台，构建广域金融数据空间 ）当前评测标准快1000倍，商用级安全强度采用国密SM2、SM3及RSA。 广域拓展模式： 虚拟知识图谱： 在银行A、B、C间建立源数据映射，支撑统一查询与计算，突破单一机构数据维度限制。 战略协同： 依托中国电信的运营商云网资源优势，结合国家数据局可信数据空间试点任务，提供从底层密码算法到上层数据空间解决方案的一体化服务。
28610编辑于 2026-05-30- 来自专栏财经科技
广域铭岛获评可信工业数据空间生态链2022年度优秀单位
近日，可信工业数据空间生态链2022年度总结会召开，广域铭岛获评可信工业数据空间生态链2022年度优秀单位。 作为会员单位，广域铭岛自加入TDMC以来，先后参与IEEE P 3158《可信数据空间系统架构》国际标准制定，以及《可信工业数据流通关键技术研究报告》编写。 此次获评年度优秀单位，是TDMC对广域铭岛贡献的认可，也是业界对广域铭岛在工业数据安全方面技术实力的肯定。 2022年6月，广域铭岛参与了由中国信通院牵头的IEEE P 3158《可信数据空间系统架构》国际标准编制。 该标准的研究与实施，可以加速可信数据空间创新，推动各行业开展可信数据空间应用推广，同时帮助各行业利益相关者加深对可信数据空间的理解，强化标准在数据可信共享、流通和交易中的基础支撑作用，为数据资产价值化提供保障
39330编辑于 2023-01-30 - 来自专栏数据科学与人工智能
3月26日数据动态早报 | 大数据应用、智能金融、超级电商金融以及区块链金融
数据动态早报，让您了解数据新变化、新创造和新价值。 一、通信行业数据动态 1 中国移动公布了截止2016年12月31日年度业绩报告，董事长尚冰在《董事长报告书》（以下简称“报告书”）中更是重提5G研发和物联网重点业务发展。 【搜狐网】 二、电子商务数据动态 1 江苏常熟京云数据科技有限公司和京东云签订合作协议，双方将在“大数据+服装产业”领域建立长期、全面的合作关系。 【DoNews网】 三、互金行业数据动态 1 “科技与金融结合的创新，在很大程度上决定金融业的核心竞争力。目前有四个领域受到高度关注。” 李礼辉指出的四个领域包括大数据应用、智能金融、超级电商金融以及区块链金融。【新浪网】 四、医疗健康数据动态 1 浙江大学成立睿医人工智能研究中心，构建全国首个开放式医学人工智能平台。
1.1K80发布于 2018-02-28 - 来自专栏数据科学（冷冻工厂）
空间转录组: DLPFC数据集分析 (3)
引言 本系列讲解 空间转录组学 (Spatial Transcriptomics) 相关基础知识与数据分析教程[1]，持续更新，欢迎关注，转发，文末有交流群！ 差异表达 通过成对 t 检验，特别是针对每个聚类或空间域的上调表达进行测试，来识别每个聚类或空间域的标记基因。 我们使用 scran 包来计算差异检验。
22410编辑于 2025-11-19 - 来自专栏王的机器
『金融数据结构』「3. 基于事件采样」
本文含 6821 字，48 图表截屏 建议阅读 34 分钟 0 引言 本文是 AFML 系列的第三篇 金融数据类型 从 Tick 到 Bar 基于事件采样 在上贴〖从 Tick 到 Bar〗里，我们已经会从 它们虽然可以做到减少数据量，但是采样数据的方法都没有金融含义支撑，线性等分采样过于简单，均匀采样过于随机。 因此本帖来看看第二种基于事件采样，即背后有金融含义支撑的采样方法。 (df.tail(3)) 首先不做任何采样，画出 tick 数据的价格折线图。 dollar.head(3).append(dollar.tail(3)) 画出 dollar bar 的折现图。 3 总结 处理数据永远是最花精力和时间的，机器学习是，量化金融也是，数据科学更是。
2.7K40发布于 2019-08-05 - 来自专栏数据科学（冷冻工厂）
空间转录组: Visium HD 数据集分析 (3)
引言 本系列讲解 空间转录组学 (Spatial Transcriptomics) 相关基础知识与数据分析教程[1] 反卷积分析 接下来，我们将对以 16 µm 为单位的 Visium HD 空间转录组数据进行反卷积分析 加载单细胞参考数据 首先，我们加载与之匹配的 Chromium 单细胞 RNA 测序（scRNA-seq）数据，该数据提供了两种细胞注释分辨率：低分辨率（Level1）将细胞分为 9 类，高分辨率（Level2 为了确保参考数据与 Visium 数据在转录特征上保持一致，我们仅保留来自 patient 2 的细胞作为参考集。 memory low) cs <- split(seq_len(ncol(sce)), sce$Level1) cs <- lapply(cs, \(.) sample(., min(length(.), 4e3) metadata ws <- data.frame(t(as.matrix(ws))) colData(.vhd16)[names(ws)] <- ws[colnames(.vhd16), ] 接下来，我们可以在空间上可视化反卷积比例估计
42410编辑于 2025-11-29 - 来自专栏数说工作室
金融数据挖掘之决策树（ID3）
数说工作室提供策略编写、数据分析服务和量化支持。
1.1K110发布于 2018-03-28 - 来自专栏青灯古酒
H3C 广域网基本原理
广域网基本原理 使用的协议及线段 物理层 串行线段 某些场景使用 光纤 EPON 数据链路层 HDLC 淘汰 帧中继： 淘汰 PPP 某些场景使用 点到点协议 以太网 某些场景使用 网络层 IP 唯一事实标准 PSTN ISDN 淘汰 （电路交换连接：按需拨号建立连接，独占线路，带宽固定） 分组交换 帧中继 淘汰 专线（点到点永久性独占线路，固定带宽 典型技术：异步模拟专线，同步数字专线） ADSL EPON 广域网接入分类
27620编辑于 2023-10-16 - 来自专栏数据科学（冷冻工厂）
空间单细胞｜基于图像的数据分析（3）
引言 在这篇指南[1]中，我们介绍了Seurat的一个新扩展功能，用以分析新型的空间解析数据，将重点介绍由不同成像技术生成的三个公开数据集。 Spatial Molecular Imager 这个数据集是通过Nanostring公司的CosMx空间分子成像仪（SMI）生成的。 对于这个数据集，我们并没有进行无监督分析，而是将Nanostring的分析结果与我们的Azimuth健康人类肺脏参考数据库进行对比，这个数据库是通过单细胞RNA测序（scRNA-seq）技术建立的。 predicted.annotation.l1.score ## 1_1 0.5884506 ## 2_1 0.5707920 ## 3_ 可以观察到，基底细胞群（也就是肿瘤细胞）在空间上的排列非常紧凑有序，这与我们的预期是一致的。
56510编辑于 2024-07-05 - 来自专栏图形学与OpenGL
实验3 地理空间数据可视化
了解地理空间数据可视化知识，了解和学习地理空间数据可视化三种典型可视化方式，即点、线与区域。 2. 学习并掌握获取地图上位置信息的方法。 3. 根据《鲜活的数据》第8章8.2.3介绍的方法与提供的数据，在R中绘制基本地图与散点图，并存为PDF文件； 3. 将上一步所得的PDF文件，导入Illustrator，以教材图8-10为模板，并在图中增加中国的数据，完成图8-10，并添上自己的署名，最终成图请以中文版为参考。图8-10英文版如下图所示： ? 再次提醒：最终成图是在参考图8-10的基础上，增加中国的数据。 三.
1.5K20发布于 2018-10-09 - 来自专栏数据科学与人工智能
【金融数据】消费金融：大数据风控那点事？
3.识别出潜在风险的人 利用数学模型来识别风险客户，目的是找到欺诈客户和未来不会还款的用户。在识别坏种子时，数学模型和坏种子是关键，数学模型决定风控方式是否科学，数据纬度是否全面，结论是否科学。 例如利率为12%的小额信贷就可以容忍3%左右的不良贷款率，其利差收益完全可以覆盖不良贷款。对于风险较低的消费信贷，其不良贷款率也可以适当放开。 这也是互联网金融反欺诈公司或征信公司兴起的原因，他们主要的作用就是解决了客户信用信息不对称的问题。 3.恶意欺诈和薅羊毛比例较高 信用风险体现在两个方面，一个是客户恶意欺诈，另外一是客户信贷违约。 第一种是将资产打包，以3-4折的方式卖给资产管理公司，由他们去催收，效果不是太好，损失较大，还有法律分线风险，因此不是主流。 3、丰富数据输入纬度以及较细的颗粒度，对传统风控的补充 传统风控模型已经不能适应复杂的现代风险管理环境，特别在数据信息录入纬度上，影响客户信用评分的信息较多，很多都没有引入到风险评估流程。
5.6K51发布于 2018-02-28 - 来自专栏数据科学与人工智能
金融科技：金融科技与数据科学概述
我以一个金融科技数据科学工作者的角度观看，是指利用各种科技服务金融业务和数据以创造商业价值的系统化过程。 2 金融业务，我了解到信贷业务、理财业务、保险业务、支付业务等。 3 金融数据，我接触到征信数据、客户基本信息数据、客户设备数据、客户消费数据、客户行为数据、客户信贷流转数据等。 03 金融科技的数据科学工作介绍 我是在金融科技从事数据科学工作，主要内容包括： 1 业务和数据的理解 2 数据清洗和准备工作 3 数据的探索性分析和报告 4 风控模型设计和应用 5 营销模型设计和应用 6 模型的部署、管理、优化和迭代 7 高效建模环境的搭建和维护 8 全流程数据科学工作的模块化编程 9 数据、规则、模型、策略设计、分析和调优 等等 04 金融科技数据科学人才的三点思考 如何成为一名金融科技数据科学人才 首先，金融科技数据科学人才属于一种复合型人才。这样的人才既需要熟悉金融业务问题，又需要掌握数据科学的知识和技能。 其次，优秀的沟通和表达能力、团队协作能力、项目管理能力，这些软实力，也非常重要。
2.7K10编辑于 2022-01-20 - 来自专栏数据科学与人工智能
【FinTech】金融服务业3种方式利用数据推动创新
笔者邀请您，先思考： 1 金融科技公司如何利用数据创造价值？ ? 虽然数据具有数百万次的潜在用途，并正在许多应用中使用，但金融服务企业正在使用数据在行业内进行创新的方式有三种： 使用数据进行更快地贷款决策并改善客户体验 我们生活在一个'按需'的时代，即时食品，即时娱乐和即时答案不仅仅是可能的 这是金融机构仍然落后的一个领域，因为许多金融服务申请仍需要数天或数周才能处理。无论是购买贷款还是申请抵押贷款，通常都需要等待批准。 利用数据扩大银行外的贷款审批 消费者金融保护局报道说，仅在美国就有4500万人没有足够的信用记录来产生准确的信用评分。从最近的大学毕业生到高收入移民，这个群体内的人口统计都很广泛。 利用数据推动中小企业的发展 中小企业贷款一直是金融业的一个强硬部分，企业通常缺乏足够的财务历史或必要的资金来通过传统的风险决策流程获得资金。
53120发布于 2018-07-30 - 来自专栏数据科学与人工智能
3月6日数据动态早报 | 利用大数据防范金融风险
一、通信行业数据动态 1 3月3日，在中国信息通信研究院和新华网联合主办的“网络强国和实体经济”论坛上，工信部总工程师张峰透露，2017年工信部将加大网络强国战略实施力度，以此振兴实体经济，并确保“中国制造 【雨果网】 三、互金行业数据动态 1 利用大数据防范金融风险。金融发展与现代信息技术的深度融合，运用大数据技术作为支撑，提升办案能力，是应对金融犯罪信息化、智能化新情况的必然举措。 一是要采用大数据聚合方法进行风险预警，互联网金融企业的注册信息、招聘信息、网站访问量、营销广告等特征数据经大数据平台聚合，形成对企业的“数据画像”。 【金融界】 四、医疗建康数据动态 1 在《“洞见·2017”新兴产业投资机会》白皮书中，将人工智能（AI）、虚拟现实（VR）、大数据、云计算、信息安全、工业软件、泛娱乐、社交网络、互联网医疗、互联网金融 【搜狐网】 2 中国的医疗健康市场空间在未来十年还会保持年均10%以上的增长前景。从投资安全性分析，医疗健康属于最抗周期的行业之一，医疗消费大部分都是刚需，产业门槛高，优秀产品的替代成本也高。
1.1K70发布于 2018-02-28 - 来自专栏数据科学与人工智能
金融科技：数据篇
金融科技领域的数据，从数据结构角度观察，分为结构化数据、半结构化数据和非结构化数据；从数据所有权角度观察，分为自有数据和第三方数据；从数据作用角度观察，分为营销类数据、风控类数据、财务类数据等。 3）用户的终端数据 终端是入口，通过授权获取相关信息，比方说APP列表信息、短信信息、通讯录信息、设备信息、GPS信息等 4）用户授权运营商数据 运营商数据包括用户信息数据、通话数据、短信数据、流量数据 5）用户授权社保数据 用户社保数据包括用户信息数据、用户缴纳社保明细数据等。 6）用户授权电商数据 用户电商数据包括用户信息数据、用户地址数据、用户电商消费详单数据等。 8）贷中贷款和还款数据 用户贷款信息，用户额度数据，用户还款计划表，用户还款明细等。 9）贷后的催收数据 用户逾期数据，用户催收策略数据，用户失联数据等。 1）用户基本信息数据 2）用户的产品数据 用户已经使用的产品清单和详情数据 3）用户过往营销类数据 用户过往各种方式（触点方式+产品类型+营销时机）营销的数据 4）用户的行为流数据 用户响应某种服务或者使用某种产品全流程的行为轨迹所采集的数据
1.4K20编辑于 2022-03-29 - 来自专栏腾讯大讲堂的专栏
金融风控数据管理——海量金融数据离线监控方法
作者：housecheng 腾讯WXG工程师 |导语 解决金融风控数据监控“开发门槛高”“重复工作多”的痛点，实现PSI计算性能十倍速提升。 背景 在金融业务上，质量和稳定是生命线，我们需要对所有已经上线的风控要素，如策略、模型、标签、特征等构建监控。 这种模式主要的问题在于： 开发门槛高，要素负责同学需要掌握spark离线计算、mysql等数据库的增删数据，还需要手动配置例行化任务，在告警系统上登记注册等，耗时费力； 重复工作多，要素指标相似、重合度很高 计算psi需要3次遍历表，计算缺失率需要1次遍历表，共计需要3+3+1=7次遍历 而实际上都是对同一table表的遍历，可以合并，如下图，此时只需要3次遍历，可以节省一倍以上的时间 ? 小结 针对金融风控要素监控的“开发门槛高”“重复工作多”等问题，本文提出了“统一监控计算与检查工具”这一解决方案，本文详细论述了该方案TaskMaker、 Calculator、 Checker等各个模块的设计实现
4K10发布于 2021-04-12 3.x名称空间详解
x名称空间内容 x命名空间映射的是解析XAML语言相关的类库，XAML语言也需要自己的编译器，最终形成中间语言存储在程序集中。对XAML编译器进行控制的命令就放在x命名空间下。 标签扩展 x:SubClass Attribute x:Type 标签扩展 x:TypeArguments Attribute x:Uid Attribute x:XData XAML指令元素 x名称空间中的 默认x:Shared=“true” x:Shared一定要和x:Key配合使用 x名称空间中的标记扩展 x:Type x:Type的值是一个数据类型 案例 新增MyButton类型，其中有UserWindowType ，用于把数据源中的数据提供给使用者的对象为数据提供者。 XmlDataProvider，专门用于提供XML化的数据，如果在XAML里声明一个带有数据的XmlDataProvider实例，就要把XmlDataProvider实例数据放在x:Data标签内。
8920编辑于 2026-06-17- 来自专栏生信修炼手册
3DIV:染色质空间互作数据库
3DIV全称如下 3D-genome Interaction Viewer and databse 是一个染色质空间互作的数据库，通过该数据库可以查询与某个感兴趣的染色质区域互作的所有染色质片段信息，是一种 http://kobic.kr/3div/ 利用GEO等公共数据库下载Hi-C原始数据进行分析，得到染色质互作信息。 对于染色质区域，进一步提供了以下3种注释信息 gene annotation gwas snp annotaion chip singal annotation 数据库中存储的所有信息如下图所示 ? Interaction Table 该模块用于查询某段染色质区域对应的互作信息，支持输入染色质区域，基因名称，rs号3种数据格式，查询结果如下所示 ? 通过该数据库，可以检索和查看基于hi-c数据的染色质互作信息。
1.1K30发布于 2019-12-20 - 来自专栏数据猿
金融科技&大数据产品推荐：金融魔方 ---专业的金融SaaS服务平台
微信公众号ID | datayuancn 本产品为数据猿推出的“金融科技价值—数据驱动金融商业裂变”大型主题策划活动第一部分的文章/案例/产品征集部分；感谢 金融魔方 的产品投递 1、产品名称 金融魔方 ·企业钱包SDK 2、所属分类 金融科技 ·金融赋能服务 3、产品介绍 在金融牌照合规的基础上，链接银行、保险等金融机构核心业务系统，将合规的金融账户、金融产品、交易支付系统、风控、清结算系统等复杂功能集成为一套成熟 对所有敏感数据进行数据加密或摘要处理，符合中国人民银行标准合规的金融行业定制加密要求。 第二，人性化的服务设计，账户完全线上化操作，多层敏感数据传输全程SSL加密，数据签名机制，保证数据请求的合法有效，提供完整的技术解决方案和快速的模块化对接。 在企业金融变现所需金融产品选型、融资贷款需求等方面，构建以企业经营数据为基础的风控模型和数据模型，一方面提升理财、保险的场景定制化能力，另一方面降低自身融资服务的门槛，让金融服务的门槛更低，更贴近企业经营实质
7.7K60发布于 2018-04-24 - 来自专栏量化投资与机器学习
金融时序预测：状态空间模型和卡尔曼滤波（附代码）
在今天的推文中，我们将使用状态空间模型对单变量时间序列数据进行预测分析。该模型具有连续的隐状态和观测状态。 1 状态空间模型 基于状态空间模型对问题进行了结构分析。 该系列是由不同的组成部分，如趋势、季节、周期、变化以及解释变量和干预分别建模，然后放在状态空间模型中。 数据基于1986年以来的Schlumberger Limited历史数据。 ? ? 数据归一化： ? 3 自相关函数（ACF） 确定不同时间lags的相关性是否趋近于0！ 平稳性=高斯噪声和一个趋势=累积高斯噪声之和。 model.residuals vt是t：vt = yt - Zxt - a时的数据与预测数据的差值 在状态空间模型中，xt是随机的，模型残差是随机变量。yt也是随机的，虽然与xt不同。 9 总结 状态空间模型有多种形式，是处理大量时间序列模型的一种灵活方法，并提供了处理缺失值、似然估计、平滑、预测等的框架。单变量和多变量数据均可用于状态空间模型的拟合。
5.2K50发布于 2020-02-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号