互联网企业广告收入预测研究——基于低频数据的神经网络和时间序列组合模型

神经网络模型对大样本时间序列的拟合效果优于传统时间序列模型,但对于年度、月度、日度等低频时间序列的预测则难以发挥其优势。鉴于此,本文应用传统时间序列模型和神经网络模型,建立Holtwinters-BP组合模型,利用Holtwinters模型分别拟合各解释变量序列,利用BP模型拟合解释变量和自变量的非线性关系,基于某社交新闻类APP的日广告收入数据进行互联网企业广告收入预测研究。通过与循环神经网络(RNN)模型、长短期记忆神经网络(LSTM)模型等预测结果的对比发现:Holtwinters-BP组合模型的预测精度和稳定性更高;证明多维变量对于广告收入的显著影响,多变量模型的预测准确性高于单变量模型;构建的Holtwinters-BP组合模型对于低频数据预测有较好的有效性和适用性。

战略联盟伙伴选择、知识搜索与联盟创新绩效关系

战略联盟伙伴选择作为联盟形成的源头,既是管理联盟企业关系的关键,又是提升联盟绩效的核心。为从源头剖析联盟创新绩效影响因素,依据资源依赖理论,从战略导向视角出发,以长三角地区战略联盟企业调研数据为实证依据,构建并验证了战略联盟伙伴选择、知识搜索与联盟创新绩效间的理论框架。研究结果表明:①战略联盟伙伴选择的二元导向性(关系导向的联盟伙伴选择与市场导向的联盟伙伴选择)对联盟创新绩效有显著正向影响;②知识搜索(搜索宽度与搜索深度)在战略联盟伙伴选择与联盟创新绩效关系中起部分中介作用。该研究结果有助于厘清战略联盟伙伴选择二元导向性影响联盟创新绩效的作用机理,并为我国企业基于战略整体性选择合适的联盟伙伴提供理论依据与实践指导。

基于交易流水的信用卡套现交易及商户识别

信用卡套现是一种威胁正常金融秩序的风险行为。有效识别具有套现风险的商户及其风险交易,对信用卡风控具有重要意义。传统的信用卡风险识别方法需要先积累大量的标注数据,对持卡人拥有充分的先验信息。而信用卡标注数据的稀缺大大限制了传统方法的应用。本文充分挖掘海量交易流水数据,提出基于无监督学习的套现交易及风险商户识别方法。一方面,该方法无需关于信用卡的标注数据或先验信息,能够以数据驱动的方式过滤行为异常的套现交易及风险商户,具有更广泛的应用前景。另一方面,该方法综合商户的交易金额属性,及商户与消费者之间的关联关系,构建出一系列可解释性强的套现风险指标,为风控管理提供直观的指导参考。基于某第三方支付平台实际数据的实证分析表明,本文方法能够有效区分具有不同行为表现、不同风险等级的商户群体,为实际的套现交易识别提供可靠的决策支持。