众创空间、初创企业与风险投资的合作策略及投资决策研究

自2015年以来,我国政府不断出台“大众创业,万众创新”的政策支持,众创空间则是顺应时代需求的新型创新创业服务平台。本文针对初创企业的融资困境,基于众创空间、初创企业和风险投资之间的关系,设计三方演化博弈模型,分析了在解决信息不对称问题的情况下,三方在博弈过程中的稳定均衡策略,并利用数值仿真对稳定均衡策略进行了验证。此外,本文实证检验了众创空间与初创企业的哪些因素会对风险投资的投资决策产生影响。演化博弈的结果表明,众创空间的知识共享行为有效解决了初创企业与风投之间的信息不对称,但由于缺乏恰当的监管机制,搭便车问题仍然存在,三方没有实现高效率的合作。实证的结果表明,众创空间与初创企业的策略选择以及服务和人员等因素都会对风险投资的投资决策产生不同程度的影响。因此,应构建惩罚机制以抑制初创企业的搭便车行为,并通过政府的有效激励以降低合作风险。此外,还需确定合理的利益分配比例以促成三方达成有效合作。

基于数字承诺的去中心化区块链交易方案

区块链是基于区块之间的信息交互的安全交易框架,具有高度的信息公开性和去中心化性.张小艳等提出一种结合数字承诺和加密算法的交易框架,可以实现在交易过程中隐藏交易金额数目的功能,但其存在两个问题:交易过程的记录需要由全功能记账节点来执行,使得交易过程不能实现区块链的去中心化;交易中需要多次传输交易中产生的参数和交易金额,存在数据泄露的风险.因此根据上述问题进行改进,提出了基于数字承诺的多密钥同态加密交易方案.在这个方案中,区块链中的每个节点都执行记账功能,交易金额被隐藏在承诺中,相关参数不需要在网络中多次传输,交易方的账户余额经过同态加密后可以直接在加密状态下进行更新.该交易方案清晰明了并且具有很高的安全性,为区块链中的安全交易框架提供了新的思路.

可实现双向自适应差分隐私的联邦学习方案

随着个人数据的爆发式增长,基于差分隐私的联邦学习模型可用于解决数据孤岛问题和保护用户数据隐私,参与者通过训练本地数据,将添加噪声后的参数共享到中心服务器进行聚合,实现分布式机器学习训练。此过程中存在两方面问题:①中心服务器广播参数的过程中数据信息仍未受到保护,有泄露用户隐私的风险;②对参数过度添加噪声会导致参数聚合质量降低,影响最终联邦学习的模型精度。为解决以上问题,提出了一种可实现双向自适应差分隐私的联邦学习方案(FedBADP),对客户端和中心服务器之间传输的梯度进行自适应加噪,在保护数据安全的同时不影响模型准确率。考虑到参与者硬件设备的性能限制,文中对其梯度进行采样以减少通信开销,并在客户端和中心服务器使用均方根传递加速模型的收敛提高模型精度。实验结果证明,文中提出的模型框架在保持较好准确率的同时,也增强了用户的隐私保护能力。

融合特征编码和短语交互感知的隐式篇章关系识别

隐式篇章关系识别难度大、普遍性高.从论元编码和论元交互角度入手,提出了一种融合特征编码和短语交互感知的隐式篇章关系识别模型.该模型兼顾了论元本身特征和论元间交互特征的作用,并分别进行了优化.论元编码部分整合了双向长短时记忆网络和循环注意力卷积神经网络,能够更全面地捕获论元全局和局部特征;论元交互部分从短语层级考虑论元间的语义关系建模,构建了短语级交互注意力机制,并利用神经张量网络深入挖掘其中的关系模式,更能体现出论元间潜在的更深层次的关联关系.在宾州篇章树库数据集上的实验结果表明,该模型F1值均优于其他模型.

融合RACNN和BiLSTM的金融领域事件隐式因果关系抽取

金融领域的文本信息量大、价值高,尤其是其中的隐式因果关系事件包含着巨大的潜在利用价值。对金融领域文本进行隐式因果关系分析,挖掘隐式因果关系事件中隐含的重要信息,了解金融领域事件更深层的演化逻辑,进而构建金融领域知识库,对金融风险控制、风险预警等具有重要意义。为了提高金融领域中隐式因果关系事件识别的准确度,从特征挖掘的角度入手,提出了一种基于自注意力机制的融合循环注意力卷积神经网络(Recurrent Attention Convolution Neural Network,RACNN)和双向长短时记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)的隐式因果关系抽取方法。该方法结合了基于迭代反馈机制能提取更重要文本局部特征的RACNN、能更好地提取文本全局特征的BiLSTM以及能更深入地挖掘融合特征语义信息的自注意力机制,在SemEval-2010 Task 8数据集和金融领域数据集上进行了实验,结果表明,评估指标F1值分别达到了72.98%和75.74%,均显著优于其他对比模型。

一种基于Paillier和FO承诺的新型区块链隐私保护方案

区块链是一种共享数据库,具有高度去中心化和可追溯性等优良特性.然而,数据泄露仍然是区块链交易的一大难题.为了解决这个问题,提出了带变量k的Paillier同态加密(Paillier homomorphic encryption with variable k, KPH)方案,这是一种新型区块链隐私保护策略,使用RSA公钥加密算法隐藏交易信息,利用FO承诺对交易金额的合法性进行零知识证明,并通过Paillier半同态加密算法的加法同态性更新交易金额.与典型的Paillier算法不同,KPH方案的Paillier算法包含变量k,并结合函数L和中国剩余定理,将算法的时间复杂度从O(|n|^(2+e))降低到O(log n),使算法解密过程更加高效.

基于时间序列的软件产品定价模型

软件产品的特性使得传统商品基于成本的定价模式不再适用。将时间序列引入软件产品定价模型,综合软件产品的生命周期(投入期、成熟期、衰退期)和货币的时间价值考量软件产品的定价,在“寡头垄断-寡头垄断”格局下,分析并得出使得生产者利益最大化的定价模型。

基于深度学习的收益率预测与投资组合模型

在传统投资组合模型中,备选资产的预期超额收益率的预测误差将导致模型的投资绩效劣化。文章采用Transformer深度学习模型对备选资产的收益率进行预测,以提升预期收益率的准确度,进而提高投资组合模型的绩效。以中证800指数的成分股为备选资产,进行了72期投资,将实证结果与LSTM和SVR模型进行对比,验证了Transformer模型在提升预测准确度和提高投资组合模型绩效上的优越性。

基于BERT和互信息的金融风险逻辑关系量化方法

【目的】通过量化金融风险逻辑关系防控金融风险,同时处理金融事件词频量化不可靠问题。【方法】提出一种结合领域知识的基于BERT和互信息的金融风险逻辑关系量化分析方法,并在通用数据集COPA和金融领域数据集上进行关系量化。【结果】基于BERT和互信息能够有效解决词频量化不可靠问题,该方法在金融风险逻辑关系量化的准确率达到80.1%,较对比方法提升了3.1%~37.4%。【局限】仅考虑了金融领域的语料,在非金融等其他语料上的效果有待检验。【结论】所提方法能够揭示金融风险事件的演化路径,改善金融风险逻辑关系量化的效果。