1.版本：matlab2022A，包含仿真操作录像和代码中文注释，操作录像使用windows media player播放。
2.领域：5G-noma通信，SCMA编译码
3.内容：基于5G-noma通信系统的SCMA算法matlab仿真。稀疏码分多址（SCMA）是一种新型非正交多址技术，具有过载通信的特点。
PRE_o=zeros(PAR.FN,PAR.Data_length);
for data_ind=1:PAR.Data_length
for v=1:PAR.VN
PRE_o(:,data_ind)=PRE_o(:,data_ind)+PAR.CB(:,data_source(v,data_ind),v);
end
end
4.注意事项：注意MATLAB左侧当前文件夹路径，必须是程序所在文件夹位置，具体可以参考视频录。
2024-07-28 11:06:29
271KB
1
CentOS7版本：CentOS Linux release 7.9.2009 (Core)
网卡版本：Ethernet controller: Realtek Semiconductor Co., Ltd. RTL8125 2.5GbE Controller (rev 05)
安装步骤：
1.在BIOS中关闭Secure Boot，不关闭的情况下驱动安装成功也无法联网。
2.在packages目录下执行
rpm -Uvh *.rpm --nodeps --force
3.成功后执行
rm -f /lib/modules/$(uname -r)/build
ln -s /usr/src/kernels/$(uname -r)/ /lib/modules/$(uname -r)/build
4.在r8125-9.011.01目录下执行
sh autorun.sh
安装成功后将会自动连接有线网络。
具体可参考网址：https://blog.csdn.net/asdasdsaff/article/details/132687312
2024-07-23 17:02:42
55.41MB
1
在金融领域，欺诈行为是一个严重的问题，它不仅威胁到金融机构的稳定，还可能导致客户财产损失。本项目聚焦于使用Python进行金融欺诈行为的检测，通过数据驱动的方法来预测潜在的欺诈活动。以下是对这个主题的详细阐述。
我们要了解数据分析在欺诈检测中的核心作用。在金融欺诈检测中，数据分析涉及收集、清洗、处理和解释大量的交易数据。Python作为一门强大的编程语言，拥有丰富的数据分析库，如Pandas、NumPy和SciPy，这些工具能够高效地处理结构化和非结构化的数据。
在描述中提到的回归预测模型是一种常用的预测方法。在金融欺诈检测中，我们可能使用线性回归、逻辑回归或更复杂的回归模型如梯度提升机（XGBoost）、随机森林等。回归模型通过对历史欺诈和非欺诈交易的特征进行学习，构建一个模型，然后用该模型预测新的交易是否具有欺诈倾向。这通常涉及到特征选择，例如交易金额、交易时间、用户行为模式等，这些特征可以对欺诈行为提供有价值的线索。
在Python中实现这样的模型，通常包括以下几个步骤：
1. 数据预处理：使用Pandas读取数据，进行缺失值处理、异常值检测、数据类型转换等。
2. 特征工程：创建新特征，如时间间隔、用户交易频率等，可能有助于模型理解欺诈模式。
3. 划分数据集：将数据分为训练集和测试集，通常采用交叉验证策略以提高模型泛化能力。
4. 模型训练：使用选定的回归模型对训练集进行拟合，调整模型参数以优化性能。
5. 模型评估：使用测试集评估模型的预测效果，常见的指标有准确率、召回率、F1分数等。
6. 模型优化：根据评估结果调整模型，可能需要迭代多次以找到最佳模型。
标签中提到的行为预测和金融数据分析也是关键点。行为预测是指通过分析用户的历史行为模式来预测未来行为，这在欺诈检测中至关重要，因为欺诈者往往表现出与正常用户不同的行为模式。而金融数据分析则涵盖了各种统计和机器学习技术，用于揭示隐藏的欺诈模式和趋势。
在这个项目的代码文件"codes"中，很可能包含了上述步骤的具体实现。通过阅读和理解代码，我们可以深入了解如何运用Python和相关的数据分析技术来构建和优化欺诈检测模型。
这个项目提供了使用Python进行金融欺诈行为检测的实际应用案例，通过回归预测模型和数据分析技术，有助于提升欺诈检测的准确性和效率，从而保护金融机构和客户的利益。
2024-07-10 21:30:43
118KB
Python机器学习金融风控信用评分卡模型源码+数据，信用评分卡模型-逻辑回归模型
完整代码包
data:数据文件
code:代码文件
notebook:基于notebook的实现
2024-06-25 14:19:04
10.53MB
1
一、数据简介：
1、共包含四个系统性极值风险指标：dcc方法计算的Δcovar、分位数计算的Δcovar、分位数计算的covar和mes。
2、统计范围：上市金融机构（银行、证券、保险等）
2、时间跨度：2007年至2022年，数据为非平衡数据，即不一定都是2007年开始的，但是2010年后的数据基本都有。所计算的数据能很好的描述金融危机、股灾和新冠疫情。
3、文件包含计算代码＋原始数据＋计算结果
二、指标说明：
金融系统性风险是指在金融系统内，由于各种关联的存在，形成风险传染，而逐渐产生的内生性不确定损失(Allen and Gale, 2000)。除了有关系统性风险内生机制(Acemoglu e
三、参考文献：
[1]王剑,杜红军.非对称尾部相依视角下的金融机构系统性风险研究[J].金融经济,2023,No.561(03):54-69.DOI:10.14057/j.cnki.cn43-1156/f.2023.03.002.
[2]朱子言,刘晓星.系统性风险溢出与脆弱度——基于中国上市金融机构尾部风险感知的研究[J].金融经济学研究,2023,38(02):20-34.
2024-06-13 16:35:54
10.28MB
金融骨干网作为金融机构网络基础平台的重要组成部分，在当前国家推进数据中心云化及IPv6的大背景下，金融骨干网技术架构也必然需要优化演进。基于此，研究探索了SRv6 Policy在金融骨干网中的应用。首先针对金融骨干网现状，分析了传统方案存在的问题；随后阐述了SRv6 Policy技术优势及实现原理机制；最后对SRv6 Policy在金融骨干网中的应用及部署方案进行了研究探索，并结合金融机构对骨干网中业务流量的管理策略，针对拥塞避免、路径规划的场景研究给出了可选的智能调优方案，进一步增强了金融骨干网稳定性及流量传输保障能力，初步验证了SRv6 Policy在金融骨干网中应用的可行性。
2024-06-06 09:43:43
1.59MB
1