顶刊《会计研究》数据复现|最新上市公司数智化数据

中国上市公司数智化数据复现及研究展望
最新推荐文章于 2025-11-30 18:24:05 发布
原创 最新推荐文章于 2025-11-30 18:24:05 发布 · 1.2k 阅读 · 20 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #机器学习 #大数据 #政务 #业界资讯

1914

中国上市公司数智化(1991-2024）

数据简介

企业数智化指标通过量化数字化与智能化的融合程度，为研究企业转型提供微观基础。基于Python文本分析构建的关键词词频指标（刘凌冰等，2024），可客观衡量企业技术应用水平并追踪转型进程。该指标不仅拓展了数字化转型经济后果的研究范畴，从治理效率延伸至信息披露策略，更揭示了数智化企业偏好非正式渠道定性披露以规避风险的新范式。

具体构建方法如下：

1、样本选取：A股非金融类上市公司，剔除ST及退市样本

2、文本处理：

采用哈工大停用词表过滤无效词汇

基于专业词典识别数智化术语（如"机器学习"、"智能医疗"等）

3、指标计算：

统计特征术语绝对频次及相对占比

对右偏数据进行对数化处理（ln(x+1)）

4、输出结构化数据集（含股票代码、公司名称、词频等字段）

该指标为监管完善信披规则、投资者提升信息甄别能力提供了重要参考。

时间跨度

1991年-2024年

数据范围

A股上市公司

数据格式

数据格式为Excel形式

数据指标

最低0.47元/天 解锁文章
【数据可视化-07】波士顿房价预测数据分析
qq_38614074的博客
05-23 8318
通过本次波士顿房价预测项目，我们深入探索了数据可视化在房价预测中的应用。通过绘制散点图、相关性矩阵、箱线图、直方图和密度图等多种可视化图表，我们成功地揭示了房价与各特征之间的关系及趋势。同时，我们也发现了数据中存在的一些异常值和潜在问题，并提出了相应的处理建议。在模型训练方面，我们选择了合适的预测模型，并通过调整模型参数和优化算法来提高模型的预测性能。最终，我们得到了一个具有较高预测精度的房价预测模型，可以为房地产市场的投资者和决策者提供有价值的参考信息。
对json数据进行去重的Python实战代码
热门推荐
weixin_43178406的博客
08-29 16万+
 本文主要介绍了对json数据进行去重的Python实战代码，希望能对使用Python的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案
智能财务 | 数据与融合，激发企业财务数智化转型思考
Yonyou_BIP的博客
10-25 2235
智能财务大画册（二）
DeepSeek+Origin复现顶刊图表，以《Nature Energy》典型电化学数据可视化为例
hu397313168的博客
02-26 1971
​本文以钙钛矿太阳能电池效率分析为案例，系统阐述基于DeepSeek-R1模型进行数据建模，结合OriginPro 2023完成顶级期刊图表复现的全流程。重点解析实验数据清洗、模型参数优化、可视化映射等关键技术环节，提供可复现的代码框架与参数配置方案。
机器人领域中的scaling law：清华高阳团队通过复现斯坦福UMI——探讨数据规模化定律(含UMI的复现关键)
结构之法 算法之道
10-29 7143
且在和丁老师沟通中，还聊到清华高阳团队也复现了UMI，不过他们是完全用的国外比较昂贵的硬件(Franka机械臂、WSG50夹爪)，且即便如此，竟然也没达到UMI原始论文中的效果，至于原论文中的效果不好复现的原因，则众说纷纭了..此外，我还特地邀请了针对UMI做了改进工作的fastumi作者之一丁老师给大家在线分享，毕竟UMI本身有不少局限性，比如耦合性太强、原装硬件的成本太高(比如UR5e、WSG50夹爪)且不方便换成国产硬件、复杂的SLAM算法。至于高阳团队的复现UMI的工作对应的论文为《
Nature级顶刊科研绘图复现
glldxh的博客
03-20 2576
在全球顶尖期刊发表范式发生结构性变革的今天，数据可视化已从辅助工具升级为科学传播的"黄金媒介"，可谓是「一图胜千言」已成为高水平顶级期刊的硬性门槛——数据显示很多情况的拒稿与图表质量直接相关。Nature统计显示，大部分的评审专家将图表质量列为优先审稿要素。面对复杂图谱、多维数据、时空动态模型的表达需求，科研绘图已成为成果撰写中的至关重要的一个环节。它不仅帮助研究者更直观地展示实验数据，还能有效传递研究成果的深刻含义，也是顶级期刊论文的数据可视化的重要形式。
Nature级顶刊高质量图表复现！从数据预处理到高质量图表输出全流程
hu397313168的博客
03-18 2075
以复现顶级期刊图表为目标，系统讲解如何利用Origin和DeepSeek完成从数据预处理到高质量图表输出的全流程。课程从软件安装与基础操作入手，结合顶刊图表设计规范，通过分步骤实战案例教学，帮助掌握复杂图表绘制、数据优化等技巧，最终实现独立复现顶刊图表并提升科研绘图能力。 详情 Nature级顶刊高质量图表复现！从数据预处理到高质量图表输出全流程（1）软件掌握熟练安装并配置Origin，掌握基础操作与核心功能。学会利用Origin进行多类型图表绘制及美化。掌握DeepSeek的数据清洗、统计分析与可视化方
Python 数据可视化之密度散点图 Density Scatter Plot
叶庭云 成为自己的光
02-21 1万+
密度散点图（Density Scatter Plot），也称为密度点图或核密度估计散点图，是一种数据可视化技术，主要用于展示大量数据点在二维平面上的分布情况。与传统散点图相比，它使用颜色或阴影来表示数据点的密度，从而更直观地展示数据的分布情况。密度散点图能更好地揭示数据的集中趋势和分布模式，尤其是在数据量非常大时，避免了散点图中点重叠导致的可视化混乱问题。
零基础逐句复现SCI一区论文，从NHANES医学数据分析开启研究之路
shx13141的专栏
11-14 8008
课程资料包括NHANES离线数据库、R语言复现代码、Excel折线图、经典论文、R语言环境软件包、讲义。关注公众号“熊大学习社”，回复“零基础复现SCI一区”，可获得资料链接。
深度学习数智化毕业设计项目实践与写作技巧指南：从概念到应用全流程解析
08-22
内容概要：本文旨在为基于深度学习的数智化毕业设计项目提供全流程指导。文章首先介绍了深度学习作为数智化技术核心分支的重要性，以及其在毕业设计中的应用价值。接着阐述了深度学习数智化项目的关键概念，包括神经...
向量嵌入：RAG系统背后的语义引擎
uncle_ll的博客
11-29 1054
向量嵌入技术将高维语义信息压缩为低维向量，使相似概念在向量空间中聚集。作为RAG系统的核心，嵌入质量直接影响语义检索效果。从静态词嵌入到动态上下文嵌入，技术不断演进，解决了多义词等难题。现代嵌入模型基于Transformer架构，通过对比学习优化检索性能。选型需考虑MTEB排名、语言支持等维度，并结合业务测试。未来趋势包括多模态融合、知识图谱增强和轻量化部署。嵌入技术已成为NLP领域的关键支柱，其优化对提升RAG系统性能至关重要。
信息检索13
2301_80828873的博客
11-26 2127
最近邻检索的方法，PQ，IVF,HNSW
【推荐系统】深度学习训练框架（五）：pyspark分布式TorchDistributor主从读取OSS文件认证机制
人工智能领域博客
11-28 1808
摘要： 本文详细解释了Spark Driver端与Worker端在OSS认证上的核心区别。Driver端通过Spark配置自动认证，而Worker端（独立Python进程）需显式提供认证信息。认证来源优先级为：1)Driver传递参数，2)环境变量，3)IAM角色。文章分析了架构差异导致的不同认证方式，并推荐从Driver传递认证信息的解决方案。当前实现已采用该方案，通过Spark配置或环境变量获取认证后传递给Worker进程，确保PyArrow能正确访问OSS数据。
07_Spring AI 干货笔记之提示词
最新发布
在科技的浪潮中，我们寻找着创新的火种，在代码的海洋里，我们编织着智慧的网。腾飞开源，就是这样一个由技术精英汇聚而成的博客平台，我们致力于分享在Java、Python、IoT和人工智能等领域的最新研究成果和实战经验。 在腾飞开源的博客上，你会看到紧跟技术前
11-30 761
本文详细介绍了Spring AI中的提示词核心概念与API设计。提示词作为引导AI模型生成特定输出的关键输入，其结构从简单字符串演进为包含多角色消息的复杂形式。Spring AI通过Prompt和Message接口提供结构化提示词管理，支持系统、用户、助手等角色分配。PromptTemplate类实现动态内容渲染，并支持自定义模板引擎。文章还涵盖提示词工程的最佳实践与令牌机制，为开发者提供完整的提示词设计解决方案。
RAG信息检索全解析：从Embedding到Reranker的超详细教程1
Trb201013的博客
11-27 1341
文章介绍了RAG系统中信息检索环节的核心技术，包括文档段落嵌入和用户查询嵌入，将文本转换为向量表示；详细解释了相似度检索的多种方法，如Top-K检索、MMR策略和Reranker二次排序技术；强调了合理切分策略对嵌入效果的重要性，以及查询扩展技术对提高检索准确度的作用。指出RAG的本质是"开卷考试"，检索质量直接影响最终生成效果。
【LoRA（低秩适应）技术详解：原理、公式与实践】
m0_46882548的博客
11-26 1582
参数高效：可训练参数量通常仅为全量微调的0.01% - 3%，极大降低了计算和存储成本。内存友好：由于大部分原始权重被冻结，无需存储其优化器状态，显著减少了训练时的显存占用。无推理延迟：训练后可将LoRA权重合并回原模型，推理速度与原始模型一致。模块化与灵活性：一个基础模型可以搭配多个针对不同任务的、体积很小（几兆字节）的LoRA适配器，轻松切换任务。减轻灾难性遗忘：因为原始权重基本不动，模型在适应新任务时更不容易遗忘预训练时获得的通用知识。
【LLM】DeepSeekMath-V2模型
发现问题，并解决问题，批判性思维
11-29 754
研究问题：这篇文章要解决的问题是如何在大型语言模型（LLMs）中进行自我验证的数学推理。具体来说，现有的基于最终答案奖励的强化学习方法在数学推理中存在根本局限性，因为正确答案并不能保证推理的正确性，特别是在定理证明任务中。 研究难点：该问题的研究难点包括：如何在不依赖最终答案的情况下验证推理的正确性；如何在生成和验证之间建立有效的迭代改进循环；如何在没有已知解决方案的开放问题上扩展测试时计算。 相关工作：该问题的研究相关工作有：OpenAI的推理模型在定量推理竞赛中取得了显著进展；DeepMind的Deep
卫星遥感落地林草监测：多源数据融合+AI算法
okk202586的博客
11-27 557
全面完善昌吉州林草资源网络感知体系，建立全州林草资源一体化综合管理平台，全面加强林草安全防火监测预警、有害生物防治信息化、林草资源监管能力，实现林草资源、安全防火、有害生物防控、林长制监督管理等。在不同区域、不同场景下的落地能力，案例可以充分说明，智慧林草并非单纯的技术堆砌，而是真正贴合林草业务流程、解决实际问题的“实战型”方案，太空守护林海正在变成可能~根据林草业务需要，建设林长制、资源监管、生态保护、生态修复、灾害防护、科技创新等六类业务系统，构建智慧林草综合监管业务系统体系，全面支撑林草业务。
【人工智能】【深度学习】 ② GAN核心算法介绍：生成器与判别器的博弈艺术
xiezhiyi007的专栏
11-27 993
本文为【人工智能】【深度学习】系列第②篇，深入浅出讲解生成对抗网络（GAN）的核心原理。从“造假者 vs 警察”的大白话比喻出发，逐步推导极小极大博弈公式，详解生成器与判别器的对抗机制，并对比 CNN、RNN 的本质差异。附带完整 PyTorch 代码实现（逐行注释），涵盖 DCGAN 架构、训练流程与工程技巧，适合零基础读者入门生成式 AI。结尾预告下一期 Transformer 主题，延续系统化学习路线。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值