私人董事会下股权众筹的收益分享激励

我国股权众筹目前面临的最大挑战是信息风险和信任风险,为了解决这一问题,"私人董事会+领投+跟投"这一创新模式的引入为众筹的安全性提供了一定保障.实现项目发起人的项目创意保护、众筹平台监管透明、投资人信息和支付安全的信用保障,涉及到操作、融资透明度、资金管控、信息和支付安全.本文尝试以我国股权众筹创新的"私人董事会+领投+跟投"机制为基础,探讨基于私人董事会的股权众筹模型在博弈理论中的实际应用.     

中国股权类众筹发展的制约因素及风险研究

首先对发达国家及国内众筹发展的现状进行梳理和分析,并在此基础上从法律法规、监管等几个方面分析国内众筹,尤其是股权类众筹发展面临的制约因素和风险.最后分析美国的JOBS法案,为我国发展众筹,尤其是股权类众筹提出政策建议,即尽快修改或者出台新的相关法律法规、以立法的形式确保众筹融资的合法性、建立众筹融资行业自律组织及明确合格投资者制度等.     

解析股权众筹的投资者风险

股权众筹作为新兴互联网金融的代表,在短时间内得到充分的发展。从融资者角度看不仅降低了融资门槛,还提高了融资效率,从投资者角度看既拓宽了投资渠道,又有机会分享优秀企业成长红利。然而投资必然伴随风险,尤其是股权众筹因其自身特性衍生出新的风险,作为投资者而言更不能忽视。本文从源头上分析股权众筹的三类风险,为其发展和监管提供建议。     

中美众筹发展现状及对我国的政策建议

众筹主要分为股权众筹和消费类众筹等类别.股权众筹是建设我国多层次资本市场的重要环节,我国将股权众筹视为比风险投资更前段的融资手段,用以支持中小企业创新.文章通过对比中美众筹平台发展、政策以及以投资者为代表的投资环境发现,我国用以支持中小企业创新发展的众筹仍然有较大发展空间.因此,文章建议我国应高度重视众筹发展,将其作为拓宽中小企业融资、支持基础研究和原始创新的重要渠道之一,并进一步发挥消费类众筹在构建经济内循环中的重要作用.     

我国股权众筹发展及监管路径研究

股权众筹——小微初创企业的一种新型融资方式,正在互联网时代的今天如火如荼的发展。然而与股权众筹的飞速发展不相匹配的是,当前我国股权众筹的法律监管几乎是一片空白,面临很多法律问题:法律地位不明确、监管主体不清晰、监管路径无从选择。本文通过分析股权众筹的特点和法律本质,厘清股权众筹的监管主体和监管路径,为股权众筹在我国健康发展创造良好的外部环境。     

互联网股权众筹模式的法律边界与规制——以股权众筹第一案为例

互联网股权众筹是近年来新兴的创新型金融筹资模式,由于互联网股权众筹发展时间较短,法律规制的缺位导致互联网股权众筹的法律边界难以界定.运用案例分析法对我国互联网股权众筹第一案"飞度公司诉诺米多公司案"进行剖析,探讨互联网背景下股权众筹模式最为典型的法律问题,即融资协议的有效性、融资者和平台间的法律关系、平台披露义务的法律...     

股权众筹视角下破解小微企业融资难题的对策

小微企业融资难是困扰世界各国的难题。多年来,我国从中央到地方各级政府频频出台一系列金融扶持政策,却未能从根本上破解小微企业融资困局。近年来刚兴起的股权众筹,以其互联网信息传播的优势,成为破解小微企业融资难题的一种新型利器。然而,股权众筹在我国现行法律架构下,游走在罪与非罪边缘,运作模式存在着诸多风险。为此,本文针对股权众筹视角下破解小微企业融资难题的对策问题进行探研。     

一种基于粒子群算法优化的加权随机森林模型

随机森林是一种高效的分类算法,其模型中的投票选取机制会导致一些训练精度较低的决策树也拥有相同的投票能力,从而降低准确度,而且模型中的决策树棵数及其他参数通常难以选取.为解决此问题,在投票时将每棵决策树乘以一个与其训练精度成正比的权重,并采用粒子群算法优化随机森林模型,通过迭代优化选取模型中包含的参数.通过UCI数据库进行验证,结果显示提出的加权随机森林模型分类正确率高于一般的随机森林算法及传统的分类算法.     

生产制造企业网络智能故障诊断算法

根据生产制造企业网络的特点,在智能故障诊断中,提出了一种基于分类采样的随机森林算法(CSRF).该算法结合随机森林算法基本原理,使用分类采样技术生成所需的训练样本,很大程度上解决了数据不均衡带来的问题.该算法为随机森林的每一棵分类回归树(CART)生成相应的训练数据,缓解了采样偏置,提高了算法的性能.实验表明:该算法与随机森林算法相比在准确率上提升了约4%,有效降低了故障诊断的风险.     

基于XGBoost的网络安全风险评估模型研究

风险评估是一种能够分析网络的运行状况,对风险等级进行预测的主动防护手段。为了解决传统的风险评估模型主观性强、对海量数据处理效率低及分类准确度不高等问题,运用极限梯度提升树XGBoost模型,以物理环境、软硬件故障等影响网络安全运行的因素作为输入,建立评估模型对网络安全风险等级进行预测,并与随机森林及GBDT两种方法进行对比。实验结果表明,基于XGBoost的网络安全风险评估模型可以根据收集到的信息,对信息网络风险等级进行快速准确地预测,且与随机森林及GBDT两种方法相比具有更高的准确率。