基于支持向量机的利率期限结构实证分析

利率期限结构一直是量化研究领域的重点课题,目前国内关于利率期限结构拟合的研究较多,而对利率期限结构的预测则研究较少,关于利用支持向量机的方法预测利率期限结构的研究更是屈指可数,本文利用支持向量机对国债的即期利率进行了拟合和预测,并与普通的时间序列线性模型对比,发现支持向量机的拟合和预测效果均好于自回归模型。     

基于信息粒化和支持向量机的股票价格预测

信息粒化是进行海量数据挖掘和模糊信息处理的有效工具。本文提出了一种基于信息粒化和支持向量机的股票价格预测方法。利用长安汽车的股票数据,建立股票开盘价回归预测模型,该模型克服了传统时间序列模型仅局限于线性系统的情况。应用实例表明:该方法能有效地预测股票价格的变化范围。     

基于相空间重构与支持向量机的人民币兑美元汇率预测

汇率的预测研究一直是国际金融领域研究的一个热点。混沌时间序列的建模与预测的关键是相空间重构和非线性函数逼近,基于汇率时间序列存在混沌特征的特点,利用相空间重构技术对汇率时间序列进行重构,然后利用支持向量机作为非线性函数逼近,构建了一种基于支持向量机回归（SVR）的汇率预测模型。采用美元兑人民币的日汇率进行实证研究,结果表明,所构建的SVR模型能较好的反映汇率的变化趋势,预测精度较高。     

基于网格优化模型的支持向量机企业信用评级应用研究

本文在分析支持向量机原理后提出了运用网格搜索法选择最佳核函数、模型参数法构建支持向量机模型.笔者以宁夏辖区2020年央行内部(企业)评级数据为样本,通过指标相关性分析、构建F统计量筛选出信息贡献度高的定量评级指标,并利用线性核函数、高斯核函数、多项式核函数分别对宁夏辖区2020年央行内部(企业)评级数据进行建模分析.研究结果表明基于网格搜索法选择支持向量机的方法可以准确预测央行内部(企业)评级结果,同时,利用支持向量机对剔除行业相关特定定量指标后的公共定量指标做建模分析,发现在有限维度定量指标数据无法对评级结果作出准确预测时,可通过将高斯核函数映射到高维空间来作出相对比较准确的分类预测.     

基于灰色支持向量机模型的基金波动率预测

探讨灰色系统与最小二乘支持向量机组合预测模型在波动率上的应用的可行性,通过对灰色模型进行残差修正和背景值修正以及对最小二乘支持向量机进行参数寻优,来提高组合预测模型的预测精度和推广泛化能力。经波动率预测的实证分析得出建立的组合模型比支持向量机模型有较好的预测效果。     

基于数据挖掘方法对商业银行信用卡违约预测模型的研究

本文是基于数据挖掘中的分类预测方法构建商业银行信用卡违约预测模型,借鉴分类预测方法中的判别分析法和logistic回归方法,构建能够预测商业银行信用卡违约模型.通过对商业银行信用卡数据进行分析,判别分析法和logistic回归法构建出的预测模型都具有一定的准确性,能很好地预测商业银行信用卡是否违约.     

支持向量机在上市公司财务预警模型中的应用研究

利用我国上市公司财务数据,采用支持向量机模型对上市公司财务危机预警研究,将其与神经网络模型进行比较,结果表明,无论在分类能力和预测能力上,支持向量机模型的精度和可信度都高于神经网络模型。证实了该方法用于财务预警的有效性及优越性。     

基于分层模型的银行客户信用风险预测研究

本文基于商业银行客户信贷记录数据集,通过运用拉普拉斯分层模型对客户的信用风险进行预测研究.利用客户群体存在差异化的特点,采用XGBoost机器学习算法来选择分层特征以及结合多元特征的组合形式来预测客户的违约情况.在不同分层特征结构下依次对比拉普拉斯分层模型、单独模型、共同模型和随机森林四个模型的预测效果,并建立模拟数据集来对拉普拉斯分层模型的性能进行验证.研究发现:(1)拉普拉斯分层模型的预测精度是最高的,预测性能具有稳定性;(2)本文数据集所适用的最佳分层特征是贷款金额、年龄和婚姻;(3)分层特征的选择和数量会依据不同数据而产生相应变化,并非一成不变.结合本文的研究思路和结果,以期为商业银行在客户信用风险评估实践中提供新的思考和建议.     

P2P网贷平台借款人信用风险评估模型适应性研究

本文对比分析了基于Logistic回归、决策树、随机森林、支持向量机和神经网络的个人信用风险评估模型,并在此基础上提出了采用4种机器学习算法综合筛选重要变量再建立Logistic回归模型的两阶段组合模型。应用这一模型对"人人贷"平台借款人数据进行实证研究。结果表明:该模型相较于Logistic回归模型有着更高的精确度,克服了数据维度及定性变量数量的限制,而且提高了单一机器学习算法的指标解释能力,说明基于机器学习算法的Logistic回归模型对P2P网贷平台的借款人信用风险评估有更好的适应性。     

基于logistic回归的小微企业信用风险预警

本文以某商业银行化工行业2006年小微企业信贷数据为基础,综合运用因子分析和Logistic回归分析,对小微企业进行客户违约风险预警,并运用2007年的实际违约客户数据对模型风险预警能力进行验证,结果显示模型预警效果较好,这对加强银行的信贷风险管理具有参考意义。     

基于Logistics回归算法的证券客户流失预测模型及应用

本文以Logistics回归算法为基础,结合证券行业经纪业务的特点,选择了总资产比例、交易次数比例、总资产连续下降等12个指标建立证券客户流失预测模型;并通过历史数据计算,确定了模型的常变量及回归变量。相关理论方法评估及真实数据验证表明,该模型的预测准确度较高,可以基于客户历史行为反应其流失倾向。一、客户流失预测的基础模型简介     

支持向量机在股市预测中的应用

本文以上证综合指数2011年1月4日到2018年1月4日的股市行情为研究对象进行实证分析,建立了一个支持向量机回归机的预测模型。实证分析主要基于MATLAB软件嵌套Libsvm工具箱实现。实证分析结果表明,本文建立的针对股市预测的支持向量机回归机模型是有效的。     

运用“支持向量机”对客流量的预测研究

支持向量机(SVM)是一种崭新的机器学习方法,它建立在统计学习理论和结构风险最小化准则的基础上。此方法能解决小样本、非线性及高维模式识别中的问题。本文通过对某市公路客运量数据特征的分析,建立了基于支持向量机的客流量预测方法,与人工神经网络预测方法相比,该预测模型的平均精度较高,且具有收敛速度快、泛化能力强等优点,比较适合客流量的预测。     

基于压缩感知去噪和SVR的汇率预测研究

汇率在国际金融市场以及对外贸易中扮演着重要角色。由于汇率变动趋势的不确定性及复杂性,传统的汇率预测方法无法达到更好的预测效果。为了达到更好的预测效果,我们提出基于压缩感知去噪和支持向量回归(SVR)的汇率预测模型。压缩感知去噪是对原始的汇率数据进行预处理降噪的过程,支持向量回归作为预测工具用于已降噪的数据的预测。我们采用中国人民银行发布的人民币兑美元汇率数据作为样本数据,对我们新提出的方法进行数值模拟,同时与小波去噪等预处理方法进行对比,结果显示基于压缩感知去噪的支持向量回归汇率预测方法具有较好的预测效果。     

商业银行客户流失的影响因素——基于生存分析方法的研究

本文基于生存分析方法,以某商业银行一年内客户流失数据为研究样本,对筛选出的12个可能对客户流失产生重要影响的预测变量进行分析,结果表明:7个因素对银行客户流失有显著影响,其中每月平均存现、每月平均消费、最高存款余额、账户类型、每月平均交易、对促销反应与客户流失负相关,交易最大间隔与客户流失正相关,意味着客户主动进行的两笔交易时间间隔越长,客户的流失可能越大。银行应密切关注这些预测因素的变化,避免造成损失。银行可以应用Cox模型预测在未来某时点的客户流失情况,提前采取有效的应对措施。     

基于支持向量机的区域物流需求预测模型研究

本文针对区域物流需求问题,建立支持向量机预测模型。运用基于改进求核算法的属性约简方法筛选预测指标,以货运量为目标函数,建立预测指标体系;进行数据的归一化处理,利用Lagrange乘子法、径向基核函数,建立SVM基本模型,并简述SVM参数确定的两种方法:五折交叉验证法、人工鱼群算法,最终建立完整的区域物流需求预测模型。     

基于ARIMA—SVM组合模型的我国农产品价格预测研究

为准确把握国内农产品价格波动规律,提高农产品价格预测精度,构建农产品价格自回归移动平均与支持向量机（ARIMA—SVM）组合预测模型,以ARIMA模型揭示农产品价格线性变动规律,以SVM模型揭示非线性变动规律,并结合1999—2011年我国农产品价格指数月度数据,使用组合模型和ARIMA、SVM单个模型对农产品价格进行预测。预测结果显示：组合模型比单个ARIMA、SVM模型预测精度高,能够提高农产品价格预测的准确性,是一种有效的农产品价格预测模型。     

个人信用评分模型比较数据挖掘分析

为了有效控制和防范信贷风险,商业银行必须对借款人做出准确的信用评估。本文通过利用传统的Logistic回归与随机森林模型,分别建立信用评分模型,并比较两个模型的优缺点以达到最佳的预测效果,从而有效的降低商业银行的个人信用评估风险,更好地实现银行利润最大化。     

基于BP神经网络与支持向量机的股票指数预测模型比较

本文在阐述创新型预测模型理论的基础上,分别利用基于BP神经网络和支持向量机的股票指数预测模型,在小样本的情况下对沪深300指数进行了研究和短期预测.研究结果表明,基于支持向量机的预测模型在预测精度、收敛时间、最优性等方面均优于基于BP神经网络的预测模型.     

基于机器学习的客户资产配置决策偏好预测研究

资产配置决策偏好的准确预测有助于提升客户决策效率和满意度,降低金融机构的人力成本。通过构建基于机器学习客户资产配置决策偏好模型,设定输入变量为人口统计变量、家庭经济情况、个性心理特征和风险态度等四大类,输出变量为客户资产配置决策偏好选择,运用决策树和支持向量机等机器学习算法预测客户的资产配置决策偏好,并与传统预测方法进行比较。研究结果表明,机器学习算法能够在一定程度上预测客户的资产配置决策偏好,且其性能相较于传统预测方法更为有效。