神经网络在我国电商企业客户流失风险预测中的应用研究

文章以C5.0、Neural Net和Logistic三种算法作为构建预测混合模型的基础算法。在实证研究过程中,分别采用品牌、地区、网龄和账单作为客户细分变量,构建了不同的客户流失预测混合模型,用命中率和接受者操作特性(ROC)曲线对预测结果比较评估,得到以地区为客户细分变量的混合模型预测效果最佳,以账单为客户细分变量的混合模型预测效果,其次以网龄和品牌为客户细分变量的混合模型预测效果较差的结论。省级电信公司在构建流失预测系统过程中,以客户账单(或客户消费层次)作为细分变量,对各地区客户单独构建流失预测模型;同时,要加强品牌管理,提高各品牌对客户的区隔效果。     

一种加权聚类划分决策树算法

针对斜划分决策树算法普遍存在时间效率低、部分算法仅能应用于二分类问题，提出了一种基于加权距离的聚类决策树算法。通过Relief-F算法为预测属性计算权重，并将权重用于树结点中数据的聚类过程，使用分簇结果对结点进行多路划分，得到可直接用于多分类问题的决策树。理论分析和实验结果表明，该算法与经典轴平行决策树相比，拥有更好的泛化能力以及相近的算法时间复杂度，与大部分斜决策树相比，在付出更少计算代价的前提下，获得了近似的正确率以及模型简洁度。     

基于决策树—BP神经网络的高净值客户价值评价

现有研究运用三维图和BP神经网络模型等方法对客户价值进行量化评价,但没有结合高净值客户的特征及客户协同创新理论来综合评价,因此,文章在构建基于协同创新商业银行高净值客户价值评价指标体系的基础上,采用基于C5.0算法的决策树方法和基于BP算法的神经网络方法构建了更精确的组合模型,对各个评价指标进行综合量化评价,使商业银行更加合理地整合自身资源,充分利用筛选出的优质高净值客户协同资源,提高协同效率,降低协同成本。     

企业投资决策中项目评估方法的选择研究

本文讨论了企业投资决策中项目评估的三种方法——NPV法、决策树分析法和实物期权方法,比较了它们在应用中的优缺点并给出了其各自适用的条件。     

银行贷款客户违约分析

随着互联网金融的迅速发展,商业银行更加重视贷款风险管理,判别出违约客户对风险管理异常重要.所以,基于C5.0算法的决策树模型应用而生,根据银行客户数据建立决策树模型,提出分类规则,对新出现申请贷款的客户是否会违约进行分类预测.通过交叉验证得到可靠稳定的决策树模型,并在决策树模型的基础上,加入成本矩阵,提高对违约客户判别的准确率,达到局部最优,从而提高商业银行对客户的风险管理和贷款控制.这既能满足个人融资的需求,又能降低商业银行的贷款风险.     

商业银行个人客户洗钱静态风险分类方法研究

构建基于RBF神经网络、聚类算法和决策树模型预测结果的集成风险分类模型。实证研究表明该模型预测精度有所提高,性能表现也更加稳健,对于运用于实际洗钱识别工作具有一定的应用价值。     

基于CHAID算法和贝叶斯网络的基金风险预警研究

随着基金业的迅猛发展,其风险日益突出,对基金业实行适当的风险监管显得尤为重要,这其中离不开风险预警模型的参与。研究发现目前金融预警模型主要针对宏观金融风险、银行业风险和企业财务风险等,对基金业风险预警模型的研究存在不足。同时,金融时间序列尖峰厚尾的特征也并不完全满足传统的参数检验方法。正是如此,文章采用CHAID和贝叶斯网络方法构建基金的风险预警模型,在CHAID的基金风险预警模型中,预测准确率约为0.766;而在贝叶斯网络的基金风险预警模型中,最优的预测准确率约为0.841。研究发现,不同的基金风险预警模型检出准确率会有所差别。因此,综合运用各个基金预警模型并进行定期调整是非常必要的。