基于支持向量机的工程项目风险预测

本文在介绍支持向量机(SVM)基本原理的基础上探讨了支持向量机在建设工程中应用的可能性和有效性,提出基于支持向量机的项目风险预测算法,为预测工程项目风险提了一种新的方法。本文同时也介绍了Libsvm软件在项目风险预方面的应用。     

支持向量机在上市公司风险管理中的应用

在严峻的经济形势下，企业之间的竞争越来越激烈，提高企业的竞争力和综合实力，研究企业的风险具有很强的实践意义，可以让企业提前预知风险，降低企业破产的可能性。研究企业风险的传统方法大多是基于线性的，而企业的风险一般是非线性。支持向量机(support vector machine)模型是基于统计学习理论发展起来的一种新兴的机器学习方法，对解决非线性、小样本问题具有很好的适用性。利用支持向量机模型研究中国上市公司的风险，通过对上市公司的财务比率进行建模和仿真研究，发现支持向量机对所选取的样本具有很好的分类效果，强于传统的线性方法，得出了支持向量机在上市公司的风险预测方面具有很强的准确率和可行性。这对以后研究上市公司风险具有一定的参考意义。     

我国民航安全周期波动转折点预测方法的研究

本文应用基于风险最小化原理的支持向量机，研究了我国民航安全周期波动转折点预测的问题。并与人工神经网络预测方法进行对比研究．发现支持向量机预测正确率为83．3％，BP人工神经网络为75％。结果表明支持向量机能够相对更好地反映我国民航安全周期波动的性态，可以作为探索我国民航安全周期波动转折点预测闻题的新方法，新思路的一种尝试。     

遗传模拟支持向量机在居民消费价格指数预测中的应用

为了能够准确地对我国居民消费指数进行预测,本文深入研究了支持向量机在居民消费价格指数中的预测,首先阐述了最小二乘支持向量机的基本理论,接着提出了遗传模拟退火算法,最后进行实例研究,结果表明该方法具有较高的预测精度。     

基于GA-SVM模型的福建省城镇登记失业率预测

将支持向量机应用在失业率预测中,采用遗传算法对传统的支持向量机进行改进,并以福建省城镇登记失业率为对象进行仿真和预测,其结果表明,该模型具有较好的学习和泛化能力,为失业率的预测提供了一条新的途径。     

非参数支持向量预测方法及蒙特卡罗仿真检验

本文详细介绍了非参数支持向量预测方法,独特的结构风险最小化设计赋予了支持向量算法最出色的预测能力。蒙特卡罗仿真检验验证了支持向量预测方法的理论优点,即,无论在短期预测,还是长期预测上,也不管是预测变量的绝对水平还是变化方向,支持向量预测方法都一致地优于MLE和ANN方法。嵌套检验也从统计上显著地证明了这个结论。     

基于支持向量机回归的中国CPI预测研究

本文针对中国CPI指数的预测问题．首先用主成分分析方法对影响CPI指数的八个指标进行降维处理．然后利用支持向量机技术建立起中国CPI指数的预测模型并对我国实际的CPI指数进行了预测。实证分析结果表明,PCA—SVM模型能够有效地对CPI指数进行短期预测。最后．与单纯的支持向量机模型的预测结果做了对比．对比结果表明．支持向量机和主成分分析相结合的模型应用于CPI预测具有较高的精确度。     

基于支持向量机的网络贷款平台等级评价

采用有监督学习方法建立支持向量机模型,对网络贷款平台的等级评价方法进行了研究。由于学习样本少,为了提高模型的泛化能力,采用K-fold交叉验证方法进行模型学习。采用不同的核函数分别建立6种支持向量机模型,选择经过5轮交叉验证后正确率最高的模型作为最终的输出模型。验证结果表明,虽然学习样本数量不多,所建立的支持向量机模型在验证集中预测准确度达80%。     

建筑供应链风险研究

供应链管理作为一种新管理理念与方法，在提高建筑企业核心竞争力和增加利润的同时，由于市场的不确定因素，也将给建筑企业带来一定的风险。为了降低不确定性给企业带来的损失，从参与方的角度出发，对建筑供应链中的不确定性进行分析，建立其风险量化评估指标。通过专家打分法与企业调研收集、处理数据，运用Matlab程序编写风险预测模型，对建筑供应链中的风险进行模拟与预测，并且使用SPSS检验结果，验证了最小二乘支持向量机可以准确有效的对风险进行预测。     

基于机器学习的P2P网络借贷违约风险识别模型比较——以“人人贷”为例

近年来,P2P网络借贷中借款人违约风险的识别问题被各互联网金融机构重点关注。文章以"人人贷"平台中的借贷数据为样本,运用CART决策树、支持向量机(SVM)、BP神经网络和随机森林等4种主流的机器学习算法,进行代价敏感学习,构建了4种违约风险识别模型并进行比较。研究发现,机器学习算法在多维度借贷数据下的违约风险识别中适用性较强,其中树模型的预测效果显著优于其他两种模型,尤以随机森林模型预测效果最佳。     

基于可解释机器学习的信用债违约研究

为解决传统信用风险预测模型的非均衡样本识别不足问题,利用过采样方法和机器学习算法,提升信用债违约预测模型的准确率及稳定性。引入盈利能力、现金流量、营运能力、资本结构、偿债能力5类财务指标和非财务指标,运用SMOTE、Borderline SMOTE、ADASYN方法解决样本不均衡问题,通过逻辑回归、支持向量机、随机森林、XGBoost进行风险识别。结论：对于非均衡信用债违约样本,1000次有放回bootstrap重复抽样下ADASYN-RF模型的AUC、Recall优于LR、SVM和RF模型;ADASYN-SVM模型违约样本实际Recall较不使用过采样法提升36.86个百分点。引入可解释性机器学习方法,发现带息债务/全部投入资本、地方财政收入/债务存量、资产负债率等是信用债违约的重要影响因素。     

机器学习算法在房地产企业财务风险预警中的性能比较

基于AdaBoost-SVM的房地产企业财务风险预警模型将支持向量机(SVM)和自适应增强(AdaBoost)算法结合在一起,选取19个财务指标,基于60家房地产上市公司2005—2021年的财务面板数据进行仿真计算以及同类预警模型性能对比分析。结果表明,构建的算法模型在企业财务风险评估预测性能上优于同类4种算法模型,可有效帮助房地产企业提前预警潜在危机,防范财务风险,提升企业的竞争能力。     

基于组合模型的股票预测研究综述

随着金融业数据环境的日益复杂,利用传统单一模型进行高精度股价预测变得愈加困难。面对日益突出的股票分析技术需求,组合预测模型开始得到发展并取得了很多成果。首先介绍影响股价波动的分析指标,概括基于传统统计预测模型、机器学习、神经网络等单一预测模型在股票预测中的优势与不足。然后依据组合预测模型的组合形式,将其分为线性模型的组合、非线性模型的组合以及线性与非线性模型的组合3种类型,并报告多种组合模型的实际应用与研究现状。最后,对组合模型股票预测方法的有效性和稳定性进行展望。     

规则模糊系统和ICA在图像识别中的应用

利用模糊系统中的模糊规则和SVM中内积函数之间的关系,通过支持向量机对训练样本进行学习,由支持向量确定模糊规则,构建基于规则的模糊分类器。对人脸图像做独立成分分析,提取有利于分类的面部特征的主要独立成分。该模糊系统在ORL人脸库上的实验结果表明,该方法同样适合解决小样本、非线性、高维模式的分类问题。     

一种对指数增长年度用电量的组合预测方法

为有效预测呈指数增长的年度用电量,本文选用了指数函数法、GM(1,1)灰色模型和多元线性回归模型来对年度用电量进行拟合外推预测。通过运用这些方法预测北京年度用电量和对预测结果进行比较分析得到,GM(1,1)灰色模型的实际预测结果往往偏大,指数函数法预测结果可能偏小,而多元线性回归模型虽然考虑了其他因素影响但在实际预测指数增长负荷时参考意义较小。因此,最终选择合适的权重加权组合以上模型得到最终预测值,预测精度较高。     

Macroeconomic forecasting using factor models and machine learning: an application to Japan

We perform a thorough comparative analysis of factor models and machine learning to forecast Japanese macroeconomic time series. Our main results can be summarized as follows. First, in many instances, factor models and machine learning perform better than the conventional AR model. Second, predictions made by machine learning methods perform particularly well for medium to long forecast horizons. Third, the success of machine learning mainly comes from the nonlinearity and interaction of variables, which suggests the importance of nonlinear structure in predicting the Japanese macroeconomic series. Fourth, the composite forecast of factor models and machine learning performs better than factor models or machine learning alone; and machine learning methods applied to common factors are found to be useful in the composite forecast.     

多智能体分层强化学习研究进展

强化学习(RL)通过试错与环境交互获得策略的改进,其自学习和在线学习的特点使其成为机器学习研究的一个重要分支.多智能体强化学习(MARL)和分层强化学习(HRL)是该领域近年的两个研究热点,二者融合形成的多智能体分层强化学习(MAHRL)则是当前一个新的研究方向.MARL、HRL和MAHRL虽已取得了研究成果,但也要指出MAHRL研究中尚未解决的问题及其研究思路.     

Factors that Influence the Learning Curve: Evidence from Cost Behavior in Clinical Labs*

Clinical labs belong to a mature industry and fulfill a critical function in the health-care value chain. We examine factors that influence the opportunity, motivation, and ability to learn in clinical labs. We hypothesize that with respect to learning about cost: (i) organizational design, such as the extent of outsourcing can impede the opportunity to learn, (ii) quality focus (measured by mortality rates and length of stay (LOS)) can reduce the motivation to learn, and (iii) related task variety (measured by product-mix breadth) and information technology investments can enhance the ability to learn. Our empirical tests calibrate learning effects on disaggregate (technical and supervisory hours and cost) and aggregate (salary and total direct cost) cost and time pools. Using longitudinal data from clinical labs in California for the period 1997–2015, we find that clinical labs with greater cumulative output have lower average costs, consistent with learning effects in clinical labs. We also find results consistent with our hypotheses about the contextual factors that influence learning rates in clinical labs. Our findings contribute to a better understanding of learning rates with implications for budgeting, forecasting, and performance measurement. The results highlight that learning can be a crucial source of cost reduction in health-care settings.     

数字化转型对企业财务风险的影响

本文基于 2013-2020 年 A 股上市公司数据,通过机器学习方法构建数字化转型程度指标,采用回归分析法研究数字化转型对企业财务风险的影响,研究发现：（1）企业数字化转型对企业财务风险具有显著的抑制作用;（2）机制分析表明：数字化转型的赋能效应、范围规模效应、信息效应增强了企业的经营能力提高了企业的全要素生产率进而降低了企业财务风险。（3）异质性分析表明：区域信用环境和经济政策不确定性的不同会对数字化转型的风险抑制效果产生影响。横向看,法律监管可以提高数字化的风险抑制效果;纵向看,经济政策波动越小、不确定性越低,可以显著强化数字化的财务风险抑制效果。最后,在上述研究的基础上,从内部管理、人才培养、政策激励、全要素生产率四个角度就如何利用数字化技术降低企业财务风险提出建议。