基于BP-Adaboost的上市公司财务危机预警实证研究

文章提出了将Adaboost算法与BP神经网络相结合的方式构建模型,应用于我国上市公司财务危机预警的研究中,对60家ST和60家非ST的上市公司的财务数据进行实证检验。结果表明,Adaboost算法的引入,提高了神经网络的预测精度,具有较好的实际应用价值。     

基于机器学习的藏文图像识别系统设计与实现

随着人工智能技术的高速发展,机器学习应运而生,而人工智能的重点是机器学习。在人们的生活中,机器学习也扮演着越来越重要的角色。所以在藏文识别方面,机器学习理应发挥更重要的作用,方便人们更好地对藏文进行学习。文章采用Keras机器学习工具和卷积神经网络图像识别算法,识别的准确率可以达到97.92%,为图像识别提供了新的方法和途径。     

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。     

进化树方法的建模原理及大数据时代的金融保险风险预测

大数据时代的来临加深了经济学的研究范式改革，推动社会科学研究由模型驱动向数据驱动转型。本文将机器学习算法引入预测建模，探讨机器学习如何在金融保险领域的风险预测中发挥作用。在经济预测建模中，传统统计回归无法胜任复杂关系的捕捉，而传统的CART决策树容易陷入局部最优而导致预测水平不足的问题。作为一种较新的机器学习方法，进化树是对传统决策树的改进，本文重点对进化树算法的基本原理进行探讨。进化算法应用于树的生成，可以达到全局最优。在经济预测建模应用方面，本文选取机器学习平台OpenML上的两个数据集(Credit和WorkersCompensation)，将树方法应用于预测分析：对于Credit数据集，通过构建分类树，探索影响银行客户信用风险发生的可能因素；对于WorkersCompensation数据集，通过构建回归树，对工伤保险赔付进行预测建模，同时探索工伤保险赔付的影响因素。结果发现，进化树算法在保持一定可解释性的同时，能有效提升分类准确率和预测精度。同时，由于树方法会隐性地体现变量之间的交互项和非线性关系，因此进化树模型的构建可补充传统统计回归分析，在经济学的预测问题中具有一定潜力。     

基于GS-LGBM的乘用车使用寿命预测研究

为准确预测乘用车使用寿命,提出基于网格搜索优化LightGBM（GS-LGBM）模型的乘用车使用寿命预测方法。通过对2014—2019年乘用车报废数据进行大量实验,并与9种流行的机器学习算法进行对比,结果表明,LightGBM在平均绝对误差（MAE）、中位绝对误差（MEAE）、均方误差（MSE）和拟合优度判定系数（R2）4项指标上均明显优于其他算法。为进一步提升模型预测精度,采用网格搜索算法对LightGBM进行参数优化构建GS-LGBM模型,效果显著提升（MAE降低11.02%）,说明该方法能够更准确高效地预测乘用车使用寿命。     

房地产投资项目的风险预测与分析

本项目侧重于研究支持向量机在房地产投资项目中的风险预测与分析的应用。支持向量机是基于统计学习理论和结构风险最小原则基础上的新型机器学习技术。通过选取惩罚系数C和核函数,经过模型初步评价的风险能够和最终数据模拟结果相一致,通过对支持向量机的实证研究表明此种算法在风险预测领域具有较好的风险预测能力     

基于机器学习的红酒质量分类研究

随着现代社会的飞速发展,红酒越来越大众化,然而人们对其品质分类还有些困惑。通过使用Jupyter Lab编写Python程序建立各种机器学习算法对红酒质量进行分类,并进行精度比较。结果表明K近邻模型更适合红酒质量分类。研究结果可为红酒品质的相关研究提供启示,也为人们辨认红酒品质提供参考。     

大数据环境下机器学习算法趋势研究

现如今我们正处于"云时代"的快速发展时期,大数据也逐渐受到了不同领域的关注。文章对当前大数据环境下的机器学习算法进行总体概述,通过研究其主要特点,对其未来的发展趋势进行深入研究,从中提出几点业内人士密切关注的问题对其发展进行分析,希望能够为相关从业人员提供有价值的参考意见。     

基于多模型融合Stacking集成学习的油田产量预测

基于机器学习前沿理论，提出一种基于多模型融合Stacking集成学习方式的组合预测方法，以国内某特高含水油田区块中多口水驱产油井历年生产历史数据为试验样本，预测其动态产油量。依据不同算法的训练原理，选取极限梯度提升树算法、长短记忆网络（LSTM）、时域卷积网络（TCN）等作为模型的基学习器，采用多元线性回归作为模型的元学习器。结果表明：融合后的Stacking模型充分发挥了各基学习器的优势，相比单一模型，融合后的Stacking模型预测平均误差较小，预测鲁棒性较好。该模型的提出对融合模型在特高含水油藏开发方面具有重要的应用意义。     

4G无线探针在高速公路交通状态识别中的应用

利用4G无线探针在高速公路上检测得到的数据,通过开发的系统软件,能够展现车辆行驶轨迹,从路线状况、行程速度、路段实时车速3个方面对路段的交通状态进行识别,并在地图上实时显示路段的道路交通情况。文章结合ETC、卡口视频等数据进行融合分析研究,通过统计算法、机器学习算法等,实现了对高速公路交通状态的识别与实际分析应用。     

Industry Differences in the Effect of Export Market Entry: Learning by Exporting?

An extensive evidence base affirms the importance of sunk costs and firm heterogeneity to exporting. Only higher productivity firms can profitably cover sunk costs and enter export markets. This is the standard explanation for the regularity with which econometric analyses report that exporters are more productive than non-exporters. But what happens to their productivity trajectory once they have entered? Some theory points to the possibility of a further productivity boost, attributable to the effects of learning and competition. We investigate whether this is because the potential for a post-entry boost depends upon how exposed to competition the firm is. We find that industry differences are an important marker for determining whether learning effects boost productivity after export market entry.     

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.     

中小企业技术创新障碍分析及战略联盟的构建

技术创新是中小企业提高竞争力和实现可持续发展的关键因素。构建技术创新战略联盟,借助外力促发展,是我国中小企业迅速壮大的有效途径。文章从我国中小企业构建技术创新战略联盟的角度出发,分析了中小企业技术创新的障碍,并通过技术创新战略联盟类型的介绍,提出了中小企业构建技术创新战略联盟的原则,提出应通过加强政府的作用、建立合理的联盟治理机制、加强技术创新战略联盟中的学习、创造新的战略联盟文化等对策,以加强中小企业技术创新战略联盟的建设。     

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.     

基于机器学习的岩性识别研究

钻井过程中的岩性识别是一个复杂且不断变化的非线性过程,很难建立准确的数学模型。由于传统识别方法存在解释精度低以及难以获得或丢失测井曲线的问题,直接通过传感器获取的钻速、钻压等每个与岩性有直接或间接关系的钻井参数,利用钻井参数进行岩石预测。基于机器学习技术,采用BP神经网络学习算法,根据地层岩性的特点,建立神经网络识别岩性模型,构造钻进参数样本并在MATLAB软件中利用神经网络工具箱进行岩性识别,分析训练集样本数量对模型识别准确率的影响。研究结果表明:BP神经网络输出非常准确,描述了采集到的钻井参数与岩性之间的关系,体现出神经网络的优越性;对钻井过程中岩性的识别具有积极的作用,有利于合理选择钻头类型、及时调整钻井参数和提高钻井效率。该岩性识别方法应用于仿生PDC钻头等方面,在试验和理论相互补充、支撑的同时便于利用该方法针对智能石油钻机开展更深层次的研究。     

基于改进型BP神经网络的随机车祸持续时间预测

由于道路交通事故的复杂性使之对事故持续时间的预测困难。采用因子分析和BP神经网络相结合的方法，以福银高速福州段近两年交通数据为依据，采用因子分析获取造成车祸事故的少量公共因子，将公共因子做降维处理后作为BP神经网络的输入参数，利用三层BP神经网络实现对随机车祸持续时间的预测。其结果与回归算法、支持向量机算法以及传统BP神经网络算法相比，精准度高、收敛速度快。     

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。