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。     

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。     

基于支持向量机的C2C电子商务信用评价体系研究

电子商务的成功需要买卖双方彼此信任并做出承诺,无论是企业还是个人,都应对其信用进行评估。对于企业信用评级来说,评级制度必然会减少或避免企业因信息不对称而产生的各种不诚实行为(包括违约行为)。基于模糊积分的支持向量机(SVM)集成方法,对客户信用进行评价,考虑了各分类器的分类结果,各个分类器对最终决策的重要性作出判断。通过实证分析,探讨支持向量机(SVM)集成方法的可行性和优越性,为我国建立电子商务客户评价体系提供参考。     

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。     

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。     

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%。     

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。     

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。     

浅议企业内部财务分析存在的问题

企业的内部财务分析能真实地反映企业经营业绩和财务状况,为企业决策提供有力支持。目前一些企业内部财务分析存在较多问题,尚需采取有力措施,才能真正实现企业的有效管理。     

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。     

基于多类SVM武器装备预研项目风险预警模型及实证研究

在分析武器装备预研项目研究范畴及特点的基础上,进行全寿命周期内项目风险因素识别。对现有风险预警模型进行了比较分析,针对现有研究模型的不足,将支持向量机（Support Vector Machine, SVM）算法应用于武器装备预研项目风险预警,选取1-a-1方法对SVM进行多类扩展,选择RBF函数作为核函数,构建基于多类SVM的武器装备预研项目风险预警模型。最后,结合某军工研究所预研项目进行了实证研究,结果表明该方法拟合精度高、鲁棒性强,对于同类问题具有一定的推广价值。     

首都机场客运量预测

机场客流量预测对于机场未来规划和管理措施改进有重要意义。本文根据影响机场客流量的主要因素——GDP为主要条件,采用计量模型预测对首都机场未来五年客运量进行了预测分析。然后加入北京市人均可支配收入、正班客座率、飞机起降架次等因素,采用支持向量机的方法做出预测。     

基于SVM的中间商选择

企业为了满足消费者的个性化与多样化需求迫切需要中间商参与,为了帮助企业选择最佳中间商,文章设计了参与式中间商选择流程,即“业务类型→市场细分→目标市场→特征选择→中间商”。该流程最后建立了基于SVM的中间商客户价值评估模型,将该模型作为中间商选择的技术依据。以移动运营商选择中间商为例进行实证分析,结果表明该流程可以作为运营商高效选择中间商的决策依据。     

煤矿企业安全管理风险预测模型研究——基于RS-SVM

科学地进行煤矿安全管理风险预测,准确找出煤矿安全管理风险因子,是实现煤矿企业本质安全的重要前提和基础。为了提高预测的精度和运算速度,文章建立了基于RS-SVM的煤矿企业安全管理风险预测模型,首先运用粗糙集理论约简出影响煤矿安全管理的重要风险因子,然后运用SVM对训练样本进行训练和学习,再对测试样本的风险状态进行预测。实证研究表明该模型具有很好的适用性。     

基于随机森林的商业性养老保险购买行为预测

将随机森林应用到商业性养老保险购买行为预测过程中,对中国综合社会调查（CGSS）2017年问卷的调查数据进行分析。首先运用SMOTE过采样来平衡数据集,其次采用网格搜索确认模型输入参数,最后将改进后的随机森林模型进行分类预测,并与支持向量机模型对比。实例结果表明,SMOTE过采样方法在处理非均衡数据方面表现良好,能够起到提高模型性能的效果,处理后的随机森林的分类效果优于支持向量机。     

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。     

银行定期存款客户预测——基于Lasso-Forest方法

从定性角度通过对数据进行描述性统计分析，给予银行营销策略建议。使用Lasso-Forest、Logistic、决策树及SVM模型分别进行建模分析，结合不平衡数据处理方法SMOTE算法，使用一系列评价指标进行模型效果评估，得到最优模型。所提出的Lasso-Forest组合模型具有比上述其他模型更精确的预测效果，识别准确率达到93%。使用提供的营销策略以及Lasso-Forest模型可以有效降低银行成本，对客户类型进行精确识别并加以针对性营销，以此达到增加银行定期存款储备的目的。