基于决策树集成的债券发行企业财务预警研究

在我国,债券发行人中财务危机企业数量远小于财务健康企业,样本的非平衡性导致一般的财务预警模型在训练时对财务危机企业的特征挖掘不足、预警精度低。利用"聚类Bagging"集成方法,将样本数量较多的财务健康企业样本分成多组,将多组财务健康样本与财务危机样本进行两两配对,形成两类样本大致平衡的多个训练子集。在多个训练子集上分别构建决策树模型作为基学习器,使得决策树基学习器可以大致同等地学习健康样本与危机样本的特征。利用基学习器在测试集上的预测精度AUC值作为权重,对决策树基学习器进行加权,得到决策树集成模型,作为最终的财务预警模型。以制造业债券发行企业为样本,实证对比发现基于决策树集成的财务预警模型精度更高,说明本模型能够在总体预警正确率较高的前提下提高对财务危机企业的正确识别率。     

基于优势粗糙集的属性选择与集成分类方法设计

粗糙集理论是一种处理不确定信息的有效工具,利用其可在无任何先验信息下获取属性约简子集。本文采用优势粗糙集理论中的排列互信息和最大相关最小冗余相融合技术进行属性子集选取,在每个属性子集上对五种决策树进行训练并作为基础分类器,并按照投票机制融合个体分类器的输出得到最终决策结果。在实际数据集上的实验表明,基于排列互信息和最大相关最小冗余方法得到属性子集能够反映数据本质信息,使得分类算法有较好的准确率。同时,与单个决策树的分类结果相比,融合决策树具有较好的分类效果。     

决策树算法在第三方物流企业信用评级中的研究与应用

第三方物流企业是电子商务运行中的重要环节,其健康发展对电子商务具有非常重要的作用,但是目前第三方物流企业的信用问题成为电子商务物流发展的一大障碍.文章将决策树模型引入到第三方物流企业信用评级体系中,采用决策树ID3算法,通过定量计算训练集样本中各属性信息,准确得到决策树.实践表明,该决策树经过测试样本的测试和调整后准确率较高,能较好地运用于信用评级中.     

一种基于Boosting的集成学习算法在银行个人信用评级中的应用

本文针对银行个人信用数据的分类预测问题,从数据集的特征选择和集成学习两个角度出发,提出了PCA-AdaboostLogistic集成学习算法。在采用Accuracy和AUC作为分类模型评价指标的前提下,本文选取了源于澳大利亚某银行的个人信贷数据集进行测试。测试结果表明本算法在有效提取关键特征后提高了Adaboost的稳定性,并且在分类准确度上相比单纯使用Logistic分类器有不同程度的提高。     

基于RUSBoost算法的违约风险预测模型构建与应用

针对金融借贷数据存在的较严重的类别不平衡问题,构建基于RUSBoost算法的违约风险预测模型。作为一种集成学习方法,RUSBoost算法利用欠采样实现了训练集的类别均衡,同时又通过对基学习器的独立采样有效克服了因欠采样而造成的信息丢失问题,从而实现了对类别不平衡数据的较强适应能力。基于某网络借贷平台的金融大数据,首次将RUSBoost算法应用于违约风险预测,同时也将随机森林、决策树以及支持向量机等数据挖掘方法分别应用于违约风险预测问题,并与传统的Logistic回归方法和最小二乘模型进行对比分析。从实验结果来看,绝大部分数据挖掘模型的预测性能要明显优于传统模型,而基于RUSBoost算法的违约风险预测模型又明显优于其他数据挖掘模型。     

基于贝叶斯优化LSTM的S型道路车辆轨迹预测

为了提高车辆特殊轨迹预测的准确率,采用一种基于长短时记忆网络与贝叶斯优化算法结合的目标车辆轨迹预测方法。利用长短时神经网络进行车辆轨迹预测,并运用贝叶斯优化算法对长短时神经网络进行迭代优化。最后,利用真实数据集以及通过NSGIM(Next Generation Simulation)数据集对模型进行训练和测试,结果表明,基于贝叶斯优化的LSTM车辆轨迹预测方法预测精度于以往方法有所提升。     

基于集成学习的多式联运货运量预测模型构建

货运量精准预测是多式联运网络高效协同发展的重要基础,货运量时变性强、数据多样性缺失是实现精准货运量预测的问题所在。基于此,通过挖掘货物运输量(集装箱)的时间变化特征,构建初始相关时间特征输入集,结合斯皮尔曼相关性系数分布,采用Bagging+BP集成学习方法训练多个弱分类器,最终组合获取高精度的强学习模型。以南京龙潭港为例,对自回归移动平均模型(ARIMA)、Bagging+BP集成学习网络以及长短时记忆神经网络(LSTM)三种模型进行评价,实验结果表明,相比于其他模型,提出的Bagging+BP集成学习网络预测性能良好,有一定的实用价值。     

基于组合分类器的上市公司信用风险评价

针对传统信用风险评价模型只含有一个分类器的缺陷,本文利用AdaBoost组合分类器来对上市公司信用风险进行评价,并与基于支持向量机和神经网络的分类模型进行了效果比较。实证研究表明,组合分类器克服了单一分类器的诸多缺点,预测准确率高于单一分类器。     

基于组合分类器的上市公司信用风险评价

针对传统信用风险评价模型只含有一个分类器的缺陷,本文利用AdaBoost组合分类器来对上市公司信用风险进行评价,并与基于支持向量机和神经网络的分类模型进行了效果比较。实证研究表明,组合分类器克服了单一分类器的诸多缺点,预测准确率高于单一分类器。     

基于改进AdaBoost算法的动态不平衡财务预警模型

研究目标:构建动态不平衡财务预警模型以同时处理概念漂移和数据分布不平衡问题。研究方法:在改进AdaBoost算法的基础上,以代价敏感支持向量机为基分类器构建ADA-CSSVM-TW模型,并利用我国2010～2020年制造业公司数据进行分析。研究发现:ADA-CSSVM-TW模型可显著提高预测准确率,性能良好,模型稳健。研究创新:将代价敏感支持向量机作为改进AdaBoost算法的基分类器,建立动态不平衡预警模型。研究价值:对我国上市公司有效防范财务困境具有重要的理论价值和现实意义。     

基于随机森林的债券违约预测

本文利用方差选择法和互信息法抽取了财务特征中与债券违约最相关的特征，然后使用SMOTE和Tomek Links结合的方法做样本平衡处理，最后构建基于随机森林算法的债券违约预测模型，并与逻辑回归、决策树构建的模型进行了预测性能上的对比。结果显示，基于随机森林构建的模型相比于逻辑回归、决策树构建的模型，AUC、准确率这两个指标的值都更高，表明该研究在债券违约预测方面具有一定的参考价值。     

HG AR-PNN在网络入侵检测中的应用

人工神经网络(ANN)大大提高了入侵检测系统的检测性能,但对于出现次数较少的攻击,ANN并不能提供令人满意的稳定性和检测率。提出了一种基于超图Helly性质和算术取余概率神经网络(HG AR-PNN)的入侵检测新方法。该方法利用超图的Helly性质选取最优特征子集,再对最优特征子集进行归一化算术取余,然后实现概率神经网络对数据集的训练。最后,使用KDDCUP’99数据集进行实验,并对HG AR-PNN算法的性能进行评价。实验结果表明,对于不常出现的攻击,HG AR-PNN分类器同样有着较好的稳定性和较高的分类精度。     

基于组合分类器的个人信用评估模型

随着消费信贷的发展以及银行对信用风险的关注,个人信用评估已成为银行业研究的一个重要内容。目前信用评估的研究中多采用单一分类器,预测精度难以提高,因此文章提出了基于AdaBoost组合分类器算法的个人信用评估模型。与单分类器模型的比较结果表明,基于组合分类器的模型具有更高的预测准确率。     

基于动态贝叶斯网络的通货膨胀风险预测研究

利用动态朴素贝叶斯分类器对我国的通货膨胀风险进行了预测,并在此基础上计算了不同风险因素对通货膨胀风险等级的影响程度,结果表明,动态朴素贝叶斯分类器方法能够较好地预测和分析通货膨胀风险。利用我国实际经济数据进行模拟预测,结果显示在88.24%的可信度下,我国2012年第二季度的通货膨胀风险等级为2级,通货膨胀率预测值约为3.8%。通过分别使用包含和不包含企业家信心指数的动态朴素贝叶斯分类器进行预测,结果发现考虑了企业家信心指数的分类器大约能将预测准确率提高5%,这说明对通货膨胀风险等级预测有必要考虑经济主体的预期因素。通过计算6个指标对通货膨胀风险等级的影响程度,发现货币供应和产出缺口仍是解释我国通货膨胀风险的两个主要因素。     

基于机器学习对电动汽车价格预测

使用比赛数据,通过挖掘原始数据并结合背景知识创建了7个特征,使用随机森林和XGBoost模型对特征重要性排名前十五的特征中共同出现的特征进行选取,得到9个特征;然后建立KNN、集成学习类、神经网络等模型,选取三组数据集分别建立模型,最终选取了筛选后的数据集和使用Adam优化器的神经网络作为最终的价格预测模型,其准确率达...     

基于DBN的线上供应链金融信用风险研究

"互联网+"背景下,针对如何解决深度挖掘线上供应链金融大数据背后信用风险的问题,提出了一种基于深度信念网络(DBN)的线上供应链金融信用风险评估方法.首先,建立了由受限玻尔兹曼机(RBM)和分类器SOFTMAX构成的深度信念网络评估模型,并利用该模型对三类数据集进行性能评估测试;其次,运用因子分析法从21个指标中甄选8个指标,输入到RBM中进行转换,形成更为科学的评估指标,再将指标输入到SOFTMAX中进行评估;最后,将这种基于DBN的线上供应链金融信用风险评估方法应用到实例中进行了验证.结果表明:该方法的评估准确率达96.04％,与SVM法、Logistic法相比较,具有更高的评估准确率和更好的合理性.     

基于改进的樽海鞘算法优化BP神经网络参数的分类识别方法

针对BP神经网络容易陷入局部最优解从而无法收敛到全局最优解,以及收敛速率过慢的现象,本文采用一种改进的樽海鞘算法寻找BP神经网络的权重和阈值这两个参数的最优参数。之后采用BCI 2003运动想象数据集进行分类识别测试,并且分别利用樽海鞘算法、粒子群优化算法、差分进化算法、权重自适应樽海鞘算法、疯狂自适应樽海鞘算法对BP神经网络进行参数优化作对比研究,结果显示,采用改进的樽海鞘算法优化BP神经网络参数的模型比其他模型得到的平均分类准确率要高。     

基于L-R型模糊DEA的模型改进

本文首先介绍了前人建立的模糊DEA模型,考虑这些模型存在人为提高效率值、未充分利用模糊信息、计算量过大的问题,建立了一个新的L-R DEA模型,该模型基于α-截集的模糊数变换,将指标集分解为多个指标子集,分别对每个子集进行效率计算,最后应用熵值法确定决策单元(DMU)的最终效率值。该方法可以对DMU进行充分排序,扩大了DEA的应用领域。文末通过一算例来说明新模型的有效性。     

基于Adaboost对人脸Gabor特征进行选择

通过提取人脸图像的Gabor特征,结合Adaboost进行人脸识别。针对Gabor特征维数高、冗余大的特点,引入Adaboost算法进行特征选择降低特征向量的维数,对于大量的Gabor特征进行选取。同时采用单一正样本集合和多个负样本集合分别进行训练的方法构建多个强分类器级联的层级分类器。在YaLe库上进行测试的结果验证了该法的有效性。     

基于时间序列模型下的财务预测——以某家电企业为例

通过某家电企业的财务报表分析得知该企业的偿债能力较差,但营运能力总体向好。采用时间序列模型对该企业未来三年的财务状况做了预测,发现盈利情况良好,为投资者和管理者的经营提供方向。