基于机器学习算法的个体索赔准备金评估模型

非寿险赔款准备金对保险公司的风险管理和财务决策具有重要影响。传统的准备金评估方法通常基于汇总的流量三角形数据进行建模,没有充分利用个体索赔案件的信息,且存在参数过度化、难以处理大额赔款和负增量赔款等问题。本文基于每份保单的个体索赔信息,使用随机森林和XGBoost等机器学习算法对案件的赔付状态、赔付金额分别建立了预测模型,改进了传统准备金评估模型的预测效果。实证研究结果表明,影响赔付状态的因素主要是结案状态、报案延迟等跟案件相关的信息,而影响赔付金额的因素则主要是历史赔付金额等反映出险事故严重程度的信息。本文最后还给出了RBNS准备金的预测分布,其结果更加接近准备金的真实值且方差更小,表明在非寿险RBNS准备金评估中,基于机器学习算法的个体索赔准备金评估模型优于传统的准备金评估模型。     

基于支持向量机的人脸识别算法

支持向量机（SVM）是在统计学习理论（SLT）的基础上发展起来的一种新的机器学习方法，它基于结构风险最小化原则，能有效地解决过学习问题，具有良好的推广性能和较好的分类精确性。本文采用SVM方法进行人脸识别研究，将人脸识别这一典型的多分类问题构造成适合SVM处理的二分类问题，克服了传统SVM方法在解决多分类问题上的一些缺陷。     

浅析股指期货预测的意义与方法

金融是现代经济的核心,而金融衍生品的出现在20世纪80年代左右。股指期货作为重要的金融衍生品之一在金融市场中具有不可忽视的影响。但其规范性仍然有待提高。尽管其发展最晚,但无疑是最成功的。随着金融市场的不断发展,对于股指期货的预测变得十分必要。与此同时,伴随着市场需求,包括神经网络和支持向量机在内的多种金融预测工具被广泛应用在其预测中。     

基于支持向量机的股票预测

股票预测是一种非线性、不确定的时间序列问题,传统方法很难对其进行准确预测.本文分析了支持向量机(SVM)在股票预测中应用的可行性.并通过邯郸钢铁股票数据对该方法进行了检验,结果显示,支持向量机具有较强的泛化能力.     

基于卷积数据网络的我国住户贷款余额预测

卷积神经网络对原始信号特征的提取能力强,调整参数少,能进行并行学习,比其它神经网络决策精度更高。运用卷积神经网络对我国住户贷款余额进行了预测,结果显示,模型的平均预测误差仅为0.7848%,比支持向量机的4.2762%减小了81.4134%,比随机森林的2.9209%减小了72.7892%。提出了利用卷积神经网络对样本外变量发展趋势的预测方法,并运用该方法预测了2022-2026年我国住户贷款规模,通过分析,表明这一预测结果有较高的可信度。     

基于相空间重构与支持向量机的人民币兑美元汇率预测

汇率的预测研究一直是国际金融领域研究的一个热点。混沌时间序列的建模与预测的关键是相空间重构和非线性函数逼近,基于汇率时间序列存在混沌特征的特点,利用相空间重构技术对汇率时间序列进行重构,然后利用支持向量机作为非线性函数逼近,构建了一种基于支持向量机回归（SVR）的汇率预测模型。采用美元兑人民币的日汇率进行实证研究,结果表明,所构建的SVR模型能较好的反映汇率的变化趋势,预测精度较高。     

基于BP神经网络与支持向量机的股票指数预测模型比较

本文在阐述创新型预测模型理论的基础上,分别利用基于BP神经网络和支持向量机的股票指数预测模型,在小样本的情况下对沪深300指数进行了研究和短期预测.研究结果表明,基于支持向量机的预测模型在预测精度、收敛时间、最优性等方面均优于基于BP神经网络的预测模型.     

上证基金指数波动结构分解与短期预测:基于EEMD模型

上证基金指数反映了基金市场的整体变动情况,研究其波动结构特征对基金市场参与者具有重要作用。研究结果表明:(1)上证基金指数序列可由经济基本面决定的趋势项、重大事件带来的低频分量和短期不均衡导致的高频分量构成,而且趋势项主导上证基金指数的长期走势,低频分量在中期对该指数有较大影响,而高频分量的影响可忽略不计;(2)与直接SVM预测法相比,EEMD-SVM组合预测法有更高的预测精度,说明EEMD分解得到的各结构分量有效地刻画了上证基金指数的内在运行特征。     

德国公司违约概率预测及其对我国信用风险管理的启示

内部信用评级是新巴塞尔资本协议的核心,而违约概率的预测又是内部评级的基础。本文利用具有出色分类功能的非线性支持向量分类(SVC)方法来预测德国公司的违约概率,识别其信用风险。结果显示,SVC模型的预测能力优于基准的logit模型;而且非线性SVC模型能够捕捉线性logit模型所不能识别的影响信用风险的重要变量。本文虽然分析的是德国公司数据,但是同样对我国商业银行和公司构建全面风险管理体系有着直接的指导意义。     

基于PSO-SVR的期货价格预测

本文建立基于粒子群优化（PSO）的支持向量机（SVR）,实现对期货价格的有效预测。首先选取代表性的技术指标、收盘价和成交量作为样本特征集,以下一时刻的收盘价作为输出变量。然后通过粒子群优化算法寻找最优的惩罚因子和RBF函数的宽度参数,在此基础上建立支持向量机模型,并用样本集进行训练。最终仿真结果显示基于粒子群算法的支持向量机模型具有学习精度高、泛化能力较强的性质,可用于期货价格的短期预测。     

基于信息粒化和支持向量机的股票价格预测

信息粒化是进行海量数据挖掘和模糊信息处理的有效工具。本文提出了一种基于信息粒化和支持向量机的股票价格预测方法。利用长安汽车的股票数据,建立股票开盘价回归预测模型,该模型克服了传统时间序列模型仅局限于线性系统的情况。应用实例表明:该方法能有效地预测股票价格的变化范围。     

提升算法对传统车险索赔频率建模模型的改进——基于我国五省交强险保单数据

广义线性模型作为非寿险定价的经典模型,在非寿险定价中得到了广泛的应用。近年来,以提升算法为代表的机器学习算法在保险领域取得了很好的效果,为保险产品定价提供了一种新的选择。本文将提升算法思想分别融入到回归树模型和广义线性模型(GLM)中去,用得到的新模型对我国车险索赔频率进行预测建模分析,并与传统的回归树模型和GLM进行比较。结果表明,加入提升算法后传统车险索赔频率建模模型的效果得到了很大的改善,并且在不存在过拟合的前提下,随着模型深度和迭代次数的增加,模型的效果也在不断优化。     

基于支持向量机的股指期货合约价格预测

随着金融市场的不断发展,对于股指期货的预测变得十分必要.本文首先介绍了支持向量机并且分析了支持向量机的原理,并且建立了基于支持向量机的股指期货合约价格预测模型,最后应用实例验证其科学性.     

基于混沌时间序列的玉米期货价格预测方法

针对玉米期货市场的非线性特征,对玉米期货价格时间序列进行分析,建立基于混沌理论和最小二乘支持向量机的多变量时间序列预测模型,并对玉米期货的开盘价进行预测研究,结果表明多变量时间序列最小二乘支持向量机预测模型能精确地预测混沌时间序列,优于单变量支持向量机预测模型。     

基于Choquet模糊积分SVM集成的企业信用评估模型

针对Bagging算法下基于模糊积分的SVM集成方法在企业信用评估应用中存在的不足,提出一种基于改进模糊密度-Choquet模糊积分SVM集成的企业信用评估模型。该模型借鉴Boosting算法“注重”错分样本的基本思想,考虑SVM基分类器的总体错分程度,重新定义SVM基分类器的模糊密度,实现对模糊密度的改进;在此基础上,采用Choquet模糊积分作为SVM基分类器的结合方法,从而将基于Choquet模糊积分的SVM集成方法引入到企业信用评估中。实证结果表明,与传统方法相比,该模型的预测准确率更高,第一类错误率和第二类错误率更低;精确率、召回率、F1值和Macro-F1值等分类性能指标也明显占优,说明了该模型的可行性和有效性。     

基于灰色支持向量机模型的基金波动率预测

探讨灰色系统与最小二乘支持向量机组合预测模型在波动率上的应用的可行性,通过对灰色模型进行残差修正和背景值修正以及对最小二乘支持向量机进行参数寻优,来提高组合预测模型的预测精度和推广泛化能力。经波动率预测的实证分析得出建立的组合模型比支持向量机模型有较好的预测效果。