非均衡数据下基于BPNN-LDAMCE的信用评级模型设计及应用

研究目标:非均衡样本信用风险的有效预测。研究方法:针对反向传播神经网络BPNN交叉熵损失函数在非均衡样本信用评级中对非违约样本识别过度、违约样本识别不足的现象,利用标签分布交叉熵(Label Distribution Aware Margin Cross Entropy,简记LDAMCE)函数对交叉熵损失函数进行改进,并采用两阶段方式对BPNN模型进行训练,构建基于BPNN-LDAMCE的信用评级模型;基于多模型对比思路,验证BPNN-LDAMCE模型对中国某金融机构1298笔真实贷款数据信用风险预测的有效性;利用UCI公开的A地区、B地区信贷数据,检验BPNN-LDAMCE模型的稳健性。研究发现:BPNN-LDAMCE在保证对非违约样本识别力的同时,提升了对违约样本的预测准确率。研究创新:通过测算非违约、违约样本到分类面的“最优分类间隔”γ₁~*、γ₂~*,利用γ₁~*、γ₂~*对交叉熵损失函数进行改进,构建基于“最优分类间隔”的BPNN-LDAMCE信用风险评价模型,既可提升BPNN信用评价模型...     

基于卷积神经网络的特征描述子学习

随着深度学习的发展,作为图像任务基础的特征描述子开始倾向于通过卷积神经网络学习。目前的卷积神经网络模型大多采用交叉熵损失项进行约束,通过大量的输入数据训练网络。但由于缺乏细节上的约束,因此训练的网络模型特征提取能力并不优秀。针对以上问题,文章提出一种新的浅层神经网络模型,并在此基础上通过改进采样策略以获得更多的训练样本,使用复合的损失项对网络训练过程进行约束。实验表明,提出的神经网络模型能够获得更紧凑的特征描述子,特征提取的能力更强。     

基于模糊神经网络的信贷风险组合预测

本文在对银行信贷主流测量方法进行比较的基础上,提出了基于模糊神经网络的信贷风险组合预测评估方法,该方法综合考虑了财务和非财务因素对信贷风险产生的影响,信贷风险分析结果即模糊神经网络的输出不是通常的违约与不违约两种分类,而是对应于违约风险五级分类的肃属度,从而更加逼近贷款的现实决策。     

基于神经网络的药品需求组合预测研究与应用

药品的市场需求预测是制药企业生产控制中的重要组成部分,具有复杂的非线性特点。本文以制药企业的药品需求预测为研究对象,通过分析药品需求的特征,建立了基于神经网络的组合预测模型。本文选择3种具有互补特征的神经网络预测方法（BP神经网络的预测方法、RBF神经网络的预测方法和GRNN广义回归神经网络）分别对药品需求进行预测,然后在此基础上使用平均绝对相对误差（MAPE）为最优准则,通过求解二次规划问题得到权重并按照一定的规则进行变权,从而建立了基于神经网络的药品需求组合预测模型,最后对该模型实际应用的精度和稳定性进行评价。实验表明,本方法能够提高预测精度、稳定性,并扩大了模型的适用范围。     

高频数据下积分波动率矩阵的伪似然估计、预测及应用

研究目标:利用高频数据准确估计和预测高维积分波动率矩阵,并将矩阵的预测值应用于资产投资组合的构造中。研究方法:通过保留p×p维已实现波动率矩阵的特征向量,对积分波动率矩阵的特征值进行预测,本文将积分波动率矩阵的估计和预测问题转化为p个一维积分波动率的估计和预测问题。研究发现:对高维已实现波动率矩阵过于发散的特征值进行调整能够提高矩阵估计的准确性;对资产收益率的积分波动率矩阵建立动态模型可以提高矩阵预测的精度。研究创新:将高维矩阵的估计和预测问题转化为矩阵特征向量的估计以及一维特征值的估计和预测问题;基于高频数据并建立资产收益率积分波动率矩阵的动态模型提高了资产投资组合的样本外表现。研究价值:本文提出的积分波动率矩阵估计和预测方法能够保证矩阵估计值和预测值的正定性;本文的预测方法能够提高矩阵的预测精度,能够在复杂的金融市场中构造低风险的资产组合。     

电力企业信息安全风险评估模型研究

以信息安全管理标准ISO17799的规定为基础构建了电力企业信息安全风险评估指标体系,运用熵权法确定评价指标权重,并以此作为BP神经网络输入的初始权重,提出了BP神经网络信息安全风险评估模型,仿真结果显示,评价结果是令人满意的。     

BP神经网络在中小企业绩效评价的应用分析

中小企业在资源有限、环境复杂的条件下运营。传统的线性绩效评价方法常常无法捕捉到非线性关系和多元影响因素。BP神经网络通过学习和调整权重参数,能够对复杂的非线性关系进行建模和预测。本文旨在探索和分析BP神经网络在中小企业绩效评价中的应用,为中小企业绩效评价方法优化提供新的思路,从而推动信息技术与企业管理的深度融合。     

基于GIS和DEA的城市燃气管道的风险评估

本文将GIS和DEA方法引入对城市燃气管道失效后果损失的评估与预测,先数字化某市地图及其燃气管道图将其叠加,并输入管道的性质,利用数据包络分析(DEA)模型对管道进行损失评估.从而,为风险较大的管段提供降低风险的信息和借鉴的样本.     

基于BP神经网络的基金预测应用研究

针对BP神经网络在数据挖掘领域的应用研究,将其估值预测能力应用到基金预测方面,通过BP神经网络建立起一套基金预测模型。选取2016年某银行基金数据作为实验数据,对实验数据进行训练和测试,结果表明,BP神经网络能预测基金净值和基金风险的趋势。     

企业财务危机预警模型比较实证研究

针对财务危机预警模型，梳理了国内外相关文献，根据其公司财务信息的时间序列特征，比较了Z分数模型、Logistic回归模型以及卷积神经网络模型在财务风险预警中的性能，并且根据实验比较，分析证明了卷积神经网络在财务方面的应用相较于传统方法的优越性，最终通过建立现实场景下的数据集进行验证观测性能以及收敛曲线后，给出相关财务危机预警建议。基于此，利用深度学习智能模型，不仅能快速且高效地处理大规模财务数据，还可以保证在测试阶段（即实际应用场景下）不会随着时间推移而改变企业风险预测的结果，可以有效保证预测的稳定性。因此，利用深度学习处理财务风险数据并预警具有实际应用价值。以近3年A股上市公司数据为样本，并通过实证研究证明深度学习智能模型与传统模型之间的性能差异并得出结论。     

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.     

基于改进LSTM的原烟仓储堆垛内部温度预测方法

原烟作为一种高价值生产原料,在养护过程中需要对仓储堆垛内部的温度变化进行严格的监控和预测,以降低火灾发生导致巨额经济损失的风险。基于粒子群算法的混合长短记忆模型（PSO-SOM-LSTM）,首先对数据进行预处理,将数据归一化再采用SOM聚类分别构建各类数据集;其次构建LSTM神经网络结构,输入训练数据进行训练;随后,基于PSO算法优化SOM-LSTM的网络权重,带入神经网络进行数据预测,并与四种不同的预测方法进行对比,证明了PSO-SOM-LSTM算法的优越性;最后通过均方根误差（RMSE）等指标来衡量实验结果,计算出均方根误差为0.043 5左右。实验结果表明,在RMS指标下,PSO-SOM-LSTM比SOM-LSTM减少了2.46%,比单一神经网络减少了8.94%,具有较优的预测效果。该算法可以实现较为精确的原烟仓储堆垛内部温度预测。     

P2P网络借贷平台信用风险控制研究

本文通过巴塞尔协议内部风险评级法中的的三大风险核心参数,总结P2P网络借贷平台中的四种逾期风险控制模式:控制违约概率模式、控制违约损失率模式、控制违约敞口模式以及综合模式。最后运用层次分析法(AHP)建立借款人信用风险权重表,以各要素风险权重值对比情况为依据对P2P平台信用风险控制提出建议。     

基于BP-Adaboost算法的银行个人信贷评估

对银行来说,客户的信用直接影响其收益,如果客户大量违约,银行将面临很大的坏账损失;如果能在贷款之前就识别出可能会违约的客户,就可以帮助银行减少坏账损失。文章针对个人信贷评估中的一些关键因素,建立基于BP神经网络的分类模型,判别正确率达70.45%;经Adaboost算法优化后,正确率达到79.35%。     

深度学习算法在山区植被分类中的应用

本文将深度学习技术中的卷积神经网络算法应用于遥感影像中的植被类型分类研究,模型包括卷积层,池化层以及全连接层,卷积层完成了影像中特征的提取,池化层对特征降维,最后全连接层完成植被的分类工作。针对研究使用的数据集,模型得到的94%的分类精度。     

基于企业信用关联超网络的债券违约风险传染机制分析

2020年永煤债券违约导致市场上大量的信用债券价格下跌,同时影响了多只债券的正常发行,引发了债券市场的震荡,使得债券违约风险传染问题再次受到关注。通过文献解析和理论推演的方法,剖析企业信用关联超网络结构及其特征,从交叉持股、企业集团信用关联、企业间信贷担保和供应链关系等四个方面阐释企业信用关联超网络下债券违约风险形成机制。在上述研究基础上,从投资者情绪、信息不对称、企业财务风险三个角度解析企业信用关联超网络下债券违约风险的传染机制。     

如何限制银团贷款中的交叉违约条款

银团贷款已成为国际金融市场最重要的融资方式之一,我国银团贷款业务起步较晚,发展也较为缓慢。近年尤其是在2006年中国银行业协会成立银团贷款与交易委员会后,银行间的合作不断加强,银团贷款业务迅速发展。国际银团贷款作为一种国际性的资金借贷方式,风险高、数额大、专业性强、特别是涉及到相关各国的多部门法律,因而作为法律人的我们参与银团贷款已成为国际上的通行做法。而作为风险防范措施的"交叉违约条款"越来越受到人们的关注。交叉违约条款主要是为了保护贷款人的利益,却给借款人带来了极大风险,因此,为了追求利益的平衡,必须对交叉违约条款进行必要的限制。本文拟对银团贷款中的交叉违约条款的限制方法予以阐述。     

一种应用BP神经网络的混沌短期电力负荷预报方法

文章结合混沌理论及BP神经网络方法,提出了一种非线性时间序列预测算法。该方法基于相空间重构理论,将单维电力负荷时间序列映射到高维相空间中,并采用BP神经网络作为高维相空间拟合工具,通过算例的验证,证明了该方法具有较高的预测精度。     

数字射线检测焊接缺陷的模式识别算法

为了准确提取与识别焊缝射线数字成像中焊接缺陷,本文提出了一种基于神经网络的模式识别算法。首先,分析了非线性模式分类的基本原理,通过人工神经网络实现对焊缝内存在的焊接缺陷进行分类;然后,采用缺陷的几何特征作为分类算法的输入数据,并应用神经网络关联标准理论评估鉴别能力,证明了特征提取的质量重要性优于数量;最后,将基于神经网络的主要非线性鉴别分量的识别算法应用于缺陷识别中,并通过大量实验分析与评价其分类性能。实验结果数据证明该算法在焊接缺陷模式识别方面具有较高的效率。     

基于ECA-ResNet的入侵检测模型研究

随着网络技术的不断普及,人们的生活变得十分便利。入侵检测作为网络安全的一项重要技术,随着机器学习的发展,很多学者将机器学习用于入侵检测。深度学习作为当下的热门研究领域,在计算机视觉方面有着出色的表现,卷积神经网络能够学习数据的特征,对数据进行分类。由于ResNet通过增加残差结构在卷积神经网络中能够增强模型的稳定性,文章提出一种基于ECANet-ResNet的网络入侵检测模型。现在的很多数据集都存在数据不平衡的问题,导致模型检测结果不理想,文章使用SMOTETomek混合采样算法对数据集进行处理,增大小样本数据的比例,结果显示比未处理的数据集准确率有所提高。通过实验对比分析,此模型具有较高的准确率、精确率和F1值。