支持向量机方法及其在金融中的应用与前景

通过对已知事实的分析总结,得到对客观世界的认识和规律.这些规律可以帮助人类认识现有的世界,同时帮助人类对未知的现象做出正确的预测和判断,预测不能直接观测的事实.这是人类智慧中的重要体现之一.人们把从过去的数据和以往的知识中学习并获取规律的能力称为学习能力.机器学习是继专家系统之后人工智能的又一重要领域很多学者都认为学习是智能的核心.基于数据的机器学习(Learning from examples)是现代机器学习技术中的重要方面,它从观测数据(样本)出发去寻找规律、发现模式,并利用这些规律和模式对未来数据或无法观测的数据进行预测和分类.     

运用“支持向量机”对客流量的预测研究

支持向量机(SVM)是一种崭新的机器学习方法,它建立在统计学习理论和结构风险最小化准则的基础上。此方法能解决小样本、非线性及高维模式识别中的问题。本文通过对某市公路客运量数据特征的分析,建立了基于支持向量机的客流量预测方法,与人工神经网络预测方法相比,该预测模型的平均精度较高,且具有收敛速度快、泛化能力强等优点,比较适合客流量的预测。     

基于lightGBM算法对银行账户反欺诈模型的应用

在互联网金融诈骗产业化、规模化且广泛使用各类前沿技术的背景下,以人工智能等为代表的先进技术为金融机构提高反欺诈能力提供了新的方向。为探索机器学习技术在风险管理中的应用,文章以银行账户数据为研究基础,通过有监督训练,基于LightGBM算法的机器学习模型不断学习数据模式,在完成变量选择的同时择优输出针对欺诈风险的概率预测。     

“去刚兑”背景下的企业债券违约风险：机器学习预警和经济机制探究

本文构建了包含1245个变量的宏观经济-微观企业混合大数据集,并结合10种机器学习算法,开展基于大数据和机器学习的债券违约风险预警,探究其背后经济机制。实证结果表明：相比经典Altman模型、Merton模型、信用评级模型,机器学习模型能够更好地预测我国债券市场违约风险,非线性机器学习模型表现更佳。异质性分析表明,机器学习模型对信用评级低、发行期限长、票面利率高、非国有企业、银行间市场的债券,以及在经济政策不确定性(公众基于媒体报道对政府经济政策未来走向的预期的不确定性)高的时期,具有更强的预测能力。机制分析表明,机器学习模型通过违约债券样本识别、短期信号识别(债券交易量)、长期特征识别(融资约束、内部控制)实现精准预测。本文对于债券违约风险预警、维护金融稳定、信用评级体系完善、金融科技创新和金融服务实体经济提供了有益的政策启示。     

AI赋能数字金融反欺诈——?平安银行的探索与实践

在互联网金融诈骗产业化、规模化,且广泛使用大数据、人工智能等前沿技术的背景下,以人工智能等为代表的先进技术为金融机构提高反欺诈能力提供了新的方向.平安银行借助大数据、云计算、人工智能、知识图谱、IP定位等科技手段搭建了GUARD对公反欺诈体系,通过有监督训练随机森林、XGBoost、SVM及神经网络(ANN)等机器学习模型,不断学习数据模式,在完成变量选择的同时择优输出针对欺诈风险的概率预测.     

机器学习在商业银行风险预警中的运用

风险预警是商业银行进行风险监测和风险控制的重要工具,机器学习具有提升数据价值、自动分析规律等优势,有助于商业银行构建早发现、早介入、早处置的风险预警体系。本文阐述了当前商业银行风险预警的流程及存在的局限性,基于机器学习的原理、分类和优势,总结了机器学习在商业银行提升风险预警能力中的作用,分析了风险预警机器学习模型的构建流程及应用场景,并进行了未来展望。     

基于ANN的数据挖掘及其在银行中的应用

银行数据仓库的建成,必然面临如何在上面建立应用进行数据综合利用和深度挖掘的问题,目前各数据仓库厂商提供数据仓库的同时提供OLAP分析软件,这种类型的软件能对数据仓库已有的数据进行统计和分析,得出某种结果。但要找出数据中的潜在规律,做出某种预测,却是力所不能及。这样的工作只有数据挖掘（DataMining）工具才能完成。数据挖掘是一种决策支持过程,它主要基于人工智能、机器学习、统计学等技术,高度自动化地分析银行原有的数据,做出归纳性的推理,从中挖掘出潜在的模式,预测客户的行为,帮助企业的决策者调整市场策略、减少风险、做出正确的决策。而当前真正成熟和能够投入实际应用的数据挖掘工具并不是很多。因此,设计一个适合我国金融业的数据挖掘工具显得非常必要。     

生成式财务大模型在财务报告体系中的应用探索

在数字技术的飞速进步中,人工智能（AI）领域的一个重要分支——生成式AI,正以前所未有的速度蓬勃发展。这种技术通过深度学习、机器学习等方法,对海量的数据集进行高效的学习和模式识别,进而具备了创造性产出的能力。它能够模仿人类智慧,以创新的方式自动生成文本、图像、音频等多种类型的内容。生成式AI在财务领域的应用不仅提高了决策质量和决策效率,还进一步推动了财务管理及金融服务行业向智能化、自动化的方向发展,帮助分析师和投资者更好地理解和解释财务数据,提供更全面的信息。     

浅谈公立医院的信息化建设

信息是人类认识世界的深化和发展,而信息科学的发展把人类社会活动放在更大的系统和环境中加以考察,有助于探索人类社会活动的一般规律和特殊规律。自20世纪60~70年代至今,信息产业的发展和发达程度已经成为衡量一个国家经济水平和综合国力的重要标尺。信息系统技术通过对数据的加工处理使得信息被广泛应用于生产、营销、管理、决策等重要层面,对企业的生存发挥着战略性的作用,也逐步成为医院管理中一个强大的、不可或缺的职能和工具。     

主流机器学习方法识别车险欺诈效果的比较研究

近年来,我国车险市场巨大的体量也催生了许多车险欺诈案件,然而传统的车险欺诈识别手段效率不佳,本文采用机器学习的方法,基于包含中国在内的四个数据集进行了实证分析,以比较六种主流机器学习方法对车险欺诈的预测表现以及预测表现的稳健性。本文对四个原始数据集进行数据分割,使原数据集分为训练集和测试集,训练集用于构建机器学习模型,测试集用于评估机器学习模型的效果,从而评估各机器学习方法的预测表现以及预测表现的稳定性。首先基于特征空间采用SMOTE采样法,使训练集中的欺诈样本数与非欺诈样本数达到平衡。之后采用10折交叉验证法选取最佳的参数组合来确定机器学习中的最优调节参数,并采用ROC曲线及曲线下方的面积AUC作为模型预测效果的评估标准,以避免主观选取截断点造成的影响。最终,研究发现极端梯度提升决策树模型和随机森林模型的预测表现以及预测表现的稳定性较好。     

基于机器学习算法的车险索赔概率与累积赔款预测

保险费率厘定的核心工作是对保险损失的预测。在保险损失预测中,广义线性模型是目前使用最为广泛的主流方法,而机器学习算法则提供了一种新的选择。本文将支持向量机、神经网络和集成学习等机器学习算法应用于汽车保险的损失预测,建立了索赔发生概率的预测模型和累积赔款的预测模型,并与传统广义线性模型中的logistic回归模型和伽马回归模型进行了比较。结果表明,机器学习算法的优点是不依赖于分布假设,在一定程度上可以提高保险损失预测的精度,缺陷是比较耗时,建模过程中的人为干预较多,对使用者提出了更高的要求,且输出结果的可解释性不及广义线性模型。机器学习算法与广义线性模型在保险损失预测中各有优缺点,具有互补性,在实际应用中,可以根据不同的场景选择不同的方法。     

基于机器学习的公司特有风险预测方法研究

公司特有风险是企业价值评估特别是收益法评估的重点和难点。本文基于历史实践案例,从A股重大资产重组公开资料中提取可量化数据,并利用特征工程技术对这些数据进行特征筛选和增强,作为输入特征。经网格搜索方法对超参数进行调优后,选取了多个学习器,对前述特征对应的数据进行集中学习,得出特有风险的预测模型。通过实践发现基于递归特征消除算法的特征选择方法能有效提高预测模型的正确率。希望以“特有风险预测”为案例的研究,展示机器学习的操作流程,为评估模型的构建提供新的尝试。     

企业级数据生态环境的建设

人类在运用工具改造世界的实践过程中,通过活动的逐渐协调,不断训练和提升了自身的"运动器官、感觉器官和思维器官"。在这个过程中,"规律"作为人类认识的成果,以"知识"的形式在不同的主体中完整一致地传播,从而保证不同主体协同一致,推动人类实践活动顺利进行。信息应用系统作为工具,从延伸人类能力角度出发,可以分为操作性应用系统(延     

会计确认的再认识及应用——基于事实判断和价值判断的认知论释义

本文以认知论中的事实判断和价值判断作为认知工具,对会计确认的定义和涵义进行了再认识。认知结果表明:会计确认是一个包含事实判断和价值判断的过程,这个过程可以细分为事实判断阶段、评价性价值判断阶段和规范性价值判断阶段,事实判断阶段决定会计信息的可靠性,评价性价值判断阶段决定会计信息的相关性,而规范性价值判断对前面的事实判断有着重要的影响。在此基础上,本文还对概念框架中的一些基础概念(如会计目标、会计信息质量特征、会计要素、有用性)给出了新的解释。对会计确认的再认识,不仅有利于使会计确认过程的真实性和丰富性得到更好地呈现和揭示,而且还有利于从细化的过程或环节入手,更好地做好会计确认工作。     

商业银行构建模型风险管理框架的思考

随着以大数据、机器学习、深度学习为基础的人工智能技术在银行业应用的不断深入,商业银行的数字化转型也在快速推进。一些银行开始通过大数据构建机器学习模型,并嵌入到自动化的信贷业务审批流程中,帮助预警风险,提升风险管理水平,同时也帮助改进传统模型过度依赖专家经验和规则的缺陷。例如,量化指标维度过少,难以挖掘复杂的数据关联特征,过度依赖模型设计者的主观因素导致特征不适合、不完整等。     

银行信息化建设的新课题：从灾难备份到业务连续性管理

商业银行以“数据集中”为特征的信息化建设带来了信息风险的加大和集中。业务连续性管理(BCM)能帮助商业银行认识潜在危机,制订响应和业务连续性的恢复计划,有效地降低业务破坏造成的不良影响,提高风险防范能力。文章从我国商业银行灾备建设模式的选择入手,分析了从灾备到业务连续性管理建设过程的要点,最后提出实施业务连续性管理的建议。     

基层人民银行组织人事工作方法论

方法论是人们认识事物、改造世界的根本方法。一般来说，人们对周围世界的看法和观点，直接决定着人们用什么方法去认识世界、改造世界。组织人事工作方法论是正确认识事物规律和发展的重要理论依据，它所涉及到的观察、处理、态度、实践等步骤，体现了工作方法的一般规律，又是培养解决相关过程出现问题能力的基本途径和步骤。     

金融投资中的心理因素、知行冲突及防范措施

一、心理因素的重要性(一)心理因素作用的基本原理金融投资是一个复杂的系统工程,在进行操作过程中要考虑众多因素,除了要考虑基本面、技术面、消息面等因素以外,笔者以为,心理因素也是不可忽视的。对此,我们可以从认识论的观点来分析。人类社会的众多规律可分为三个层次,最内核的是核心心理规则,中间层是核心规律,最外层则是具体各方面的规则,也即人类社会最根本的规律是心理层次上的。各种行为都可以从心理因素中找到合理解释,其原理与我们常说的性格决定命运有一定类似之处。所谓核心心理规则,并不仅仅指人类性格的共性,而是人类思考、决策所依赖的共性的基本原理法则,它是每一个人类社会个体心理逻辑中相同的最核心的部分。这三个层次的规律之间有多方面的联系,内层决定外层,每一层又有很多要素点,各层次的各个要素点之间是复杂的互动双向联系,它们共同决定了人类社会的各种规律法则的全貌,金融投资规律也不例外。(二)金融投资各因素的相互关系从宏观上看,这些一层一层重叠起来的要素点规律圆环是人类认识世界的示意图。其中第一层和第二层从人类历史诞生以来基本没改变,而第三层却随着时代的发展不断发生变化。尤其对于金融市场而言,正如一句名言所说,阳光下没有新事物。...     

基于单指数模型的投资组合影响因素研究

本文研究在资产的收益率可预测或部分可预测的情况下,资产组合配置的问题。在确定投资组合权重时,资产收益率的期望和波动率是最重要的变量。本文首先寻找对资产收益率的期望和波动率最具有解释能力的预测变量,然后基于这些变量,利用单指数模型,直接探索预测变量和资产组合权重之间的关系。模型中的指数可以帮助投资者决定在做投资决策时各预测变量的重要程度。     

甲醇汽车何时上路

世界石油资源短缺,能源的多样化已成为各国的共识。据有关数据显示.我国后备石油资源匮乏,仅够使用40-50年。富煤少油是我国能源的基本特征,各种石化资源的总和也仅占煤炭资源总量的7％左右。有关专家从我国能源发展的条件做出预测.煤炭可供我国使用200年。在这样的能源基本形势下.我国能源以石油(烃类)和煤化燃料(甲醇、甲醚)并举已成为不争的事实。