基于PSO和SVM的上市公司财务危机预警模型

提出了一种将经过改进的离散粒子群(PSO)算法和支持向量机(SVM)相结合的算法,以选择最优的指标集并用于财务危机预警。将此算法应用于上市公司的数据,检验模型提前3年的预警效果,最后与常见的主成分分析方法与SVM相结合的模型进行对比,结果证明了PSO-SVM模型的合理性和优越性。     

软件成本估算的粒子群算法类比模型及自助法推断

软件成本估算是控制软件进度、降低软件风险和保证软件质量的有效措施,已引起产业界和学术界的广泛关注.为能更准确地估算软件成本,采用粒子群算法优化加权类比估算模型(PSO类比模型)中各个特征属性的权重,避免权重选择的盲目性;同时采用非参数自助法对原始数据抽样,在自助法子样本的基础上,分析PSO类比模型中的类比项目个数和成本计算方式对模型精确度的影响,并进一步计算新项目估算成本值的可信度以及在一定置信水平下的区间值;采用Desharnais数据库验证PSO类比模型与自助法推断方法的有效性,根据MMRE和Pred(0.25)两个标准将PSO类比模型与一般类比模型、支持回归机、人工神经网络、径向基神经网络和分类回归树进行估算精度比较.研究结果表明,采用粒子群算法优化权重的PSO类比估算模型能得到较高的估算精度,且自助法能有效校正PSO类比模型中的相关变量并检验结果的可信度,可以为管理者在软件项目风险分析和项目规划方面提供有益参考.     

基于PSO-SVR模型的能源需求预测

本文将支持向量回归机(support vector regression,SVR)与粒子群算法(Particle Swarm Optimizat ion,PSO)相结合,选取1 985~2008年的能源需求量及其影响因素作为学习样本,利用粒子群算法对支持向量机参数进行优化,通过训练、测试得到具有良好学习与推广能力的PSO-SVR能源需求预测模型。建立BP神经网络模型,并将两者的预测值进行对比,结果表明,PSO-SVR模型预测精度优于BP神经网络模型。     

基于支持向量机的中国股指期货回归预测研究

本文针对股指期货预测的特点,选择对股指期货指数有重要影响的相关指标,首次提出用支持向量机(SVM)方法对其进行回归预测,并用遗传算法(GA)和粒子群算法(PSO)分别优化四种不同核函数的支持向量机,构建了八种不同的中国股指期货回归预测方案,用实证研究的方法对这八种方案的准确性和时效性进行了比较。实验结果表明粒子群算法优化的线性核函数支持向量机作为中国股指期货回归预测的模型,具有更好的预测效果。     

改进粒子群优化算法在电源规划中的应用

电源规划是一类复杂、非线性组合优化问题.传统的方法随着规划期的延长,考虑因素的增多,难以有效的进行优化,在实际应用中作用有限.首先,对电源规划优化问题进行了建模.然后,对于粒子群(PSO)的迭代策略进行改进,在此基础上,运用遗传粒子群(GPHA)混合优化算法进行了优化尝试.考虑到电源规划中相关参数众多,在优化过程中引入了虚拟变量对电源规划中的问题进行了简化描述;GHPA算法的适应度评价函数设计中,运用了罚函数的思想,以提高算法优化的效果.最后本文使用某省实际负荷预测和系统负荷实际数据,进行了电源规划方案优化,得到了优化后的电源规划方案,并与普通的遗传算法、粒子群算法以及传统的动态规划算法得到的结果进行了比较.比较的结果显示出了本文提出的算法在优化结果和速度方面具有明显效果.     

移动商务中面向客户细分的KSP混合聚类算法

数据挖掘技术中的聚类算法是解决客户细分问题的重要算法之一。为解决传统聚类算法在客户细分问题中分类精度较低、收敛速度较慢的问题,着重对比分析传统聚类算法中K-m eans、自组织映射网络和粒子群3种算法的不足,提出融合3种算法优点的混合型聚类算法,该算法利用K-m eans和自组织映射网络对初始聚类中心进行优化,结合粒子群优化和K-m eans优化聚类迭代过程,并在迭代优化过程中设计避免算法因早熟而停滞的机制。针对移动电子商务环境下的餐饮业客户细分问题,建立移动餐饮业客户细分模型,并利用混合型聚类算法、K-m eans、层级自组织映射网络和基于粒子群的K-m eans等4种算法对实际案例进行对比分析。研究结果表明,混合型聚类算法的聚类精度分别比其他3种算法高,同时还具有最快的收敛性能,更适用于客户细分问题。     

混合HOGA-SVM财务风险预警模型实证研究

目前涉及遗传算法与支持向量机相结合的预测模型中,遗传算法基本上采用的是标准算法.但是在对全局函数的优化中,一般的遗传算法容易陷入局部最优,从而降低遗传算法收敛速度和搜索精度,进而影响财务风险预警模型的精度与速度.基于此,提出了基于混合全局优化正交遗传算法(HOGA)和支持向量机(SVM)的财务风险预警模型(HOGA-SVM),通过使用混合全局优化正交遗传算法连同支持向量机来改进支持向量机进行财务风险预警的效果.结果显示,提出的模型不仅提高了财务风险预警的准确率和速度,而且模型的两类分类错误率(尤其是第一类分类错误率)相对其他模型也有了明显下降.未来的工作可以把模型的应用扩大到多分类的财务风险预警问题中.     

基于遗传支持矢量机的股市预测

为了高效合理地确定支持矢量机(SVM)的参数,使其对目标有效分类,本文采用实值编码遗传算法来实现SVM模型参数的自动选择,使SVM模型具有更好的推广能力,将该模型用于上证指数的趋势预测和四川长虹股票预测,仿真结果表明该遗传支持矢量机比神经网络具有更高的预测精度.     

基于广义模糊数的软件成本加权CBR估算研究

在软件项目开发过程中,准确估算出软件成本在提高软件质量和保障软件成功开发方面起到重要支撑作用。针对软件项目历史数据库中部分属性在项目开发初期难以给予精确数值(仅仅能给出模糊数),而已有软件成本估算模型不能很好地处理模糊信息的问题,本文在基于案例推理模型(CBR)基础上集成广义模糊数,提出了基于广义模糊数的CBR模型。使用基于广义模糊数的相似度度量方法代替传统CBR模型中采用的欧式距离等相似度度量方法,采用模糊C均值聚类(FCM)方法将已有软件项目历史数据库中的精确数值进行模糊化处理,以匹配新项目中的模糊数。进一步采用粒子群算法(PSO)来优化属性的权重,构建基于广义模糊数的加权CBR模型。最终在实验中采用Desharnais数据来检验构建模型的有效性。实证结果表明,在与常用的欧式距离CBR模型相比,构建的基于广义模糊数的加权CBR模型能有效提高估算精度,采用PSO优化属性权重能提高模型的估算精度。     

基于ODR-ADASYN-SVM的极端金融风险预警研究

针对合成少数类过采样(synthetic minority over-sampling technique,SMOTE)方法在提升支持向量机(support vector machine,SVM)的非均衡样本学习能力中出现的过拟合(over fitting),引入自适应合成抽样方法(adaptive synthetic sampling approach,ADASYN)和逐级优化递减欠采样方法(optimization of decreasing reduction,ODR)分别克服SMOTE在生成新样本中的盲目性和在处理对象上的局限性,进而与SVM相结合,构造出改进SVM,即ODR-ADASYN-SVM模型来预测中国极端金融风险;最后运用T检验对各模型预测精度的差异性进行显著性检验以及对各模型的预测稳定性进行评价.实证结果表明,ODR-ADASYN-SVM模型不仅能够显著地提升SVM的非均衡样本学习能力,同时也能够有效地克服SMOTE的过拟合,从而展示出优越的极端金融风险预测性能.     

基于分块极大值模型的商业银行操作风险计量研究

尽管高级计量法由于具有计算精确和节约监管资本等优点而被多数商业银行所青睐,但对于采用哪一种方法来刻画低频高危的操作风险尾部数据却没有一致认识。本文根据巴塞尔委员会关于操作风险计量的原则,采用分块极大值方法和概率加权矩参数估计法,对中国商业银行1990—2009年间的操作风险数据进行了实证。从图形检验和数值检验结果来看,该模型估计的参数具有较高的拟合优度,能够较好地拟合操作风险极端值的尾部分布,为商业银行计量操作风险资本提供了较高的参考价值。     

商业银行信贷风险的多因素多层次模糊综合评价

本文在对目前影响商业银行信贷风险的主要统计指标进行分析的基础上,提出了商业银行信贷风险的综合评价指标体系,建立了商业银行信贷风险的多因素多层次模糊综合评价模型,并给出了应用实例,实现了对商业银行信贷风险的科学评价与判断.     

基于混合整数规划法的企业信用风险评估研究

运用混合整数规划法构建企业信用风险评估模型,并将其应用于我国商业银行信用风险评估中。该模型具有非参数检验特性,不需要样本数据服从正态分布和等协方差,并通过两阶段的分类过程对企业信用状况进行判别。研究结果表明,混合整数规划法有较强的预测贷款企业信用风险的能力。     

房价波动、住房信贷与宏观审慎政策

金融危机表明住房信贷违约可能引发系统性风险，但现有理论研究并未将住房信贷违约风险纳入分析框架。本文通过构建包含异质性房价冲击和住房信贷违约的房地产动态随机一般均衡（DSGE）模型，探究房价波动的溢出效应，同时研究宏观审慎政策对住房信贷的监管效果。基于中国的实际数据，通过模拟分析得出以下结论：房地产市场对实体经济的溢出效应主要集中在消费而不是产出和通胀，对金融系统的溢出效应要大于实体经济。采用以住房信贷扩张速度为目标的动态资本充足率监管方式能有效地控制信贷风险，短期效果更加明显。房价波动冲击和利率冲击是引起我国住房信贷波动的主要原因。     

数据分类中的特征选择算法研究

本文应用半正定规划支持向量机模型,将核函数特征子空间的组合作为核映射矩阵,提出一种新的将特征选择整合在数据分类过程中的学习算法。首先,将样本按其特征进行分组,计算每组样本子集的核矩阵;然后将这些核矩阵线性组合后加入基于半正定规划的支持向量机模型中,利用半正定规划支持向量机学习器求解得到各子特征空间的权重系数,其次,根据特征权重系数建立特征贡献度和支持度用于特征选择并控制分类准确率、特征数量和对不同类别样本的分类能力;最后根据最优分类准确率、最少特征数量、最佳泛化能力三项不同目标计算所对应的特征数量和分类结果。实证中采用医学、植物学、文本识别和信用等领域数据以及人工数据集比较该方法和SFS、Relief-F以及SBS算法的特征选择效果。结果表明,在实际数据中,本文提出的方法不但能够保持较好的分类学习效果,而且可以比SFS、Relief-F以及SBS特征选择算法的特征子集数目大幅减少;在人工数据中,该方法可以正确地选出真正的特征,去除噪声特征。     

基于信用风险久期免疫的资产负债管理优化模型

用信用风险溢酬修正现金流的贴现率,构造了基于信用风险久期免疫条件;以组合收益最大为目标函数,建立了基于信用风险久期免疫的资产负债组合优化模型。本模型通过建立信用风险久期的免疫条件匹配银行的资产与负债,回避了利率风险和信用风险对银行所有者权益的影响;通过用反映违约风险的贴现率表述信用久期函数,揭示了信用风险对久期的影响;通过看跌期权公式建立了贴现率与违约风险的函数关系,揭示了违约风险对贴现率的影响。     

风险视角下银行产品创新绩效评价模型

分析商业银行产品创新绩效水平对推动银行创新发展,提升竞争力尤为重要。考虑到商业银行产品创新过程中存在的风险,将信用风险作为非期望产出,纳入银行产品创新绩效评价体系,根据创新收入与风险之间是否存在同步关系,分别对非期望产出采用弱可处置性和强可处置性设置,构建基于数据包络分析模型（DEA）的固定相关模型（FCM）和变动相关模型（VCM）,用于商业银行产品创新绩效评价。此外,通过构建目标函数的产出优化模型,对FCM和VCM模型下的商业银行产品创新的目标收入进行估计。通过对两种模型下商业银行产品创新目标收入增加值进行分解,对银行风险管理水平进行讨论。最后,将提出的改进的DEA分析框架应用于中国上市商业银行进行案例分析,验证了模型构建的可行性,为商业银行产品创新绩效及相关问题提供模型参考。     

商业银行集团客户统一授信额度的优化配置研究

企业集团是商业银行重要的贷款客户,商业银行面临企业集团的授信业务风险尤为突出。在结构化模型的框架下,考虑统一授信额度的约束,基于对违约风险控制和贷款收益管理的多目标决策,构建了企业集团成员企业授信额度优化配置模型。示例分析表明,在考虑不同目标重要性的前提下,使用如遗传算法等最优化求解方法,可得到对成员企业授信额度的优化配置方案,从而有助于商业银行积极主动的防范集团客户的信贷风险。     

银行贷款、商业信用融资及我国上市公司的公司治理

本文讨论了银行贷款以及商业信用融资对我国上市公司公司治理的影响.通过对1995到2000年间上市公司CEO更换的研究,我们得到两个结论:第一,在经营业绩为负的公司中,银行贷款与强制性CEO更换存在负向关系,而商业信用融资与强制性CEO更换存在正向关系;第二,在盈利能力一般的公司中,商业信用融资与强制性CEO更换仍为正向关系,但银行贷款与强制性CEO更换却不存在明显的关系.以上结果表明,商业信用融资在CEO强制性更换中起到了积极的作用,改善了上市公司的公司治理,而银行贷款却没有起到相应的作用,甚至有负面的作用.     

资产证券化与银行业的重新定位

本文首先概述了资产证券化的运作框架,然后剖析了资产证券化,包括企业资产证券化和银行资产证券化带来的银行职能的转变:银行的部分“信用中介”职能被证券化特设交易载体(SPV)所代替,同时银行增加了新的“服务中介”职能。随后,我们从理论上分析了为什么SPV能够代替银行成为“信用中介”,这是因为SPV具备与银行相媲美的信息处理机制和风险处理机制。最后,我们回顾了发达国家银行业近20多年来业务转型和重新定位的趋势,并分析了这种趋势对中国银行业的启示。从职能上讲,西方发达国家银行的“信用中介”职能在减弱而“服务中介”职能在加强,从业务构成上讲,表外业务正在取代存贷款业务成为银行的核心业务,这代表了银行业发展的必然趋势。处在“入世”过渡期内的中国银行业需要深刻理解这种转变的趋势,进行重新定位。