基于差分进化自动聚类的信用风险评价模型研究

随着风险评价的日益复杂化, 多维度、多时序等不规则的样本数据增加了评估的难度。本文建立信用风险评价的差分进化自动聚类模型, 并将其应用到我国上市公司信用风险评价中。该模型不要求事先知道分类的数据, 相反, 通过群体智能去寻找最优的分区。通过数据仿真, 并与遗传算法、决策树、BP神经网络模型进行信用风险评价的实证对比研究, 结果表明, 该模型能够非常准确的找到数据对应的分区, 大大提高了信用评估的准确性, 降低了风险成本, 对信用风险的管理和控制具有很高的利用价值。     

基于径向基神经网络的上市公司信用风险研究

随着经济全球化和金融自由化的不断推进,我国的金融市场正在逐步向全世界放开,上市公司信用风险的评估已经成为投资者关注的焦点。本文主要运用聚类方法和神经网络模型,结合上市公司多项财务指标,对其信用风险进行分析预测,来增强投资者对公司信用情况的了解,做出正确的决策。     

基于信息披露文本的上市公司信用风险预警——来自中文年报管理层讨论与分析的经验证据

本文运用文本挖掘技术,对2008-2018年1297家上市公司年报的管理层讨论与分析(MD&A)进行文本分析。从文本质量特征、文本词汇特征和文本语调特征等角度量化计算文本相似度、文本情感值、文本可读性三个维度文本披露指标,采用Logistic模型、决策树模型、支持向量机和神经网络模型四种方法构建上市公司信用风险预警模型,实证检验加入MD&A文本信息披露指标后信用风险预警模型的预测能力。实证结果表明：(1)在加入文本信息披露指标后,信用风险预警模型的预测准确度得到显著提升,多维度文本信息披露指标比单维度文本信息披露指标对信用风险预警模型预测准确度提升效果更优;(2)Logistic回归模型的预测准确度在样本数量较低时要优于决策树、支持向量机与神经网络,随着样本数量的增加,支持向量机和神经网络的预测准确度会明显提升;(3)不同特征的文本信息内容与企业是否发生信用风险均显著相关。本文的研究结论为提高信用风险预警的预测准确性提供了方法和经验证据,对于投资者与相关学者研究市场有效性提供新的研究视角。     

大数据驱动的决策范式转变——以个性化O2O即时物流调度为例

大数据环境下传统的决策范式正转变为基于数据的决策范式，本文以O2O即时服务这种新型商业模式为情景，研究大数据驱动的新决策范式下的O2O即时物流调度模型.本文跨域融合物流部门、其他运营部门以及外部环境信息构成全景式数据，同时放宽传统决策范式的经典假设，实现从无差异化配送时间到个性化配送时间的转变，以及需求服从先验分布到考虑未来需求时空属性的转变.本文融合机器学习和运筹优化方法，实现新决策范式下的O2O即时物流调度模型.在预测层面，构建个性化众包配送时间预测模型和基于订单集时空相似性的需求场景预测算法；在决策层面，同时考虑个性化预测模型的点估计及其不确定性，并考虑未来订单集的时空分布，构建考虑预测不确定性的调度模型，同时设计同步预测和决策算法求解.本文与中国主流的O2O商超平台合作，通过基于真实数据的模拟仿真，验证了新决策范式下的O2O即时物流调度模型的可行性和有效性.相较于传统的决策范式，本文提出的模型能实现更精准的供需匹配，降低延误订单数、平均配送时间和配送成本.     

会计估计的准确性、行业共识信息与个体投资者的决策

会计信息在投资者的投资决策过程中发挥着十分重要的作用,其质量直接影响着投资者的判断和决策.会计估计在提高会计信息相关性的同时,也为公司管理层提供了盈余管理的空间.本文实验检验了对会计估计的准确性进行事后披露这一机制是否有助于个体投资者做出正确的判断和决策,以及行业共识信息对这一机制发挥作用的影响.研究发现:(1)事后披露会计估计准确性的信息只有通过行业共识信息的辅助才能有效发挥作用,即只有在两者的共同作用下,个体投资者才能够正确识别会计估计准确的原因,也才能够进行正确的归因,并做出正确的判断和决策;(2)投资者对会计估计的准确性会产生不同的归因,投资者的归因进一步影响了其对管理层评价,而对管理层的评价影响了其对公司市盈率的评价,对公司市盈率的评价进一步影响了投资者对其投资可能性的判断.     

基于二元因素分析的商业银行信用风险评价模型

从价值和信誉二元因素入手,构建了评价银行客户信用的系统指标体系并在此基础上利用遗传规划(GP)方法研究了我国商业银行信用风险评价问题.母本集数据的拟合和测试集数据的检验结果均表明,基于二元因素的GP模型在预测精度和使用价值上优于一般GP模型和其他传统的统计模型.     

基于修剪平均的神经网络集成时序预测方法

由于复杂时序存在结构性断点和异常值等问题，往往导致预测模型训练效果不佳，并可能出现极端预测值的情况。为此，本文提出了基于修剪平均的神经网络集成预测方法。该方法首先从训练数据中生成多组训练集，然后分别训练多个神经网络预测模型，最后将多个神经网络的预测结果使用修剪平均策略进行集成。相较于简单平均策略而言，修剪平均策略不容易受到极值的影响，能够使集成模型获得鲁棒性强的预测效果。在实证研究中，本文构造了两种神经网络集成预测模型，分别为基于修剪平均的自举神经网络集成模型(Trimmed Average based Bootstrap Neural Network Ensemble, TA-BNNE)和基于修剪平均的蒙特卡洛神经网络集成模型(Trimmed Average based Monte Carlo Neural Network Ensemble, TA-MCNNE)，并采用这两种模型对NN3竞赛数据集进行预测，结果表明在常规和复杂数据集上，修剪平均策略比简单平均策略具有更好的预测精度。此外，本文将所提出的集成模型与NN3的前十名模型进行比较，发现两种模型在全部数据集上均超过了第6名，在复杂数据集上的表现均超过了第1名，进一步验证本文所提方法的有效性。     

改进随机森林的集成分类方法预测结直肠癌存活性

 癌症是人类死亡的主要原因之一,许多国家在癌症方面的支出占医疗总支出的很大比例。癌症存活性预测作为癌症预后的一项重要工作,可以辅助医生做出更精准的诊疗决策,进而降低癌症治疗成本。近年来,基于数据驱动的癌症存活性预测方法逐渐得到应用,而预测的准确性是评价预测方法性能的主要指标,因此提高癌症存活性预测方法的准确性一直是一个活跃的研究领域。        结直肠癌是一种具有高发病率和高死亡率的癌症,为了提高结直肠癌存活性预测的准确性,利用遗传算法对随机森林进行改进,提出基于GA-RF的集成分类方法。该方法通过遗传算法对随机森林中的决策树实行进化搜索,以提高集成分类准确率为目标选出决策树的满意集成。实验分别使用基于GA-RF的集成分类方法、决策树和参数优化的随机森林训练预测模型预测结直肠癌患者的存活性,利用SEER数据库的结直肠癌数据集对3种方法分别进行10折交叉验证,然后用准确性、敏感性和特异性3个指标对它们进行评价。        实验结果显示,基于GA-RF的集成分类方法的预测精度最高(88.2%),参数优化的随机森林的预测精度次之(86.4%),但集成复杂度远高于基于GA-RF的集成分类方法,决策树的预测精度最差(74.2%),而基于GA-RF的集成分类方法还表现出了最好的泛化性能。        该集成分类方法对随机森林进行了有效的改进,能以更高的运算效率和更好的准确性预测结直肠癌存活性,可以为结直肠癌的预后提供决策参考,弥补经验预测的不足,该方法的提出对节约医疗资源、降低医疗成本、提高患者满意度具有实际意义。     

中国股票市场可预测性研究：基于机器学习的视角

股市风险溢价是金融学中的一个经典研究问题.常见的线性模型存在着模型误设和参数不稳定的问题，难以有效预测风险溢价.本研究从机器学习的视角重新检视了中国股票市场的可预测性.基于1996年1月—2019年12月的数据，构建提升回归树(boosting regression trees, BRT)模型对股市收益率与波动率进行样本外预测，并构建了最优风险资产配置模型.实证结果显示：1)提升回归树方法能够对收益率、波动率和最优风险资产权重做出准确预测；2)在收益率预测中最重要的三个变量分别是净权益增加值、换手率和股价方差；挖掘预测变量之间的非线性关系是BRT预测能力的来源；3)结合提升回归树预测构建的最优风险资产组合可以为投资者带来更高的收益和效用.本研究将机器学习方法引入股票市场风险溢价的研究，为此问题的研究提供了全新的视角.     

基于决策分析的社交网络链路预测方法

社交网络是社会媒体信息传播的骨架,对其进行链路预测的研究将有助于社会媒体平台上的信息管理和舆论控制.在既有网络链路预测方法研究的基础上,以决策分析的思想为出发点,提出了引入效用函数分析的社交网络链路预测方法;针对效用函数中参数的估计问题,进一步提出了允许一定误差度的马尔科夫链蒙特卡洛参数校准方法,并对方法的正确性进行理论上的论证.在收集到的5个腾讯QQ群的数据集上,进行了新方法的验证研究,并与既有的链路预测方法在准确性方面进行了比较分析.研究表明:本文提出的预测方法考虑了链路形成的微观行为基础,具有较好的预测准确性,并且参数估计算法中"允许误差"的引入有助于模型应用者在模型效率和准确性方面的折衷中做出合理的决策.     

What to Learn from Near Misses: An Inductive Learning Approach to Credit Risk Assessment

This paper presents a new dimension of inductive learning for credit risk analysis based on the specific impact of Type I and Type II credit errors on the accuracy of the learning process. A Dynamic Updating Process is proposed to refine the credit granting decision over time and therefore improve the accuracy of the learning process. The new dimension is tested on credit files of small Belgian businesses. Results indicate an improvement of the learning process in terms of predictive accuracy, stability, and conceptual validity of the final decision tree.     

一个新的银行信用风险评估方法

本文以银行信用风险管理为例,将粗糙集和决策树两种具有互补优势的数据挖掘方法相结合,对客户信用做出归类分析判断,最后利用决策树生成决策规则.实践证明,这种方法忠于原始数据,提高了分类准确度,减小了决策树规模,具有良好的性能.     

基于前景理论的多阶段随机多准则决策方法

研究一种基于动态参考点的多阶段随机多准则决策方法。考虑多阶段决策过程中决策者的风险偏好,建立了基于前景理论的多阶段随机多准则决策分析框架,提出了一种基于阶段发展特征的动态参考点设置方法;构建准则权重的目标规划模型,结合阶段参考点动态变化的特征测算各阶段备选方案的综合前景值;设计方案综合前景值的范围估算模型,以反映决策风险对评价结果的影响;案例研究验证了上述方法的可行性和实际效果。     

基于集成支持向量机的企业财务业绩分类模型研究

要想正确预测公司财务业绩,首先必须选择合适的预测方法。现有文献所采用的财务业绩预测模型普遍存在着泛化能力不强的问题。本文提出用支持向量机方法来预测我国上市公司的财务业绩。为了提高预测准确率,本文还用AdaBoost算法对支持向量机进行了改进(集成支持向量机)。在支持向量机核函数的选择上,我们采用了实验法,即对每个核函数及其相关参数的预测效果都进行了测算,以期找出最适用的预测模型。实证结果表明,径向基核函数(rbf)的效果最好,支持向量机方法预测准确率远远高于其它方法。     

基于犹豫模糊语言信息的前景决策方法

本文首先回顾了模糊信息下前景理论研究的现状,发现犹豫模糊语言这一决策中常见的信息表达形式在前景理论框架中的研究被忽略,同时犹豫模糊环境下的前景决策方法具有一定的应用背景;基于此,本文考虑到决策者在实际决策过程中惯用的信息表达以及面对收益和损失时不同的风险态度,试图在犹豫模糊语言环境下构造新的前景理论决策框架,建立基于犹豫模糊语言信息的前景决策方法,并给出具体的决策步骤;最后通过算例分析展示了该方法的实际应用过程,并与犹豫模糊语言环境下的期望效用决策结果进行对比,说明了该方法更符合实际决策情景。     

基于改进模糊综合评价法的信用评估体系研究—以我国中小上市公司为样本的实证研究

分析我国中小企业目前的融资困境及其根源,提出改进模糊综合评价模型—AFF模型(Analytic hierarchy process- Factor Analysis- Fuzzy Comprehensive Evaluation)对中小企业进行信用评估。该模型在进行指标权重决策问题时,不仅考虑了复杂大群体决策的不确定性,更是将主观赋权法和客观赋权法思想相结合,提出以基于群决策的AHP方法确定主观权重,基于因子分析法(FA)确定客观权重,最后将主客观权重集结得到指标的综合权重。模型既克服了传统主观因素赋权的不足,又充分考虑客观因素,而且引入了群体决策的思想,拓展了模糊综合评价法的应用,更具理论实际意义。选取信息技术服务业53家公司为样本,利用该模型进行了实证分析,验证了该模型的适用性、稳定性和客观性。分析结果表明,采用AFF模型能准确地得到公司的信用等级,并能发现导致公司信用状况不佳的相关因素,通过对相关因素的剖析,帮助领导者和决策者改善公司信用状况,具有较强的实践意义。AFF模型在各类理论与实践的综合评价中均具有应用和推广价值。     

基于风险损失最小化的供应链赊销决策模型

在产品价格可变动的情况下,将赊销方的赊销合同描述为三元组函数,分析了当存在信用高和信用低2种不同的赊销客户时,赊销方由于信息不对称无法准确判断客户信用水平而造成了赊销货款的损失。根据以上损失,从赊销损失最小化的角度,建立了存在拖欠概率影响下的赊销决策模型,并给出了其Kuhn-Tucker条件。同时,对存在担保和不存在担保2种情况下的赊销情况给出了相应的赊销决策机制,并分析了在该机制下赊销额度、赊销价格和第三方担保对赊销风险的影响。     

基于时序多目标方法的主权信用违约风险研究

次贷危机所引发了冰岛、希腊等国主权债务危机使我们更加关注传统主权信用评级系统的滞后性问题.提出基于时间序列的多目标决策模型,通过对1990—2006年间,32个国家相关经济数据的分析,得到各国主权信用风险效用值的排序.通过聚类分析得到高风险国家簇,该结果与2007年美国次贷危机爆发后发生主权信用违约事件的国家一致,表明该模型具有良好的预测性能,文章最后对模型进行了敏感性分析.     

基于代价敏感决策树的客户价值细分(英文)

由于错误分类代价差异和不同价值客户数量的不平衡分布,基于总体准确率的数据挖掘方法不能体现由于客户价值不同对分类效果带来的影响.为了解决错误分类不平衡的数据分类问题,利用代价敏感学习技术扩展现有决策树模型,将这一方法应用在客户价值细分,建立基于客户价值的错分代价矩阵,以分类代价最小化作为决策树分支的标准,建立分类的期望损失函数作为分类效果的评价标准,采用中国某银行的信用卡客户数据进行实验.实验结果表明,与传统决策树方法相比,代价敏感决策树对客户价值细分问题有更好的分类效果,可以更精确地控制代价敏感性和不同种分类错误的分布,降低总体的错误分类代价,使模型能更准确反映分类的代价,有效识别客户价值