财务风险预警的支持向量机应用

本文给出了财务评价指标体系及其量化方法,利用支持向量机的分类能力建立财务风险预警的模型.对上市公司的财务数据进行训练和评估.证明基于支持向量机的财务风险预警模型的可行性和实用性,实验表明支持向量机在小样本情况下具有良好的非线性建模能力和泛化能力.     

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。     

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.     

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。     

一种基于多元分类支持向量机的企业财务危机预警方法

基于多元分类支持向量机提出了一种企业财务危机预警的新方法.以企业财务危机预警指标和对应实际分类结果为学习样本,采用交叉验证方法和"一对一投票"方法进行训练、测试,确定出所有两两分类的最优分类函教.实例结果表明,该方法有效、可行,为企业财务的动态预警提供了新的途径.     

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。     

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。     

半模糊超球支持向量机多类分类方法研究

针对支持向量机在大类别模式分类中存在的问题,提出了一种基于半模糊核聚类的超球支持向量机分类方法.该方法首先利用半模糊核聚类方法对样本进行预处理,完成边缘样本的选取,进而以所选样本为训练样本进行超球支持向量机训练,从而有效提高分类器的性能.实验表明,该方法比标准支持向量机多类分类方法具有更高的速度和精度.     

基于双正交小波支持向量机的变结构非线性协整研究

基于双正交小波在非线性信号逼近方面的良好性能,构造了一类新的双正交小波核函数并证明了该核函数满足正定核的容许性条件.在此基础上构造了基于双正交小波支持向量机的非线性协整模型,并基于双正交小波支持向量机和最小拟合误差原则,提出针对向量时间序列的最优非线性变结构点检测的动态规划方法.最后,以美元指数和原油、黄金、铜、铝、锌、铅和锡等七种国际大宗商品期货价格为对象,进行变结构非线性协整的实证研究.结果表明,美元指数与七种国际大宗商品期货价格之间具有复杂的变结构非线性关系,双正交小波支持向量机和最优非线性变结构点检测方法在变结构非线性协整分析上是有效的.     

定价核之谜与概率权重函数

采用期权及标的资产价格数据, 基于离散时间EGARCH模型和连续时间GARCH扩散模型分别估计了客观与风险中性密度, 进而推导了经验定价核. 在此基础上, 基于等级依赖期望效用模型, 在标准的效应函数形式下构建了相应的概率权重函数. 采用香港恒生指数及其指数权证价格数据进行实证研究, 结果表明: (1) 经验定价核不是单调递减的, 而是展现出驼峰(非单调性), 即“定价核之谜”;(2) 经验概率权重函数展现S型, 表明市场投资者低估尾部概率事件, 高估中、高概率事件;(3) “定价核之谜”可以由具有标准效用函数与S型概率权重函数的等级依赖期望效用模型解释。     

基于SVM的RSM模型拟合方法研究

对于多极值、存在高阶交互作用和约束的复杂过程,参数RSM整体代表性差,难以达到全局最优;而非参数RSM在样本量有限时泛化性差,模型难以优化.将RSM模型拟合归结为一类有限制条件、可主动获取样本点的小样本学习问题;提出一种基于SVM的复杂过程RSM模型拟合方法,并提出了适用于RSM的实用性SVM核函数及参数选择方法.算例研究表明,所提的核函数及参数选择方法得到的泛化误差与其最小值的平均偏离率在20%以内;基于SVM的RSM拟合模型对因子约束、误差分布无严格限制,泛化性能、曲面重现能力均优于现有RSM,其平均泛化误差与样本量分别比非参数RSM降低约20%和30%,说明了所提方法的有效性与优越性.     

中国利率期限结构的理论与实证研究——基于无套利DNS模型和DNS模型

随着中国利率市场化进程的推进和利率衍生产品的丰富,利率作为证券定价的核心变量之一,如何对其进行有效预测成为资产定价的关键。无套利DNS利率模型是在DNS模型的基础上发展而来,理论研究表明它是受约束的高斯仿射过程。本文以2005-2012年上交所国债价格月度数据隐含的利率期限结构为样本,利用准极大似然法对无套利DNS模型和DNS模型进行估计,研究结果表明:无套利DNS模型兼顾了仿射利率模型的无套利条件和DNS模型实证效果;它保持了DNS模型的预测优势,所有期限的预测误差都在1.5个基点以内;模型常数调整项的特征是随着利率期限的延长,调整力度逐步增强。     

基于VaR控制预留缺口的资产负债管理优化模型

以利率变化后的VaR风险限额约束条件,以资产组合的利息收入最大为目标函数,建立资产负债组合优化模型。本文的创新与特色一是通过预设持续期缺口使银行的资产组合在利率变动的有利条件下增加银行净值。这弥补了现有的零缺口免疫条件的资产组合不能使银行股东权益在利率变化中增加的缺陷。二是利用VaR技术建立约束条件控制预设的持续期缺口。在利率变动的不利条件下,通过在一定置信水平下的最大损失限额控制资本损失,把银行可能面临的利率风险限定在银行的净利息收入范围内。这种优化配给控制了资本损失,保护了股东权益,开辟了资产优化配置研究的新思路。三是利用银行间市场7天回购利率(R07D)的历史数据,估计了未来的市场利率波动量的概率分布,解决了由于影响因素多而难以刻画市场利率变动情况的问题。     

Quantifying Community Resilience Using Hierarchical Bayesian Kernel Methods: A Case Study on Recovery from Power Outages

The ability to accurately measure recovery rate of infrastructure systems and communities impacted by disasters is vital to ensure effective response and resource allocation before, during, and after a disruption. However, a challenge in quantifying such measures resides in the lack of data as community recovery information is seldom recorded. To provide accurate community recovery measures, a hierarchical Bayesian kernel model (HBKM) is developed to predict the recovery rate of communities experiencing power outages during storms. The performance of the proposed method is evaluated using cross‐validation and compared with two models, the hierarchical Bayesian regression model and the Poisson generalized linear model. A case study focusing on the recovery of communities in Shelby County, Tennessee after severe storms between 2007 and 2017 is presented to illustrate the proposed approach. The predictive accuracy of the models is evaluated using the log‐likelihood and root mean squared error. The HBKM yields on average the highest out‐of‐sample predictive accuracy. This approach can help assess the recoverability of a community when data are scarce and inform decision making in the aftermath of a disaster. An illustrative example is presented demonstrating how accurate measures of community resilience can help reduce the cost of infrastructure restoration.     

基于动态模型平均的大豆期货价格预测研究

针对大豆期货价格波动的复杂性及影响因素的多元性,本文将动态模型平均理论引入大豆期货价格分析与预测研究中,通过动态选择解释变量和系数时变程度,在有效控制模型和系数不确定性的同时,最大限度综合利用大豆期货市场内外部信息,以提高大豆期货价格预测准确度。具体的,本文提出一套基于动态模型平均理论的大豆期货价格影响因素与预测分析框架,从期货市场和经济环境等两方面准确地识别出大豆期货价格影响因素的时变特征,进而构建大豆期货价格预测模型,并通过预测误差指标和Diebold-Mariano检验法评估其与基准模型的预测能力。研究结果表明,动态模型平均理论在有效剖析大豆期货价格影响因素的时变特征的同时,能明显提升大豆期货价格预测准确度。     

基于β系数优化的动态投资组合策略研究

本文提出一种股票动态投资组合策略，首先通过上升和下降贝塔来优选行业，然后在选择的行业中构造股票投资组合。对于股票投资组合，利用均值方差投资组合模型作为内核，通过引入参考时间窗口和持有期限窗口两个外生参数构建动态的均值-方差模型，并实证检验了模型的可行性。然后再经过多项业绩评价指标对比分析得出动态投资组合策略的收益明显优于被动投资策略，这种动态投资组合策略能够获得部分超额收益并且具有更好的可靠性。本研究为投资者提供了一种定量的投资组合管理方法，并从侧面验证了我国股市的非有效性。     

基于期望效用-熵模型的基金评级方法及其在中国基金评级中的应用

基金评级对于投资者来说具有重要的参考价值,研究合适的基金评级方法非常必要。本文针对晨星评级对风险调整和预测能力不足的特征,研究应用期望效用-熵（EU-E）模型基金评级方法对我国开放式基金进行评级的预测能力;并以Sharpe指数、Jensen、Fama-French三因素和Carhart四因素α作为业绩指标,利用固定效应面板数据回归模型对期望效用-熵模型和随机效应面板数据回归模型对晨星基金评级的预测能力进行比较分析。采用样本期由2011年2月到2016年6月的261只基金为研究样本进行评级;研究结果表明,基于期望效用-熵平衡系数λ=0.25和0.75时,EU-E模型基金评级方法评级具有良好的预测能力,而晨星评级预测能力较弱。特别地,λ=0.25和0.75时,EU-E模型评级的五星级基金业绩优于晨星评级对应的基金业绩,而且相比于晨星评级可以更好地区分不同星级基金的业绩。另外,研究结论对于短期、中期和长期的样本都是稳健的。