基于滚动时间窗口支持向量机的财务困境预测动态建模

该文从财务困境概念漂移的全新视角,提出了基于滚动时间窗口支持向量机(suppon vector machine,SVM)的财务困境预测动态建模新方法.设计了面向概念漂移进行财务困境预测动态建模的思路框架,分为宽度固定的滚动时间窗口 SVM 和宽度可变的滚动时间窗口 SVM 分别展开算法设计.以中国上市公司为对象,通过模拟时间推移过程,对 2000 至 2008 期间被 ST 的上市公司及其配对公司共692个样本展开实证研究.结果表明:基于滚动时间窗口 SVM 的财务困境预测动态建模方法能够有效地适应财务困境的概念漂移现象,对未来企业财务困境的预测效果明显优于静态 SVM 模型.通过比较分析,认为适应性可变时间窗口 SVM 动态建模方法具有较好的应用推广性.     

个人信用评估PSO—SVM模型的构建及应用

支持向量机(SVM)中的参数影响着模型的分类能力,为了使SVM获得更好的分类能力,针对SVM中的人为选择参数的随机性,提出了利用粒子群算法(PSO)进行优化的方法,构建了PSO-SVM模型,并将其应用于商业银行的个人信用评估中。通过改进的PSO算法对SVM中的参数进行优化,并通过粒子适应度函数的设置来控制给商业银行造成较大损失的第2类误判的发生。应用结果表明,PSO-SVM模型的分类精度高,第2类误判率低,并且表现出较好的稳健性,对于控制消费信贷风险具有良好的适用性。     

基于信息融合的数据挖掘方法在公司财务预警中的应用

目前越来越多的数据挖掘方法被用于风险预警中,决策树、支持向量机、神经网络、Logistic回归等方法在风险预警中都表现出了较好的特性和预警效果,但是不同数据挖掘分类方法得到的结果不同,往往导致预警结果的不一致,因此也会存在一定风险。本文引入信息融合技术对不同数据挖掘分类方法得到的结果进行融合处理得到最优的结果,解决了不同数据挖掘方法得到的结果不一致问题。文章在SVM和Logistic回归的数据挖掘模型基础上建立基于信息融合的公司财务预警模型,提高了财务预警准确率,并且保留了原数据挖掘方法在分类预测上的优势。在实证研究中,论文选取了中国制造业的上市公司作为研究对象,在SVM和Logistic回归两种数据挖掘模型的基础上利用信息融合方法建立了财务预警模型,实证结果表明,基于信息融合的数据挖掘方法的预测准确率要高于单独的SVM和Logistic回归两种方法。     

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.     

基于模糊支持向量机的上市公司财务困境预测

支持向量机(SVM)已经成功地应用于财务困境预测问题的研究,且已证明优于多元线性判别分析(MDA)、逻辑回归(Logistic regression)和神经网络(NN)等方法.然而,传统SVM使用结构风险最小化的原则,这样可能导致错误分类的经验风险升高,特别是当样本点与最优超平面十分接近的时候,这种误分类的经验风险显著升高.另外,传统SVM还存在过拟合问题,所以对数据集中的外点或噪声十分敏感.因此,采用模糊支持向量机(FSVM)算法来改进上述不足.首先,建立一个适当的成员模型用于对整个数据集的模糊处理;然后通过外点侦察方法(ODM)来发现外点,其中ODM集成了模糊C-均值算法(Fuzzy C-mean algorithm)和无监督神经网络中的自组织映射(SOM).最后,为主体集和外点集中的样本点分配不同的权值.还将FSVM应用于上市公司财务困境预测的实证研究,实证结果表明FSVM与传统SVM相比,FSVM 能较好的解决经验风险升高和过度拟合问题,确实降低了外点的影响并提高了分类器的分类准确率.     

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.     

电子商务信用管理的支持向量机应用

电子商务的发展始终伴随着信用风险,而客户信用评估是电子商务的重要组成部分,本文分析了电子商务的信用风险,并利用支持向量机技术(SVM)对客户信用进行分类,本方法具有较好的预测能力。     

支持向量机在财务危机预警中的应用评析

信息技术的迅速发展和世界经济全球化使很多企业面临各种各样的经营困难,最终体现为财务危机.提前对其进行预警以协助企业有效地规避财务危机是十分重要的.随着研究的深入,各种财务危机预警方法逐渐成熟.本文从样本选择、模型建立和预测性能3方面对支持向量机(SVM)在财务危机预警领域的应用进行了评析,认为SVM方法具有强大的分类功能和优良的学习性能,在财务危机预警领域有着广阔的应用前景.     

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。     

供应链金融视角下的中小企业信用风险评估研究——基于SVM与BP神经网络的比较研究

近年来,依托中小企业与核心企业间真实贸易背景开发的供应链金融业务在我国发展迅速,这要求商业银行从新的视角对中小企业的信用风险进行认识和评估。本文从供应链金融的视角,提出了新的中小企业信用风险评估指标体系,该体系结合了核心企业资信情况及供应链关系情况,运用机器学习的方法支持向量机(SVM)建立信用风险评估模型;并通过与用BP神经网络算法建立的信用风险评估模型进行实证结果对比,结果表明在小样本下基于SVM的信用风险评估模型更具有效性和优越性,同时证实了供应链金融视角下的中小企业信用风险评估指标体系能够更准确地判断中小融资企业的信用状况,有助于缓解中小企业融资困境。     

基于支持向量机的R&D项目过程质量度量

过程质量度量是项目质量控制中的基础。本文针对R＆D项目的质量特性,构建了R＆D项目过程质量状况的评价指标体系,将支持向量机(SVM)技术应用于R＆D项目过程质量度量。实证研究结果表明该方法可很好地应用于R＆D项目的过程质量管理。     

农产品销量预测的支持向量机方法

运用支持向量机(Support Vector Machine,SVM)智能预测方法对农产品的消费市场需求进行动态预测。为提高农产品销量预测精度,充分考虑了农产品供需随天气变化、气候条件、节假日等因素的影响而动态变化的情况,将这些影响因素纳入农产品销量预测中,运用模糊理论进行模糊化处理;在此基础上提出以支持向量机方法为主、多方法融合为辅的智能预测系统,对农产品销量进行动态预测。实际算例验证了这一智能预测系统的精确性。     

基于SVM的Web日志挖掘及潜在客户发现

潜在的客户资源是商家未来的利润来源,发现了潜在的客户就可以制定相应的商业决策,并进行有针对性的客户关系管理。使用SVM方法对Web日志文件进行挖掘,以发现站点访问者中潜在客户的共同行为模式,并将其分为不同级别的目标客户群。同时,通过试验4种不同比例的训练样本,研究了非对称数据对分类结果的影响,以期获得较优的模型。     

面向多极值质量特性的过程参数全局优化研究

对于作用关系复杂,而且质量特性拥有多个极值的制造过程,现有质量改进方法只能实现参数的局部优化,产品质量仍有较大改进空间.本文采用支持向量机(SVM)作为复杂作用关系过程的近似模型,提出基于支持向量聚类(SV)与序列二次规划(SQP)的参数全局性优化方法.首先建立了复杂过程的SVM近似模型;而后根据ε管道理论,通过对聚类过程谱系图的分析,确定了聚类的最小相似度水平及合适的聚类数目,将过程各极值点邻域内的支持向量分别聚为一类;最后由各聚类中心出发,并行进行SQP寻优以发现过程的多个极值.仿真研究表明,所提方法能够全面反映过程的极值分布,实现参数的全局性优化;寻优结果与实际极值的绝对偏差及相对偏差的平均值分别为0.15和1.28%,并且偏差的大小与过程极值的数目无关,说明方法具有较高的精确度和稳定性;此外,通过支持向量聚类,不仅保证了SQP寻优结果对于过程全部极值的遍历性,而且将寻优的次数降低了50%以上,提高了寻优效率.     

基于SVM的建设项目风险识别方法研究

支持向量机(SVM)是在统计学习理论的基础上发展起来的一种新的机器学习方法。它基于结构风险最小化原则,能有效地解决过学习问题,具有良好的推广性和分类精确性。在项目风险管理中,风险识别是很重要的一个步骤,如果风险不能被识别,那么我们就不能对风险进行转移、控制或管理。针对该问题,本文提出了一种新的风险识别方法-支持向量机,利用该方法对项目风险识别进行了研究,并取得了很好的识别效果。     

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。     

不确定性支持向量分类预警算法

支持向量分类从理论上可以保证好的预警外推能力。但历史警度的确定是一个十分棘手的问题。论文提出了不确定性支持向量分类预警方法。将支持向量分类预警问题转化为各个历史样本的惩罚系数的合理变化,从而大大减少了约束的个数,体现了专家决策在预警系统的作用。不仅实现了专家意见的综合,而且是对SVM理论本身的拓广。证明了模糊支持向量机是不确定性支持向量分类的特例,从而给出了模糊支持向量机的确切含义。数据试验表明,未确知支持向量分类预警方法具有一定的实际应用价值。     

基于最小二乘的支持向量机在电力需求预测中的应用

文章针对常规电力需求预测方法的不足,在分析SVM的线性和非线性分类方法的基础上提出一种基于最小二乘的支持向量机预测方法.LS-SVM模型采用结构风险最小化原则,能够在对小样本学习的基础上,对其他样本快速、准确的拟合预测,具有更好的泛化性能和精度,减少对初始值的依赖.文章采用河北省某市实际的负荷数据,按照不同的负荷日属性和历史数据属性进行样本选择,使用径向基核函数进行了电力需求预测.将预测结果与真实值和由时间序列及BP神经网络方法得到的结论进行比较,表明所提出的预测模型具有较高的精度,是有效和可行的.     

图像识别技术在车辆识别中的应用

本论文提出了使用基于神经网络的图像识别算法,同时对图像处理中的重要步骤也根据神经网络的特点进行了相应的改进.主要简要介绍了图像识别原理和几种常用的模式识别方法.分析了目前在图像识别中常用的前馈神经网络模型及其算法,将遗传算法与BP网络相结合,有效解决了图像识别中BP算法容易陷入局部极小的不足.并且针对有限图像样本情况,建立了现有信息下可获得最优解的支持向量机模型.研究了多模式分类问题,提出了一种新的多分类策略,并给出了一种动态样本增量训练方法,使SVM能够根据需要随时增加需识别类型.并在最后给出了在实际问题中的应用方法.