本文關(guān)鍵詞：中國(guó)極端金融風(fēng)險(xiǎn)的改進(jìn)SVM智能預(yù)警研究

  更多相關(guān)文章： 極端金融風(fēng)險(xiǎn) 智能預(yù)警 支持向量機(jī) ODR ADASYN

【摘要】：隨著經(jīng)濟(jì)全球一體化的深入發(fā)展,中國(guó)金融市場(chǎng)與國(guó)際金融市場(chǎng)之間的聯(lián)系日益密切,在加大對(duì)外開放水平的同時(shí),中國(guó)金融市場(chǎng)也遭受著來(lái)自境外極端金融風(fēng)險(xiǎn)的威脅與挑戰(zhàn)。而中國(guó)金融市場(chǎng)自身風(fēng)險(xiǎn)控制與防范能力的薄弱也使得這一威脅與挑戰(zhàn)愈加嚴(yán)峻。如何構(gòu)建行之有效的預(yù)警模型,科學(xué)準(zhǔn)確地預(yù)測(cè)中國(guó)極端金融風(fēng)險(xiǎn),從而制定應(yīng)對(duì)與防范風(fēng)險(xiǎn)的有效措施,成為金融風(fēng)險(xiǎn)管理部門與投資主體迫切需要解決的重要問(wèn)題。基于上述分析,本論文以滬深300指數(shù)為研究對(duì)象,選擇了16項(xiàng)內(nèi)外部風(fēng)險(xiǎn)特征指標(biāo),并運(yùn)用獨(dú)立樣本T檢驗(yàn)與K-S檢驗(yàn)提取出開盤價(jià)、收盤價(jià)、成交量3項(xiàng)能夠顯著刻畫中國(guó)金融市場(chǎng)極端風(fēng)險(xiǎn)的內(nèi)部特征指標(biāo),同時(shí),也運(yùn)用Clayton-Copula計(jì)算中國(guó)金融市場(chǎng)與國(guó)際金融市場(chǎng)的風(fēng)險(xiǎn)傳導(dǎo)效應(yīng),并以此提取出恒生指數(shù)日收益率、韓國(guó)股指日收益率和臺(tái)灣加權(quán)指數(shù)日收益率3項(xiàng)能夠顯著刻畫中國(guó)極端風(fēng)險(xiǎn)的外部特征指標(biāo);此外,為準(zhǔn)確界定極端與非極端金融風(fēng)險(xiǎn)樣本,本論文改進(jìn)并綜合了基于金融危機(jī)時(shí)期與EVT兩種界定方法,準(zhǔn)確界定出極端與非極端金融風(fēng)險(xiǎn)樣本,成功確定出狀態(tài)指標(biāo);進(jìn)而將提取出的內(nèi)外部特征指標(biāo)與確定出的狀態(tài)指標(biāo)集成,共同構(gòu)建中國(guó)金融市場(chǎng)極端風(fēng)險(xiǎn)預(yù)警指標(biāo)體系。在此基礎(chǔ)上,考慮到中國(guó)金融市場(chǎng)復(fù)雜的非線性特征,本論文引入了計(jì)算機(jī)科學(xué)的非線性支持向量機(jī)(SVM)人工智能技術(shù)進(jìn)行預(yù)警研究。同時(shí),針對(duì)金融市場(chǎng)的非均衡樣本問(wèn)題對(duì)SVM預(yù)警模型的構(gòu)建帶來(lái)的挑戰(zhàn),本論文又引入計(jì)算機(jī)科學(xué)的非均衡樣本處理方法,尤其是以O(shè)DR與ADASYN相結(jié)合的混合抽樣方法來(lái)克服SVM的非均衡樣本問(wèn)題,從而構(gòu)建適合于中國(guó)金融市場(chǎng)極端風(fēng)險(xiǎn)預(yù)警的改進(jìn)SVM模型,即ODR-ADASYN-SVM模型,進(jìn)而通過(guò)實(shí)驗(yàn)證明改進(jìn)SVM模型優(yōu)異的預(yù)測(cè)性能。主要內(nèi)容如下:1.對(duì)改進(jìn)SVM的核函數(shù)選擇進(jìn)行研究。核函數(shù)在SVM構(gòu)建中起著至關(guān)重要的作用,但何種核函數(shù)下的SVM具有最優(yōu)預(yù)測(cè)性能,目前尚未有統(tǒng)一定論。本論文對(duì)線性、多項(xiàng)式、RBF和Sigmoid四種核函數(shù)下的改進(jìn)SVM的預(yù)測(cè)效果進(jìn)行了對(duì)比研究發(fā)現(xiàn),線性核函數(shù)下的改進(jìn)SVM具有最優(yōu)的預(yù)測(cè)效果,但與其余核函數(shù)下的改進(jìn)SVM模型相比,預(yù)測(cè)效果差異并不顯著,從而說(shuō)明,核函數(shù)的變化對(duì)改進(jìn)SVM模型的預(yù)測(cè)性能并無(wú)顯著影響,進(jìn)一步證明改進(jìn)SVM模型具有穩(wěn)定的預(yù)測(cè)性能。2.對(duì)非均衡樣本處理方法進(jìn)行研究。金融市場(chǎng)樣本呈現(xiàn)出的非均衡特征使SVM預(yù)警研究面臨較大的困難,如何解決SVM的非均衡樣本問(wèn)題成為提升SVM預(yù)測(cè)性能的關(guān)鍵�；诖�,本論文設(shè)計(jì)出ODR與ADASYN相結(jié)合的ODR-ADASYN混合抽樣方法,并與SVM相結(jié)合,提出改進(jìn)的SVM模型,即ODR-ADASYN-SVM模型,進(jìn)而與SVM、SMOTE-SVM、ODR-SVM、ADASYN-SVM進(jìn)行對(duì)比研究,結(jié)果表明,引入SMOTE、ODR、ADASYN、ODR-ADASYN非均衡樣本處理方法能夠有效地提升SVM的預(yù)測(cè)性能,同時(shí),ODR-ADASYN混合抽樣方法能夠最為有效地解決SVM的非均衡樣本問(wèn)題,并且也能克服SMOTE方法的盲目性。3.對(duì)不同預(yù)警模型進(jìn)行研究。目前,預(yù)警方法眾多,是否SVM較其余預(yù)警方法有著更為優(yōu)異的預(yù)測(cè)性能呢?基于此,本論文在運(yùn)用ODR-ADASYN方法對(duì)樣本數(shù)據(jù)集進(jìn)行均衡處理后,選擇了BP神經(jīng)網(wǎng)絡(luò)、決策樹為代表的人工智能模型和以Logit、Probit、Fisher判別分析、貝葉斯判別分析、距離判別分析為代表的統(tǒng)計(jì)模型與SVM人工智能模型進(jìn)行對(duì)比,結(jié)果表明,在預(yù)測(cè)極端金融風(fēng)險(xiǎn)上,SVM雖然優(yōu)于其余預(yù)警模型,但優(yōu)勢(shì)并不明顯,而在預(yù)測(cè)非極端金融風(fēng)險(xiǎn)上,SVM不僅優(yōu)于,而且也顯著優(yōu)于其余預(yù)警模型,從而證明了本論文提出的改進(jìn)SVM模型具有最為優(yōu)異的預(yù)測(cè)性能。4.對(duì)改進(jìn)SVM的參數(shù)影響進(jìn)行研究。模型的成功構(gòu)建,與參數(shù)的設(shè)定息息相關(guān)。本論文探討了改進(jìn)SVM的三個(gè)參數(shù),即懲罰參數(shù)C、近鄰樣本數(shù)量k和樣本的非均衡水平a對(duì)模型預(yù)測(cè)性能的影響。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn),懲罰參數(shù)C、近鄰樣本數(shù)量k和樣本的非均衡水平a的變化對(duì)改進(jìn)SVM模型的預(yù)測(cè)性能并無(wú)明顯影響,只是在設(shè)置過(guò)程中需要防止將參數(shù)a設(shè)置為0或者1即可,從而表明改進(jìn)的SVM模型具有穩(wěn)定的預(yù)測(cè)性能。同時(shí),懲罰參數(shù)C、近鄰樣本數(shù)量k和樣本的非均衡水平a分別設(shè)置為0.5、5和0.2時(shí),預(yù)警模型具有最為優(yōu)異的預(yù)測(cè)性能。通過(guò)上述實(shí)驗(yàn),本論文認(rèn)為,改進(jìn)SVM模型是金融風(fēng)險(xiǎn)管理部門和投資主體應(yīng)對(duì)與防范極端金融風(fēng)險(xiǎn)的最優(yōu)操作工具與方法。對(duì)于金融風(fēng)險(xiǎn)管理部門而言,能夠運(yùn)用改進(jìn)SVM模型對(duì)未來(lái)一段時(shí)間內(nèi)的金融市場(chǎng)極端風(fēng)險(xiǎn)進(jìn)行準(zhǔn)確預(yù)測(cè),及時(shí)制定并實(shí)施應(yīng)對(duì)金融風(fēng)險(xiǎn)危機(jī)的相關(guān)宏觀經(jīng)濟(jì)政策,從而構(gòu)建金融市場(chǎng)極端風(fēng)險(xiǎn)危機(jī)的“防火墻”,積極地化解與防范金融風(fēng)險(xiǎn)危機(jī),以維護(hù)金融市場(chǎng)穩(wěn)定,促進(jìn)經(jīng)濟(jì)持續(xù)健康發(fā)展;對(duì)于投資主體而言,能夠運(yùn)用改進(jìn)SVM模型提前捕獲金融市場(chǎng)風(fēng)險(xiǎn)危機(jī)信號(hào),進(jìn)而及時(shí)調(diào)整金融資產(chǎn)投資策略,最優(yōu)化金融資產(chǎn)投資組合,從而更為有效地管理金融資產(chǎn),保證金融資產(chǎn)的保值甚至增值。
【關(guān)鍵詞】：極端金融風(fēng)險(xiǎn) 智能預(yù)警 支持向量機(jī) ODR ADASYN
【學(xué)位授予單位】：成都理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：F832.5
【目錄】：

• 摘要4-6
• Abstract6-11
• 第1章 引言11-20
• 1.1 研究背景與意義11-14
• 1.2 國(guó)內(nèi)外文獻(xiàn)綜述14-17
• 1.2.1 關(guān)于金融風(fēng)險(xiǎn)預(yù)警研究的相關(guān)文獻(xiàn)評(píng)述14-15
• 1.2.2 關(guān)于經(jīng)濟(jì)領(lǐng)域非均衡樣本問(wèn)題研究的相關(guān)文獻(xiàn)評(píng)述15-16
• 1.2.3 關(guān)于風(fēng)險(xiǎn)特征指標(biāo)提取研究的相關(guān)文獻(xiàn)評(píng)述16-17
• 1.2.4 關(guān)于極端金融風(fēng)險(xiǎn)樣本界定研究的相關(guān)文獻(xiàn)評(píng)述17
• 1.3 研究?jī)?nèi)容、創(chuàng)新性與邏輯框架17-20
• 1.3.1 研究?jī)?nèi)容17-18
• 1.3.2 創(chuàng)新性18
• 1.3.3 邏輯框架18-20
• 第2章 預(yù)警指標(biāo)體系構(gòu)建20-31
• 2.1 預(yù)警指標(biāo)體系構(gòu)建的必要性20
• 2.2 狀態(tài)指標(biāo)的確定方法20-23
• 2.2.1 基于危機(jī)時(shí)期的狀態(tài)指標(biāo)確定方法20-21
• 2.2.2 基于EVT的狀態(tài)指標(biāo)確定方法21-23
• 2.2.3 基于危機(jī)時(shí)期和EVT的狀態(tài)指標(biāo)確定方法23
• 2.3 特征指標(biāo)的提取方法23-26
• 2.3.1 基于統(tǒng)計(jì)檢驗(yàn)的內(nèi)部風(fēng)險(xiǎn)特征指標(biāo)提取方法23-24
• 2.3.2 基于Clayton-Copula的外部風(fēng)險(xiǎn)特征指標(biāo)提取方法24-26
• 2.4 預(yù)警指標(biāo)體系構(gòu)建實(shí)驗(yàn)26-30
• 2.4.1 樣本的選擇26
• 2.4.2 狀態(tài)指標(biāo)的確定26-27
• 2.4.3 特征指標(biāo)變量的選擇與提取27-30
• 2.5 本章小結(jié)30-31
• 第3章 極端金融風(fēng)險(xiǎn)的SVM預(yù)警模型構(gòu)建31-39
• 3.1 SVM概述31-32
• 3.2 SVM預(yù)警模型構(gòu)建32-36
• 3.3 SVM的風(fēng)險(xiǎn)預(yù)測(cè)性能評(píng)價(jià)方法36-37
• 3.3.1 以預(yù)測(cè)精度為標(biāo)準(zhǔn)的評(píng)價(jià)方法36
• 3.3.2 以第一、二類錯(cuò)誤為標(biāo)準(zhǔn)的評(píng)價(jià)方法36-37
• 3.4 SVM預(yù)測(cè)實(shí)驗(yàn)37-38
• 3.5 本章小結(jié)38-39
• 第4章 極端金融風(fēng)險(xiǎn)的改進(jìn)SVM預(yù)警模型構(gòu)建39-54
• 4.1 金融市場(chǎng)的非均衡樣本問(wèn)題39-40
• 4.2 基于非均衡樣本處理方法的改進(jìn)SVM預(yù)警模型40-43
• 4.2.1 非均衡樣本處理方法概述40-41
• 4.2.2 基于ODR-ADASYN的改進(jìn)SVM預(yù)警模型構(gòu)建41-43
• 4.3 改進(jìn)SVM的風(fēng)險(xiǎn)預(yù)測(cè)性能評(píng)價(jià)方法43-46
• 4.3.1“第一、二類錯(cuò)誤”評(píng)價(jià)方法的缺陷43-44
• 4.3.2 以G、F和AUC為標(biāo)準(zhǔn)的評(píng)價(jià)方法44-46
• 4.4 改進(jìn)SVM預(yù)警模型的預(yù)測(cè)實(shí)驗(yàn)46-53
• 4.4.1 實(shí)驗(yàn)設(shè)計(jì)46
• 4.4.2 不同核函數(shù)下的ODR-ADASYN-SVM預(yù)測(cè)性能比較46-48
• 4.4.3 不同非均衡樣本處理方法下SVM預(yù)測(cè)性能比較48-50
• 4.4.4 基于ODR-ADASYN的不同預(yù)警模型預(yù)測(cè)性能比較50-51
• 4.4.5 ODR-ADASYN-SVM模型的參數(shù)分析51-53
• 4.5 本章小結(jié)53-54
• 結(jié)論54-55
• 致謝55-56
• 參考文獻(xiàn)56-64
• 攻讀學(xué)位期間取得學(xué)術(shù)成果64

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前1條

1 丁德臣;;混合HOGA-SVM財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型實(shí)證研究[J];管理工程學(xué)報(bào);2011年02期

，

本文編號(hào)：537719