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

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

【摘要】：隨著經(jīng)濟(jì)全球一體化的深入發(fā)展,中國金融市場與國際金融市場之間的聯(lián)系日益密切,在加大對外開放水平的同時,中國金融市場也遭受著來自境外極端金融風(fēng)險的威脅與挑戰(zhàn)。而中國金融市場自身風(fēng)險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)測中國極端金融風(fēng)險,從而制定應(yīng)對與防范風(fēng)險的有效措施,成為金融風(fēng)險管理部門與投資主體迫切需要解決的重要問題�；谏鲜龇治�,本論文以滬深300指數(shù)為研究對象,選擇了16項內(nèi)外部風(fēng)險特征指標(biāo),并運用獨立樣本T檢驗與K-S檢驗提取出開盤價、收盤價、成交量3項能夠顯著刻畫中國金融市場極端風(fēng)險的內(nèi)部特征指標(biāo),同時,也運用Clayton-Copula計算中國金融市場與國際金融市場的風(fēng)險傳導(dǎo)效應(yīng),并以此提取出恒生指數(shù)日收益率、韓國股指日收益率和臺灣加權(quán)指數(shù)日收益率3項能夠顯著刻畫中國極端風(fēng)險的外部特征指標(biāo);此外,為準(zhǔn)確界定極端與非極端金融風(fēng)險樣本,本論文改進(jìn)并綜合了基于金融危機時期與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)建中國金融市場極端風(fēng)險預(yù)警指標(biāo)體系。在此基礎(chǔ)上,考慮到中國金融市場復(fù)雜的非線性特征,本論文引入了計算機科學(xué)的非線性支持向量機(SVM)人工智能技術(shù)進(jìn)行預(yù)警研究。同時,針對金融市場的非均衡樣本問題對SVM預(yù)警模型的構(gòu)建帶來的挑戰(zhàn),本論文又引入計算機科學(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克服SVM的非均衡樣本問題,從而構(gòu)建適合于中國金融市場極端風(fēng)險預(yù)警的改進(jìn)SVM模型,即ODR-ADASYN-SVM模型,進(jìn)而通過實驗證明改進(jìn)SVM模型優(yōu)異的預(yù)測性能。主要內(nèi)容如下:1.對改進(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)測性能,目前尚未有統(tǒng)一定論。本論文對線性、多項式、RBF和Sigmoid四種核函數(shù)下的改進(jìn)SVM的預(yù)測效果進(jìn)行了對比研究發(fā)現(xiàn),線性核函數(shù)下的改進(jìn)SVM具有最優(yōu)的預(yù)測效果,但與其余核函數(shù)下的改進(jìn)SVM模型相比,預(yù)測效果差異并不顯著,從而說明,核函數(shù)的變化對改進(jìn)SVM模型的預(yù)測性能并無顯著影響,進(jìn)一步證明改進(jìn)SVM模型具有穩(wěn)定的預(yù)測性能。2.對非均衡樣本處理方法進(jìn)行研究。金融市場樣本呈現(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的非均衡樣本問題成為提升SVM預(yù)測性能的關(guān)鍵�；诖�,本論文設(shè)計出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)測性能,同時,ODR-ADASYN混合抽樣方法能夠最為有效地解決SVM的非均衡樣本問題,并且也能克服SMOTE方法的盲目性。3.對不同預(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)測性能呢?基于此,本論文在運用ODR-ADASYN方法對樣本數(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)計模型與SVM人工智能模型進(jìn)行對比,結(jié)果表明,在預(yù)測極端金融風(fēng)險上,SVM雖然優(yōu)于其余預(yù)警模型,但優(yōu)勢并不明顯,而在預(yù)測非極端金融風(fēng)險上,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)測性能。4.對改進(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對模型預(yù)測性能的影響。通過實驗發(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的變化對改進(jìn)SVM模型的預(yù)測性能并無明顯影響,只是在設(shè)置過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)測性能。同時,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,預(yù)警模型具有最為優(yōu)異的預(yù)測性能。通過上述實驗,本論文認(rèn)為,改進(jìn)SVM模型是金融風(fēng)險管理部門和投資主體應(yīng)對與防范極端金融風(fēng)險的最優(yōu)操作工具與方法。對于金融風(fēng)險管理部門而言,能夠運用改進(jìn)SVM模型對未來一段時間內(nèi)的金融市場極端風(fēng)險進(jìn)行準(zhǔn)確預(yù)測,及時制定并實施應(yīng)對金融風(fēng)險危機的相關(guān)宏觀經(jīng)濟(jì)政策,從而構(gòu)建金融市場極端風(fēng)險危機的“防火墻”,積極地化解與防范金融風(fēng)險危機,以維護(hù)金融市場穩(wěn)定,促進(jìn)經(jīng)濟(jì)持續(xù)健康發(fā)展;對于投資主體而言,能夠運用改進(jìn)SVM模型提前捕獲金融市場風(fēng)險危機信號,進(jìn)而及時調(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 智能預(yù)警 支持向量機 ODR ADASYN
【學(xué)位授予單位】：成都理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：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 國內(nèi)外文獻(xiàn)綜述14-17
• 1.2.1 關(guān)于金融風(fēng)險預(yù)警研究的相關(guān)文獻(xiàn)評述14-15
• 1.2.2 關(guān)于經(jīng)濟(jì)領(lǐng)域非均衡樣本問題研究的相關(guān)文獻(xiàn)評述15-16
• 1.2.3 關(guān)于風(fēng)險特征指標(biāo)提取研究的相關(guān)文獻(xiàn)評述16-17
• 1.2.4 關(guān)于極端金融風(fēng)險樣本界定研究的相關(guān)文獻(xiàn)評述17
• 1.3 研究內(nèi)容、創(chuàng)新性與邏輯框架17-20
• 1.3.1 研究內(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 基于危機時期的狀態(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 基于危機時期和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)計檢驗的內(nèi)部風(fēng)險特征指標(biāo)提取方法23-24
• 2.3.2 基于Clayton-Copula的外部風(fēng)險特征指標(biāo)提取方法24-26
• 2.4 預(yù)警指標(biāo)體系構(gòu)建實驗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)險預(yù)測性能評價方法36-37
• 3.3.1 以預(yù)測精度為標(biāo)準(zhǔn)的評價方法36
• 3.3.2 以第一、二類錯誤為標(biāo)準(zhǔn)的評價方法36-37
• 3.4 SVM預(yù)測實驗37-38
• 3.5 本章小結(jié)38-39
• 第4章 極端金融風(fēng)險的改進(jìn)SVM預(yù)警模型構(gòu)建39-54
• 4.1 金融市場的非均衡樣本問題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)險預(yù)測性能評價方法43-46
• 4.3.1“第一、二類錯誤”評價方法的缺陷43-44
• 4.3.2 以G、F和AUC為標(biāo)準(zhǔn)的評價方法44-46
• 4.4 改進(jìn)SVM預(yù)警模型的預(yù)測實驗46-53
• 4.4.1 實驗設(shè)計46
• 4.4.2 不同核函數(shù)下的ODR-ADASYN-SVM預(yù)測性能比較46-48
• 4.4.3 不同非均衡樣本處理方法下SVM預(yù)測性能比較48-50
• 4.4.4 基于ODR-ADASYN的不同預(yù)警模型預(yù)測性能比較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)】

中國期刊全文數(shù)據(jù)庫 前1條

1 丁德臣;;混合HOGA-SVM財務(wù)風(fēng)險預(yù)警模型實證研究[J];管理工程學(xué)報;2011年02期

，

本文編號：537719