本文關鍵詞：集成支持向量機方法及在信用風險中的應用研究　出處：《鄭州大學》2013年碩士論文　論文類型：學位論文

  更多相關文章： 信用風險 支持向量機 集成支持向量機

【摘要】：近年來,支持向量機已成為機器學習方法研究的新領域,該方法具有適合小樣本、非線性、高維度等特點。而集成學習的方法也越來越受關注,它可以綜合利用各個個體分類器的優(yōu)點,提高整個學習器的泛化能力。目前信用風險已成為風險中一個重要的方面。為了預防信用風險的發(fā)生,人們開始對信用風險進行管理和預測,信用風險評價的方法也越來越多。本文主要采用兩種集成方法建立模型,對信用風險進行評級。 論文的主要研究內(nèi)容包括： 1介紹了與本文研究內(nèi)容相關理論和文獻。首先系統(tǒng)闡述了信用風險評價的現(xiàn)狀、支持向量機分類研究的現(xiàn)狀,以及相關的理論基礎。在總結前人研究的優(yōu)缺點的基礎上,提出了本文采用的集成支持向量機方法。 2信用風險評價指標體系的建立及建模思路。詳細總結以往信用風險評價指標的選取,根據(jù)本文樣本的特點,構建了用于信用風險評價的指標體系,初次共選取了反映公司七個財務方面的24個指標。同時概括介紹了本文的建模思路。 3樣本選取、模型的建立以及最后實證獲得的結論。選取了73對配對樣本,并從原有24個指標中選取了19個指標作為研究數(shù)據(jù)。建立了基于不同集成方法的信用風險評價模型,并分別與標準的支持向量機做對比,研究結果表明,Bagging_SVM和Boosting_SVM兩種集成方法的判別準確率都高于標準的支持向量機模型,并且兩類模型大大提高了對風險公司的判別準確率,這在實際中具有重要的指導意義。然后,還研究了不同分類器個數(shù)對兩種集成模型判別正確率的影響,結果表明,弱分類器的個數(shù)的多少對模型的判斷率有一定的影響,這為以后選擇性集成提供了一定的依據(jù)。最后,通過ROC圖比較了三種模型的性能,研究結果表明Bagging_SVM的性能最好,Boosting_SVM居中,標準SVM最差。 本文創(chuàng)新點有兩點：第一是在配對樣本的選取時提出了具體的參考標準。第二是在對集成模型的研究中,不僅考慮了不同集成方法對模型判別準確率的影響,而且研究了不同數(shù)目的弱分類器集成對模型判別準確率的影響。
[Abstract]:In recent years, support vector machine (SVM) has become a new research field of machine learning, which is suitable for small samples, nonlinear, high-dimensional and so on. It can make comprehensive use of the advantages of individual classifiers and improve the generalization ability of the whole learner. At present, credit risk has become an important aspect of risk, in order to prevent the occurrence of credit risk. People begin to manage and predict the credit risk, and there are more and more methods to evaluate the credit risk. The main contents of this thesis are as follows: Firstly, the current situation of credit risk assessment and support vector machine classification are systematically described. On the basis of summarizing the merits and demerits of previous studies, the integrated support vector machine (ISVM) method is proposed in this paper. 2 the establishment and modeling of credit risk evaluation index system. The selection of credit risk evaluation index is summarized in detail. According to the characteristics of the sample in this paper, the index system for credit risk evaluation is constructed. A total of 24 indexes reflecting seven financial aspects of the company are selected for the first time, and the modeling ideas of this paper are summarized. 3 sample selection, the establishment of the model and the final empirical conclusions. 73 pairs of paired samples were selected. From the original 24 indicators, 19 indicators are selected as the research data. The credit risk evaluation model based on different integration methods is established, and compared with the standard support vector machine, the research results show that. The accuracy of Bagging_SVM and Boosting_SVM integration methods is higher than the standard support vector machine model. And the two kinds of models greatly improve the discrimination accuracy of venture companies, which has important guiding significance in practice. Then, the effect of the number of different classifiers on the accuracy of the two integrated models is also studied. The results show that the number of weak classifiers has a certain influence on the judging rate of the model, which provides a certain basis for the future selective integration. Finally, the performance of the three models is compared by ROC diagram. The results show that the performance of Bagging_SVM is the best and the standard SVM is the worst. There are two innovations in this paper: the first is to put forward the specific reference standard in the selection of paired samples, and the second is to consider not only the influence of different integration methods on the accuracy of model discrimination in the research of integration model. Moreover, the influence of different number of weak classifiers on the accuracy of model discrimination is studied.
【學位授予單位】：鄭州大學
【學位級別】：碩士
【學位授予年份】：2013
【分類號】：F832.5;F224;TP18

【參考文獻】

相關期刊論文 前10條

1 于立勇,詹捷輝;基于Logistic回歸分析的違約概率預測研究[J];財經(jīng)研究;2004年09期

2 石曉軍,陳殿左;債權結構、波動率與信用風險——對中國上市公司的實證研究[J];財經(jīng)研究;2004年09期

3 謝赤;羅長青;王蓓;;財務困境預警SVM模型的構建及實證研究[J];當代經(jīng)濟科學;2007年06期

4 王春峰,萬海暉,張維;商業(yè)銀行信用風險評估及其實證研究[J];管理科學學報;1998年01期

5 白保中;朱世武;;基于Logistic模型的單個信用資產(chǎn)違約概率預測[J];廣東金融學院學報;2008年02期

6 李豫;國際銀行業(yè)VaR信貸風險技術發(fā)展與應用[J];金融理論與實踐;2003年01期

7 劉錫良,羅得志;論我國銀行不良資產(chǎn)的根源——信用、金融層面的分析[J];金融研究;2001年10期

8 宋秋萍;開展財務預警分析,增強經(jīng)營者憂患意識[J];生產(chǎn)力研究;2000年Z1期

9 柯孔林,周春喜;商業(yè)銀行信用風險評估方法研究述評[J];商業(yè)經(jīng)濟與管理;2005年06期

10 唐建榮;譚春暉;;基于支持向量機的上市公司信用風險評估研究[J];統(tǒng)計與決策;2010年10期

相關碩士學位論文 前6條

1 譚春暉;基于支持向量機的企業(yè)信用風險評估研究[D];江南大學;2010年

2 王輝;基于SVM集成的上市公司財務困境動態(tài)預測研究[D];哈爾濱工業(yè)大學;2010年

3 周振華;基于模糊積分集成支持向量機的商業(yè)銀行信用風險評價模型研究[D];哈爾濱工業(yè)大學;2006年

4 楊晨光;商業(yè)銀行信用風險評估研究[D];華北電力大學（河北）;2007年

5 袁丹;基于BP神經(jīng)網(wǎng)絡的制造業(yè)上市公司財務預警研究[D];上海交通大學;2010年

6 邱士勤;基于數(shù)據(jù)挖掘技術的商業(yè)銀行信用風險管理研究[D];湖南大學;2010年

，

本文編號：1436499