本文關鍵詞：非均衡數(shù)據(jù)下基于SVM的極端金融風險預警研究，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來多次爆發(fā)的全球性金融危機不僅危害各國的金融體系甚至會沉重地打擊各國的經濟,所以金融風險預警的重要性愈發(fā)突出,面臨的挑戰(zhàn)也愈發(fā)嚴峻。而中國金融市場作為一個新興的金融市場,由于發(fā)展的時間還不長,應對極端金融風險的成熟經驗還相當匱乏,同時中國與國外金融市場之間越來越緊密的聯(lián)系,關聯(lián)性不斷加強,又進一步加大了極端金融風險爆發(fā)的可能性,從而承受著更為艱巨的風險考驗。鑒于此,探索出切合中國金融市場實際的極端風險預警模型,準確預測和防范極端金融風險,就顯得至關重要�；谝陨戏治�,本論文選擇滬深300指數(shù)為研究對象,首先對模型的預警指標體系進行構建,通過綜合基于危機時期與EVT的兩種狀態(tài)指標界定方法確定出狀態(tài)指標,以此判斷金融市場在某個時刻是否發(fā)生極端金融風險。并且根據(jù)中國金融體系自身特征和極端金融風險互相傳導作用,在初步選定的內外部風險特征指標基礎上,運用T檢驗和K-S檢驗成功提取出誘發(fā)中國金融市場發(fā)生極端風險的內部特征指標：開盤價、收盤價和成交量。而Copula函數(shù)中的Clayton-Copula由于能很好地刻畫金融收益下尾部相依關系,因此在計算不同金融市場同時暴跌的概率方面更具優(yōu)勢,被本論文用于提取誘發(fā)中國極端金融風險爆發(fā)的外部風險特征指標：恒生指數(shù)、韓國股指和臺灣加權指數(shù)的日收益率。在利用狀態(tài)指標與提取出的內外部風險特征指標共同構成預警指標體系后,構建SVM人工智能技術對極端金融風險進行預警研究。針對SVM在非均衡數(shù)據(jù)下,預測效果欠佳的問題,引入非均衡樣本處理方法和SVM相結合,力求提升SVM模型對非均衡樣本的預測性能。將Borderline-SMOTE與EasyEnsemble兩種采樣方法相結合,構建出改進的SVM中國極端金融風險智能預警模型Borderline-SMOTE-EasyEnsemble-SVM,并進一步設計實驗方案,證明該模型對極端金融風險具有優(yōu)越的預測性能。下面對實驗的主要內容進行介紹：1、對改進的SVM在不同非均衡樣本數(shù)據(jù)集下的預測性能比較。在國際機器學習標準數(shù)據(jù)庫UCI中選取了Balance-Scale數(shù)據(jù)集、Contraceptive數(shù)據(jù)集、Haberman數(shù)據(jù)集、Hepatitis數(shù)據(jù)集以及Pima數(shù)據(jù)集來對改進的SVM進行測試。Borderline-SMOTE-EasyEnsemble-SVM對各組數(shù)據(jù)集都取得了優(yōu)秀的預測結果,充分說明,該模型的預測性能穩(wěn)定,對于5組來源于其他領域并且非均衡程度不同的數(shù)據(jù),均能取得良好的預測效果,將其用于中國金融市場的極端風險預警具有很強的可行性。2、確定模型的最優(yōu)參數(shù)。由于參數(shù)的選擇會對所建立的Borderline-SMOTE-EasyEnsemble-SVM預警模型的預測效果產生關鍵性的影響,因此需要對模型中所有的參數(shù)進行尋優(yōu)。本文運用網格搜索法對SVM中的參數(shù)進行尋優(yōu),并通過反復試驗來確定Borderline-SMOTE算法中的最近鄰參數(shù)k、控制人工合成極端風險樣本數(shù)量的參數(shù)α、EasyEnsemble算法中從多數(shù)類樣本中獨立隨機抽樣的次數(shù)T以及Adaboost集成算法的迭代次數(shù)si。試驗結果表明運用Borderline-SMOTE方法人工合成極端風險樣本數(shù)量的變化會對模型預測準確率產生較大影響,同時由于模型較為穩(wěn)定,其他參數(shù)的變化對模型預測結果影響較小。在α=0.8所決定的人工合成樣本數(shù)量能使模型的預測結果最佳。3、改進的SVM對極端金融風險預測性能比較。由于界定出的極端金融風險和非極端金融風險構成了典型的非均衡樣本集,而SVM對非均衡樣本的預測效果欠佳,基于此將Borderline-SMOTE-EasyEnsemble-SVM、Borderline-SMOTE-SVM、EasyEnsemble-SVM、SVM對極端金融風險的預測性能進行比較研究。實驗結果表明,Borderline-SMOTE-EasyEnsemble-SVM具有良好的穩(wěn)定性,能很好地適用于中國金融市場極端風險預警,而且將Borderline-SMOTE與EasyEnsemble相結合能最大程度地提升SVM在非均衡數(shù)據(jù)下的預測性能基于以上實證分析結果,本文認為：Borderline-SMOTE-EasyEnsemble-SVM模型能夠對我國金融市場極端風險進行較為準確地預測,具有很高的實用價值。對于金融經濟管理部門而言,能夠運用該模型對未來是否會發(fā)生極端金融風險進行較為準確地預測,從而制定相應經濟政策來抵御金融風險的沖擊,維護金融秩序穩(wěn)定,避免金融市場的運行發(fā)生劇烈的波動起伏,最終對為宏觀經濟快速發(fā)展創(chuàng)造一個良好而又平穩(wěn)的環(huán)境起到積極作用；對于金融參與者而言,使用該模型對金融產品的極端風險進行預測,并依據(jù)預測結果更為有效的進行風險管理,通過及時調整金融資產投資策略,規(guī)避可能發(fā)生的極端金融風險,進而在投資理財過程中盡可能的減少損失、提高收益。
【關鍵詞】：極端金融風險 智能預警 支持向量機 EasyEnsemble Borderline-SMOTE
【學位授予單位】：成都理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：F224;F832.51
【目錄】：

• 摘要4-6
• Abstract6-11
• 第1章 引言11-21
• 1.1 研究背景與意義11-14
• 1.2 國內外研究現(xiàn)狀14-18
• 1.2.1 金融風險預警研究現(xiàn)狀14-15
• 1.2.2 經濟領域非均衡樣本問題研究現(xiàn)狀15-16
• 1.2.3 風險特征指標提取研究現(xiàn)狀16-17
• 1.2.4 極端金融風險樣本界定研究現(xiàn)狀17-18
• 1.3 研究內容、邏輯框架與創(chuàng)新性18-21
• 1.3.1 研究內容18
• 1.3.2 邏輯框架18-19
• 1.3.3 創(chuàng)新性19-21
• 第2章 預警指標體系構建21-32
• 2.1 預警指標體系構建的必要性21
• 2.2 狀態(tài)指標的確定方法21-24
• 2.2.1 基于危機時期的狀態(tài)指標確定方法21-22
• 2.2.2 基于EVT的狀態(tài)指標確定方法22-24
• 2.2.3 基于危機時期和EVT的狀態(tài)指標確定方法24
• 2.3 特征指標的提取方法24-28
• 2.3.1 基于統(tǒng)計檢驗的內部風險特征指標確定方法24-25
• 2.3.2 基于Clayton-Copula的外部風險特征指標提取方法25-28
• 2.4 預警指標體系構建方案28-31
• 2.4.1 樣本的選擇28
• 2.4.2 狀態(tài)指標的確定28-29
• 2.4.3 特征指標變量的選擇與提取29-31
• 2.5 本章小結31-32
• 第3章 SVM極端金融風險預警模型構建32-39
• 3.1 SVM概述32
• 3.2 SVM風險預警模型構建32-36
• 3.3 SVM的風險預測性能評價方法36-37
• 3.3.1 以預測精度為標準的評價方法36
• 3.3.2 以G、F和AUC為標準的評價方法36-37
• 3.4 評價方法效果檢驗37-38
• 3.5 本章小結38-39
• 第4章 改進的SVM極端金融風險預警模型構建39-55
• 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SVM預警模型40-46
• 4.2.1 非均衡樣本處理方法概述40-41
• 4.2.2 基于Borderline-SMOTE-EasyEnsemble-SVM預警模型構建41-46
• 4.3 改進SVM預警模型的預測實驗46-54
• 4.3.1 實驗設計46-47
• 4.3.2 改進的SVM在不同非均衡樣本數(shù)據(jù)集下的預測性能比較47-49
• 4.3.3 Borderline-SMOTE-EasyEnsemble-SVM模型參數(shù)分析49-50
• 4.3.4 改進的SVM對極端金融風險預測性能比較50-54
• 4.4 本章小結54-55
• 結論55-56
• 致謝56-57
• 參考文獻57-66
• 攻讀學位期間取得學術成果66

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 ;如何看待金融風險[J];領導決策信息;2001年06期

2 吳曉鷗;淺議我國金融風險及防范[J];山東財政學院學報;2003年02期

3 黃艷艷;對金融風險問題的再思考[J];內蒙古科技與經濟;2005年13期

4 魯尼;;講真話——金融風險的克星[J];金融博覽;2006年01期

5 賈云峗;;金融風險財政化問題及對策[J];中外企業(yè)家;2007年02期

6 張志鳳;;對防范金融風險的思考[J];金融經濟;2007年16期

7 李樸民;;突出兩個重點 防范金融風險[J];財經界;2008年01期

8 丁鵲;;淺談金融風險的特征與防范的對策[J];時代金融;2011年09期

9 李慧濱;劉洋;;我國金融風險的防范與化解[J];現(xiàn)代經濟信息;2011年22期

10 車憲慶;;淺談金融風險及防范措施[J];經營管理者;2013年28期

中國重要會議論文全文數(shù)據(jù)庫 前8條

1 溫紅梅;姚鳳閣;;金融風險系統(tǒng)混沌效應的分析與控制[A];第九屆中國管理科學學術年會論文集[C];2007年

2 張德紅;;試論銀行業(yè)金融風險的防范與化解[A];柴達木金融服務論壇專刊[C];2004年

3 王琨;;淺談金融風險及其防范對策[A];中國內部審計協(xié)會現(xiàn)代企業(yè)風險管理論文匯編（上冊）[C];2005年

4 張頊;;環(huán)境因素對金融風險影響的探討[A];中國環(huán)境科學學會2006年學術年會優(yōu)秀論文集（下卷）[C];2006年

5 沈傳河;郭玉德;;金融風險的非市場化分配機制與新型農村金融體系建設[A];科學發(fā)展觀：理論·模式·實踐——山東省社會科學界2006年學術年會文集（3）[C];2006年

6 范英;;度量金融風險的VaR方法及其在我國股市風險分析中的應用[A];Optimization Method, Econophysics and Risk Management--Proceedings of CCAST (World Laboratory) Workshop[C];2001年

7 何自云;;商業(yè)銀行的核心功能:管理金融風險——兼論商業(yè)銀行的未來[A];“世界經濟格局的變化與中國金融的發(fā)展和創(chuàng)新”研討會暨第二屆中國金融論壇論文集[C];2004年

8 李中權;;情緒調節(jié)策略與金融風險耐受性:性別的調節(jié)作用[A];心理學與創(chuàng)新能力提升——第十六屆全國心理學學術會議論文集[C];2013年

中國重要報紙全文數(shù)據(jù)庫 前10條

1 段英英 盧文秀;防范金融風險兩手都要硬[N];山西經濟日報;2000年

2 人民銀行太原中心支行 龐瑋;推進金融創(chuàng)新防范金融風險[N];太原日報;2012年

3 全國人大代表、中國工商銀行河南分行行長　左新亞;用法制防范和化解金融風險[N];中國國門時報;2003年

4 記者 蘇麗霞;防范金融風險政府要主動承擔責任[N];金融時報;2001年

5 福建省龍巖市人民政府副市長 廖橋榕;防范金融風險 加大支持力度[N];上海金融報;2000年

6 記者 龍亞芳 通訊員 李俊雄;我市組建應對金融風險專題法律宣講團[N];永州日報;2009年

7 王言;走進東盟的企業(yè)須防范非金融風險[N];廣西日報;2012年

8 河北省滄州市農信聯(lián)社 梁華 位保峰;如何防范金融風險[N];中國農村信用合作報;2012年

9 記者 劉溟;嚴防三類金融風險[N];經濟日報;2013年

10 本報記者 王瑩;潘向東:遏制金融風險將成全國“兩會”熱點[N];中國企業(yè)報;2013年

中國博士學位論文全文數(shù)據(jù)庫 前6條

1 王碩平;我國金融風險的系統(tǒng)分析[D];西南財經大學;2000年

2 張奇;金融風險論——體制轉軌時期金融風險形成機理與金融穩(wěn)定機制[D];東北財經大學;2002年

3 張少春;體制轉軌中的金融風險問題——基于財政金融體制變革的研究[D];東北財經大學;2001年

4 許文彬;信息結構、制度變遷與金融風險演進[D];廈門大學;2003年

5 范俏燕;房地產交易博弈與金融風險[D];西南財經大學;2010年

6 童永強;基于資產負債表方法的行業(yè)金融風險研究[D];武漢大學;2010年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 蔡陳晨;地方政府金融資源競爭中的金融風險研究[D];華南理工大學;2015年

2 劉夢溪;中小企業(yè)金融風險應急管理初探[D];南京大學;2016年

3 龍宇晨;互聯(lián)網金融風險及監(jiān)管制度研究[D];南京大學;2016年

4 郭秀秀;江蘇省域金融風險預警研究[D];中國礦業(yè)大學;2016年

5 肖s，

本文編號：268500