粒子群優(yōu)化算法和支持向量機的上市公司信用風(fēng)險預(yù)警
發(fā)布時間：2022-01-17 05:13
信用風(fēng)險對一個上市公司來說十分關(guān)鍵,而信用風(fēng)險受到多種因素的綜合作用,變化十分復(fù)雜,當(dāng)前信用風(fēng)險預(yù)警方法無法反映其復(fù)雜的變化特點,使得信用風(fēng)險預(yù)警錯誤率相當(dāng)?shù)母?信用風(fēng)險預(yù)警結(jié)果不可靠。為了獲得理想的信用風(fēng)險預(yù)警效果,提出粒子群優(yōu)化算法和支持向量機的上市公司信用風(fēng)險預(yù)警方法。首先,分析上市公司信用風(fēng)險預(yù)警原理,指出影響上市公司信用風(fēng)險預(yù)警結(jié)果的重要因素;然后,將上市公司信用風(fēng)險預(yù)警問題看作是一個多分類問題,通過支持向量機對上市公司信用風(fēng)險變化特點進行深度分析和挖掘,建立上市公司信用風(fēng)險預(yù)警分類器,并引入粒子群優(yōu)化算法對上市公司信用風(fēng)險預(yù)警分類器參數(shù)進行優(yōu)化;最后,采用具體實例分析了上市公司信用風(fēng)險預(yù)警效果。結(jié)果表明,文中方法的上市公司信用風(fēng)險預(yù)警正確率超過90%,遠遠高于實際應(yīng)用的85%,而且上市公司信用風(fēng)險預(yù)警錯誤率要小于當(dāng)前經(jīng)典的上市公司信用風(fēng)險預(yù)警方法,驗證了所提方法的優(yōu)越性。
【文章來源】：現(xiàn)代電子技術(shù). 2020,43(11)北大核心
【文章頁數(shù)】：4 頁
【部分圖文】：
上市公司信用風(fēng)險預(yù)警原理
為了分析粒子群優(yōu)化算法和支持向量機的上市公司信用風(fēng)險預(yù)警效果，數(shù)據(jù)來源于業(yè)內(nèi)公認(rèn)的上市公司信用風(fēng)險預(yù)警數(shù)據(jù)集。信用正常公司樣本的值為“1”，信用異常公司樣本的值為“0”，得到210個樣本，訓(xùn)練樣本集合和測試樣本集合的樣本數(shù)目之比約為3∶1。歷史數(shù)據(jù)的上市公司信用風(fēng)險值的變化曲線如圖2所示。由于上市公司信用風(fēng)險預(yù)警指標(biāo)量綱不同，使得指標(biāo)值之間沒有什么可比性，因此，對樣本數(shù)據(jù)進行無量綱歸一化處理，以提高上市公司信用風(fēng)險預(yù)警效率，具體如下：
2）傳統(tǒng)支持向量機的上市公司信用風(fēng)險預(yù)警效果要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，這是因為支持向量機的學(xué)習(xí)性能要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，構(gòu)建了更優(yōu)的上市公司信用風(fēng)險預(yù)警模型。3）本文方法的上市公司信用風(fēng)險預(yù)警效果要優(yōu)于傳統(tǒng)支持向量機，是由于引入了粒子群優(yōu)化算法解決了當(dāng)前支持向量機參數(shù)優(yōu)化的難題，提高了上市公司信用風(fēng)險預(yù)警正確率，驗證了本文方法用于上市公司信用風(fēng)險預(yù)警建模的優(yōu)越性。
【參考文獻】：
期刊論文
[1]基于Probit模型的中國制造業(yè)企業(yè)信貸風(fēng)險測度研究[J]. 霍源源,姚添譯,李江. 預(yù)測. 2019(04)
[2]基于隨機森林的信用評估特征選擇[J]. 王妍. 黑龍江科學(xué). 2019(14)
[3]基于KMV模型的我國上市民營企業(yè)信用風(fēng)險實證分析[J]. 高雅軒,朱家明,牛希璨. 東莞理工學(xué)院學(xué)報. 2019(03)
[4]基于Logistic回歸模型的P2P借款人信用違約風(fēng)險評估模型研究[J]. 陳雪蓮,潘美芹. 上海管理科學(xué). 2019(03)
[5]基于多層網(wǎng)絡(luò)的銀行間市場信用拆借智能風(fēng)險傳染機制[J]. 張希,朱利,劉路輝,詹杭龍,盧艷民. 計算機應(yīng)用. 2019(05)
[6]基于KPCA-GaussianNB的電子商務(wù)信用風(fēng)險分類[J]. 李兵,何華. 物流技術(shù). 2019(02)
[7]一種與市場預(yù)期誤差最小的信用風(fēng)險評價模型及實證[J]. 徐占東,程硯秋,遲國泰,徐子恒. 數(shù)學(xué)的實踐與認(rèn)識. 2019(03)
[8]基于非凸懲罰的SVM模型對科技型中小企業(yè)信用風(fēng)險評估[J]. 王少英,蘭曉然,劉麗英. 數(shù)學(xué)的實踐與認(rèn)識. 2019(03)
[9]基于貝葉斯網(wǎng)的航運上市企業(yè)信用評價研究[J]. 王曉潔,劉洪春. 價值工程. 2018(35)
[10]基于云模型的電商平臺供應(yīng)鏈金融風(fēng)險評價[J]. 高更君,張盈. 計算機應(yīng)用與軟件. 2018(11)
本文編號：3594107
【文章來源】：現(xiàn)代電子技術(shù). 2020,43(11)北大核心
【文章頁數(shù)】：4 頁
【部分圖文】：
上市公司信用風(fēng)險預(yù)警原理
為了分析粒子群優(yōu)化算法和支持向量機的上市公司信用風(fēng)險預(yù)警效果，數(shù)據(jù)來源于業(yè)內(nèi)公認(rèn)的上市公司信用風(fēng)險預(yù)警數(shù)據(jù)集。信用正常公司樣本的值為“1”，信用異常公司樣本的值為“0”，得到210個樣本，訓(xùn)練樣本集合和測試樣本集合的樣本數(shù)目之比約為3∶1。歷史數(shù)據(jù)的上市公司信用風(fēng)險值的變化曲線如圖2所示。由于上市公司信用風(fēng)險預(yù)警指標(biāo)量綱不同，使得指標(biāo)值之間沒有什么可比性，因此，對樣本數(shù)據(jù)進行無量綱歸一化處理，以提高上市公司信用風(fēng)險預(yù)警效率，具體如下：
2）傳統(tǒng)支持向量機的上市公司信用風(fēng)險預(yù)警效果要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，這是因為支持向量機的學(xué)習(xí)性能要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，構(gòu)建了更優(yōu)的上市公司信用風(fēng)險預(yù)警模型。3）本文方法的上市公司信用風(fēng)險預(yù)警效果要優(yōu)于傳統(tǒng)支持向量機，是由于引入了粒子群優(yōu)化算法解決了當(dāng)前支持向量機參數(shù)優(yōu)化的難題，提高了上市公司信用風(fēng)險預(yù)警正確率，驗證了本文方法用于上市公司信用風(fēng)險預(yù)警建模的優(yōu)越性。
【參考文獻】：
期刊論文
[1]基于Probit模型的中國制造業(yè)企業(yè)信貸風(fēng)險測度研究[J]. 霍源源,姚添譯,李江. 預(yù)測. 2019(04)
[2]基于隨機森林的信用評估特征選擇[J]. 王妍. 黑龍江科學(xué). 2019(14)
[3]基于KMV模型的我國上市民營企業(yè)信用風(fēng)險實證分析[J]. 高雅軒,朱家明,牛希璨. 東莞理工學(xué)院學(xué)報. 2019(03)
[4]基于Logistic回歸模型的P2P借款人信用違約風(fēng)險評估模型研究[J]. 陳雪蓮,潘美芹. 上海管理科學(xué). 2019(03)
[5]基于多層網(wǎng)絡(luò)的銀行間市場信用拆借智能風(fēng)險傳染機制[J]. 張希,朱利,劉路輝,詹杭龍,盧艷民. 計算機應(yīng)用. 2019(05)
[6]基于KPCA-GaussianNB的電子商務(wù)信用風(fēng)險分類[J]. 李兵,何華. 物流技術(shù). 2019(02)
[7]一種與市場預(yù)期誤差最小的信用風(fēng)險評價模型及實證[J]. 徐占東,程硯秋,遲國泰,徐子恒. 數(shù)學(xué)的實踐與認(rèn)識. 2019(03)
[8]基于非凸懲罰的SVM模型對科技型中小企業(yè)信用風(fēng)險評估[J]. 王少英,蘭曉然,劉麗英. 數(shù)學(xué)的實踐與認(rèn)識. 2019(03)
[9]基于貝葉斯網(wǎng)的航運上市企業(yè)信用評價研究[J]. 王曉潔,劉洪春. 價值工程. 2018(35)
[10]基于云模型的電商平臺供應(yīng)鏈金融風(fēng)險評價[J]. 高更君,張盈. 計算機應(yīng)用與軟件. 2018(11)
本文編號：3594107
本文鏈接：http://sikaile.net/jingjilunwen/jinrongzhengquanlunwen/3594107.html
教材專著
