發(fā)布時間：2022-01-17 05:13

　　信用風險對一個上市公司來說十分關鍵,而信用風險受到多種因素的綜合作用,變化十分復雜,當前信用風險預警方法無法反映其復雜的變化特點,使得信用風險預警錯誤率相當?shù)母?信用風險預警結果不可靠。為了獲得理想的信用風險預警效果,提出粒子群優(yōu)化算法和支持向量機的上市公司信用風險預警方法。首先,分析上市公司信用風險預警原理,指出影響上市公司信用風險預警結果的重要因素;然后,將上市公司信用風險預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險變化特點進行深度分析和挖掘,建立上市公司信用風險預警分類器,并引入粒子群優(yōu)化算法對上市公司信用風險預警分類器參數(shù)進行優(yōu)化;最后,采用具體實例分析了上市公司信用風險預警效果。結果表明,文中方法的上市公司信用風險預警正確率超過90%,遠遠高于實際應用的85%,而且上市公司信用風險預警錯誤率要小于當前經典的上市公司信用風險預警方法,驗證了所提方法的優(yōu)越性。 

【文章來源】：現(xiàn)代電子技術. 2020,43(11)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

上市公司信用風險預警原理

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險預警效果，數(shù)據(jù)來源于業(yè)內公認的上市公司信用風險預警數(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)的上市公司信用風險值的變化曲線如圖2所示。由于上市公司信用風險預警指標量綱不同，使得指標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險預警效率，具體如下：

2）傳統(tǒng)支持向量機的上市公司信用風險預警效果要優(yōu)于BP神經網(wǎng)絡，這是因為支持向量機的學習性能要優(yōu)于BP神經網(wǎng)絡，構建了更優(yōu)的上市公司信用風險預警模型。3）本文方法的上市公司信用風險預警效果要優(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險預警正確率，驗證了本文方法用于上市公司信用風險預警建模的優(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)信貸風險測度研究[J]. 霍源源,姚添譯,李江.  預測. 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. 2019(14)
[3]基于KMV模型的我國上市民營企業(yè)信用風險實證分析[J]. 高雅軒,朱家明,牛希璨.  東莞理工學院學報. 2019(03)
[4]基于Logistic回歸模型的P2P借款人信用違約風險評估模型研究[J]. 陳雪蓮,潘美芹.  上海管理科學. 2019(03)
[5]基于多層網(wǎng)絡的銀行間市場信用拆借智能風險傳染機制[J]. 張希,朱利,劉路輝,詹杭龍,盧艷民.  計算機應用. 2019(05)
[6]基于KPCA-GaussianNB的電子商務信用風險分類[J]. 李兵,何華.  物流技術. 2019(02)
[7]一種與市場預期誤差最小的信用風險評價模型及實證[J]. 徐占東,程硯秋,遲國泰,徐子恒.  數(shù)學的實踐與認識. 2019(03)
[8]基于非凸懲罰的SVM模型對科技型中小企業(yè)信用風險評估[J]. 王少英,蘭曉然,劉麗英.  數(shù)學的實踐與認識. 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鏈金融風險評價[J]. 高更君,張盈.  計算機應用與軟件. 2018(11)



本文編號：3594107