【摘要】：針對科學(xué)實(shí)踐、經(jīng)濟(jì)生活等諸多領(lǐng)域數(shù)據(jù)分布相對復(fù)雜的分類問題,使用傳統(tǒng)支持向量機(jī)(SVM)無法很好地刻畫其變量間的相關(guān)性,從而影響分類性能。對于這一情況,提出使用經(jīng)典高斯函數(shù)的參數(shù)推廣形式——Q-高斯函數(shù)作為SVM的核函數(shù)構(gòu)建財(cái)務(wù)危機(jī)預(yù)警模型。結(jié)合滬深股市A股制造業(yè)上市公司的財(cái)務(wù)數(shù)據(jù)分別建立T-2和T-3財(cái)務(wù)預(yù)警模型進(jìn)行實(shí)證分析,采用顯著性檢驗(yàn)篩選出合適的財(cái)務(wù)指標(biāo)并利用交叉驗(yàn)證方法確定模型參數(shù)。相比高斯核SVM財(cái)務(wù)危機(jī)預(yù)警模型,使用Q-高斯核SVM建立的T-2和T-3模型的預(yù)報(bào)準(zhǔn)確率都提高了大約3%,而且成本較高的第Ⅰ類錯(cuò)誤最多降低了14.29%。
[Abstract]:In view of the complexity of data distribution in many fields, such as scientific practice and economic life, traditional support vector machine (SVM) (SVM) can not well describe the correlation between variables, thus affecting the classification performance. In this case, Q-Gao Si function, a parameter extension of classical Gao Si function, is used as the kernel function of SVM to construct a financial crisis early warning model. Combined with the financial data of A-share manufacturing listed companies in Shanghai and Shenzhen stock market, the financial early-warning models are established for empirical analysis. The appropriate financial indexes are screened by significance test and the parameters of the model are determined by cross-validation method. Compared with the SVM financial crisis early warning model, the prediction accuracy of the two models based on Q-Gaussian kernel SVM is improved by about 3%, and the cost-effective type I errors are reduced by 14.29% at most.
【作者單位】： 華東交通大學(xué)信息工程學(xué)院;江西理工大學(xué)軟件學(xué)院;
【基金】：國家自然科學(xué)基金資助項(xiàng)目(61065003) 教育部人文社會(huì)科學(xué)研究規(guī)劃基金資助項(xiàng)目(10YJC630379) 教育部人文社會(huì)科學(xué)研究基金項(xiàng)目(12YJCZH078)
【分類號(hào)】：F406.72;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張鈴;支持向量機(jī)理論與基于規(guī)劃的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[J];計(jì)算機(jī)學(xué)報(bào);2001年02期

2 閻輝,張學(xué)工,李衍達(dá);支持向量機(jī)與最小二乘法的關(guān)系研究[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2001年09期

3 朱國強(qiáng),劉士榮,俞金壽;支持向量機(jī)及其在函數(shù)逼近中的應(yīng)用[J];華東理工大學(xué)學(xué)報(bào);2002年05期

4 孫延風(fēng),梁艷春;支持向量機(jī)的數(shù)據(jù)依賴型核函數(shù)改進(jìn)算法[J];吉林大學(xué)學(xué)報(bào)(理學(xué)版);2003年03期

5 朱永生,張優(yōu)云;支持向量機(jī)分類器中幾個(gè)問題的研究[J];計(jì)算機(jī)工程與應(yīng)用;2003年13期

6 朱家元,吳偉,張恒喜,董彥非;一種新型的多元分類支持向量機(jī)[J];計(jì)算機(jī)工程;2003年17期

7 趙洪波;趙麗紅;;支持向量機(jī)學(xué)習(xí)算法—序列最小優(yōu)化(SMO)[J];紹興文理學(xué)院學(xué)報(bào)(自然科學(xué)版);2003年04期

8 張健,李艷,朱學(xué)峰,黃道平,史步海;基于支持向量機(jī)的蒸煮過程卡伯值軟測量[J];計(jì)算機(jī)測量與控制;2004年02期

9 樊可清,倪一清,高贊明;基于頻域系統(tǒng)辨識(shí)和支持向量機(jī)的橋梁狀態(tài)監(jiān)測方法[J];工程力學(xué);2004年05期

10 胡橋,何正嘉,張周鎖,訾艷陽;經(jīng)驗(yàn)?zāi)Ｊ椒纸饽：卣魈崛〉闹С窒蛄繖C(jī)混合診斷模型[J];西安交通大學(xué)學(xué)報(bào);2005年03期

相關(guān)會(huì)議論文 前10條

1 林杰華;張斌;李冬森;宋華茂;余志強(qiáng);王浩;;支持向量機(jī)在電力客戶信用評(píng)級(jí)中的應(yīng)用[A];全國第21屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議（CACIS·2010）暨全國第2屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2010年

2 榮海娜;張葛祥;張翠芳;;基于支持向量機(jī)的非線性系統(tǒng)辨識(shí)方法[A];中國自動(dòng)化學(xué)會(huì)、中國儀器儀表學(xué)會(huì)2004年西南三省一市自動(dòng)化與儀器儀表學(xué)術(shù)年會(huì)論文集[C];2004年

3 尹鐘;張建華;;基于支持向量機(jī)方法的過程操作員功能狀態(tài)分類[A];中國自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)A卷[C];2011年

4 顧錦榮;劉華強(qiáng);孫預(yù)前;;遺傳算法優(yōu)化的支持向量機(jī)模型在熱帶氣旋強(qiáng)度預(yù)報(bào)中的應(yīng)用[A];第七屆長三角氣象科技論壇論文集[C];2010年

5 李巍華;劉雯;;基于主元分析和直推式支持向量機(jī)的齒輪早期故障診斷[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2010年

6 劉碧森;鐘守銘;陳華富;;基于支持向量機(jī)與粗糙集理論的信息處理[A];第二屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2004年

7 杜金香;馮西安;馬艷;;支持向量機(jī)在DOA估計(jì)中的穩(wěn)健性研究[A];2011'中國西部聲學(xué)學(xué)術(shù)交流會(huì)論文集[C];2011年

8 郭小薈;馬小平;;基于EMD近似熵特征提取和支持向量機(jī)的故障診斷方法[A];中國自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)D卷[C];2011年

9 蔣少華;桂衛(wèi)華;陽春華;唐朝暉;蔣朝輝;;基于主元分析與支持向量機(jī)的方法及其在密閉鼓風(fēng)爐過程監(jiān)控診斷中的應(yīng)用[A];第二十七屆中國控制會(huì)議論文集[C];2008年

10 張健沛;李忠偉;楊靜;;一種基于多支持向量機(jī)的并行增量學(xué)習(xí)方法(英文)[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2005年

相關(guān)博士學(xué)位論文 前10條

1 劉育明;動(dòng)態(tài)過程數(shù)據(jù)的多變量統(tǒng)計(jì)監(jiān)控方法研究[D];浙江大學(xué);2006年

2 常群;支持向量機(jī)的核方法及其模型選擇[D];哈爾濱工業(yè)大學(xué);2007年

3 楊金芳;支持向量回歸在預(yù)測控制中的應(yīng)用研究[D];華北電力大學(xué)（河北）;2007年

4 張永;基于模糊支持向量機(jī)的多類分類算法研究[D];大連理工大學(xué);2008年

5 薛云;基于蟻群算法和支持向量機(jī)的礦化蝕變信息提取研究[D];中南大學(xué);2008年

6 邢永忠;最小二乘支持向量機(jī)的若干問題與應(yīng)用研究[D];南京理工大學(xué);2009年

7 馬儒寧;神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)相關(guān)問題研究[D];復(fù)旦大學(xué);2005年

8 梁新榮;高速公路智能控制方法研究[D];華南理工大學(xué);2005年

9 李忠偉;支持向量機(jī)學(xué)習(xí)算法研究[D];哈爾濱工程大學(xué);2006年

10 周喜川;非可信環(huán)境下的支持向量機(jī)研究[D];浙江大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 聶小芳;模糊粗糙集與支持向量機(jī)在煤與瓦斯突出預(yù)測中的應(yīng)用研究[D];遼寧工程技術(shù)大學(xué);2009年

2 馮杰;慢時(shí)變對象的支持向量機(jī)建模與在線校正方法研究[D];東北大學(xué);2009年

3 王奇安;基于廣泛內(nèi)核的CVM算法研究及參數(shù)C的選擇[D];南京航空航天大學(xué);2009年

4 張成學(xué);隱私保護(hù)線性規(guī)劃和支持向量機(jī)新算法[D];山東科技大學(xué);2011年

5 李新;支持向量機(jī)的核方法及其多核聚類算法的研究[D];中國海洋大學(xué);2010年

6 劉維會(huì);不平衡數(shù)據(jù)集上支持向量機(jī)算法研究[D];山東科技大學(xué);2010年

7 楊振章;基于支持向量數(shù)據(jù)描述的分類識(shí)別算法研究[D];杭州電子科技大學(xué);2009年

8 李靖;基于支持向量機(jī)的基因表達(dá)數(shù)據(jù)降維方法的研究[D];蘇州大學(xué);2011年

9 劉柳;基于支持向量機(jī)和模糊后處理的遙感圖像分類研究[D];華中科技大學(xué);2010年

10 朱健康;基于支持向量機(jī)的音樂自動(dòng)分類[D];天津大學(xué);2010年

，

本文編號(hào)：2447184