粒子群优化算法和支持向量机的上市公司信用风险预警

发布时间：2022-01-17 05:13

　　信用风险对一个上市公司来说十分关键,而信用风险受到多种因素的综合作用,变化十分复杂,当前信用风险预警方法无法反映其复杂的变化特点,使得信用风险预警错误率相当的高,信用风险预警结果不可靠。为了获得理想的信用风险预警效果,提出粒子群优化算法和支持向量机的上市公司信用风险预警方法。首先,分析上市公司信用风险预警原理,指出影响上市公司信用风险预警结果的重要因素;然后,将上市公司信用风险预警问题看作是一个多分类问题,通过支持向量机对上市公司信用风险变化特点进行深度分析和挖掘,建立上市公司信用风险预警分类器,并引入粒子群优化算法对上市公司信用风险预警分类器参数进行优化;最后,采用具体实例分析了上市公司信用风险预警效果。结果表明,文中方法的上市公司信用风险预警正确率超过90%,远远高于实际应用的85%,而且上市公司信用风险预警错误率要小于当前经典的上市公司信用风险预警方法,验证了所提方法的优越性。 

【文章来源】：现代电子技术. 2020,43(11)北大核心

【文章页数】：4 页

【部分图文】：

上市公司信用风险预警原理

为了分析粒子群优化算法和支持向量机的上市公司信用风险预警效果，数据来源于业内公认的上市公司信用风险预警数据集。信用正常公司样本的值为“1”，信用异常公司样本的值为“0”，得到210个样本，训练样本集合和测试样本集合的样本数目之比约为3∶1。历史数据的上市公司信用风险值的变化曲线如图2所示。由于上市公司信用风险预警指标量纲不同，使得指标值之间没有什么可比性，因此，对样本数据进行无量纲归一化处理，以提高上市公司信用风险预警效率，具体如下：

2）传统支持向量机的上市公司信用风险预警效果要优于BP神经网络，这是因为支持向量机的学习性能要优于BP神经网络，构建了更优的上市公司信用风险预警模型。3）本文方法的上市公司信用风险预警效果要优于传统支持向量机，是由于引入了粒子群优化算法解决了当前支持向量机参数优化的难题，提高了上市公司信用风险预警正确率，验证了本文方法用于上市公司信用风险预警建模的优越性。

【参考文献】：
期刊论文
[1]基于Probit模型的中国制造业企业信贷风险测度研究[J]. 霍源源,姚添译,李江.  预测. 2019(04)
[2]基于随机森林的信用评估特征选择[J]. 王妍.  黑龙江科学. 2019(14)
[3]基于KMV模型的我国上市民营企业信用风险实证分析[J]. 高雅轩,朱家明,牛希璨.  东莞理工学院学报. 2019(03)
[4]基于Logistic回归模型的P2P借款人信用违约风险评估模型研究[J]. 陈雪莲,潘美芹.  上海管理科学. 2019(03)
[5]基于多层网络的银行间市场信用拆借智能风险传染机制[J]. 张希,朱利,刘路辉,詹杭龙,卢艳民.  计算机应用. 2019(05)
[6]基于KPCA-GaussianNB的电子商务信用风险分类[J]. 李兵,何华.  物流技术. 2019(02)
[7]一种与市场预期误差最小的信用风险评价模型及实证[J]. 徐占东,程砚秋,迟国泰,徐子恒.  数学的实践与认识. 2019(03)
[8]基于非凸惩罚的SVM模型对科技型中小企业信用风险评估[J]. 王少英,兰晓然,刘丽英.  数学的实践与认识. 2019(03)
[9]基于贝叶斯网的航运上市企业信用评价研究[J]. 王晓洁,刘洪春.  价值工程. 2018(35)
[10]基于云模型的电商平台供应链金融风险评价[J]. 高更君,张盈.  计算机应用与软件. 2018(11)



本文编号：3594107