基于Logistic回归和BP神经网络的财务预警模型比较

国内对Logistic回归模型和BP神经网络模型在财务预警方面已有不少实证研究,这些研究大多从预测准确度较高的角度出发,认为两个模型可以借鉴使用,但没有具体讨论模型犯第一类错误(将财务危机误判为财务正常)和第二类错误(将财务正常误判为财务危机)的概率.文章结合Logistic回归模型及BP神经网络模型的原理,选取上市公司财务数据进行实证,研究结果表明BP神经网络模型总体预测准确性较高,犯第一类错误的概率较低,对财务预警分析有一定借鉴作用;Logistic回归模型预测准确度低于BP神经网络模型,且犯第一类错误的概率远高于BP神经网络模型,因此运用该模型进行财务预警时应十分谨慎.     

变量选择偏离对预测的影响研究

模型选择目的可以分为两类:一类是变量选择,另一类是预测分析.文章系统地研究了两种目的异同和建模时要注意的问题,提出了变量选择偏离的概念及其与预测的关系.     

广义嵌套空间模型变量选择研究——基于广义空间信息准则

本文提出了广义空间信息准则,以解决广义嵌套空间模型的变量选择问题.依据大样本性质的不同,将该准则分为两类:空间AIC类准则和空间BIC类准则.研究发现,空间AIC类准则能有效解决空间模型中变量的错选和漏选问题,但存在多选变量的倾向;而空间BIC类准则能同时解决空间模型中变量的错选、漏选和多选问题,而且在特殊条件下能更有效解决错选和漏选问题,但往往需要更大的样本容量.Monte Carlo模拟结果印证了上述相关结论.最后,本文以城市对外资银行的吸引力为例,在给定测度指标的基础上,验证其空间相关性,并利用本文提出的方法对其影响因素进行变量选择.     

基于LASSO方法的企业财务困境预测

文章综合考虑企业的财务和非财务因素,利用LASSO方法对企业财务困境预测指标进行筛选,然后使用决策树、随机森林、SVM、最近邻法这四种数据挖掘方法,以及常见的logistic模型,分别建立企业财务困境预测模型.结果表明:不能忽视非财务因素在企业财务困境预测中的作用;并非所有数据挖掘方法都优于常用的logistic模型;LASSO方法能在降维的同时保证企业财务困境预测的准确性,实现模型的精简.     

动态分层阿基米德Copula模型的构建与应用

Copula函数在金融中的应用大多限于二元情形,而对高维Copula函数及其动态模型的研究相对不足.文章在隐马尔科夫模型的框架下,构建了动态分层阿基米德Copula模型,并使用EM算法估计了模型的参数;然后将协变量引入到隐马尔科夫模型的转移概率中,以考虑其他因素对所考虑变量的相关性动态的影响;最后,将模型用于股票组合动态相关性的研究.     

基于动态贝叶斯网络的舆情预测模型研究

随着新兴媒体的出现,为了提前并更加准确地判断突发事件网络舆情的发展演化方向,以便做出比较合理的预测监控.文章基于动态贝叶斯网络模型,建立了关于突发事件的网络舆情预测监控模型.通过关联概率的计算,对动态贝叶斯网络中存在因果关系的节点变量进行预测.并以分析2014年上海踩踏事件为例,确定此事件对象中的节点变量,并通过10位专家评分的方式给出了对突发事件网络舆情进行预测的具体操作方法,得到比较合理的预测结果,证明了该方法的可行性和实用性.     

互联网企业广告收入预测研究——基于低频数据的神经网络和时间序列组合模型

神经网络模型对大样本时间序列的拟合效果优于传统时间序列模型,但对于年度、月度、日度等低频时间序列的预测则难以发挥其优势。鉴于此,本文应用传统时间序列模型和神经网络模型,建立Holtwinters-BP组合模型,利用Holtwinters模型分别拟合各解释变量序列,利用BP模型拟合解释变量和自变量的非线性关系,基于某社交新闻类APP的日广告收入数据进行互联网企业广告收入预测研究。通过与循环神经网络(RNN)模型、长短期记忆神经网络(LSTM)模型等预测结果的对比发现:Holtwinters-BP组合模型的预测精度和稳定性更高;证明多维变量对于广告收入的显著影响,多变量模型的预测准确性高于单变量模型;构建的Holtwinters-BP组合模型对于低频数据预测有较好的有效性和适用性。     

MIDAS模型估计的偏误、有效性及其与同频率模型的区别研究

通过分解高频回归元,探寻出MIDAS类模型及同频率MAR模型之间联系的桥梁,从模型形式、估计量偏误、估计量方差等诸多方面呈现出两类模型的区别。理论推导结果表明:遗漏高频样本数据的传统MAR模型存在偏误,但在一定条件下MIDAS类模型与MAR模型具有等价性;MAR-LS的有效性与频率倍差存在正向相关性,当高频变量与低频变量的数据频率相差迥异时,MIDAS类模型的估计量较MAR模型有效。将此理论应用于具体实际经济中,以研究中国高频资产价格对低频GDP作用机制及预测能力。     

国外数据挖掘应用研究与发展分析

目前“数据挖掘(Data Mining,DM)”这一术语在学术界还没有一个公认的、权威的定义,但我们一般可以简单的认为数据挖掘是从海量数据中发现趋势或模式的过程。尽管有些人不愿承认数据挖掘与统计学的内在联系,但不可否认的是早期的数据挖掘的确脱胎于统计学,因此也可以说数据挖掘是利用统计学和机器学习技术创建预测行为的模型。需要强调的是数据挖掘的过程是一个“发现”的过程,而不是“发明”的过程。换句话说,数据挖掘所探寻的模式,是一种已有的、只是隐藏在数据中、暂时没有被发现的知识。世界上对数据挖掘的正式研究始于1989年8月举行…     

基于机器学习的车险索赔频率预测

近年来,广义线性模型已被广泛用于车险定价,而一些研究结果显示机器学习在某些方面优于广义线性模型,但这些结果都只是基于某个单一数据集。为了更全面地比较广义线性模型与机器学习方法在车险索赔频率预测问题上的效果,对7个车险数据集进行了比较测试,包括深度学习、随机森林、支持向量机、XGboost等机器学习方法;基于相同的训练集,建立不同的广义线性模型预测索赔频率,根据最小信息准则(AIC)选取最优的广义线性模型;通过交叉验证调参获得机器学习最佳参数和模型。研究结果显示:在所有的数据集上XGboost的预测效果一致地优于广义线性模型;对于某些自变量较多、变量间相关性强的数据集,神经网络、深度学习和随机森林的预测效果比广义线性模型更好。     

信用风险管理中违约概率的估算方法

对于银行的信用风险管理,目前主要的模型包括JP摩根的CreditMetrics模型、穆迪KMV的EDF模型、CSFP的CreditRisk+模型和麦肯锡的CPV模型.这些模型中,对于违约概率的估算都是十分重要的构成部分.目前,计算违约概率的方法主要有两类:一是根据统计学的方法,即通过对历史数据推导出预计的违约概率;二是根据市场价格的方法,即通过公司的资产价值,亦包含企业所在行业以及宏观经济环境的有关信息计算违约概率.     

运用马尔科夫预测法预测股票价格

经济预测方法有多种,常用的方法如回归分析、指数平滑、趋势预测等,都假定社会经济现象基本稳定或者事物的未来发展模式与其过去的模式一致,这样才能把由观察期所得到的经济规律用到预测期上去,得到预测期经济变量的值.而事实上,经济环境是经常变化的,对于不同的经济环境,可以认为事物处于不同的状态中.马尔科夫预测法正是通过对事物不同状态的初始概率与状态之间转移概率的研究,确定状态变化趋势,预测事物的未来.     

税收收入模型预测精度的比较

文章建立了四个预测税收收入的有效模型,利用1985～2004年的样本数据进行实证分析。结果表明:半对数模型预测税收收入偏差较大;当把经济因素作为外生变量引入自回归模型时,模型预测精度也较差;如果把政策因素这一外生虚拟变量加入自回归模型,模型预测精度明显提高;而采用主成分分析法消除了多个经济因素之间的复共线性以后,建立的对数线性回归模型预测精度较高,适合用来预测税收收入。     

运用VaR值度量信用风险模型的比较研究

一、导言 目前在国际银行界流行的用VaR值度量信用风险的模型主要有:Credit-Metrics模型、KMV模型、麦肯锡的CreditPortfolioView模型和CreditRisk+模型.CreditMetrics模型的特点在于它完全基于信用转移分析,即在既定的时间内(一般为一年)一种信用变为另一种信用质量的概率,用它来度量将来比如一年以后贷款资产组合的价值分布,模型强调资产组合价值变化只与信用转移相关,利率以确定好的轨迹运动.KMV模型稍微有别于CreditMetrics模型,它基于个体的预期违约频率,而不是评定机构提供的每个信用级别历史平均的变化频率.以上两种模型都以莫顿的期权定价模型为基础,区别只在于处于操作便利考虑而设定了不同的假设条件.CreditPortfolioView模型仅仅是度量了违约风险.它通过构造离散的多期模型,把违约概率看作宏观变量的函数.Cred-itRisk+模型则是假设贷款违约服从泊松分布,通过随机违约概率将信用转移风险部分涵盖在内.这四种模型的主要区别就在于它们运用了不同的方法来测算信用违约概率,而对资产组合价值分布和资产损失分布大都采用了蒙特卡罗模拟法来计算.下面从如何测算信用违约风险的角度对四种模型加以描述和比较.     

时间序列和神经网络的组合预测及其应用

近年来各种预测方法中,时间序列是线性模型中精度比较高,应用较广的模型之一;而在非线性类中,神经网络模型是典型的非线性预测.建立时间序列和神经网络的组合预测模型可以有效的反映各种因素的综合影响,组合预测理论已经证明多种模型的线性组合在一定的条件下能够有效的改善模型的拟合能力和提高预测精度.本文采用线性组合预测方法,应用线性规划方法,从而在预测中得到比单项预测方法更好的科学预测结果.     

数据挖掘的任务之一:分类

一般说来,数据挖掘问题可以分为以下几类:分类、推估、预测、同质分组和关联分组。每种问题都有许多具体的数据挖掘或统计模型来加以解决。分类简介分类问题是数据挖掘中最重要的任务之一,很多数据挖掘问题都可以转化为分类问题。分类的目的在于运用分类方法构建一个分类函数或分类模型(也常常称作分类器),该模型可以将输入数据(比如数据库中的数据项)映射到给定类别中的一个类别。比如根据个人资料预测客户是否会流失,这里就把顾客分为将流失与不会流失两个类别,再根据输入的个人资料将该客户映射到两个类中的一个里去。分类首先要做的工作…     

大维变量选择、混频因子模型与新冠肺炎疫情冲击下的GDP现时预测

新冠肺炎疫情不仅对我国宏观经济造成了巨大冲击,也为准确预测我国宏观经济未来走势带来挑战。本文从新冠肺炎疫情冲击出发,将模型置信集检验与U-MIDAS模型组合,设计了一种在混频情形下利用预测变量的异质性波动从大维数据集中选取对GDP具有稳定预测效果变量的方法。通过利用选取出的稳定性变量构建多种形式的混频目标因子模型并与其他类型的混频因子模型对比,全面评估了不同模型在疫情前后对GDP进行高频现时预测的效果。研究发现,在疫情冲击前的平稳时期,利用覆盖范围较广的变量构建双因子MIDAS模型预测效果最优;利用稳定性变量构建的单因子U-MIDAS模型同样具有良好的预测效果。当经济从冲击中持续恢复时,利用部分稳定性变量构建的双因子U-MIDAS模型在捕捉到GDP的核心变化后率先对其连续做出准确的现时预测。经济稳定时,对预测变量设定较长的滞后阶数会提升预测效果;在冲击后的恢复期中则应减少滞后阶数,避免变量在冲击中出现的异常值对预测产生负面影响。本文也为当经济受到巨大外生冲击或处于冲击后的恢复期时其他宏观经济指标的预测提供了有价值的参考。     

一种度量金融风险的新方法

什么是风险呢?目前在国外比较流行、公认的一种观点,认为风险就是不确定性.在社会经济活动中,人们为了提高对将来的损失或收益预计的准确性,通常都尽可能地收集信息,并在此基础上对各种不确定性因素及风险程度进行科学的分析和预测.风险是未来遭受损失的可能性,在投资活动中,未来收益不是完全确定的,一般仅知道其各种收益的可能状态及其相对应的概率大小,故人们在对风险进行分析和预测时,常常利用概率来判断风险程度的大小.从这个角度讲,风险就是可以度量的不确定性.     

基于改进STRIPAT模型在碳排放强度预测中的应用

文章基于加权平均、施瓦茨验证的后验概率选取,实施贝叶斯法对于STRIPAT模型的解释变量筛选,并通过剔除人口总规模、产业结构分解、生态化效应改进STRIPAT模型.利用该改进模型验证我国碳排放强度与选取解释变量的关联影响,并以城市化进展水平、经济增长规模、能源强度、能源一次结构等选取高稳健性、解释力变量预测未来11年我国碳排放强度.     

基于SARIMA-GMDH的CPI组合预测模型

文章以2001年1月至2015年2月的我国CPI定基指数为样本数据,首先构建季节乘积SARIMA模型与GMDH自回归模型对CPI进行预测;然后通过自组织数据挖掘理论构建SARIMA-GMDH组合模型再次对CPI进行预测;最后通过模型拟合优度检验与预测能力分析综合评价这3个预测模型,探索各个模型预测效果的差异性,总结评价组合预测法在经济现象中的预测优势.