交叉熵算法在企业违约风险评估中的应用研究

系统仿真是风险评价的一种重要手段,针对企业违约预测问题,提出了一种基于交叉熵算法的违约风险评判方法。采用公司未偿还贷款的概率作为衡量违约风险高低的标准,利用交叉熵方法构造企业违约风险识别模型及其算法,并由此估计出发生损失的概率。与传统的预测方法进行比较,结果表明该模型对违约风险具有很强的识别能力,预测精度高。     

决策树ID3算法在银行信贷业务中的应用

银行信贷业务是银行的一项重要业务,该业务存在一定的风险,如果我们能够预测客户的违约风险就可以最大程度的降低风险。数据挖掘技术可以很好的解决这一问题。将数据挖掘技术运用到银行客户信用评估,在庞大的数据中将看似无关联的数据进行筛选和净化,提取出有价值的信息,对客户贷款申请做出恰当的回应。数据挖掘是信息技术发展的必然结果,它是指通过挖掘算法从大量数据中抽取挖掘出隐含在其中的有价值的模式或规律等信息的复杂过程。其中,对数据的分类是数据挖掘领域研究的重要课题。本文通过决策树的经典算法ID3算法对银行信贷业务进行分析,并总结了该算法相对于其他算法的优缺点。     

基于粗糙集与支持向量机的企业短期贷款违约判别

建立了粗糙集和支持向量机集成的企业贷款违约判别模型,该模型首先利用自组织映射 (SOM)神经网络对具有连续属性值的财务数据进行离散处理,并应用遗传算法约简评价指标,然后将约简得到的最小条件属性集及相应的原始数据送入支持向量机进行训练,最后对企业短期贷款检验样本进行违约判别.采用贷款企业数据库558家制造业样本企业和522家房地产业样本企业进行交叉验证的实证研究,结果表明,与BP神经网络、多元判别分析、Logistic等违约判别模型相比,粗糙集和支持向量机集成的违约判别模型有更好的预测效果.     

基于TF-IDF算法的P2P贷款违约预测模型

针对目前P2P贷款违约预测模型受限于借贷双方信息不对称性,未考虑投资人之间差异性的问题,提出了基于信息检索词频-逆文本频率（TF-IDF）算法的P2P贷款违约预测模型。首先以投资效用理论为基础,利用投资人历史投资收益率、贷款利率出价等信息,建立基于投资人效用的贷款违约预测模型;然后,借鉴信息检索TF-IDF算法,构造投资人逆向投资比例因子,对投资人差异性进行量化度量,优化模型中投资人权重计算因子。实验结果表明,该模型预测准确度与其他模型相比平均提高了6%左右,并在不同的测试数据集上都保持最优。     

基于AP聚类与随机森林的客户流失预测研究

利率市场化、大数据迅速发展,银行业均表现出明显的“二八定律”现象,20%的优质客户占据了银行的大部分资产。那么,如何防止银行客户流失,尤其是优质客户的流失,已经成为银行越来越关注的问题。因此,建立优质客户流失预警模型就显得尤为重要。以某商业银行为例,重新对客户流失进行定义,重点关注银行优质客户的流失预警,首先使用AP聚类算法进行属性选择,然后使用随机森林方法建立客户流失预警模型,预测零售优质客户未来3个月流失的可能性。为了验证该方法的有效性,首先在UCI数据集上进行验证,得到了较好的效果,然后使用该方法构建银行业优质客户流失预测模型,实验结果表明该模型的实际预测效果相较于一般的决策树方法,具有更高的准确性。     

一种基于电信客户流失预警的解决方案

本文通过对电信运营商海量数据的统一整合,并对客户的基本属性、呼叫行为、缴费情况、客户服务投诉情况等数据深入研究,分析出已流失或有流失趋势客户的行为特征,建立了客户流失模型,预测具有流失倾向的客户,进行预警.并分析流失原因,针对可能流失的客户设计挽留方案,对挽留方案进行实施、跟踪和评估,形成流失分析和管理的闭环流.     

基于GIS的煤矿企业风险预测预警系统设计

为及时掌握煤矿风险信息并对风险进行有效预测预警,设计了一种基于GIS的煤矿企业风险预测预警系统。该系统利用GIS信息采集平台对危险源信息进行有效的采集处理;利用风险预警模型对采集的信息进行数据挖掘分析、算法运算分析等综合预测分析,并得出风险预警结论;利用GIS分析展现平台对预警结果进行综合可视化预警与展现,为矿井安全生产调度提供辅助决策支持。该系统可实现煤矿企业风险治理的精准管控。     

基于BP神经网络的信用卡违约风险预测

利用BP(Back Propagation)神经网络模型实现信用卡申请人自然信息对违约风险的预测,确定了违约风险的指标体系,通过对小样本数据的训练和仿真,实现了模型输出与目标输出的高度吻合.     

BI模板 一个金融机构信贷管理系统模板

系统特点、应用板式及配置结构介绍 １．系统特点及信贷管理系统需求分析： （１）能够提高客户管理水平,加强信贷业务管理流程管理,增强信贷统计、管理、监控和风险预警功能,对信贷资产的风险进行实时的、准确的预测、监控和处理。 （２）整合各业务系统中的客户资信信息;完整、有效地收集、归纳、分析、处理和存储各种客户信息和贷款信息,充分使用有关的信息;以及对信贷资产的风险能够达到实时、准确的测算、预测、预警。 （３）与企业现有的基础计算机网络和企业Ｉｎｔｒａｎｅｔ资源有机地融合在一起,有利于当业务发生变动或改进…     

基于C4.5决策树算法的天气预警系统的手机终端设计

为满足现代社会对气象预警预报服务的需求,研发了Android系统平台下实时天气预测和异常天气预警系统。根据决策树算法中的C4.5算法,解决天气预警分类问题。该方法通过提取训练样本中最大增益率属性作为属性特征建立决策树,经剪枝后得到天气预警评估的决策树模型,并对此模型进行分析和应用。实验结果表明这种方法在分类评估准确率上具有优势,分类正确率达到85.8%.     

基于大数据的贷款客户信息修复与智能决策系统设计

为解决逾期高阶阶段出现的客户失联、资产情况无法评估、催收策略选择等问题，结合大数据技术构建贷款客户信息修复与智能决策系统。系统主要包括以下三个模块。数据集成模块：通过集成异构、碎片化的社交数据，形成结构化的文本数据集；数据挖掘模块：对文本数据集中的联系方式、地址、资产等信息进行识别和抽取，并基于词频证据对客户的联系方式、地址、资产等信息进行推理与判别；智能决策模块：基于if-then规则对贷款客户各特征属性下的催收策略分别打分，并利用多属性决策模型选择合适的催收策略。研究为贷款客户信息修复与智能决策系统的构建提供了全套的技术解决方案，具有一定的理论意义与实践意义。     

基于粗糙集的石油安全预警规则提取

粗糙集理论是分析不确定系统的一种有力的工具.运用粗糙集的理论和方法,结合我国历年的石油数据,建立石油安全预警指标模型.利用Rose软件,在保持分类能力不变的前提下,对该数据的各项指标进行属性约简,再对该约简的属性值进行约简,然后提取最小决策规则,挖掘其中隐含的有用信息,得出影响我国石油安全预警的重要因素.根据得出的决策规则,对我国未来几年内的石油预测数据进行分析,得出我国石油安全属于重警区,需加强防范的结论.     

基于分步特征提取和组合分类器的电信客户流失预测模型

针对电信客户流失数据集存在的数据维度过高及单一分类器预测效果较弱的问题,结合过滤式和封装式特征选择方法的优点及组合分类器的较高预测能力,提出了一种基于Fisher比率与预测风险准则的分步特征选择方法结合组合分类器的电信客户流失预测模型。首先,基于Fisher比率从原始特征集合中提取具有较高判别能力的特征;其次,采用预测风险准则进一步选取对分类模型预测效果影响较大的特征;最后,构建基于平均概率输出和加权概率输出的组合分类器,以进一步提高客户流失预测效果。实验结果表明,相对于单步特征提取和单分类器模型,该方法能够提高对客户流失预测的效果。     

基于灰度混合核AR-SVM的预警模型及应用

为提高市场偏好预警分析算法的有效性,提出一种基于灰色混合核AR-SVM模型的新方法。使用支持向量机(SVM)算法来构建财务市场风险预警分析模型,该模型存在非极端风险和极端风险两种情况。采用SVM算法找到基于训练集的最优分类过程。SVM模型容易出现极端风险预警,因此由改进的灰色模型处理市场偏好预测问题的错误市场偏好数据。采用混合核函数对SVM算法进行改进,实现样本数据,提高自回归模型的预测性能。SVM算法可以用于提高市场预警分析的准确性。实验结果表明,该方法可以很好地分析市场偏好数据。     

食源性疾病事件智能探测与预警平台

食源性疾病由来已久,每年都会造成巨大的社会经济损失.人工智能技术给食源性疾病事件的探测和预警带来了新的方法.该文基于互联网大数据开发了食源性疾病事件智能探测与预警平台,该平台面向食源性疾病事件的数据获取、数据分析以及可视化展示的全过程,通过D-M-V分层模型以及模块化开发集成了多种模块.该平台主要解决了食源性疾病事件的数据获取、数据融合、事件探测、风险预测和可视化等问题,该平台能够自动从互联网中采集社交媒体、社会经济等数据;根据数据的时空坐标对多源异构数据进行高效融合;从社交媒体数据中探测出食源性疾病事件并推断其关键信息;利用多源数据对食源性疾病风险进行预测;提供高效的可视化方法和交互手段.该文通过2018年北京市食源性疾病数据作为示例验证平台功能.     

基于启发式约简的虚拟企业知识共享风险预警

从虚拟企业知识共享风险预警的评价标准入手,提出具有层次结构的风险预警评价属性模型。然后,利用粗糙集的基本理论和方法,建立基于启发式属性约简的虚拟企业知识共享风险预警模型框架结构图,并给出基于分辨矩阵的启发式指标属性约简算法,进行指标优化。最后通过实例说明该预警模型的有效性及实用性。     

基于卷积神经网络的互联网金融信用风险预测研究

针对互联网金融行业的信用风险评估问题,提出了一种基于卷积神经网络的客户违约风险预测方法。首先将输入数据分为动态数据和静态数据,将动态数据和静态数据分别转换为矩阵和向量,然后利用改进的卷积神经网络来自动提取特征并进行分类,最后使用ROC曲线、AUC值和KS值作为评价指标,将该方法与其他机器学习算法(Logistic回归、随机森林)进行比较。实验结果表明,卷积神经网络模型对于信用风险的预测效果要优于对比模型。     

人工数据合成法下的通讯客户预警模型

如何帮助企业提前识别高风险流失客户,已成为许多管理者关心的问题.许多数据挖掘方法用于通讯客户流失案例中时,存在因变量的分布不均匀导致算法精度下降的问题.文章采用人工数据合成法来解决该问题,提出四种客户流失预警模型:GLM-logistic回归模型,GAM-logistic回归模型,Sem-parameter GAM-logistic回归模型和随机森林模型.以AUC和覆盖率-捕获率作为评价指标进行比较,构建出最合适该案例的Sem-parameter GAM-logistic预警模型,以帮助企业减少不必要的客户流失及由此带来的企业损失.     

基于大数据的配变重过载预警分析

本文旨在利用大数据技术对电力数据进行系统挖掘,提供精准负荷预测,为供电安全监视、预防性控制和紧急处理提供依据。文章结合西安地区配电网运行中存在的问题,综合分析配变重过载的外部环境、配变运行信息、配变属性信息、配变供电客户类型等因素,应用大数据机器学习算法、大数据预处理技术、数据挖掘建模技术、大数据可视化技术等,分析研究各影响因素对设备重过载影响的相关性和重要程度,使用分类预测挖掘手段及随机森林算法,分析计算影响变量和目标变量,建立关系模式挖掘模型,构建配变重过载分析及预警模型,完成模型验证与纠偏,实现配变未来一周重过载情况准确预警、配变安全系数评价、重过载配变因素及特征分析与展示等,为电网运维提供有力支撑。通过基于大数据的配变重过载预警分析,提高运维工作效率,实现电网安全可靠运行。     

电信客户流失量估计组合模型的仿真研究

研究电信客户流失问题,电信客户流失数据具有模糊性和非线性,单一算法仅能对模糊性或非线性进行预测,为提高电信客户流失估计准确率,提出了一种电信客户流失组合估计模型.首先对客户属性进行清洗并进行离散化处理,接着使用粗糙集方法对离散属性进行约简,刻画电信客户流失数据的模糊性;然后遗传算法优化支持向量机对电信客流失非线性进行描述,建立电信客户流失估计模型.仿真结果表明,粗糙集与支持向量机相融合模型克服单一粗糙集算法或支持向量机存在的缺陷,提高电信客户流失估计模型的估计准确率,可为电信客户管理优化设计提供依据.