基于支持向量机的财务预警模型与应用研究

提出了利用支持向量机建立财务预警系统、进行财务风险监控的方法,给出了财务评价指标体系及其量化方法,利用支持向量机的分类能力建立了财务预警的模型.最后利用上市公司的财务数据进行训练和评估,证明了基于支持向量机的财务预警模型的可行性和实用性,实验表明支持向量机在小样本情况下具有良好的非线性建模能力和泛化能力.     

基于改进FOA算法的上市公司Z-Score模型财务预警

为了提高传统Z-Score财务预警模型的预警能力,本文将改进FOA算法的良好寻优能力和Z-Score财务预警模型相结合,提出了一种改进FOA算法的上市公司Z-Score财务预警模型.采用改进FOA算法来优化Z-Score模型的参数,降低预测值和目标值之间的均方根误差（RMSE）.经对选取上市公司财务数据的预测值和目标值对比,且检验其准确率.实验结果：传统的Z-Score模型、基本FOA算法优化Z-Score模型和改进FOA算法优化Z-Score模型的预测准确率分别为65%、70%和80%.实验表明改进的算法较大提升了Z-Score财务预警模型的预测能力,也表明了该算法的有效性.     

基于神经网络算法的企业财务预警模型构建

本文详细介绍了基于神经网络算法的企业财务预警模型构建思路,明确提出了财务预警机制中的各项指标,在财务预警基本模型的基础上通过人工神经网络实施了进一步的优化,解决了常规反向误差传播算法收敛速度过慢的问题.     

基于现金流量的财务风险预警系统的设计与研究

为了提高当前财务风险预警的精确度和有效性,研究基于现金流量理论,建立了基于极限学习机(ELM)算法的企业财务风险预警模型。通过熵值法对现金流量指标进行筛选,并将指标数据分为测试集与训练集。采用极限学习机分别进行训练和测试,经调整好的模型应用于财务风险预警。结果表明,研究提取的11项指标可从多方面反映企业的财务状况。研究模型的平均绝对误差最小,为4.21%。研究模型的分类精度始终较传统算法模型高,当特征数量为10时,研究算法的分类精度最高为91%。研究设计的财务预警系统性能表现较好,具有一定的应用价值。     

基于SOM的预警模型研究与应用

在预警系统中建立有效的风险预警模型是十分重要的。我国进行风险预警起步较晚，历史数据残缺不全，预警时有些因素带有模糊性，而神经网络带有高度并行处理信息的机制且有自学习、自适应能力，因而使系统灵活性更强。本文提出并建立了一种基于SOM神经网络的风险预警模型，解决了模型训练和样本选用中的一些问题。最后用实际数据对模型进行了检验，对预警结果进行了分析。     

基于Bagging集成学习的水华预测方法研究

随着经济社会的高速发展和工业化建设程度不断提高,水环境问题已经严重影响甚至威胁了人类的健康。近年来,国家大力推行水环境的预测预警,许多专家学者利用人工神经网络等智能方法在富营养化评价及水华预测中得到了较为广泛的运用,也取得了一定成效。然而,人工神经网络的性能受到样本训练算法等方面的影响,在选取合适的神经网络模型、算法以及设置参数麻烦、耗时。随着问题复杂程度的增加,单个网络的隐层节点数将增加很多,训练时间将大大增加,从而造成训练困难。且由于训练过度或不够,往往导致泛化能力较差。为解决此问题,本文在对湖库水华形成机理深入分析的基础上,建立了BP网络的水华预测模型,并利用Bootstrap采样技术获取不同的数据集,分别训练多个BP网络,最终将多个网络进行集成用于建立太湖流域水华预测模型。通过基于Bagging算法的集成学习,可以对样本包含的信息进行充分挖掘,更全面的刻画因素之间的相互联系和变化规律。实验表明基于Bagging算法的BP网络集成模型预测结果与单个BP网络模型预测结果对比,具有较高的预测能力,从而获得了相对理想的预测效果。     

基于粒子群优化算法的LS-SVM财务预警

提出一种基于粒子群优化算法优化有关参数的最小二乘支持向量机的财务预警模型。通过提出适当的验证性能指标,用粒子群优化算法优化最小二乘支持向量机的有关参数,利用上市公司的财务数据对该方法进行实证财务预警分析。仿真结果表明,该模型的精确度令人满意,该方法是可行且有效的。     

神经网络模型在财务风险预警中的应用

本文在对BP神经网络模型理论分析基础上,将预警指数和BP神经网络二者结合起来建立了财务风险预警的神经网络模型,并用C++语言实现了此神经网络模型。     

不平衡样本下的金融市场极端风险预警研究

为了提高金融市场极端风险识别及预警能力,采用沪深300指数作为研究数据,通过少数类样本过采样算法（SMOTE）解决样本不均衡问题,利用因子分析提取特征,通过粒子群（PSO）优化的最小二乘支持向量机（LSSVM）算法构建（SMOTE-PSO-LSSVM）预测模型。使用SMOTE-PSO-LSSVM模型对2007-2010年沪深300指标样本进行预测,样本含极端风险样本193条,模型成功识别风险样本154条,识别准确率达到了83.1%。研究结果表明SMOTE-PSO-LSSVM模型对金融风险数据识别能力较强,能够较为精准地识别风险样本,且求解速度快运行效率高,比传统BP网络和支持向量机等方法性能更优秀。该研究结论对金融市场的风险识别、市场趋势把控、股市交易管制以及投资者决策具有一定意义。     

基于SOM-PNN的信贷风险预警模型研究

信贷对现代市场经济非常重要，同时又会带来风险．以人工智能的思想为指导，将SOM与PNN网络相结合．提出并建立了一种基于SOM-PNN的信贷风险预警模型；结合统计理论方法对输入样本进行预处理，解决了网络训练中样本选用的问题；并利用因素分析方法对预警结果进行了解释．实验表明，利用该模型在得到可视化预测结果的同时，还可得到较高的预警精度．     

基于ACA优化的自适应电动机控制器设计

研究了一种使用改进的蚁群算法(ACA,Ant colony algorism)对模糊PID控制器进行优化的设计方法;针对模糊PID控制器难以应对电机高性能速度跟踪以及控制精度不高且鲁棒性差的缺点,提出了一种新的自适应电机控制器设计方法;首先建立永磁同步电机的数学模型和优化后的控制器模型,然后引入改进的ACA算法对PID控制器3个比例参数进行全局优化,并定义了优化的具体算法以实现对参数的优化整定;为了验证文中方法的有效性,通过Matlab仿真工具对电机控制实例进行仿真验证,结果表明,文中控制器能克服模糊PID控制器的不足,具有很强的鲁棒性和快速响应性能,能很好地适应负载的变化.     

基于混沌PSO和K均值算法的移动用户分类

为了克服经典K～Means算法随机选择初始数据中心而易陷入局部最优解和聚类结果的不确定性问题,提出一种基于粒子群和KMeans算法的改进聚类算法以实现移动用户分类。首先,定义数据对象密度并采用改进的普里姆算法初始化聚类中心,然后,将此聚类中心用于初始化粒子位置,采用混沌粒子群算法寻优获得最优解作为最终的聚类中心,最后,采用经典K—Means算法根据最终聚类中心进行聚类。仿真实验表明文中方法能正确地实现移动用户分类,并具有较强的全局寻优能力和较快的收敛速度,弥补了经典K—Means方法的不足,具有较强的现实意义。     

一种具有记忆功能的遗传算法属性约简方法*

通过对粗糙集属性约简算法现状的分析,针对遗传算法求取属性约简中存在的问题,提出一种基于具有记忆功能遗传算法粗糙集属性约简的新算法。该算法通过在编码过程引入一个标志位,使遗传算子具有一定的记忆功能,从而分别对两个子群进行搜索,同时只对其中一个子群采用最佳个体保存法,提高了收敛的概率,保证了最终结果的正确性。实验表明,该算法在收敛性和正确性方面优于基于传统遗传算法的属性约简算法。     

基于改进禁忌算法和ANN 的故障诊断推理

针对BP神经网络存在着容易陷入局部极小值且收敛速度慢的问题,提出了一种基于改进禁忌算法和ANN（Artificial neural network）结合的故障诊断模型．首先对故障诊断模型进行了定义,然后使用训练数据对网络的权值、阀值等参数进行训练,将训练结果作为改进禁忌优化算法的初始解进行全局寻优,对改进的禁忌优化算法进行了定义和描述,最后将全局寻优的结果代入神经网络中,使用测试数据进行故障诊断．通过仿真实验证明文中的方法与未经优化的ANN故障诊断模型相比,克服了传统方法的不足,具有诊断精度高、诊断速度快以及收敛速度快的特点．     

一种基于K-means聚类分组的P2P超结点模型

本文面向网格计算、协同工作等特定P2P应用、提出了一种基于超节点的P2P混合网络模型。该模型的主要特点是采用K-means聚类算法对网络中的节点进行聚类,从而得到分组虚拟子网,由各子网内的超节点负责临近节点的加入与注销。该模型既克服P2P集中模型伸缩性不强,分散性P2P模型发送消息量大等缺点,又可以灵活地组织对等节点进行网格计算或组内协同工作等分布式应用。文章最后使用仿真实验表明K-means算法在网络节点聚类中的有效性。     

标签传播时间序列聚类的股指期货套期保值策略研究

利用时间序列聚类方法进行股指期货的套期保值,关键要选择合适的聚类方法。本文从新的视角来研究并提高时间序列聚类方法在金融数据分析领域的应用性能,提出一种基于标签传播时间序列聚类的股指期货套期保值模型。该模型以动态时间弯曲为相似性度量方法来构建现货股票网络空间结构,将每只股票看作一个节点,利用标签传播方法将节点划分到不同的簇中,最终实现股票数据聚类。另外,构建最小追踪误差优化模型来确定每支股票在现货组合中的最优权重,从而得到最优组合。实验分别比较新方法和传统聚类方法确定现货组合的追踪误差,结果表明新方法能够提高现货组合的追踪精度,为丰富金融市场投资和管理方式提供新的研究思路。     

相参脉冲信号识别方法和性能分析

提出了一种相参脉冲信号识别算法,通过检测脉冲相位的线性度判别序列的相参性.该算法通过相参积累,有效地提高了信号的信噪比.文中讨论了门限的选取对算法性能的影响,给出了相应的数学推导,并通过仿真实验对推导结果加以验证.同时还讨论了算法的信噪比门限.仿真实验表明,本方法可以在较低信噪比情况下实现对脉冲信号相参性的识别.本文算法有助于实现对脉冲多普勒雷达的识别和告警,对研制数字射频存储器也具有重要意义.     

一种改进的双转式永磁无刷直流电动机PSO优化控制方法

研究了使用改进的PSO(Particle swarm optimization,粒子群优化)算法与PID控制器相结合实现对双转式永磁无刷直流电动机(PMBLDCM)进行控制的方法;针对传统PID调节器控制精度不高和鲁棒性差的缺点,提出了一种结合PSO优化算法和传统PID控制的新控制器;首先建立PMBLDCM的动力学模型,通过引入改进的PSO优化算法,提出了一种使用PSO优化PID控制器参数的模型,并定义了使用PSO优化PID控制器3个比例参数的具体算法;最后,使用Matlab/Simulink对PMBLDCM控制实例进行了仿真;空载和负载两种情况下的仿真结果表明:新的控制方法克服了PID控制器的不足,具有控制精度高、响应速度快、速度跟随准确等优点。     

MapReduce模型下数据隐私保护机制研究

在对海量数据进行分析和处理的过程中,敏感信息的隐私保护显得尤为重要。针对统计类型数据分析服务 的效率和安全问题,在Map-Reduce计算模型的基础上引入差别隐私保护机制。在该模型上提出一种带有隐私保护 的决策树生成算法,并证明其满足二差别隐私。实验表明,该算法具有良好的分类精度和满意的计算效率。     

A novel bankruptcy prediction model based on an adaptive fuzzy k-nearest neighbor method

Bankruptcy prediction is one of the most important issues in financial decision-making. Constructing effective corporate bankruptcy prediction models in time is essential to make companies or banks prevent bankruptcy. This study proposes a novel bankruptcy prediction model based on an adaptive fuzzy k-nearest neighbor (FKNN) method, where the neighborhood size k and the fuzzy strength parameter m are adaptively specified by the continuous particle swarm optimization (PSO) approach. In addition to performing the parameter optimization for FKNN, PSO is also utilized to choose the most discriminative subset of features for prediction. Adaptive control parameters including time-varying acceleration coefficients (TVAC) and time-varying inertia weight (TVIW) are employed to efficiently control the local and global search ability of PSO algorithm. Moreover, both the continuous and binary PSO are implemented in parallel on a multi-core platform. The proposed bankruptcy prediction model, named PTVPSO-FKNN, is compared with five other state-of-the-art classifiers on two real-life cases. The obtained results clearly confirm the superiority of the proposed model in terms of classification accuracy, Type I error, Type II error and area under the receiver operating characteristic curve (AUC) criterion. The proposed model also demonstrates its ability to identify the most discriminative financial ratios. Additionally, the proposed model has reduced a large amount of computational time owing to its parallel implementation. Promisingly, PTVPSO-FKNN might serve as a new candidate of powerful early warning systems for bankruptcy prediction with excellent performance.