基于流形学习的多核SVM财务预警方法研究

在进行财务困境预测时, 为了客观全面地反映企业的财务状况, 纳入较多的预警指标, 数据集维度将变得很大, 传统方法求解此类问题效果并不理想. 流形学习处理高维数据具有较好的降维效果,多核SVM对于分布不平坦的数据具有很好的分类性能. 基于此, 提出了“流形学习+多核SVM”的混合算法财务预警模型, 该模型适用于具有大量指标集的财务预警. 实验结果表明, 与传统预警方法相对比, 其具有更优的预测性能.     

企业财务困境修正Z模型的实证研究

针对奥特曼Z模型的不足之处进行了修正，寻找尽可能准确预测财务困境的模型，并选取我国上市公司中41家财务陷入困境的公司和41家财务正常的公司为样本，应用逐步回归分析法，研究了财务困境出现前2年这两类公司的20个财务指标，从中选定7个指标作为预测变量，主要采用Fisher判别分析和Logistic回归分析两种方法分别建立了财务困境预测模型。实证研究结果表明这2个模型与奥特曼的Z模型相比均有较好的预测效果，针对我国上市公司财务困境的预测准确度有显著提高。     

Combining classifiers for credit risk prediction

Credit risk prediction models seek to predict quality factors such as whether an individual will default (bad applicant) on a loan or not (good applicant). This can be treated as a kind of machine learning (ML) problem. Recently, the use of ML algorithms has proven to be of great practical value in solving a variety of risk problems including credit risk prediction. One of the most active areas of recent research in ML has been the use of ensemble (combining) classifiers. Research indicates that ensemble individual classifiers lead to a significant improvement in classification performance by having them vote for the most popular class. This paper explores the predicted behaviour of five classifiers for different types of noise in terms of credit risk prediction accuracy, and how could such accuracy be improved by using pairs of classifier ensembles. Benchmarking results on five credit datasets and comparison with the performance of each individual classifier on predictive accuracy at various attribute noise levels are presented. The experimental evaluation shows that the ensemble of classifiers technique has the potential to improve prediction accuracy.     

遗传算法选择性集成多分类器的企业财务困境预测

为了更加有效地进行企业财务困境预测,本文提出了基于遗传算法选择性集成的多分类器系统。与事先静态给定系统内部基本分类器组成不同,该方法以组合系统预测准确率为优化目标,无需度量各基本分类器之间的差异性,可以动态挖掘最优组合系统。实证研究中以中国上市公司为研究对象,以10折交叉验证准确率作为评价标准,结果表明该方法显著优于全集成以及单分类器最优模型。     

A multiple intelligent agent system for credit risk prediction via an optimization of localized generalization error with diversity

Company bankruptcies cost billions of dollars in losses to banks each year. Thus credit risk prediction is a critical part of a bank＇s loan approval decision process. Traditional financial models for credit risk prediction are no longer adequate for describing today＇s complex relationship between the financial health and potential bankruptcy of a company. In this work, a multiple classifier system （embedded in a multiple intelligent agent system） is proposed to predict the financial health of a company. In our model, each individual agent （classifier） makes a prediction on the likelihood of credit risk based on only partial information of the company. Each of the agents is an expert, but has limited knowledge （represented by features） about the company. The decisions of all agents are combined together to form a final credit risk prediction. Experiments show that our model out-performs other existing methods using the benchmarking Compustat American Corporations dataset.     

考虑财务报告中文本风险信息的财务困境预测

现有的财务困境预测研究大多忽略了公司在年度财务报告中以文本形式披露的风险信息,而相比于公司披露的其他类型的文本,这些风险信息能够更加直接和前瞻地反映公司经营中的潜在重要风险。创新性地引入财务报告中的文本风险信息进行财务困境预测,并构建了能够反映所披露的风险对公司产生影响的可能性的文本特征指标——风险可能性,而后采用机器学习方法构建预测模型。基于2006~2020年美国35706个上市公司年度样本的实证研究发现：在常用的财务及市场各类定量指标的基础上,融合财务报告中的文本风险信息能够显著提升公司财务困境的预测效果;相比于其他常用文本特征指标,本研究提出的风险可能性指标在财务困境预测中表现的重要度最高;定量指标的财务困境预测能力随着预测时间窗口的提前而明显下降,而文本风险信息的预测能力不仅没有下降,还呈现出了更为显著的提升效果。本研究可以帮助市场投资者、监管机构理解如何解读公司在财务报告中披露的文本风险信息,并为实现财务困境预测中融合文本信息提供了理论指导。     

NS2中802.11Ext模块多速率选择机制研究与实现

深入分析了网络模拟器(network simulator version 2, NS2)中新开发的IEEE 802.11协议模块（简称802.11Ext）的模块化设计、累积信干噪比计算、媒体接入控制帧捕获能力、支持多种调制方式、物理层丢包跟踪机制、Nakagami衰落模型等特点,详细阐述了基于802.11Ext模块进行网络模拟时的信号流程。尽管802.11Ext模块在物理层支持多种数据发送速率,但是该模块并没有实现信道自适应的多速率选择机制,鉴于此,研究并实现了802.11Ext模块的信道自适应多速率选择机制。模拟结果表明,在802.11Ext模块中实现信道自适应的多速率选择机制后,链路吞吐量提高了4.7倍、分组时延减少88%。     

AC算法的EMD分解GMDH组合的预测模型及应用

引入EMD把含有多个震荡模式的数据分解为满足一定条件的多个单一震荡模式分量的线性叠加,对震荡模式分量应用非参数的AC算法,通过历史上相似时期的已知延拓进行预测,利用GMDH客观确定权重构建组合预测模型,并运用该模型结合原油期货数据进行实证。结果表明:用EMD方法改进AC预测模型提高了预测的准确性,在此基础上,GMDH的智能化权重的组合预测模型进行预测,结果显示,AC算法的EMD分解GMDH智能化权重组合预测精度更高。     

基于多元判别分析和神经网络技术的公司财务困境预警

应用我国上市公司的财务报表数据，采用多元判别分析（MDA）技术和神经网络（ANN）技术对我国上市公司进行财务困境预警研究。实证结果显示这两种方法都具有较好的预测效果，其中ANN模型的短期预测效果优于MDA模型的预测效果，但无明显的优势。研究同时证明在现有会计制度和会计准则下。财务报表能提供预测财务困境的大量有用信息。财务危机有踪可寻。     

基于集成深度学习的有源干扰智能分类

针对现有基于机器学习的雷达有源干扰分类大多需要构建人工特征集且小样本情况下分类精度低的问题, 提出一种基于多通道特征融合的集成卷积神经网络(convolutional neural network, CNN)分类方法。首先, 建立多种有源干扰的数学模型, 仿真并利用短时傅里叶变换获得其时频分布图; 其次, 提取时频分布图的实部、虚部和模值三通道特征, 通过多种特征组合方式建立不同特征组合的样本集; 最终, 构建以CNN为基分类器的集成深度学习模型, 每个CNN分别提取不同样本集的特征, 对所有基分类器的预测结果做多数投票得到集成模型的整体预测结果。实验表明, 该方法能够有效实现小样本情况下多类有源干扰的高精度智能化识别。     

基于Markov blanket和互信息的集成特征选择算法

针对大量无关和冗余特征的存在可能降低分类器性能的问题,提出一种基于近似Markov blanket和动态互信息的特征选择算法并将其应用于集成学习,进而得到一种集成特征选择算法。该集成特征选择算法运用Bagging方法结合提出的特征选择方法生成基分类器,并引入基分类器差异度进行选择性集成,最后用加权投票法融合所选基分类器的识别结果。通过仿真实验验证算法的有效性,以支持向量机(support vector machine, SVM)为分类器,在公共数据集UCI上进行试验,并与单SVM及经典的Bagging集成算法和特征Bagging集成算法进行对比。实验结果显示,该方法可获得较高的分类精度。     

Novel ensemble learning based on multiple section distribution in distributed environment

Because most ensemble learning algorithms use the centralized model, and the training instances must be centralized on a single station, it is difficult to centralize the training data on a station. A distributed ensemble learning algorithm is proposed which has two kinds of weight genes of instances that denote the global distribution and the local distribution. Instead of the repeated sampling method in the standard ensemble learning, non-balance sampling from each station is used to train the base classifier set of each station. The concept of the effective nearby region for local integration classifier is proposed, and is used for the dynamic integration method of multiple classifiers in distributed environment. The experiments show that the ensemble learning algorithm in distributed environment proposed could reduce the time of training the base classifiers effectively, and ensure the classify performance is as same as the centralized learning method.     

基于卷积稀疏编码与多分类器融合的雷达HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别问题,提出基于卷积稀疏编码与多分类融合(convolutional sparse coding and multi-classifier fusion,CSCMF)的识别方法。首先,该方法利用CSC方法对目标HRRP进行特征提取,同时实现数据压缩;然后,将测试样本的特征分别输入随机森林分类器、朴素贝叶斯分类器和最小值分类器进行预分类,得到3个预测标签。采用多数投票法对3个预测标签进行分类器融合,得到最终的识别决策。实验中研究了分类器融合方法。基于5种飞机目标的HRRP仿真数据进行了实验验证,实验结果表明该方法的分类准确率较高,而且对噪声有较强的鲁棒性。     

财务困境分析中警兆指标的随机游动估计

警兆是警情爆发之前的先兆性指标,对其进行定量分析是财务困境分析中最为关键的一环。通过设定财务困境分析中警兆指标的上、下限,确定警兆指标变动的趋势,运用马尔可夫链进行随机游动估计,可以推导出分析时点警兆指标的恶化概率,并对其警情与警度作出分析,从而不但可以避免仅仅用警素指标建立模型进行财务困境预测的不足,而且使公司决策者能够有针对性地及早发现并排除分析指标所蕴涵的经营管理和财务风险,有效地防止风险恶化为财务困境的重要意义。     

基于类Haar特征与级联AdaBoost算法的防震锤识别

提出将类Haar特征与级联AdaBoost算法应用于输电线路防震锤的识别,以解决目前仅能针对单一防震锤进行识别的问题。首先,基于积分图计算快速得到图像的扩展类Haar特征,然后利用AdaBoost算法选取关键的具有较强分类特性的特征,产生一系列弱分类器以构成强分类器,最后通过级联的方式将强分类器组成级联AdaBoost分类器进行防震锤的分类识别。以实际的航拍图像作为测试样本进行实验,结果表明,该方法能够在复杂背景中有效地识别出防震锤,为后续的防震锤故障的诊断工作奠定了基础。     

财务困境预测中的变量筛选——基于平均影响值的SVM方法

在财务困境预测中,如何从大量备选指标中筛选出预警指标是一个重要环节。为了更有效地设计财务困境预测模型,本文将平均影响值方法应用于SVM回归来进行变量筛选,首先对训练集数据用SVM进行训练,然后分别增减每一自变量的10%来进行仿真,对两个仿真结果的差值按样本数平均,得出平均影响值;最后对各个自变量的平均影响值按绝对值大小排序,从而进行变量筛选。实证结果表明,该方法能够以较少的特征变量实现较高的分类精度,是切实有效的。     

多分类器融合的人脸识别与身份认证

人脸识别是生物特征识别技术中一个活跃的研究领域,取得了很多实践成果,但是单一分类器一般不能取得满意的识别率与身份认证效果。本文采用贝叶斯决策理论分析了常见的积、和、中值以及投票多分类器融合方法,并根据实际的选举情形,对投票法进行了2种改进。然后对协同人脸识别、特征脸法以及复合方法等人脸识别分类器进行决策层的融合,对ORL库中人脸识别仿真实验表明文中的多分类器融合的人脸识别方法具有较好的分类性能,对污损、低分辨率人脸图像具有可靠的识别率、鲁棒性强,而且应用于人脸身份认证中取得了较好的认证效果。     

基于集成预测的均值-方差-熵的模糊投资组合选择

通过基于集成预测的方法构建模糊投资组合, 代表性地选择了遗传神经网络模型、 多因素SVM回归模型和ARIMA时间序列模型作为组合预测中的单一模型, 并将单一模型预测结果作为模糊变量进行投资组合优化, 实证结果表明基于集成预测的均值 -方差-熵的投资组合相比其他组合收益率更高, 相对风险更低. 该方法可以用于投资基金管理、 金融风险管理等实际工作中,以便提高决策的科学性.     

基于可行域解析中心的股指时间序列预测

预测股票涨跌情况,并提出了一种新的时间序列预测方法,该方法将时间序列预测问题转化为多类分类问题.同时在分析现有多类分类机器不足的基础上,提出了一种基于可行域解析中心的多类分类器.通过上证股指序列的实证分析表明,提出的方法及多类分类器是有效的且有很强的实用性.     

基于复合特征及分层特征选择的雷达HRRP识别

雷达高分辨距离像(highresolutionrangeprofile,HRRP)具有方位敏感性、平移敏感性以及在特征空间高度交叠的特点,采用复合特征可以更好地描述目标特性。利用复合特征,结合分层识别结构提出了一种分层特征选择方法,充分利用了特征信息,简化了识别器结构,使识别运算量大大下降且提高了识别率。基于HRRP的平移不变特征和相关矢量机的计算机仿真实验表明,该方法是有效的。