Business failure prediction using decision trees

Accurate business failure prediction models would be extremely valuable to many industry sectors, particularly financial investment and lending. The potential value of such models is emphasised by the extremely costly failure of high‐profile companies in the recent past. Consequently, a significant interest has been generated in business failure prediction within academia as well as in the finance industry. Statistical business failure prediction models attempt to predict the failure or success of a business. Discriminant and logit analyses have traditionally been the most popular approaches, but there are also a range of promising non‐parametric techniques that can alternatively be applied. In this paper, the relatively new technique of decision trees is applied to business failure prediction. The numerical results suggest that decision trees could be superior predictors of business failure as compared to discriminant analysis. Copyright © 2009 John Wiley & Sons, Ltd.     

Retail default prediction by using sequential minimal optimization technique

This paper employed sequential minimal optimization (SMO) to develop default prediction model in the US retail market. Principal components analysis is used for variable reduction purposes. Four standard credit scoring techniques—naïve Bayes, logistic regression, recursive partitioning and artificial neural network—are compared to SMO, using a sample of 195 healthy firms and 51 distressed firms over five time periods between 1994 and 2002. The five techniques perform well in predicting default particularly one year before financial distress. Furthermore, the prediction still remains sound even 5 years before default. No single methodology has the absolute best classification ability, as the model performance varies in terms of different time periods and variable groups. External influences have greater impacts on the naïve Bayes than other techniques. In terms of similarity with Moody's ranking, SMO excelled over other techniques in most of the time periods. Copyright © 2008 John Wiley & Sons, Ltd.     

可交易通行权和鼓励合乘政策下的通勤选择

基于通勤个体易于接受的视角,借助常数替代弹性(constant elasticity of substitution,CES)效用函数,在通勤预算约束中引入管理部门对拼车通勤行为的支持系数,构建了基于可交易电子通行权及鼓励合乘组合政策的刚性通勤需求模型,在此基础上分析了通勤个体的通勤方式选择问题.研究结果显示,该组合政策可以有效引导通勤个体从单人驾驶转向合乘出行,通勤个体能够在降低原有出行预算的基础上保证自身的刚性出行需求,但对小汽车偏好较大的通勤个体预算降低幅度相对较小.此外,存在一个调整因子和合乘支持系数的取值可行域,对于不同的合乘支持系数,调整因子存在一个对应的下界.在设定调整因子和合乘支持系数后,通行权价格由市场唯一确定,且这一价格随着合乘支持系数的增加而增加,调整因子的增加而降低.     

高职院校实施学分制及弹性学制的实践探索

高职院校实行学分制是适应经济建设、社会进步和个人发展的重要举措。如何针对高职院校学分制实施中存在的问题，并采取有效的措施，是保证学分制全面实施、提高办学质量的关键所在。基于高职课程实施学分制的弹性学制可行性分析，探索课程质量与分类、课程选修、学分互换、课程考核、学籍管理等方面教学模式的创新与构建。     

浅论西部高校贫困生比例偏高的成因及对策

受西部整体经济落后等因素的影响,西部高校贫困生比例持续偏高等问题引起了社会的广泛关注。同时由于政府的资助机制还不健全,使得部分扶贫资金没有落到实处,严重阻碍了高校扶贫工作的开展。基于此种现状,本文认为将西部高校贫困生进行分类,从高校改革和提高贫困学生自身素质两方面入手解决具有重要意义。     

基于聚类分析的申贷信用等级评价方法

 为了解决申贷信用等级评价问题,介绍了解决银行申请贷款信用等级评价中聚类分析采用的基本概念及术语,提出了2种聚类算法包括基于信贷数据的聚类算法δ-kmeans;基于高维信贷数据的聚类算法ASC,并通过实验对其性能进行比较分析,实验表明:①δ-kmeans算法在信贷风险的控制上取得较好效果;②相比传统k-means和Coweb算法,ASC算法在聚类高维信贷数据上更加有效.利用k-means算法对银行信贷数据的聚类动力学关系进行分析.最后,给出了聚类分析算法在银行信贷领域应用的的难点.     

用约化方法对可展期的企业债券定价

可展期的企业债券是指企业在债券到期日有权根据当时的利率水平决定是否以同样的收益率将债券到期日延长,它可使企业规避利率风险,但是延展期内投资人要承担企业破产的风险,为此,必须给债券投资人以补偿.文中用约化模型处理企业违约风险,在随机利率下,用偏微分方程的方法给出了可展期的企业债券定价的公式,并讨论了它与普通企业债券在收益率上的差异.     

信用攸关的利率互换的定价

在约化方法的框架下,针对实务界出现的一种新型信用衍生产品--信用攸关的利率互换(credit contingentinterest rate swap,CCIRS),以偏微分方程(partial differentialequation,PDE)为方法,利用对冲原理建立了定价模型.之后分别利用显式和隐式差分对模型进行数...     

技术交易的契约特征研究

从新制度经济学的一个角度——契约理论来探讨技术产权交易的契特征,先从实践角度提出问题,再从理论角度探讨技术产权交易契约不同特征的原因,最后从实践角度给出具体说明。调查了上海市1991-2003年的技术产权交易契约特征,提出行业及其行业知识的特性对技术产权交易契约的特征有极大影响。     

浅析虚拟社区知识共享中存在的问题及对策

分析了虚拟社区知识共享中存在的信息过剩和信任缺失问题,从制度和技术两方面探讨了解决问题的策略,阐述了在移动环境中运用协同过滤进行个性推荐的发展现状与改进方式。