基于贝叶斯模型与机器学习算法的金融风险网络评估模型

发布时间：2021-01-25 04:21

　　本文以贝叶斯方法为基础构建了用于估计银行间负债的模型,并利用机器学习算法构造了可在条件分布基础上进行抽样的Gibbs取样器,抽样被用于压力测试,以此给出所有可能测试结果的概率。最后,推导出了银行的违约概率并讨论其对包含在网络模型中的先验信息的敏感性,帮助金融监管部门评估金融机构的违约风险,减少系统性金融风险,维护金融市场的稳定。 

【文章来源】：吉林大学学报(工学版). 2020,50(05)北大核心

【文章页数】：8 页

【部分图文】：

银行间市场稳定性对网络配置的依赖性

【参考文献】：
期刊论文
[1]双参数广义几何分布的Bayes估计及其应用[J]. 王可,王德辉.  吉林大学学报(理学版). 2019(05)
[2]基于BNAG模型的脆弱性评估算法[J]. 王辉,娄亚龙,戴田旺,茹鑫鑫,刘琨.  计算机工程. 2019(09)
[3]基于贝叶斯网络与语义树的隐私数据发布方法[J]. 郝志峰,王日宇,蔡瑞初,温雯.  计算机工程. 2019(04)
[4]基于D-AHP与灰色理论的信息安全风险评估[J]. 许硕,唐作其,王鑫.  计算机工程. 2019(07)
[5]基于粒子群协同优化算法的供应链金融信用风险评价模型[J]. 刘颖,张丽娟,韩亚男,庞丽艳,王帅.  吉林大学学报(理学版). 2018(01)
[6]尾部极值分布下的系统性金融风险度量及影响因素分析[J]. 王妍,陈守东.  数理统计与管理. 2014(06)
[7]系统性金融风险度量方法的比较与应用[J]. 赵进文,张胜保,韦文彬.  统计研究. 2013(10)



本文编号：2998558