Q-高斯核支持向量机的财务危机预报

发布时间：2019-03-25 17:47

【摘要】：针对科学实践、经济生活等诸多领域数据分布相对复杂的分类问题,使用传统支持向量机(SVM)无法很好地刻画其变量间的相关性,从而影响分类性能。对于这一情况,提出使用经典高斯函数的参数推广形式——Q-高斯函数作为SVM的核函数构建财务危机预警模型。结合沪深股市A股制造业上市公司的财务数据分别建立T-2和T-3财务预警模型进行实证分析,采用显著性检验筛选出合适的财务指标并利用交叉验证方法确定模型参数。相比高斯核SVM财务危机预警模型,使用Q-高斯核SVM建立的T-2和T-3模型的预报准确率都提高了大约3%,而且成本较高的第Ⅰ类错误最多降低了14.29%。
[Abstract]:In view of the complexity of data distribution in many fields, such as scientific practice and economic life, traditional support vector machine (SVM) (SVM) can not well describe the correlation between variables, thus affecting the classification performance. In this case, Q-Gao Si function, a parameter extension of classical Gao Si function, is used as the kernel function of SVM to construct a financial crisis early warning model. Combined with the financial data of A-share manufacturing listed companies in Shanghai and Shenzhen stock market, the financial early-warning models are established for empirical analysis. The appropriate financial indexes are screened by significance test and the parameters of the model are determined by cross-validation method. Compared with the SVM financial crisis early warning model, the prediction accuracy of the two models based on Q-Gaussian kernel SVM is improved by about 3%, and the cost-effective type I errors are reduced by 14.29% at most.
【作者单位】： 华东交通大学信息工程学院;江西理工大学软件学院;
【基金】：国家自然科学基金资助项目(61065003) 教育部人文社会科学研究规划基金资助项目(10YJC630379) 教育部人文社会科学研究基金项目(12YJCZH078)
【分类号】：F406.72;TP18

【相似文献】

相关期刊论文 前10条

1 张铃;支持向量机理论与基于规划的神经网络学习算法[J];计算机学报;2001年02期

2 阎辉,张学工,李衍达;支持向量机与最小二乘法的关系研究[J];清华大学学报(自然科学版);2001年09期

3 朱国强,刘士荣,俞金寿;支持向量机及其在函数逼近中的应用[J];华东理工大学学报;2002年05期

4 孙延风,梁艳春;支持向量机的数据依赖型核函数改进算法[J];吉林大学学报(理学版);2003年03期

5 朱永生,张优云;支持向量机分类器中几个问题的研究[J];计算机工程与应用;2003年13期

6 朱家元,吴伟,张恒喜,董彦非;一种新型的多元分类支持向量机[J];计算机工程;2003年17期

7 赵洪波;赵丽红;;支持向量机学习算法—序列最小优化(SMO)[J];绍兴文理学院学报(自然科学版);2003年04期

8 张健,李艳,朱学峰,黄道平,史步海;基于支持向量机的蒸煮过程卡伯值软测量[J];计算机测量与控制;2004年02期

9 樊可清,倪一清,高赞明;基于频域系统辨识和支持向量机的桥梁状态监测方法[J];工程力学;2004年05期

10 胡桥,何正嘉,张周锁,訾艳阳;经验模式分解模糊特征提取的支持向量机混合诊断模型[J];西安交通大学学报;2005年03期

相关会议论文 前10条

1 林杰华;张斌;李冬森;宋华茂;余志强;王浩;;支持向量机在电力客户信用评级中的应用[A];全国第21届计算机技术与应用学术会议（CACIS·2010）暨全国第2届安全关键技术与应用学术会议论文集[C];2010年

2 荣海娜;张葛祥;张翠芳;;基于支持向量机的非线性系统辨识方法[A];中国自动化学会、中国仪器仪表学会2004年西南三省一市自动化与仪器仪表学术年会论文集[C];2004年

3 尹钟;张建华;;基于支持向量机方法的过程操作员功能状态分类[A];中国自动化学会控制理论专业委员会A卷[C];2011年

4 顾锦荣;刘华强;孙预前;;遗传算法优化的支持向量机模型在热带气旋强度预报中的应用[A];第七届长三角气象科技论坛论文集[C];2010年

5 李巍华;刘雯;;基于主元分析和直推式支持向量机的齿轮早期故障诊断[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

6 刘碧森;钟守铭;陈华富;;基于支持向量机与粗糙集理论的信息处理[A];第二届全国信息获取与处理学术会议论文集[C];2004年

7 杜金香;冯西安;马艳;;支持向量机在DOA估计中的稳健性研究[A];2011'中国西部声学学术交流会论文集[C];2011年

8 郭小荟;马小平;;基于EMD近似熵特征提取和支持向量机的故障诊断方法[A];中国自动化学会控制理论专业委员会D卷[C];2011年

9 蒋少华;桂卫华;阳春华;唐朝晖;蒋朝辉;;基于主元分析与支持向量机的方法及其在密闭鼓风炉过程监控诊断中的应用[A];第二十七届中国控制会议论文集[C];2008年

10 张健沛;李忠伟;杨静;;一种基于多支持向量机的并行增量学习方法(英文)[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

相关博士学位论文 前10条

1 刘育明;动态过程数据的多变量统计监控方法研究[D];浙江大学;2006年

2 常群;支持向量机的核方法及其模型选择[D];哈尔滨工业大学;2007年

3 杨金芳;支持向量回归在预测控制中的应用研究[D];华北电力大学（河北）;2007年

4 张永;基于模糊支持向量机的多类分类算法研究[D];大连理工大学;2008年

5 薛云;基于蚁群算法和支持向量机的矿化蚀变信息提取研究[D];中南大学;2008年

6 邢永忠;最小二乘支持向量机的若干问题与应用研究[D];南京理工大学;2009年

7 马儒宁;神经网络与支持向量机相关问题研究[D];复旦大学;2005年

8 梁新荣;高速公路智能控制方法研究[D];华南理工大学;2005年

9 李忠伟;支持向量机学习算法研究[D];哈尔滨工程大学;2006年

10 周喜川;非可信环境下的支持向量机研究[D];浙江大学;2010年

相关硕士学位论文 前10条

1 聂小芳;模糊粗糙集与支持向量机在煤与瓦斯突出预测中的应用研究[D];辽宁工程技术大学;2009年

2 冯杰;慢时变对象的支持向量机建模与在线校正方法研究[D];东北大学;2009年

3 王奇安;基于广泛内核的CVM算法研究及参数C的选择[D];南京航空航天大学;2009年

4 张成学;隐私保护线性规划和支持向量机新算法[D];山东科技大学;2011年

5 李新;支持向量机的核方法及其多核聚类算法的研究[D];中国海洋大学;2010年

6 刘维会;不平衡数据集上支持向量机算法研究[D];山东科技大学;2010年

7 杨振章;基于支持向量数据描述的分类识别算法研究[D];杭州电子科技大学;2009年

8 李靖;基于支持向量机的基因表达数据降维方法的研究[D];苏州大学;2011年

9 刘柳;基于支持向量机和模糊后处理的遥感图像分类研究[D];华中科技大学;2010年

10 朱健康;基于支持向量机的音乐自动分类[D];天津大学;2010年

，

本文编号：2447184