集成随机森林和支持向量机的商业银行财务困境预测研究

发布时间：2020-11-12 14:31

　　 提出了一种基于随机森林和支持向量机的集成模型来预测商业银行财务困境.结果表明,一方面,与多层感知神经网络相比,支持向量机可以更有效地作为集成学习模型的基分类器,虽然多层感知器神经网络在以往的研究中更多地被用于基分类器.另一方面,与现有的bagging、dagging、multiboost、adaboosting、random subspace等集成学习算法相比,该模型的预测性能明显提高.另一个关键发现是,利用银行业、宏观经济状况和国际金融风险变量补充银行层面的脆弱性,可以显著提高模型在商业银行财务困境预测中的表现.

【参考文献】

相关期刊论文 前2条

1 温珂;;动态参数神经网络的投资银行风险预测模型[J];科技通报;2015年09期

2 迟国泰;潘明道;齐菲;;一个基于小样本的银行信用风险评级模型的设计及应用[J];数量经济技术经济研究;2014年06期

相关博士学位论文 前1条

1 冯业伟;基于支持向量机和移动Agent技术的银行风险早期预警系统研究[D];中国海洋大学;2011年

【二级参考文献】

相关期刊论文 前10条

1 陈莹;武志伟;李心丹;翁炳辰;;基于MCLP模型的个人住房抵押贷款违约风险研究[J];审计与经济研究;2015年01期

2 范宏;李佳妮;;基于不同投资行为的动态银行网络稳定性研究[J];复杂系统与复杂性科学;2014年04期

3 戴红军;孙涛;;商业银行信贷管理中行业风险评价研究——基于岭回归方法[J];会计之友;2013年31期

4 章彰;;持续监管银行的风险预测能力[J];中国金融;2013年08期

5 李家军;李娅娅;;基于BP模型的商业银行贷款风险预测[J];计算机仿真;2008年03期

6 彭寿康;;会计信息的数据挖掘方法与银行信贷风险预测[J];商业经济与管理;2008年03期

7 孙清;;信用风险模型预测能力比较分析[J];经济理论与经济管理;2007年07期

8 陈伟;夏建华;;综合主、客观权重信息的最优组合赋权方法[J];数学的实践与认识;2007年01期

9 李萌;Logit模型在商业银行信用风险评估中的应用研究[J];管理科学;2005年02期

10 方先明,熊鹏;基于RBF网络的商业银行信用风险控制研究[J];金融论坛;2005年04期

相关博士学位论文 前3条

1 陈祥国;卫星数传调度的蚁群优化模型及算法研究[D];国防科学技术大学;2010年

2 龙涛;多UCAV协同任务控制中分布式任务分配与任务协调技术研究[D];国防科学技术大学;2006年

3 马巧云;基于多Agent系统的动态任务分配研究[D];华中科技大学;2006年

【相似文献】

相关期刊论文 前10条

1 赵志升;傅轩昂;靳晓松;刘洋;;基于随机森林特征选择的垃圾短信识别[J];电脑与信息技术;2018年06期

2 秦喜文;郭宇;董小刚;郭佳静;袁迪;;基于局部均值分解和迭代随机森林的脑电分类[J];吉林大学学报(信息科学版);2020年01期

3 赵艺淞;杨昆;王保云;黎晓路;;随机森林在城市不透水面提取中的应用研究[J];云南师范大学学报(自然科学版);2017年03期

4 左晓庆;李潇雨;刘怀鹏;;基于随机森林算法的城区土地覆盖分类研究[J];河北省科学院学报;2020年01期

5 刘文博;梁盛楠;秦喜文;董小刚;王纯杰;;基于迭代随机森林算法的糖尿病预测[J];长春工业大学学报;2019年06期

6 贾少春;;随机森林和支持向量机算法在β-发夹模体预测中的比较[J];温州大学学报(自然科学版);2016年03期

7 盛晓欣;田翔华;周毅;;基于随机森林癫痫患者脑电数据的分析研究[J];中国数字医学;2020年01期

8 滕文骏;;随机森林数据情感挖掘方法分析[J];通讯世界;2020年01期

9 沈智勇;苏翀;周扬;沈智威;;一种面向非均衡分类的随机森林算法[J];计算机与现代化;2018年12期

10 杨晓峰;严建峰;刘晓升;杨璐;;深度随机森林在离网预测中的应用[J];计算机科学;2016年06期

相关博士学位论文 前10条

1 赵东;基于群智能优化的机器学习方法研究及应用[D];吉林大学;2017年

2 彭诗力;大规模混合数据分类的核方法研究[D];天津大学;2017年

3 胡庆辉;非稀疏多核支持向量机学习方法研究[D];武汉大学;2015年

4 孙宗海;支持向量机及其在控制中的应用研究[D];浙江大学;2003年

5 翟永杰;基于支持向量机的故障智能诊断方法研究[D];华北电力大学（河北）;2004年

6 唐发明;基于统计学习理论的支持向量机算法研究[D];华中科技大学;2005年

7 宋夫华;支持向量机逆系统方法及其应用研究[D];浙江大学;2006年

8 钟伟民;支持向量机在先进控制中的应用研究[D];浙江大学;2006年

9 吴春国;广义染色体遗传算法与迭代式最小二乘支持向量机回归算法研究[D];吉林大学;2006年

10 张国云;支持向量机算法及其应用研究[D];湖南大学;2006年

相关硕士学位论文 前10条

1 张大力;基于多光谱CCD影像和LiDAR数据的单木树种分类研究[D];东北林业大学;2019年

2 李晨;基于驾驶模拟试验的货车驾驶人分心驾驶识别研究[D];北京交通大学;2019年

3 陈庄宏;出行链活动类型识别研究[D];上海交通大学;2016年

4 王淑丹;基于机器学习的道路标志检测与识别技术[D];杭州电子科技大学;2016年

5 宁霄;基于随机森林和卷积神经网络的年轮分割与参数测量研究[D];东北林业大学;2019年

6 段仕;利用机器学习算法预测绵羊全基因组蛋白质互作关系[D];内蒙古农业大学;2019年

7 杨文娣;基于多维度特征与随机森林的对外汉语文本可读性评估[D];华中师范大学;2019年

8 赵彩凤;基于随机森林的纸币红外特征鉴伪算法研究[D];辽宁科技大学;2019年

9 陶小华;改进的随机森林模型在容器云任务分配中的应用研究[D];桂林理工大学;2019年

10 庄巧蕙;基于改进随机森林算法的研究与应用[D];华侨大学;2019年

本文编号：2880853