基于差分进化算法的信用风险度量模型研究

发布时间：2017-06-20 04:00

  本文关键词：基于差分进化算法的信用风险度量模型研究，由笔耕文化传播整理发布。

【摘要】：信用风险管理一直是金融风险管理的重要组成部分。伴随着社会信息化的不断发展,信用风险管理问题呈现大规模、复杂化、不确定性的特点,而其管理的方法无法满足大规模跨领域的信用风险度量与评估问题。一方面由于其缓慢的人工评估方法与度量模型无法精准的判断拥有庞大数据业务量对象的信用风险水平,另一方面在应用复杂的信用风险度量模型的时候,都不可避免的依靠不完善的假设及估计。在现阶段的金融领域,传统的金融信用风险模型无法准确地解决这样复杂的风险问题,但是人工智能和数据挖掘技术的发展为这些问题的解决提供了可能。管理的实质是为决策者提供最优决策,信用风险管理实际上也是一个优化问题。差分进化算法在优化问题上具有良好的性能,并且该算法结合了智能演化和群体学习的机制,算法参数少,能够快速寻找到最优区域。为了提高信用风险度量模型的评估能力,本文将评估问题转变为寻优问题,这样有利于差分进化算法的引入,但是在面对复杂多变的信用风险问题时,差分进化算法本身会有这样或那样的不足。针对这样的情况,本文首先对传统差分进化算法提出自己的改进思想,提高其算法的优化性能；其次,利用改进的算法,结合中国上市公司的实情,优化KMV模型,找出符合国情的违约点；最后利用数据挖掘中聚类的思想,改变差分进化算法的形式,来对我国上市公司进行评估。借鉴多种群并行机制和随机搜索策略,提出一种基于随机扩散搜索的协同差分进化算法。该算法引入反向混沌搜索的初始化机制,利用随机扩散搜索策略将种群分为成功和失败两个子群,并对改进的成功和失败子群分别采用不同的差分策略,克服单一差分策略的缺陷,同时,定期将子群的部分最好与最差个体实现一对一的信息交流,从而达到协同进化的目的。通过函数实验仿真,并将它与其它算法进行比较,结果表明该算法的收敛速度和寻优精度得到明显改善,具有较好的收敛速度和寻优能力。为了探寻在KMV信用评级模型中,违约点的短期和长期比率系数以及投资人市场主观态度系数的最优组合,运用差分进化算法,构造了最优违约系数的不确定性DE-KMV测算模型。通过分析近年来中国经济发展环境对上市公司违约风险影响的趋势,厘清人们对当前金融市场环境好坏的基本态势,利用不确定性DE-KVM模型对上市公司的违约情况进行测算,得到了最优的中国上市公司默认违约点系数和投资人态度系数。建立信用风险评价的差分进化自动聚类模型,并将其应用到我国上市公司信用风险评价中。该模型不要求事先知道分类的数据,相反,依靠群体智能去寻找最优的分区。通过数据仿真,并与遗传算法、决策树、BP神经网络模型进行信用风险评价的实证对比研究,结果表明,该模型能够非常准确的找到数据对应的分区,大大提高了信用评估的准确性,降低了风险成本,对信用风险的管理和控制具有很高的利用价值。
【关键词】：信用风险 差分进化 优化 KMV 上市公司
【学位授予单位】：华中师范大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F272.3;F832.51;F224
【目录】：

• 摘要6-8
• Abstract8-13
• 1. 绪论13-24
• 1.1 选题背景及研究意义13-15
• 1.2 国内外研究现状15-20
• 1.2.1 信用风险度量的研究现状15-18
• 1.2.2 差分进化算法的研究现状18-20
• 1.3 研究方案20-22
• 1.3.1 论文的主要研究目标20
• 1.3.2 论文的主要研究内容20-21
• 1.3.3 论文的主要研究框架21-22
• 1.4 论文的特色与创新点22-24
• 2. 信用风险度量模型和差分进化算法理论概述24-37
• 2.1 现代信用风险度量模型24-31
• 2.1.1 结构化模型24-26
• 2.1.2 强度化模型26-28
• 2.1.3 KMV模型应用28-31
• 2.2 差分进化算法31-36
• 2.2.1 差分进化算法简介31
• 2.2.2 算法基本流程31-36
• 2.3 小结36-37
• 3. 基于随机扩散搜索的协同差分进化算法37-47
• 3.1 引言37-38
• 3.2 随机扩散搜索法38-40
• 3.3 基于随机扩散搜索的差分进化算法40-43
• 3.3.1 反向混沌搜索的种群初始化40
• 3.3.2 融合改进的SDS和DE40-42
• 3.3.3 算法的实现过程42-43
• 3.4 函数优化中的应用仿真及其结果分析43-46
• 3.4.1 函数仿真43-45
• 3.4.2 函数的实验结果分析45-46
• 3.5 小结46-47
• 4. 上市公司信用风险测度的不确定性DE.-KMV模型47-59
• 4.1 引言47-48
• 4.2 不确定性KMV模型48-52
• 4.2.1 Knight不确定性48
• 4.2.2 Knight不确定性对期权价格的计算分析48-51
• 4.2.3 基于Knight不确定性改进KMV模型51-52
• 4.3 模型实现过程52-53
• 4.4 实验设计和结果分析53-58
• 4.4.1 数据描述与分析53-54
• 4.4.2 模型仿真结果分析54-58
• 4.5 小结58-59
• 5. 基于差分进化自动聚类的信用风险评价模型59-70
• 5.1 引言59-60
• 5.2 差分进化自动聚类模型(ACDE)60-62
• 5.2.1 染色体表示60-61
• 5.2.2 聚类有效性指标61-62
• 5.2.3 适应值函数表示62
• 5.2.4 无效个体处理62
• 5.3 模型的实现过程与性能分析62-65
• 5.3.1 ACDE算法流程62-63
• 5.3.2 算法性能分析63-65
• 5.4 实证研究与结果分析65-68
• 5.4.1 信用风险指标构建65-66
• 5.4.2 样本数据的获取66
• 5.4.3 样本数据预处理66-67
• 5.4.4 模型仿真与结果分析67-68
• 5.5 小结68-70
• 6. 总结与展望70-72
• 6.1 总结70-71
• 6.2 展望71-72
• 参考文献72-76
• 附录Ⅰ 本文部分代码76-84
• 附录Ⅱ 本文部分实验数据84-91
• 附录Ⅲ 攻读学位论文期间的论文发表及项目参与情况91-92
• 致谢92-93

【引证文献】

中国重要会议论文全文数据库 前1条

1 张大斌;周志刚;刘雯;焦鹏;;上市公司最优违约系数的不确定性DE-KMV测算模型[A];中国系统工程学会第十八届学术年会论文集——A10系统工程方法在金融、投资、保险业等领域的研究[C];2014年

  本文关键词：基于差分进化算法的信用风险度量模型研究，，由笔耕文化传播整理发布。

本文编号：464448