基于XGBoost模型的上市公司财务风险预警应用

为了提高财务风险预警模型的有效性,解决样本数据不平衡问题、优化预警指标降维程序,文章提出了一种用于财务风险预警的SMOTE-双层XGBoost模型,利用2007—2019年我国A股市场的非金融业上市公司数据进行分析。结果表明,利用SMOTE算法能够有效解决样本数据不平衡的问题;通过XGBoost的特征重要性分析优化预警指标体系,可以提高模型的准确率;对比机器学习中的逻辑回归、KNN、决策树、随机森林模型,SMOTE-双层XGBoost模型具有更好的预测效果,且预警表现更加稳定,扩展了XGBoost模型的实用性,为上市公司财务风险预警研究提供了新视角。

基于SEM的PPP项目关键影响因素分析

PPP项目周期长,期间涉及政府、社会资本等利益主体较多,影响其成功实施的因素复杂,识别和分析关键影响因素是促进PPP项目成功的关键。基于文献分析法识别出17个PPP项目实施成功的影响因素,构建PPP项目的关键因素结构方程(SEM)模型。使用SPSS24.0进行信效度检验后,利用AMOS24.0综合分析得到17个观测变量中竞争性采购程序、标准合同结构、完善的法律体系、稳定的经济环境、社会资本的PPP管理经验、人才水准六个影响因素对PPP项目成功的解释能力最强,据此提出完善相关法律体系、加强专业人才培养、建立合理项目监管机制等政策建议,以促进PPP项目在中国的可持续发展。

基于双层XGBoost的风力发电机瞬时发电量预测

为解决风力发电预测不准确的问题,进一步提高风力发电场发电量的预测精度,提出了一种双层XGBoost的风电场发电量预测模型.该模型第一层为数据分析层,利用XGBoost的特征重要性排序分析SCADA数据,通过特征重要性分析排序选择特征变量作为输入;第二层为预测层,利用XGBoost回归算法建立风力发电量预测模型.为表现模型优越性,设置对比实验,将降维后的数据输入随机森林和决策树.结果表明,对比随机森林和决策树,XGBoost模型均方根误差和平均绝对误差较小,准确率可达到96.1%,具有更高的拟合度,可以有效解决非线性变量难以选择的问题,减少输入特征维度,加快预测速度.