基于机器学习方法的空气质量预测与影响因素识别

空气质量指数(AQI)的精准预测及影响因素识别,对空气污染防护和治理具有重要现实意义。选取北京市2014年第一季度至2022年第二季度AQI作为研究对象,探究六大污染物、五个气象因子和十四个经济变量对空气质量影响。选用DT,RF,GBDT和XGBoost模型对AQI进行预测,并使用稳定性选择方法定量分析各个变量对AQI的贡献。结果表明:四种模型方法均有良好的预测效果,其中XGBoost和RF的预测效果最优;六大污染物中PM2.5,PM10浓度和气象因素中的风速和气压对AQI影响较大;十四个经济变量对AQI的影响差异较大,其中城镇居民人均可支配收入、第三产业GDP和规模以上工业总产值等对AQI影响较大,而第一产业GDP和公路货物运输量等影响较小。

上市银行管理层语调对银行流动性风险影响研究

近年来,随着计算机文本分析技术的不断提升,针对公司管理层文本信息披露的研究迅速发展。本文基于2017-2022年我国23家上市银行的半年度数据,对其财务报告MD&A部分进行文本分析形成管理层语调指标,并以内部资金稳定性作为流动性水平的代理指标,研究管理层语调对上市银行流动性风险的影响。实证结果表明:管理层语调越积极,上市银行的流动性水平越高,流动性风险越低,上市银行针对流动性风险的管理是“言由心生”的,并且内生性检验和多角度的稳健性检验均支持上述结论。研究结论对监管机构有效加强上市银行流动性管理、降低流动性风险等方面具有借鉴价值。

北京市林下经济发展模式初探

发展林下经济是新时期我国林业发展战略由以木材生产为主向以生态建设为主转变的必然选择,也是提高林业经济效益和实现森林资源可持续经营的重要手段,更是增加农民收入、实现经济社会发展与森林资源保护双赢的生态经济发展模式。多年来,经过北京园林绿化工作者艰苦努力,园林绿化建设取得了长足进展,林地面积持续增加,森林资源显著增长,如何科学利用森林资源,大力发展大都市特色林下经济,使北京市广大的森林资源在发挥生态效益的同时,满足日益增长的首都市民休闲健身、自然体验等需求,是现阶段迫切需要解决的问题。

基于图卷积神经网络的个人信用风险预测

信用风险的评估与管理是金融机构的重要任务之一。为探究个人征信样本与违约样本间存在相似性时,能否体现个人征信的信用风险,并对预测其违约做出贡献。基于LendingClub 2020年第1~3季度贷款数据,利用GAMI-net从高维征信数据中筛选样本违约特征,并通过曼哈顿距离构建样本相似性网络,以反映样本整体间的征信相似性,并建立基于图卷积神经网络的信用风险预测模型。研究发现,个人征信相似性能体现信用风险,并对预测产生显著正面贡献。基于图卷积神经网络的风险预测模型在实验中的AUC值为81.60%,准确率为73.71%,相较于所有基准对比模型均大幅提升,表明考虑了样本相似性网络的图神经网络模型在信用风险预测精度上远优于未考虑样本相似性的机器学习模型。此外,所提供的特征筛选及样本间网络构建方法也为大数据智能风控提供了一定的借鉴意义。

金融科技发展视角下金融学教育改革与创新研究

随着金融科技的崛起,金融行业正在发生革命性的变革,传统金融机构不得不适应新的技术和业务模式,这为金融学教育提出了新的要求。文章首先分析了金融科技对金融业的影响,强调了金融学教育需要紧密跟进这一发展趋势的重要性;然后探讨了金融学教育改革与创新的现状,包括在新教学方法的采用、内容更新以及实践经验和技术工具整合等方面的进展;最后提出了金融学教育改革的策略建议,包括培养学生的技术素养、提高金融科技课程的质量、促进学术界与业界的合作等。

基于深度学习神经网络的季度GDP预测

针对季度GDP数据,文章基于深度学习长短期记忆(LSTM)神经网络模型,结合小波分析技术(WA)分解所选取的宏观经济变量,构建了LSTM&WA预测模型,同时,引入多个基准模型进行对比分析。研究表明:对于季度GDP数据,深度学习模型结合小波分析预测结果更优;针对结构复杂的非线性多变量数据,LSTM&WA预测模型具有较好的泛化能力,其预测精度均优于其他基准模型。

空气污染、投资者关注与股票收益率——基于因果森林算法的实证

本文以A股市场上市公司为研究对象,使用机器学习的因果森林模型验证空气污染严重对股票收益率的影响。研究发现,空气污染严重对股票收益率有显著的负向影响;在分样本讨论后发现,空气污染严重对不同行业股票收益率的影响程度存在异质性,受空气污染严重影响最大的是租赁和商务服务业,其次为农林牧渔业、批发和零售业、制造业、电力热力燃气及水生产和供应业,其中,空气污染严重对租赁和商务服务业达到了约12倍的影响力,对其余行业也达到了约4~7倍的影响力;机制分析表明,空气污染严重通过影响投资者的关注度来影响股票收益率。

经济政策不确定环境下银行系统性风险预警研究——基于SHAP可解释机器学习的应用

经济政策不确定性是影响银行系统性风险管理的重要因素。文章在传统银行系统性风险预警体系中嵌入经济政策不确定性,基于我国2012—2020年银行宏微观数据,构建银行系统性风险指数,采用逻辑回归、随机森林、XGBoost模型评估我国银行系统性风险。实证表明:一是嵌入经济政策不确定性因素的银行系统性风险指数反映了我国银行系统性风险走势;二是随机森林、XGBoost模型在银行系统性风险预警方面表现出较高的预测精度;三是通过SHAP可解释算法对指标体系中重要变量进行“黑箱”分解发现,广义货币量、拨备覆盖率以及经济政策不确定等因素对银行系统性风险有重要影响。最后,基于分解结果为我国防范化解银行系统性风险提出具体措施及相关监管建议。

基于完全信息博弈原理的虚拟水战略研究

虚拟水战略是平衡区域水资源禀赋差异、提高水资源利用效率、保障水资源安全的新理念和管理手段。但在区域贸易实践中，如何将虚拟水战略与经济发展需求有效结合，实现经济利益与虚拟水的科学调度、水资源的合理利用相协调，构建新型水资源经济模式，保证虚拟水战略的落实，还有待研究。本研究围绕区域制定经济发展与贸易模式的决策过程中对虚拟水战略的接受程度，构建了区域间关于虚拟水战略的完全信息的博弈模型，探索其中的收益与决策规律。结果表明：各区域均选择符合虚拟水战略的发展模式，是博弈的总体最优结果，要实现这一均衡，需要在政策与管理措施方面加大对实行虚拟水战略的扶持干预力度，设置合理的激励、提高用水效率、并促进各区域建立长期的贸易合作关系。

基于信号传递博弈原理的虚拟水调度补贴策略研究

虚拟水调度是调节区域水资源禀赋、保障水资源安全、提高水资源利用效率、创新水资源管理体制的重要手段之一,但如何调整政府与虚拟水企业之间的互动关系、进而调控虚拟水调度还有待研究。该研究围绕政府对虚拟水调度的补贴政策,构建了"政府-企业"的信号传递博弈模型,探索双方的信息判断与决策规律。结果表明:由于信息存在不对称性和不完全性以及影响因素的差异,博弈可能出现市场完全成功、部分成功、完全失败三种均衡,且市场均衡效率与企业的伪装成本和风险成本相关,由此提出相应的提高虚拟水调度效率的对策是提高检查效率、设置有效的惩罚力度、合理调整对虚拟水产业的补贴、实行扶持手段的多元化。

气候巨灾风险债券定价研究——以贵州省洪灾为例

气候巨灾风险债券作为一种新型金融工具,可以合理转化由极端天气造成的严重经济损失,进而有效分散政府财政和保险市场的资金压力,实现金融市场的稳定有序发展。选取贵州省1992—2018年间的洪灾直接经济损失数据,运用阈值模型测算洪灾预期损失风险数值,并从政府层面和保险机构层面评估当地风险应对能力;采用预期损失风险值为债券触发条件,根据无套利定价模型对洪灾风险债券进行定价分析。研究结果表明:针对政府部门和保险市场在面对洪灾造成的巨额直接经济损失时表现出的能力不足问题,有必要借助资本市场特别是债券市场的资源优势;目前我国缺少有效和系统的洪灾风险分散机制,洪灾风险债券的参与主体责任分工不清晰。最后从加快培育我国巨灾风险债券市场和建立健全我国巨灾风险分散机制方面提出建议。

基于文本挖掘的上市公司财务风险预警研究

上市公司年报中的描述性文本信息是上市公司信息披露的重要组成部分,通过对上市公司信息披露文本的挖掘与分析可以提高对其财务风险的预测能力。基于BERT(bidirectional encoder representations from transformer)模型与自编码器(autoencoder,AE),提出了BERT-AE融合文本特征提取模型,提取A股市场531家上市公司年报中"经营情况讨论与分析"和"审计报告"的文本特征,构建能够反映财务困境公司与正常公司的文本特征指标,随后将文本特征指标与财务指标数据结合,分别使用Logistic回归、极端梯度提升(extreme gradient boosting,XGBoost)、人工神经网络(artificial neural networks,ANN)、卷积神经网络(convolutional neural networks,CNN)四种模型,检验加入文本特征指标后财务风险预测的准确性是否得到提高,并使用Word2Vec-CNN-AE、Word2Vec-LSTM-AE模型提取财务文本特征进行对比实验。结果表明,三种模型提取的财务文本特征均能使财务预警模型预测的AUC得到提升,且BERT-AE模型提取的财务文本特征使得四种财务预警模型预测的AUC值提升效果更为显著,表明BERT-AE模型有效地提取了财务文本特征,提高了上市公司财务风险预警模型的预测能力。

基于广义方差分解的我国金融部门风险传染效应研究

【目的/意义】以我国金融业各个部门为研究对象,从动态关联性角度出发研究各部门间的金融风险传染效应。【设计/方法】首先运用广义方差分解方法构建静态关联度矩阵,确定各个部门关联度的方向及强度,随后通过滚动窗口预测方法测算金融市场各个部门的动态关联度,刻画各部门的风险传染网络。【结论/发现】研究发现:1.我国金融部门之间有显著的关联性;2.极端事件的发生能够加强我国金融部门间的联动性;3.金融部门之间的风险传染网络具有动态关联性。

稳定分量过程像集乘积集的确切Hausdorff测度

设{X1(t1),t1≥0},…,{Xp(tp),tp≥0}是取值于瓗d上p个相互独立稳定分量过程,讨论乘积集∏pi=1Xi[0,1]上的占时测度的重对数律,并利用密度定理得到乘积集的确切Hausdorff测度.作为特例,给出了瓗d上p个相互独立的严格稳定过程图集乘积集的确切Hausdorff测度.

博弈论课程思政融入研究

课程中融入思想政治教育是高校教书育人的需要,其建设需要根据不同专业及课程的具体实际去探索。博弈论作为应用数学与经济学的交叉学科,需要与时俱进,建立和完善课程内容与思政内容的有效融合。本研究结合博弈论学科特点及课程思政教育教学实践,提出了在博弈论教学过程中融入课程思政的内容与路径设计。

北京市家庭林场试点建设现状及发展对策分析

随着集体林权制度改革的深入,家庭林场作为一种新型林业经营主体得到了管理层的重视。2015年8月北京市正式启动家庭林场试点工作。基于实地调研的数据和资料,采用描述统计分析和案例分析相结合的方法,首先分析了北京市家庭林场试点的相关政策保障,其次分析了纳入试点的家庭林场经营与发展现状,再次探析了试点工作中存在的发展基础薄弱、发展保障不足、发展意识不强等问题。最后提出了促进家庭林场发展的对策:提升家庭林场治理能力,制定家庭林场发展规划;完善社会服务体系,加强对家庭林场发展的支持;健全家庭林场发展体系,强化创新发展意识等。

R上对称Cauchy过程像集的确切Hausdorff测度

本文通过R上对称Cauchy过程轨道的占时测度与其游离次数的渐近等价关系,建立了过程占时测度的上极限型重对数律.进一步,利用密度定理及经济的轨道覆盖方法得到R上对称Cauchy过程像集的确切Hausdorff测度.

稳定分量过程像集乘积集的确切填充测度

设{X1(t1),t1≥0},…,{Xp(tp),tp≥0}是取值于Rd上p个相互独立的稳定分量过程,讨论乘积集∏pi=1Xi[0,1]上占时测度的重对数律,并利用密度定理得到乘积集的确切填充测度.作为特例,给出Rd上p个相互独立的严格稳定过程像集与图集乘积集的确切填充测度.

基于人工神经网络的贵州省用电量预测

文章利用人工神经网络对贵州省月度用电量数据进行分析,使用递增窗口交叉验证和网格调参选择最优参数,对贵州省用电量数据进行预测;以支持向量机及ARIMA模型作为基准模型对模型预测效果进行对比分析。结果表明:(1)利用独热编码量化用电量时间序列特征可有效提高预测精度;(2)人工神经网络对用电量数据的预测效果优于支持向量机和ARIMA模型;(3)含3个隐藏层的人工神经网络预测效果优于单隐藏层人工神经网络预测效果。

基于KM-SVMSMOTE-CNN的信用卡欺诈检测

针对信用卡欺诈检测中样本数据规模大,计算复杂程度高,数据分布极度不平衡等问题,提出卷积神经网络(CNN)结合大规模信用卡交易数据进行欺诈检测,同时为了解决交易数据的极端不平衡性问题,使用K-means算法进行聚类,结合支持向量机合成少数类过采样技术(SVMSMOTE)增加少数类样本数量,最终构建一个KMSVMSMOTE-CNN的信用卡交易欺诈预测模型.选取Kaggle平台上发布的信用卡欺诈数据进行验证,实验结果表明,基于KM-SVMSMOTE-CNN的融合模型从整体上大大提高了信用卡欺诈检测的识别率.