基于Optuna框架的L_(p)范数约束下多核支持向量机在违约风险预测中的应用

针对违约数据存在数据量大、维度多、不平衡及噪声大等缺点,提出一种改进的支持向量机方法,即基于Optuna框架的L_(p)范数约束的代价敏感的多核支持向量机(L_(p)-Optuna-SVM)。该方法采用成本矩阵对不同预测错误赋予不同数值,通过多核学习引入多核混合核函数组合;同时采用Optuna优化框架对犯错成本、核函数的参数和权重实现了自动化的调优过程;还在核函数权重上引入L_(p)范数约束,以提高模型对噪声和异常数据的鲁棒性。最后,对4种常用的基础核函数组合的L_(p)-Optuna-SVM进行探讨,并与单核支持向量机以及K邻近法、逻辑回归、高斯贝叶斯进行对比。结果表明,在给定数据集上,L_(p)-Optuna-SVM在违约数据上的g-mean和AUC均高于其他算法,并且在加了不同方差的噪声数据集上,该算法整体依旧保持较好的鲁棒性。

基于多目标优化加权软投票集成算法的信用债违约预警研究

为了提高信用债违约预测的准确性和稳定性,便于金融风险管理,以2014年1月1日—2021年12月31日的信用债为研究对象,提出一种基于多目标优化的加权软投票集成算法。该算法通过计算每个基分类器的模糊密度来量化其识别能力,并使用多目标粒子群算法来求解基分类器的权重。将所提算法与其他单一分类器如支持向量机、逻辑回归、高斯贝叶斯、MLP,以及其他集成算法如投票类集成算法(voting)和stacking算法进行比较,采用期望PFI算法进行特征重要度分析。结果表明,加权软投票集成算法在信用债违约预测中表现出色,不仅提升了单一算法的性能,且相对于其他集成算法,具有更高的准确性、精确度和AUC值。违约前主体评级、交易所、违约前债项评级、总资产周转率、货币资金、净资产增长率、经营活动现金流量占营收比、GDP、PPI、注册地、短期国债利率、宏观经济景气指数(先行指数)、债券类型和所属行业的特征重要度较高,在信用债违约中值得关注。该研究可为金融风险预测提供一种有效方法,对于投资者和金融机构的风险预警具有重要参考意义。

财经类高校机器学习课程教学探索与实践

随着学科交叉趋势的发展,对于财经类高校部分本科非计算机专业,如会计学、经济学等,机器学习课程也成为专业课程。对这些专业而言,机器学习课程的建设面临着一些挑战。本文从财经类高校的角度,对非计算机专业机器学习课程教学进行研究。本研究在分析机器学习课程目前在理论教学、实践教学和课程考核等方面面临的挑战基础上,从理论知识、实践应用和考核方式三个方面面向财经类高校本科生进行机器学习课程设计,将课程主要分为三个模块:基础模块、进阶模块和综合实践模块,最后对本课程教学效果进行了总结。

基于集成算法的信用债违约预测模型及其影响因素研究

本文选取2014—2021年的信用债作为研究对象,以单一算法(逻辑回归、高斯朴素贝叶斯、支持向量机和伯努利朴素贝叶斯)分别构建Bagging和Stacking集成学习模型,并将其与单一算法以及传统方法(KMV模型)进行对比,探讨如何提高信用债违约预测精度,证明Bagging集成算法的可靠性,还通过SHAP可解释算法研究信用债违约中的重要指标。实证结果显示,四种单一机器学习模型在预测准确率上优于传统KMV模型;进一步对机器学习模型进行集成,发现同质集成算法在提高预测性能方面不如异质集成算法,且Bagging异质集成算法的预测准确率优于Stacking异质集成算法。将性能最好的Bagging异质集成算法与SHAP可解释算法结合,得到对识别信用债违约具有重要价值的9个指标,分别是违约前债项评级、违约前主体评级、交易所、净资产收益率、债券类型、企业性质、财务费用、总资产增长率以及第一大股东持股比例,关键指标的识别对信用债违约预测具有指导意义。

基于超参数优化和集成学习的互联网信贷个人信用评估

针对互联网信贷行业的个人信用风险评估问题,文章提出了一种基于贝叶斯参数优化和XGBoost算法的信用评估方法。方法包括五个步骤:数据预处理、特征选择、超参数优化、模型训练、模型预测和评估。实验结果表明,本方法的预测效果优于对比算法(Logistic回归、支持向量机,随机森林、神经网络),同时贝叶斯参数优化方法优于网格搜索法和随机搜索法。因此本文提出的信用评估方法,可以更好区分违约用户,有助于更好地识别用户的违约风险。

基于卷积神经网络的互联网金融信用风险预测研究

针对互联网金融行业的信用风险评估问题,提出了一种基于卷积神经网络的客户违约风险预测方法。首先将输入数据分为动态数据和静态数据,将动态数据和静态数据分别转换为矩阵和向量,然后利用改进的卷积神经网络来自动提取特征并进行分类,最后使用ROC曲线、AUC值和KS值作为评价指标,将该方法与其他机器学习算法(Logistic回归、随机森林)进行比较。实验结果表明,卷积神经网络模型对于信用风险的预测效果要优于对比模型。

基于社交网络分析和XGBoost算法的互联网客户流失预测研究

针对互联网行业的客户流失预测问题,提出了一种社交网络分析和机器学习相结合的客户流失预测方法。考虑到社交活动对用户流失的影响,首先采用社交网络分析方法从用户社交数据中提取特征,然后使用XGBoost(Extreme Gradient Boosting)算法来进行客户流失预测,最后将该方法与其他机器学习算法(Logistic回归、支持向量机和随机森林)进行比较。实验结果表明,所提出的社交网络分析和XGBoost相结合的客户流失预测方法优于传统方法。

融合深度神经网络的个人信用评估方法

为提高信用风险评估的准确性,基于互联网行业的用户行为数据,提出一种基于长短期记忆(LSTM)神经网络和卷积神经网络(CNN)融合的深度神经网络个人信用评分方法。对每个用户的行为数据进行编码,形成一个包括时间维度和行为维度的矩阵,通过融合基于注意力机制的LSTM模型和CNN模型2个子模型,从用户原始行为数据中提取序列特征和局部特征。在真实数据集上的实验结果表明,该方法的KS指标和AUC指标均优于传统的机器学习方法和单一的LSTM卷积神经网络方法,证明了该方法在个人信用评分领域的有效性和可行性。

P变质对过共晶Al-22%Si合金组织和性能的影响

采用P对过共晶Al-22%Si合金进行变质处理。研究结果表明,P对过共晶Al-22%Si合金中的初生硅具有良好的变质作用,其最佳添加量为1.0%,经P变质处理后,合金中初生硅形态无明显变化,尺寸明显减小,最小值为23μm,继续增加P的添加量,初生硅尺寸有粗化的趋势。P对共晶硅组织几乎无影响。XRD分析表明,在变质后的Al-22%Si合金中检测到AlP相。拉伸和硬度测试表明,当P加入量为1.0%时,合金的抗拉强度和硬度达到最大值,继续增加P的添加量,合金的抗拉强度和硬度呈现下降的趋势。

基于区块链技术的小微企业融资模式研究

小微企业是国民经济和社会发展的重要基础,但普遍存在着融资难、融资贵的问题。本文在梳理相关研究文献的基础上,针对小微企业融资面临的困境,提出运用区块链技术,构建“信用链+资金链”的小微企业融资新模式。在信用方面,实现小微企业信用数据的上链和信用数据的共享,在资金方面,使用区块链技术构建贷中资金监控系统,明确企业资金流动数据,增强参与主体资金流动的可信性,将资金“精准滴灌”到最需要培育的企业中去。本模式为小微企业融资增加信用保证,可以缓解小微企业信用不足的问题,有利于解决小微企业融资难、融资贵的问题。

成县带状种植的几种主要方式

80年代后期以来,我们在认真总结历史经验和吸收外地先进技术的基础上,开展了带状种植的试验研究。经过几年的努力,其推广应用范围逐步由粮食作物向经济作物延伸,由一年二熟向一年多熟制发展,已成为在我县自然条件下发展吨粮田和双千田的有效措施,1992年全县带状种植面积达到21026亩。目前我县示范推广的带状种植方式主要有以下几种:

跑官者析

我们党历来实行"任人为贤"的干部路线,坚持"德才兼备"的用人原则。但是,目前在一些地方和单位却出现了一批缺德少才之流,靠巴结上司行贿送礼而平步青云的怪现象。有些跑官者居然连连高升,且大有成风之势。这种现象使人情慨,更令人担忧!跑官之奥妙,很有揭露之必要。原来,大凡跑官者,精于"来事",善于伪装。在上司面前显得温顺乖觉、言听计从,又擅长阿谀奉承、吹牛拍马,投其所好,送其所委,含得"感情投资",功夫不负有心人,久币久之必然给上司留下良好的"印象";他们广结善交,工于心计,善于捉摸人,精于拍马,善于逢迎。常常把工作当副业,主要精力则用于笼络人,精心编织关系网,构筑了一定的"群众基础",自然有人为他唱赞歌;"亲不亲礼上分,办不办礼上看",他们深谙此道。对握有人事大权的"长"字号,舍得行贿送礼,平时常常跑,节日加码跑,换届安排人事突击跑,不由你上司不感动!

探议财务公司信息化关键问题

随着财务公司的不断发展,信息化建设对于财务公司做大做强,发挥集团金融平台作用,显得越来越重要,本文在分析财务公司信息化特点的基础上,对财务公司信息化关键问题进行了分析探讨。