信用货币周期下大类资产配置

本文在融合了金融中介理论(信贷、货币周期)的美林时钟框架下,结合VAR向量自回归预测、LSTM宏观经济预测模型,采用Black-Litterman策略进行大类资产配置.本文以信贷货币周期理论基础,拓展了美林时钟经济周期划分判别准则,将2001年-2021年国内的宏观经济运行状况划分成不同的经济状态.紧接着,构建了基于LSTM深度学习宏观经济预测模型,模拟中国未来五年的经济增长、通胀、利率(反映货币政策松紧程度)等宏观经济环境,以及未来四类资产(股票、大宗商品、债券、现金及其等价物)的四个指数收益率.随后,本文使用单资产配置、避险配置以及Markowitz夏普比率最大进行资产配置.但是Markowitz策略缺点是对于预期收益率的输入比较敏感.根据前面未来宏观经济环境的预测,本文发现未来的经济状态的主旋律主要是滞涨和衰退经济轮动,本文认为由于经济环境的利率上升和信贷渠道的萎缩导致的流动性下降,现金和大宗商品相对于股票和债券相对而言比较强势.为了更好的融入本文对于未来经济周期的观点,本文采用Black-Litterman资产配置策略.最后本文在计算了不同资产配置策略下投资组合的风险收益特征,并结合各自策略特性进行比较与分析.

基于多模型融合Stacking集成学习保险欺诈预测

本文结合人工智能的前沿理论研究,提出一种基于改进XGBoost与LightGBM模型融合的Stacking集成学习方式的保险欺诈行为预测模型.该模型对保险公司被保人保险欺诈行为的识别具有启示意义,有助于保险公司更好地识别被保人的骗保行为,强化自身风控体系.首先对XGBoost与LightGBM进行Stacking模型融合生成两个新特征,新生成的两个特征和原有的40个特征合并作为第二层Stacking训练模型的输入.其次,在Stacking的第二层中分别选择使用多种分类学习模型,包括Bagging、LightGBM、XGBoost以及传统机器分类模型,包括逻辑回归、高斯贝叶斯、决策树等,各模型的训练和参数均由K折交叉验证和遗传算法优化得到.算例数据来源于阿里云天池挑战赛公开的保险欺诈数据集,对构建多模型融合的Stacking模型预测性能进行了验证与测试.预测结果表明,与传统机器分类模型预测结果相比,基于XGBoost与LightGBM Stacking模型融合集成学习模型对保险欺诈行为具有较高的识别能力.最后,根据计算并可视化出最优分类模型不同特征的重要性结果,得出结论:被保人的职业、发生保险事故的城市、发生保险事故的地区、资本收益、资本亏损是识别保险欺诈行为的重要特征.

考虑温度累积效应下基于LS-SVMR电力负荷预测研究

基于广东省某地区2018—2022年每日最大负荷数据及同期该地区日气象要素资料,发现最高气温对最大负荷的影响具有累积效应,影响温度类型效益的因素主要是预测日最大气温以及持续高温的天数;文章建立了气温累积效应的日最高气温修正公式,并利用实例验证了最高气温累积效应对最大电力负荷的影响.面对96个时点负荷数据复杂时序性和非线性的特性,构建了一种基于最小二乘支持向量机(LS-SVMR)网络电负荷最大值的预测模型,该方法考虑了对负荷有影响的节假日与工作日、天气、温度等相关因素,将修正后的日最高气温及最大电力负荷作为输入层,应用基于遗传算法优化后的最小二乘支持向量机对最大电力负荷进行预测.模型预测结果表明:本文的模型预测精度比传统BP、RBF神经网络负荷预测方法,具有更高的预测精度,预测结果能更好地为电力调度及安全运行提供参考依据.