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。

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。

基于系统动力学的新服务开发知识转移研究——以知识密集型服务企业为例

为了帮助企业在新服务开发中有效地吸收客户知识,从而达到获取创新优势的目的,文章运用系统动力学的方法分析企业与客户间知识转移的因果关系和行为演化特征,通过构建新服务开发中知识转移的系统动力学模型,并对模型进行仿真分析,发现该模型对转移情境与知识吸收能力变量的灵敏度较高。在此基础上为企业制定新服务开发过程中的知识转移策略提供建议。