基于KLCCF和SPG-GMKL的财务危机预警模型

财务危机预警至今仍是数据挖掘领域的研究热点,为了有效解决异构高维财务数据的挖掘,论文提出一种新的财务数据预测模型。此模型是在核局部一致的概念分解(KLCCF)的降维基础上构建广义多核学习(GMKL)分类模型。该模型很好地解决了复杂、高维、非线性的财务数据的分类问题,进而用于准确地预测财务困境。首先,核局部一致的概念分解较好地将高维非线性流形数据进行降维,得到有效的特征集,充分地展现数据流本质的几何结构。其次,谱投影梯度法(SPG)在步长设置上考虑二次信息,采用非单调步长选择准则减少评估函数的次数,它对梯度噪音具有较好的鲁棒性,进一步优化广义多核学习(GMKL)模型。最后,实验显示基于KLCCF的SPG-GMKL分类模型优于SVM分类器,具有较高的分类准确性,有效地解决了高维异构财务数据的分类问题。