债券违约预警模型的优化与提升--基于SMOTETomek-GWO-XGBoost的方法

自2014年我国债券市场首例违约事件发生以来,债券违约屡见不鲜。文章以2014—2022年发行的公司债、企业债和中期票据为研究对象,选取财务指标与非财务指标,搭建了基于机器学习算法SMOTETomek-GWO-XGBoost的债券违约风险预警模型。结果表明:(1)与其他方法相比,GWO-XGBoost模型在准确率、召回率、未加权平均召回率以及AUC值这四个指标上具有更加优异的表现;(2)SMOTETomek采样方法可以有效平衡数据样本,因此SMOTETomek-GWO-XGBoost模型具有更高的精度与稳定性;(3)SHAP值法可以展示不同特征变量对债券违约风险的贡献度,有利于就重要特征进行针对性分析。

基于GWO-XGBoost的企业债券违约风险预警研究

企业债券违约事件的频繁发生严重侵害了相关投资者的合法利益,更极大影响了我国债券市场的健康发展,合理开展企业债券违约风险预警具有重要现实意义。文章在构建基于GWO-XGBoost的风险预警模型基础上,明晰不同行业企业债券违约风险情况,并选取具体案例进行全面分析,确定企业债券违约风险情况,为开展相应管控工作提供借鉴。

基于LightGBM-TextCNN-XGBoost的超短期光伏功率预测研究

针对超短期光伏功率预测的传统方法存在的限制,本文提出了一种基于LightGBM-TextCNN-XGBoost算法的预测模型。首先,本文对原始数据进行了预处理,并使用CEEMDAN对数据进行模态分解。然后,该文将模态分解后的数据归一化,并基于GWO-FCM聚类算法将数据聚类为三种天气类型。接着,该文将数据划分为训练集和测试集,分别对LightGBM和TextCNN算法进行训练。最后,文章基于Stacking思想建立了基于LightGBM-TextCNN-XGBoost算法的模型进行预测,并使用R 2等评价指标对预测模型进行了综合评价。实验结果显示,文中模型的预测效果非常优秀。这种模型能够精确地预测光伏发电的功率,有助于光伏电站降低损失,从而确保微电网的安全稳健运行。