2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩66頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、機器學習算法已廣泛應用于財務危機預警建模。然而,隨著對機器學習算法的不斷深入研究,發(fā)現(xiàn)其在構建模型時存在過擬合和模型系數(shù)非稀疏問題,所以考慮將統(tǒng)計學習理論中的正則化技術引入到機器學習算法中,從而建立正則化機器學習算法的預警模型。本文主要針對邏輯回歸(Logistic Regression,LR)和支持向量機(Support Vector Machine,SVM)提出各種改進的形式以及給出相應的求解算法,并且利用改進后的算法來構建危機預報

2、模型。
  首先,介紹了課題研究背景與意義,并簡要歸納了國內外預警建模方法的研究現(xiàn)狀。其次,較系統(tǒng)地介紹了LR算法和SVM算法,同時選取了2010年至2012年間的78家A股制造業(yè)上市公司作為樣本公司,而且還選取了29個財務指標變量以及確定了樣本數(shù)據年份的選取。
  接著,針對LR建模時存在過擬合和模型系數(shù)非稀疏問題,提出了平滑削邊絕對偏離(Smoothly Clipped Absolute Deviation,SCAD)懲

3、罰LR的預警模型,并就該模型的求解給出了實現(xiàn)算法,而且利用收集到的財務樣本數(shù)據驗證了SCAD-LR模型更具優(yōu)越性。還有,針對L1正則化LR問題的難解性,設計了一個高效的內點法,并通過仿真實驗說明了L1-LR模型的稀疏性和分類效果相對更好以及設計的內點法相對較優(yōu)。
  然后,針對傳統(tǒng)SVM無法很好地刻畫變量間的相關性,提出使用經典高斯函數(shù)的參數(shù)推廣形式——q-高斯函數(shù)作為SVM的核函數(shù),并將q-高斯核SVM用于構建預警模型。在進行實

4、驗之前,為剔除不顯著的指標變量,對樣本數(shù)據進行了顯著性檢驗,而后將顯著變量的數(shù)據用于對比實驗,結果表明q-高斯核SVM比高斯核SVM具有更高的預報精度和更低的兩類錯誤。
  最后,為克服傳統(tǒng)SVM存在的對離群點敏感、支持向量個數(shù)多以及分類面參數(shù)非稀疏問題,提出了SCAD懲罰截斷hinge損失SVM的預警模型,并就該模型的求解設計了一個迭代更新求解算法。利用樣本數(shù)據進行實驗,結果表明SCAD-TSVM算法構建的模型在稀疏性、預報精度

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論