基于贡献度随机森林模型的公司债信用风险实证分析

运用贡献度随机森林方法(CRF)方法探讨公司债财务指标比率与其违约率的关系.运用连续属性离散化方法(OB)进行财务指标最优降维;运用WOE变换进行模型变量约简.研究表明,CRF模型的分类性能显著优于其他模型,测试集评估总体正确率达90.47%,AUC统计量、AR比率及K-S值分别提升了2.6%、7.6%、4.38%,变量贡献度量化了各财务指标对违约率影响,为诠释随机森林预测机制提供了依据.     

稀疏降维的近似凸壳覆盖一类分类器构造

针对高维数据集常常存在冗余和维数灾难,在其上直接构造覆盖模型难以充分反映数据分布信息的问题,提出一种基于稀疏降维近似凸壳覆盖模型.首先采用同伦算法求解稀疏表示中l_1优化问题,通过稀疏约束自动获取合理近邻数并构建图,再通过LPP(Locality Preserving Projections)来进行局部保持投影,进而实现对高维空间快速有效地降维,最后在低维空间通过构造近似凸壳覆盖实现一类分类.在UCI数据库,MNIST手写体数据库和MIT-CBCL人脸识别数据库上的实验结果证实了方法的有效性,与现有的一类分类算法相比,提出的覆盖模型具有更高的分类正确率.     

变量筛选后的个人信贷评分模型与统计学习

如何通过构建可靠的信用评分模型来评估贷款申请人的信用风险在信贷风险管理行业中发挥着重要的作用,这也成为学术界和商业界的一项重要研究课题。本文通过先筛选数据变量,然后再建立模型的方法,探讨了3种不同连接函数下广义线性模型的分类问题,并且当连接函数为logit (对应logistic回归模型)时,加入了自变量的交互项以优化模型。以德国UCI数据集为例,采用AUC和KS指标作为评价指标,与随机森林、支持向量机和XGBoost模型等目前信贷评分中最常用的统计学习模型进行了分析对比,结果表明:广义线性模型中logistic回归模型和SVM预测效果尚佳;对于连接函数为logit的广义线性模型,加入交互项后AUC和KS有所提高,表明交互项的加入优化了模型。     

基于BalanceCascade-GBDT算法的类别不平衡虚假评论识别方法

虚假评论是电商发展过程中一个无法避免的难题. 针对在线评论数据中样本类别不平衡情况,提出基于BalanceCascade-GBDT算法的虚假评论识别方法. BalanceCascade算法通过设置分类器的误报率逐步缩小大类样本空间,然后集成所有基分类器构建最终分类器. GBDT以其高准确性和可解释性被广泛应用于分类问题中,并且作为样本扰动不稳定算法,是十分合适的基分类模型. 模型基于Yelp评论数据集,采用AUC值作为评价指标,并与逻辑回归、随机森林以及神经网络算法进行对比,实验证明了该方法的有效性.     

基于限制玻尔兹曼机的极限学习机方法

针对高维数据中存在冗余以及极限学习机(ELM)存在随机给定权值导致算法性能不稳定等问题,将限制玻尔兹曼机(RBM)与ELM相结合提出了基于限制玻尔兹曼机优化的极限学习机算法(RBM-ELM).通过限制玻尔兹曼机对原始数据进行特征降维的同时,得到ELM输入层权值和隐含层偏置的优化参数.实验结果表明,相比较随机森林,逻辑回归,支持向量机和极限学习机四种机器学习算法,RBM-ELM算法能获得较高的分类精度.     

移动通信中的无线信道指纹特征建模

为了探索无线信道的传播特征并建立相应的无线信道模型,针对无线信道的"指纹"特征建模及场景识别问题,提出基于无迹卡尔曼神经网络的信道建模方法.首先采用霍特林变换对信道传播数据进行预处理,实现数据从复数域到实数域的转换,然后利用主元分析对数据进行降维,得到降维数据后,采用无迹卡尔曼神经网络进行无线信道"指纹"特征建模,最后根据模型的输出值建立无线信道的评价指标,对测量的信道数据进行场景划分以及场景识别.仿真结果表明:无迹卡尔曼神经网络所建信道模型可准确对无线信道进行类别划分和场景识别.     

一类小样本的统计方法建模及其可视化

针对一类高维小样本数据,利用统计方法的非参数检验与偏最小二乘回归(PLS)构造小样本预测模型,实现基于Wilcoxon秩和检验的变量选择与基于PLS的变量压缩降维.并通过DNA序列分类问题实现基于统计方法的小样本数据建模与可视化,计算结果表明方法对小样本具有可行性、有效性.     

基于WOE-Probit逐步回归的信用指标组合筛选模型及应用

依次使用证据权重法(WOE)、逐步回归法、Probit模型的系数显著检验法对信用评价指标进行三轮筛选,构建了一套精简且区分违约状态能力强的信用评价指标三重组合筛选模型,并以某商业银行信贷数据库中的782个微型企业样本进行了应用分析.通过ROC曲线对构建的评价指标体系进行检验,得到AUC值为0.9472,表明了基于WOE-Probit逐步回归的信用指标组合筛选模型的合理性.通过与WOE-Logistic逐步回归作对比,得到基于WOE-Probit逐步回归的信用指标组合筛选模型的AUC值大于基于WOE-Logistic逐步回归的信用指标组合筛选模型的AUC值,表明方法的优越性.     

基于时滞和多维相依风险模型的最优期望-方差比例再保险

本文考虑基于时滞和多维复合Poisson相依风险模型的最优比例再保险问题,以最大化终端财富值的期望-方差效用为目标,在博弈论的框架下构建时间不一致问题,并探讨该问题下的子博弈Nash均衡策略.通过随机控制理论以及相应的广义Hamilton-Jacobi-Bellman(HJB)方程,本文得到了保险业务数量n=2情形下最优策略和值函数的显式表达;同时通过降维的方法得到n=3情形下最优结果的解析解,这类降维的方法同样适用于n3的情形.最后,通过一些数值例子和图表来进一步说明所获得的结论,并探讨模型中某些重要参数对最优结果的影响.     

基于降阶模型和数据驱动的动态结构数字孪生方法北大核心CSCD

针对受动载荷作用的结构,提出了一种基于降阶模型库和机器学习数据驱动的数字孪生构建方法.首先根据物理结构服役过程中可能出现的损伤状态,采用有限单元法建立高保真有限元模型.其次采用Krylov子空间模型降阶方法对模型进行降阶,建立了物理结构各种状态下的降阶模型,形成模型库.最后利用随机森林机器学习算法训练获得模型选择器,通过物理结构上传感器的数据推断当前物理结构的状态,驱动数字孪生体跟随物理结构一同演化.设计制作了一个框架结构物理模型,模拟了结构不同位置损伤及不同损伤程度,验证了提出的数字孪生构建方法.