基于机器学习技术的系统性金融风险监测预警

相对于传统的经济建模手段,机器学习方法具有良好的非线性建模性能等内在优点,从而显示出巨大的应用潜力。本文提出了一个基于机器学习技术的系统性金融风险监测预警体系,并从理论依据和实证检验双重角度给出了解释和验证。具体而言,从经济基本面、货币供给面、财政状况、证券和利率市场、价格指数、外汇和汇率市场、杠杆率及银行体系8个层面选取预测预警指标,并采用5种典型的机器学习模型及其集成模型对系统性金融风险进行预测,研究结果表明：(1)相对于传统的线性模型,善于捕捉非线性关系的机器学习模型,无论是在样本内还是在样本外均表现优异;(2)Lasso模型在向前一期预测时表现最好,SVM模型在向前多期预测时能力更强,集成模型则能兼顾样本内拟合效果和样本外预测能力,具有较强的稳健性;(3)PDP模型可以对特征的非线性性和重要性进行有效识别,从而有助于打开机器学习的黑箱;在所有预测预警变量中,汇率、货币供给量、市场利率以及工业品价格是影响系统性金融风险的关键因素,通过对这些重点变量的监测有助于对系统性金融风险进行早期防范。     

基于非凸惩罚的SVM模型对科技型中小企业信用风险评估

以科技型中小企业为研究对象,从企业的盈利能力、成长能力、运营能力、偿债能力、供应链因素五方面选取了17个影响因素,运用带有非凸惩罚的SVM模型(SCAD SVM)模型对影响中小企业的信用风险因素进行研究,并选用LassoSVM和SVM作为对比,进行变量选择和参数估计,最后对模型的准确率进行预测,得出结论:Lasso SVM方法倾向于留下一些不太重要的变量,而SCAD SVM方法通过将系数大的变量保留,系数小的直接减小为0的方式,可以选择出重要的变量,通过预测精度验证发现,SCAD SVM方法比Lasso SVM和SVM的预测精度更高.     

基于统计方法的神经网络预测模型研究

与现有网络结构设计方法不同,本文将RBF网络解释为解释变量和被解释变量之间的一个非线性函数,基于RBF网络的学习动态特性提出2种修剪模型WRBF和TRBF。这两种模型根据参数显著性增加和删减节点,为网络结构设计提供了理论依据。对中国信贷序列预测的结果表明,这些模型能够识别外移、萎缩和衰减等冗余核函数,得到的精简网络具有最好的预测精度,对于提高货币政策前瞻性具有很好应用价值。     

投资者注意的风险补偿对股市回报的预测

利用历史累积交易金额数据,本文构造了中国股票市场增量注意风险补偿和存量注意风险补偿,并检验其对中国股票市场收益率的预测能力。样本外检验结果显示,以上两种注意风险补偿均能显著预测下个月中国股市的超额收益率,其R²分别达到了2.68%和2.50%;与中国股票市场中其他预测变量相对比,增量注意和存量注意风险补偿表现出更强的预测能力。此外,基于不同的样本外检验期、不同的风险厌恶参数以及五种不同的变量构造方式,投资者注意风险补偿均产生显著的预测能力。围绕着经济周期波动,本文对注意风险补偿的预测能力进行了解释,同时还发现,相较于经济衰退期间,经济繁荣期间的投资者注意风险补偿样本外预测能力更强。     

成交量信息有助于预测中国股票市场的波动吗?

就成交量信息是否有助于预测股票市场的波动率这一问题,目前学术界有两种截然相反的观点存在。本文以中国股票市场代表性指数的代表性波动周期为例,对上述问题进行了实证研究。通过采用较以往研究更为严谨和稳健的样本外滚动时间窗预测法和高级预测能力检验法(Superiorpredictive ability,SPA),本文得到的分析结论包括:(1)成交量信息对中国股票市场的波动过程有显著影响;(2)将成交量纳入GARCH族模型会导致条件方差方程中的波动持续性出现明显下降;(3)引入成交量作为附加解释变量的GARCH族模型并未表现出比一般GARCH族模型更优的波动率预测能力。最后对实证结果给出了理论解释。     

稀疏组Lasso-logistic回归模型在财务报告舞弊识别中的应用研究

财务报告舞弊行为对广大投资者的切身利益造成巨大损害,如何高效识别财务报告中的舞弊行为已成为目前研究的热点.在对已有的财务报告舞弊识别模型分析的基础上,提出一种基于稀疏组Lasso-logistic回归的识别模型,并通过选取近8年间180家上市公司年报数据作为样本,综合财务及非财务指标,从盈利能力、营运能力、偿债能力、治理结构等方面设计了15组29个解释变量使用该模型进行了实证研究.结果证明,与以往的向前Logistic回归、Lasso-logistic回归和组Lasso-logistic回归等模型相比,稀疏组Lasso-logistic回归识别模型不但具备良好的变量筛选能力而且可以获得更好的识别效果,具有较高的应用价值.     

基于支持向量机委员会机器的个人信用评估模型

为了充分利用SVM在个人信用评估方面的优点、克服其不足,提出了基于支持向量机委员会机器的个人信用评估模型.将模型与基于属性效用函数估计构造新学习样本方法结合起来进行个人信用评估;经实证分析及与SVM方法对比发现,模型具有更好、更快、更多适应性的预测分类能力.     

基于支持向量机的大豆产量预测研究

应用支持向量机(SVM)的算法进行中国大豆产量的预测研究,用1991-2008年中国大豆数据组成样本集,建立影响因素与大豆产量之间的SVM模型.利用SVM对输入和输出数据进行训练学习,逼近历史数据所隐含的函数关系,完成对新数据序列的映射关系,从而完成对未来年份大豆的预测,并与其它几种方法的预测效果进行比较.结果表明,SVM预测模型预测大豆产量的精度优于其它预测方法.     

不平衡数据的企业财务预警模型研究

在股票市场中,由于被评为"ST"的公司数量远远少于普通的公司,所以用于训练财务预警模型的数据有着严重的不平衡性。而一般的分类模型如logistic回归等并不具备处理不平衡数据的能力。本文应用加权L1正则化支持向量机(w-L1SVM)构建一个可以处理不平衡数据的财务预警模型:一方面,w-L1SVM通过对两类样本的损失函数进行加权处理,有效地解决了样本不平衡性带来的预测精度问题;另一方面,w-L1SVM通过引入LASSO罚,使得模型在训练的过程中可以直接进行特征选择。通过数值模拟,本文验证了w-L1SVM在非平衡数据分类问题中的预测和特征选择表现。在实证研究中,本文针对我国股票市场机械、设备、仪表板块中的上市公司构建了一个基于w-L1SVM的财务预警模型,结果显示基于w-L1SVM的财务预警模型可以有效选择重要的财务指标并预测被评为"ST"的公司,并且其预测效果显著优于非加权的传统模型,这充分说明了w-L1SVM在财务预警问题中的适用性。     

基于解释结构模型的学生学习行为投入评价因素研究

学生学习行为投入是教学研究中的热点问题,对改善学习绩效,提升教育质量具有重要意义.通过文献梳理和专家访谈,识别出学生学习行为投入评价影响因素的15个变量,并确定了各因素变量之间的二元关系.在此基础上,采用解释结构模型方法对这些影响因素进行层级建模,得到学生学习行为投入评价影响因素解释结构模型.研究发现:学术拓展、任务独立、寻求挑战、交流讨论、协作学习、克服困难是影响学习行为投入的直接因素,更多的投入、自我检测、积极响应、出勤和参与决策与管理是根本因素,坚持、专注、自我调节和任务管理作为间接因素发挥作用.最后对研究结果进行相关分析,进而为促进学生学习行为投入提供一定的参考.     

稳定分布中偏度参数的一个新估计

当观测到数据出现Gauss分布无法捕捉的厚尾和非对称特征时,具有幂率尾行为与求和框架的稳定分布常被用作拟合模型.考虑到偏度参数是除特征指数之外另一个度量稳定分布尾行为的重要指标,本文首先使用逻辑函数连接偏度参数和由协变量组成的线性预测,构成一个尾回归模型.然后,使用近似对数似然函数获得偏度参数回归估计并给出估计的渐近正态性质.最后,通过一个实例阐明本文所给的估计不仅具有一定的解释经济意义的能力,预测表现也在预期范围内.     

基于SVM理论的一种新的数据分类方法

基于 SVM分类器在模式识别问题中有独特的优势 ,本文通过对标准 SVM模型的改造 ,提出了一种新的简单的数据分类方法 .理论分析和实验表明 ,该方法与标准 SVM分类方法相比具有处理大规模数据识别的能力且保持较高的样本识别率 ,节省存储空间等优势 .     

Grid-Search和PSO优化的SVM在Shibor回归预测中的应用研究

作为一种动态和非稳定时间序列,Shibor发展变化是随机波动的,难以准确预测Shibor的波动性.支持向量机(SVM)在回归预测非线性时间序列方面有很好地预测效果,SVM的预测精度和泛化能力的核心是参数的优化选择,分别用网格搜索法(Grid-Search)和粒子群(PSO)算法来优化SVM的参数c和g.从而将参数优化后的SVM非线性回归预测法与基于传统ARIMA时间序列预测结果进行对比分析.实验表明,优化后的SVM回归预测方法比ARIMA时间序列方法更精确,在实际中具有很大的应用价值.     

马尔可夫状态转换加随机波动瞬时利率模型实证研究

文章对中国瞬时利率动态行为进行了实证研究,比较了一类马尔可夫状态转换加随机波动扩散模型。与以往研究不同,文章对模型所有参数采用基于Gibbs抽样的马尔可夫链蒙特卡罗模拟方法进行估计。同时,通过MAE(绝对误差平均值)、MRSE(平方误差均值)、调整R~2、对数损失函数LL以及非参数Wilcoxon检验对各种模型的样本内与样本外预测能力进行了分析与比较,结果表明:中国利率市场确实存在马尔可夫状态转换现象,其中Smith模型更适合刻画国内瞬时利率动态行为。     

基于NS混合模型的中国利率期限结构动态估计比较研究

采用NS混合模型动态估计中国利率期限结构,考察动态NS模型,无套利NS模型及广义无套利NS模型等NS混合模型对我国利率期限结构的动态估计效率,比较NS混合模型的样本外预测能力,检验无套利约束对混合模型动态估计的影响.本文的经验分析结果表明:无套利条件的引入增强了NS混合模型的样本内动态估计能力和样本外预测能力;五因素的广义无套利NS模型(AFGNS)无论在利率期限结构样本内动态估计还是在总体预测效率上都要高于其他模型,可将其作为利率期限结构研究的基础模型:     

基于非参数GARCH模型的中国股市波动性预测

本文采用上证综合指数和深证成份指数1997年1月2日—2005年6月30日的每日收盘价对数百分收益率为样本,运用非参数GARCH(1,1)模型研究了中国股票市场的波动性,并与参数GARCH(1,1)模型的估计结果进行了比较,最后利用六种预测误差度量指标比较了这两种模型的样本内及样本外预测能力,结果发现,非参数GARCH(1,1)模型对股市波动性的预测精度有明显提高。     

基于GA_XGBoost模型的大学生科研能力预测问题研究

科学评价大学生科研创新能力对我国科研水平的提高具有重要意义.采用机器学习模型来预测大学生科研能力可以起到良好的效果,提出一种GAXGBoost模型来实现对大学生的科研能力预测.此模型是以Xgboost算法为基础,然后充分利用遗传算法的全局搜索能力自动搜索Xgboost最优超参数,避免了人为经验调参不准确的缺陷,最后采用精英选择策略以此确保每一轮都是最佳的进化结果.通过分析表明,所采用的GAXGBoost模型在大学生科研能力预测的结果中具有很高的精度,将此模型与Logistic Regression、Random Forest、SVM等模型进行对比,GAXGBoost模型的预测精度最高.     

经济政策不确定性与短期利率波动——基于BHK-L-MIDAS模型的实证研究

本文在BHK模型的基础上，考虑短期利率波动杠杆效应和EPU对短期利率波动的影响，构建了一个包含杠杆效应和EPU的混频短期利率模型，即BHK-L-MIDAS模型对短期利率波动进行建模与预测。采用上海银行间同业拆借利率(SHIBOR)和中国EPU指数数据对构建的BHK-L-MIDAS模型进行实证分析，结果表明：短期利率波动存在“反向杠杆效应”;EPU对短期利率波动具有显著负向的影响；BHK-L-MIDAS模型相较于竞争模型(BHK和BHK-MIDAS模型)获得了更好的样本内数据拟合效果。基于三种损失函数以及模型置信集(MCS)检验对模型样本外短期利率波动预测能力的分析表明：BHK-L-MIDAS模型相比BHK模型和BHK-MIDAS模型具有更高的样本外预测精度，且BHK-L-MIDAS模型在不同预测窗口表现出的预测能力具有稳健性。最后，VaR分析表明BHK-L-MIDAS模型在短期利率市场风险度量方面的经济价值。     

基于多因素SVM的油价预测模型研究

准确预测国际原油价格,对于维护经济稳定和规避风险具有重要意义.由于国际油价的波动是由多种因素引起的,本文采用误差修正模型确定原油价格与因素的关系.将结果作为SVM回归预测模型的输入模式,建立基于多因素SVM的油价预测模型.通过实证研究,发现基于多因素SVM的油价预测模型相对于误差修正模型和基于国际油价本身的自回归SVM预测模型具有更好的拟合和预测效果.     

中国股票市场横截面收益率的可预测性研究——兼与美国对比

本文旨在检验中国股票市场横截面收益的可预测性。我们选取了15个公司层面的特征指标作为变量,现有文献已经发现这些指标在美国股票市场上具有预测横截面股票收益的能力。我们检验这些变量在中国股票市场是否可以用来预测股票收益,样本的时间区间为1996~2015年。我们发现这些变量在中国股票市场对股票横截面收益的预测能力是相对较弱的。我们对中国股票市场的弱可预测性提出了两种可能的解释:其一,可能是收益预测因子在中国股票市场中的同质性比在美国股票市场中更强;其二,在中国股票市场中股票价格的无效率程度比较高。两种解释我们都找到了实证依据来支撑。