正則化機(jī)器學(xué)習(xí)算法及其財(cái)務(wù)預(yù)警應(yīng)用研究.pdf

1、機(jī)器學(xué)習(xí)算法已廣泛應(yīng)用于財(cái)務(wù)危機(jī)預(yù)警建模。然而，隨著對(duì)機(jī)器學(xué)習(xí)算法的不斷深入研究，發(fā)現(xiàn)其在構(gòu)建模型時(shí)存在過擬合和模型系數(shù)非稀疏問題，所以考慮將統(tǒng)計(jì)學(xué)習(xí)理論中的正則化技術(shù)引入到機(jī)器學(xué)習(xí)算法中，從而建立正則化機(jī)器學(xué)習(xí)算法的預(yù)警模型。本文主要針對(duì)邏輯回歸（Logistic Regression，LR）和支持向量機(jī)（Support Vector Machine，SVM）提出各種改進(jìn)的形式以及給出相應(yīng)的求解算法，并且利用改進(jìn)后的算法來構(gòu)建危機(jī)預(yù)報(bào)

2、模型。
　　首先，介紹了課題研究背景與意義，并簡(jiǎn)要?dú)w納了國內(nèi)外預(yù)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(shí)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(gè)財(cái)務(wù)指標(biāo)變量以及確定了樣本數(shù)據(jù)年份的選取。
　　接著，針對(duì)LR建模時(shí)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(duì)偏離（Smoothly Clipped Absolute Deviation，SCAD）懲

3、罰LR的預(yù)警模型，并就該模型的求解給出了實(shí)現(xiàn)算法，而且利用收集到的財(cái)務(wù)樣本數(shù)據(jù)驗(yàn)證了SCAD-LR模型更具優(yōu)越性。還有，針對(duì)L1正則化LR問題的難解性，設(shè)計(jì)了一個(gè)高效的內(nèi)點(diǎn)法，并通過仿真實(shí)驗(yàn)說明了L1-LR模型的稀疏性和分類效果相對(duì)更好以及設(shè)計(jì)的內(nèi)點(diǎn)法相對(duì)較優(yōu)。
　　然后，針對(duì)傳統(tǒng)SVM無法很好地刻畫變量間的相關(guān)性，提出使用經(jīng)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(gòu)建預(yù)警模型。在進(jìn)行實(shí)

4、驗(yàn)之前，為剔除不顯著的指標(biāo)變量，對(duì)樣本數(shù)據(jù)進(jìn)行了顯著性檢驗(yàn)，而后將顯著變量的數(shù)據(jù)用于對(duì)比實(shí)驗(yàn)，結(jié)果表明q-高斯核SVM比高斯核SVM具有更高的預(yù)報(bào)精度和更低的兩類錯(cuò)誤。
　　最后，為克服傳統(tǒng)SVM存在的對(duì)離群點(diǎn)敏感、支持向量個(gè)數(shù)多以及分類面參數(shù)非稀疏問題，提出了SCAD懲罰截?cái)鄅inge損失SVM的預(yù)警模型，并就該模型的求解設(shè)計(jì)了一個(gè)迭代更新求解算法。利用樣本數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，結(jié)果表明SCAD-TSVM算法構(gòu)建的模型在稀疏性、預(yù)報(bào)精度