發(fā)布時間：2020-11-12 14:31

　　 提出了一種基于隨機森林和支持向量機的集成模型來預測商業(yè)銀行財務困境.結果表明,一方面,與多層感知神經網絡相比,支持向量機可以更有效地作為集成學習模型的基分類器,雖然多層感知器神經網絡在以往的研究中更多地被用于基分類器.另一方面,與現(xiàn)有的bagging、dagging、multiboost、adaboosting、random subspace等集成學習算法相比,該模型的預測性能明顯提高.另一個關鍵發(fā)現(xiàn)是,利用銀行業(yè)、宏觀經濟狀況和國際金融風險變量補充銀行層面的脆弱性,可以顯著提高模型在商業(yè)銀行財務困境預測中的表現(xiàn).

【參考文獻】

相關期刊論文 前2條

1 溫珂;;動態(tài)參數(shù)神經網絡的投資銀行風險預測模型[J];科技通報;2015年09期

2 遲國泰;潘明道;齊菲;;一個基于小樣本的銀行信用風險評級模型的設計及應用[J];數(shù)量經濟技術經濟研究;2014年06期

相關博士學位論文 前1條

1 馮業(yè)偉;基于支持向量機和移動Agent技術的銀行風險早期預警系統(tǒng)研究[D];中國海洋大學;2011年

【二級參考文獻】

相關期刊論文 前10條

1 陳瑩;武志偉;李心丹;翁炳辰;;基于MCLP模型的個人住房抵押貸款違約風險研究[J];審計與經濟研究;2015年01期

2 范宏;李佳妮;;基于不同投資行為的動態(tài)銀行網絡穩(wěn)定性研究[J];復雜系統(tǒng)與復雜性科學;2014年04期

3 戴紅軍;孫濤;;商業(yè)銀行信貸管理中行業(yè)風險評價研究——基于嶺回歸方法[J];會計之友;2013年31期

4 章彰;;持續(xù)監(jiān)管銀行的風險預測能力[J];中國金融;2013年08期

5 李家軍;李婭婭;;基于BP模型的商業(yè)銀行貸款風險預測[J];計算機仿真;2008年03期

6 彭壽康;;會計信息的數(shù)據(jù)挖掘方法與銀行信貸風險預測[J];商業(yè)經濟與管理;2008年03期

7 孫清;;信用風險模型預測能力比較分析[J];經濟理論與經濟管理;2007年07期

8 陳偉;夏建華;;綜合主、客觀權重信息的最優(yōu)組合賦權方法[J];數(shù)學的實踐與認識;2007年01期

9 李萌;Logit模型在商業(yè)銀行信用風險評估中的應用研究[J];管理科學;2005年02期

10 方先明,熊鵬;基于RBF網絡的商業(yè)銀行信用風險控制研究[J];金融論壇;2005年04期

相關博士學位論文 前3條

1 陳祥國;衛(wèi)星數(shù)傳調度的蟻群優(yōu)化模型及算法研究[D];國防科學技術大學;2010年

2 龍濤;多UCAV協(xié)同任務控制中分布式任務分配與任務協(xié)調技術研究[D];國防科學技術大學;2006年

3 馬巧云;基于多Agent系統(tǒng)的動態(tài)任務分配研究[D];華中科技大學;2006年

【相似文獻】

相關期刊論文 前10條

1 趙志升;傅軒昂;靳曉松;劉洋;;基于隨機森林特征選擇的垃圾短信識別[J];電腦與信息技術;2018年06期

2 秦喜文;郭宇;董小剛;郭佳靜;袁迪;;基于局部均值分解和迭代隨機森林的腦電分類[J];吉林大學學報(信息科學版);2020年01期

3 趙藝淞;楊昆;王保云;黎曉路;;隨機森林在城市不透水面提取中的應用研究[J];云南師范大學學報(自然科學版);2017年03期

4 左曉慶;李瀟雨;劉懷鵬;;基于隨機森林算法的城區(qū)土地覆蓋分類研究[J];河北省科學院學報;2020年01期

5 劉文博;梁盛楠;秦喜文;董小剛;王純杰;;基于迭代隨機森林算法的糖尿病預測[J];長春工業(yè)大學學報;2019年06期

6 賈少春;;隨機森林和支持向量機算法在β-發(fā)夾模體預測中的比較[J];溫州大學學報(自然科學版);2016年03期

7 盛曉欣;田翔華;周毅;;基于隨機森林癲癇患者腦電數(shù)據(jù)的分析研究[J];中國數(shù)字醫(yī)學;2020年01期

8 滕文駿;;隨機森林數(shù)據(jù)情感挖掘方法分析[J];通訊世界;2020年01期

9 沈智勇;蘇翀;周揚;沈智威;;一種面向非均衡分類的隨機森林算法[J];計算機與現(xiàn)代化;2018年12期

10 楊曉峰;嚴建峰;劉曉升;楊璐;;深度隨機森林在離網預測中的應用[J];計算機科學;2016年06期

相關博士學位論文 前10條

1 趙東;基于群智能優(yōu)化的機器學習方法研究及應用[D];吉林大學;2017年

2 彭詩力;大規(guī)�；旌蠑�(shù)據(jù)分類的核方法研究[D];天津大學;2017年

3 胡慶輝;非稀疏多核支持向量機學習方法研究[D];武漢大學;2015年

4 孫宗海;支持向量機及其在控制中的應用研究[D];浙江大學;2003年

5 翟永杰;基于支持向量機的故障智能診斷方法研究[D];華北電力大學（河北）;2004年

6 唐發(fā)明;基于統(tǒng)計學習理論的支持向量機算法研究[D];華中科技大學;2005年

7 宋夫華;支持向量機逆系統(tǒng)方法及其應用研究[D];浙江大學;2006年

8 鐘偉民;支持向量機在先進控制中的應用研究[D];浙江大學;2006年

9 吳春國;廣義染色體遺傳算法與迭代式最小二乘支持向量機回歸算法研究[D];吉林大學;2006年

10 張國云;支持向量機算法及其應用研究[D];湖南大學;2006年

相關碩士學位論文 前10條

1 張大力;基于多光譜CCD影像和LiDAR數(shù)據(jù)的單木樹種分類研究[D];東北林業(yè)大學;2019年

2 李晨;基于駕駛模擬試驗的貨車駕駛人分心駕駛識別研究[D];北京交通大學;2019年

3 陳莊宏;出行鏈活動類型識別研究[D];上海交通大學;2016年

4 王淑丹;基于機器學習的道路標志檢測與識別技術[D];杭州電子科技大學;2016年

5 寧霄;基于隨機森林和卷積神經網絡的年輪分割與參數(shù)測量研究[D];東北林業(yè)大學;2019年

6 段仕;利用機器學習算法預測綿羊全基因組蛋白質互作關系[D];內蒙古農業(yè)大學;2019年

7 楊文娣;基于多維度特征與隨機森林的對外漢語文本可讀性評估[D];華中師范大學;2019年

8 趙彩鳳;基于隨機森林的紙幣紅外特征鑒偽算法研究[D];遼寧科技大學;2019年

9 陶小華;改進的隨機森林模型在容器云任務分配中的應用研究[D];桂林理工大學;2019年

10 莊巧蕙;基于改進隨機森林算法的研究與應用[D];華僑大學;2019年

本文編號：2880853