Науковий вісник НГУ

Модель динамічної оцінки раннього попередження фінансової кризи на основі метода опорних векторів

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Економіка та управління

Останнє оновлення: 03 жовтня 2016

Опубліковано: 03 жовтня 2016

Перегляди: 3642

Authors:

Ці Чжу, Коледж фінансів і бухгалтерського обліку, Аньхойський університет Саньлянь, Хефей Аньхой, Китай

Abstract:

Мета. Важливою темою досліджень в області економіки є раннє попередження банкрутства підприємства і вживання відповідних заходів зі зниження впливу. У даній роботі, в основному, досліджується питання про те, як покращити метод опорних векторів (SVM), заснований на ефекті прогнозування моделі раннього попередження фінансової кризи.

Методика. З урахуванням удосконаленого способу функції ядра, що експортується римановою геометричною структурою, побудована система раннього попередження фінансової кризи на основі алгоритму SVM.

Результати. Покращена модель SVM дозволяє ефективно зменшувати число опорних векторів так, щоб модель мала кращу здатність до узагальнення, забезпечувала точнішу класифікацію для невідомих зразків. Покращена модель SVM підвищила точність класифікації для первинного навчання й тестування вибірки.

Наукова новизна. Проведено конкретний аналіз удосконаленого алгоритму для функції ядра на основі інформаційних даних, у відповідності до рівня масштабування інформаційних даних з можливістю регулювання відображення. Отримано вираз алгоритму мір Рімана на функцію поліноміального ядра. На даний момент не існує іншої літератури з описом подібних досліджень.

Практична значимість. Для питання раннього попередження фінансової кризи, якщо його масштаб не великий, а також з урахуванням реальних інтересів підприємства, часто буває доцільно добиватися кращого прогнозуючого ефекту. У цьому випадку застосування моделі SVM з покращеною функцією ядра є хорошим рішенням.

Ключові слова: метод опорних векторів (SVM), функція ядра, раннє попередження банкрутства підприємства

References/Список літератури

1. Koyuncugil, A.S. and Ozgulbas, N., 2012. Financial early warning system model and data mining application for risk detection. Expert Systems with Applications, Vol. 39, No. 6, pp. 6238–6253.

2. Li, J., Qin, Y., Yi, D., Li, Y. and Shen, Y., 2014. Feature Selection for Support Vector Machine in the Study of Financial Early Warning System. Quality and Reliability Engineering International, Vol. 30, No. 6, pp. 867–877.

3. Candelon, B., Dumitrescu, E.I. and Hurlin, C., 2012. How to evaluate an early-warning system: Toward a unified statistical framework for assessing financial crises forecasting methods. IMF Economic Review, Vol. 60, No. 1, pp. 75–113.

4. DeYoung, R. and Torna, G., 2013. Nontraditional banking activities and bank failures during the financial crisis. Journal of Financial Intermediation, Vol. 22, No. 3, pp. 397–421.

5. Kwak, W., Shi, Y. and Kou, G., 2012. Bankruptcy prediction for Korean firms after the 1997 financial crisis: using a multiple criteria linear programming data mining approach. Review of Quantitative Finance and Accounting, Vol. 38, No. 4, pp. 441–453.

6. Kenourgios, D., Samitas, A. and Paltalidis, N., 2011. Financial crises and stock market contagion in a multivariate time-varying asymmetric framework. Journal of International Financial Markets, Institutions and Money, Vol. 21, No. 1, pp. 92–106.

7. Chen, M.Y., 2011. Predicting corporate financial distress based on integration of decision tree classification and logistic regression. Expert Systems with Applications, Vol. 38, No. 9, pp. 11261–11272.

8. Youn, H. and Gu, Z., 2010. Predicting Korean lodging firm failures: An artificial neural network model along with a logistic regression model. International Journal of Hospitality Management, Vol. 29, No. 1, pp. 120–127.

9. Chen, M.Y., 2011. Predicting corporate financial distress based on integration of decision tree classification and logistic regression. Expert Systems with Applications, Vol. 38, No. 9, pp. 11261–11272.

10. Aydin, A.D. and Cavdar, S.C., 2015. Prediction of Financial Crisis with Artificial Neural Network: An Empirical Analysis on Turkey. International Journal of Financial Research, Vol. 6, No. 4, pр. 36–46.

11. Kerzman, N., 1971. The Bergman kernel function. Differentiability at the boundary. Mathematische Annalen, Vol. 195, No. 3, pp. 149–158.

04_2016_Qi
2016-09-26  877.85 KB  892

• < Попередня
• Наступна >