• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于ODR-ADASYN-SVM的極端金融風險預警研究①

    2016-06-24 06:06:46淳偉德黃登仕
    管理科學學報 2016年5期
    關鍵詞:預警模型支持向量機

    林 宇, 黃 迅, 淳偉德, 黃登仕

    (1. 成都理工大學商學院, 成都 610059; 2. 西南交通大學經濟管理學院, 成都 610031)

    基于ODR-ADASYN-SVM的極端金融風險預警研究①

    林宇1, 黃迅1, 淳偉德1, 黃登仕2

    (1. 成都理工大學商學院, 成都 610059; 2. 西南交通大學經濟管理學院, 成都 610031)

    摘要:針對合成少數(shù)類過采樣(synthetic minority over-sampling technique, SMOTE)方法在提升支持向量機(support vector machine, SVM)的非均衡樣本學習能力中出現(xiàn)的過擬合(over fitting),引入自適應合成抽樣方法(adaptive synthetic sampling approach, ADASYN)和逐級優(yōu)化遞減欠采樣方法(optimization of decreasing reduction, ODR)分別克服SMOTE在生成新樣本中的盲目性和在處理對象上的局限性,進而與SVM相結合,構造出改進SVM,即ODR-ADASYN-SVM模型來預測中國極端金融風險;最后運用T檢驗對各模型預測精度的差異性進行顯著性檢驗以及對各模型的預測穩(wěn)定性進行評價.實證結果表明, ODR-ADASYN-SVM模型不僅能夠顯著地提升SVM的非均衡樣本學習能力,同時也能夠有效地克服SMOTE的過擬合,從而展示出優(yōu)越的極端金融風險預測性能.

    關鍵詞:ODR; ADASYN; 支持向量機; 極端金融風險; 預警模型

    0引言

    近年來爆發(fā)的次貸危機、歐債危機等金融風險危機事件,不僅給各國經濟帶來了沉重打擊,也使金融風險預警面臨著更為嚴峻的挑戰(zhàn).因此,建立科學的風險預警模型,準確地識別并有效地防范和控制風險,以維護金融經濟安全,促進經濟社會和諧穩(wěn)定,既是新形勢下金融經濟管理部門面臨的重要任務,也是學術界關注的熱點問題.

    然而,無論是對金融經濟管理部門還是對投資者來說,都更關注金融市場極端下滑(extreme downside)所引發(fā)的極端金融風險(extremely financial risk)[1].這是因為,極端金融風險盡管發(fā)生概率極小,但一旦發(fā)生,就不僅會給投資者帶來巨大損失,或是滅頂之災,甚至還可能引起社會動蕩、政權解體等嚴重后果.因此,探討極端金融風險的有效預警方法具有至關重要的現(xiàn)實意義.

    在這里需要指出的是,自從1997年東南亞金融危機發(fā)生以來,極端金融風險預警就一直都是學術界關注的焦點與熱點.學者們已運用概率比(probit)回歸、橫截面回歸(STV)、信號法(KLR模型)、邏輯(Logit)回歸、神經網絡(neural network, NN)等模型對金融風險危機預警展開了研究[2-6],雖然在預測極端金融風險上都取得了較好的效果,但卻存在前提條件過于苛刻、過學習、欠學習以及局部極小等問題[7].而SVM[8]運用計算機智能技術自動確定模型結構,不僅能有效克服上述模型所存在的問題,而且也具有優(yōu)越的智能學習與智能預測能力,因而被廣泛運用于風險預警中且取得了良好的研究效果[9].然而,SVM的良好預測性能卻需要依賴數(shù)量相同的不同類別樣本進行學習才能獲得,事實上,現(xiàn)實生活中大量存在的樣本卻往往屬于非均衡的[10],如金融市場中的極端與非極端金融危機事件所分別代表的少數(shù)和多數(shù)類樣本就正好構成一類典型的非均衡樣本.如果仍然運用SVM對這樣一類非均衡樣本進行學習,就很可能會造成SVM的分類超平面(separating hyperplane)向極端金融危機事件所代表的少數(shù)類樣本偏移,從而導致該類樣本被大量錯分,最終降低SVM的預測性能[11].由此可見,非均衡樣本使得SVM學習面臨嚴峻的挑戰(zhàn),因而就必須改進SVM模型,以提升SVM的非均衡樣本學習能力.

    盡管學者們已研究出多種方法,尤其是研究出SMOTE方法[12]來提升分類模型的非均衡樣本學習能力.但在SMOTE方法中,每個少數(shù)類樣本都盲目地生成相同數(shù)量的人造樣本,卻忽略了其鄰近樣本的分布特點,因而容易造成少數(shù)類樣本的相互重疊.同時,SMOTE也僅僅處理少數(shù)類樣本,無法實現(xiàn)對多數(shù)類樣本的處理.因此,SMOTE方法在生成少數(shù)類樣本中的盲目性以及在處理對象上的局限性,使得分類模型不僅容易錯分少數(shù)類樣本,而且也無法有效刪除多數(shù)類樣本中的噪聲信息,從而出現(xiàn)不能準確預測少數(shù)類樣本的過擬合問題[13].而ADASYN[14]卻是專門針對SMOTE的盲目性而設計的解決方法,它利用少數(shù)類樣本的密度分布來計算少數(shù)類樣本生成的數(shù)量,使學習困難的少數(shù)類樣本生成更多的人造樣本,以增強分類模型的學習能力.同時,ODR[15]利用K最鄰近規(guī)則(K-nearest neighbor,KNN)來計算多數(shù)類樣本對鄰近樣本的影響程度,進而依次刪除對分類模型的學習能力有負面影響或者影響不大的多數(shù)類樣本,以實現(xiàn)對多數(shù)類樣本有目的的篩選,從而有效克服SMOTE在處理對象上存在的局限性.由此可見,將ADASYN和ODR相結合,既能有效地克服SMOTE在生成少數(shù)類樣本中的盲目性,又能有效地克服SMOTE在處理對象上的局限性,因而在提升非均衡樣本學習能力上具有十分顯著的優(yōu)勢.但令人遺憾的是,就本文所掌握的文獻而言,尚未發(fā)現(xiàn)有學者將ADASYN與ODR相結合以提升分類模型的非均衡樣本學習能力.

    值得注意的是,中國金融市場成立時間較短,缺乏應對金融風險危機的成熟經驗,在極端金融風險的控制與防范上還存在諸多薄弱性[16-17];與此同時,隨著經濟全球化的深入發(fā)展,中國金融市場與國外金融市場的聯(lián)系日益密切,因而極易受到國外極端金融風險的傳染與沖擊,從而承受著更為艱巨的風險考驗,面臨著更為嚴峻的風險挑戰(zhàn)[18-19].那么,能否將ODR、ADASYN與SVM相結合,構建出適合中國金融市場的極端金融風險預警方法?如果能,那么在極端金融風險的預測上,構建的預警模型又是否較SVM、SMOTE-SVM、ODR-SVM以及ADASYN-SVM預警模型具有更為明顯的優(yōu)勢呢?

    基于以上分析,本文以滬深300指數(shù)(China securities index 300, CSI300)為研究對象,既引入ADASYN來克服SMOTE在生成新樣本中的盲目性.又針對SMOTE在處理對象上的局限性,引入ODR來刪除非極端金融風險樣本中的噪聲信息;并與SVM相結合,提出改進SVM,即ODR-ADASYN-SVM預警模型來預測中國極端金融風險.進而運用性能評估指標對SVM、SMOTE-SVM、ODR-SVM、ADASYN-SVM以及ODR-ADASYN-SVM模型的預測精度進行評估,并運用T檢驗對各模型預測精度的差異性進行顯著性檢驗并對各模型的預測穩(wěn)定性進行評價,以充分展示出ODR-ADASYN-SVM模型在預測性能上的顯著優(yōu)越性,從而為金融經濟管理部門及時控制與防范極端金融風險以及投資者制定合理的投資策略提供良好的決策借鑒.

    目前,國內外已有部分學者運用SVM對金融市場風險預警展開了研究.Ahn等[20]以韓國金融市場為研究對象,建立了SVM金融市場風險預警系統(tǒng);Groth和Muntermann[21]又以文本信息為研究對象,運用支持向量機(SVM)、神經網絡(NN)、貝葉斯(Bayes)等方法,探索了金融市場風險危機管理;徐國祥和楊振建[22]將主成分分析方法(principle component analysis, PCA)、遺傳算法(genetic algorithm, GA)和SVM相結合,構建了PCA-GA-SVM預警模型,并對滬深300指數(shù)和大盤股走勢進行了預測研究;李云飛和惠曉峰[23]運用SVM建立了股票投資價值分類模型,并與BP和RBF神經網絡的預測性能進行了比較.

    與本文所掌握的研究文獻相比,本文的差異性顯而易見.1)尚未發(fā)現(xiàn)有文獻集成ODR和ADASYN來克服SMOTE所存在的過擬合,尤其是沒有發(fā)現(xiàn)有文獻將SVM與該技術相結合,對中國新興金融市場(本文用CSI300作為中國新興金融市場的代表)的極端金融風險展開預警研究;2)除運用常用指標來評價非均衡樣本分類模型的性能之外,本文尤其是運用T檢驗對模型預測精度的差異性進行顯著性檢驗,以及對各模型的預測穩(wěn)定性進行評價;3)在提取能夠顯著刻畫中國新興金融市場極端金融風險的特征指標上,不僅運用統(tǒng)計假設檢驗和逐步判別分析法來提取市場內部特征指標,還運用Copula方法專門對市場外部特征指標進行了提取,從而使得提取出的特征指標能夠更為全面而顯著地刻畫中國新興金融市場的極端金融風險.

    1研究方法

    1.1極端金融風險SVM預警方法

    y(i)=sgn(f(x))

    (1)

    式中sgn(f(x))是符號函數(shù);f(x)是以特征指標變量為自變量的決策函數(shù).當金融市場處于極端金融風險狀態(tài)時,y(i)=sgn(f(x))=+1;否則,就為-1.

    運用SVM方法在訓練集上尋找最優(yōu)分類函數(shù)(即式(1)代表的極端金融風險預警模型),就需要將尋找最優(yōu)分類函數(shù)轉化為求解以下最優(yōu)問題

    (2)

    (3)

    為了求解上述最優(yōu)問題,就要利用拉格朗日乘子(Lagrangemultiplier)法將上述最優(yōu)問題轉化為對偶(dual)問題

    (4)

    (5)

    0≤αj≤C,j=1,2,…,m

    (6)

    于是,通過求解上述對偶問題,就得到以下最優(yōu)分類函數(shù)f(x)=sgn(w*x+b*)

    (7)

    其中

    (8)

    至此,極端金融風險預警的SVM方法就已構建完畢.然而,正如前文所分析的那樣,由極端與非極端金融風險樣本所構成的非均衡訓練樣本會大大削弱SVM的學習能力,最終降低SVM對極端金融風險樣本預測的精度.因此,下文將重點探討能夠提升SVM的非均衡樣本學習能力的有效方法,以降低數(shù)據的過度偏斜對SVM預測極端金融風險樣本所造成的影響.1.2提升SVM預測性能的ODR-ADASYN方法

    為克服SMOTE在生成新樣本中的盲目性以及在處理對象上的局限性,本文運用ODR和ADASYN方法來改進SMOTE,以提升SVM的極端金融風險預測性能.

    假定訓練樣本集為S,其中非極端金融風險樣本集為Smaj,極端金融風險樣本集為Smin,x屬于Smaj中的樣本.定義樣本x的關聯(lián)集是指Smaj中除x以外的其他非極端金融風險樣本的K個最鄰近樣本中包含x的樣本集,簡稱為關聯(lián)集x.則ODR-ADASYN的計算機實驗步驟如下:

    步驟1根據式(9),計算出需要刪除的非極端金融風險樣本數(shù)量Num

    (9)

    其中α∈[0,1],表示刪除指定的非極端金融風險樣本后期望得到的樣本非均衡水平,若α=1,則表示刪除指定的非極端金融風險樣本后,兩類樣本數(shù)量達到完全均衡;

    步驟2計算出非極端金融風險樣本集中每個樣本的關聯(lián)集;

    步驟3就樣本x而言,運用KNN算法對關聯(lián)集x中的所有樣本進行分類,能夠被正確分類的個數(shù)記錄為withx;

    步驟4從關聯(lián)集x包含的所有樣本的最鄰近樣本中將樣本x刪除,并將第K+1個最鄰近樣本加入,再運用KNN算法對關聯(lián)集x中的所有樣本進行分類,能夠被正確分類的個數(shù)記錄為withoutx;

    步驟5根據式(10),計算withx與withoutx的差值diffdiff=withx-withoutx

    (10)

    并通過下式判斷diff與0的大小關系來定義樣本x的屬性

    (11)

    其中N代表噪聲樣本,B代表邊界樣本,S代表安全樣本;

    步驟6根據步驟3至步驟5,定義出Smaj中除樣本x外的其余每個非極端金融風險樣本的屬性;

    步驟7根據步驟6定義出的樣本屬性,保留Smaj中的邊界樣本且刪除噪聲樣本,并針對安全樣本作下一步處理;

    (12)

    (13)

    從式(13)可知,當合成數(shù)量為Numnew的人造極端金融風險樣本后,兩類樣本數(shù)量就達到了完全均衡;

    步驟10對每一個極端金融風險樣本xi而言,從所有樣本中找出其K個最鄰近樣本,并根據下式計算出最鄰近樣本中非極端金融風險樣本的占比ri

    (14)

    其中Δi∈[0,1],指K個最鄰近樣本中屬于非極端金融風險樣本的個數(shù);

    (15)

    (16)

    步驟12計算出每一個極端金融風險樣本需要合成的人造樣本個數(shù)gi

    (17)

    步驟13對每一個極端金融風險樣本xi而言,都運用SMOTE方法合成gi個極端金融風險樣本,此時兩類樣本數(shù)量達到一致.

    需要說明的是,步驟1至步驟8是ODR的實驗步驟,步驟9至步驟13是ADASYN的實驗步驟.于是,就能夠基于上述ODR-ADASYN的實驗步驟平衡非均衡的訓練樣本,進而運用SVM對得到的均衡訓練樣本進行訓練,最后再基于測試樣本對通過訓練得到的SVM模型進行性能測試與評價.

    1.3極端金融風險預警模型的性能評估指標

    基于均衡樣本構建預警模型時,通常以分類準確率為評估指標來評價模型性能.然而,當樣本非均衡時,該指標僅能刻畫模型的整體預測性能,卻無法有效地評估模型對于極端金融風險樣本的預測性能[27].基于此,本文運用目前針對非均衡樣本分類的常用評估指標——幾何平均正確率Gmean、少數(shù)類的Fmeasure和AUC(area under ROC curve)值,對本文所提出的極端金融風險預警模型進行性能評估(以下用G和F分別代替Gmean和Fmeasure).3種評估指標的構建過程如下:

    表1 二分類數(shù)據集的混淆矩陣

    根據混淆矩陣并通過下面3個式子就可以得到靈敏度SE、特異度SP和極端金融風險樣本查準率P3類基本指標

    (18)

    (19)

    (20)

    于是,再根據上述3類基本指標并通過下面兩式就得到幾何平均正確率G以及少數(shù)類的F

    (21)

    (22)

    其中幾何平均正確率G綜合考察了模型對于兩類樣本的預測性能,若G較大,則說明模型預測兩類樣本的精度都較高,反之亦然;而少數(shù)類樣本的F主要考察了模型對極端金融風險樣本的預測性能,若F較大,就說明模型預測極端金融風險樣本的性能較優(yōu)越,反之亦然.此外,AUC代表受試者工作特征曲線(receiver operating characteristic, ROC)下方的面積.面積越大,說明模型對兩類樣本的綜合預測性能越優(yōu)異.

    2實證結果與分析

    2.1樣本選擇

    本文選取滬深300指數(shù)(CSI300)2005-04-08~2012-12-31的樣本作為研究對象.需要說明的是,之所以選擇CSI300進行研究,原因在于CSI300包含了滬深股市60%左右的市值,被視為反映滬深兩市整體走勢的“晴雨表”,具有良好的市場代表性[22,28-29],而之所以選擇從CSI300創(chuàng)建以來至2012年末這段時間為研究區(qū)間,是因為滬深股市在這段時間內經歷了暴漲暴跌的全過程,從而使滬深股市整體走勢的預測結果具有更強的說服力.

    2.2狀態(tài)指標變量的確定

    要確定出所選每個樣本的狀態(tài)指標變量,即確定出所選的每個樣本究竟屬于極端金融風險樣本還是非極端金融風險樣本,關鍵在于選擇極端金融風險門檻值.只有選擇出門檻值,才能以該門檻值為標準,將超過門檻值的樣本認定為極端金融風險樣本,未超過門檻值的樣本認定為非極端金融風險樣本,以確定出所有樣本的狀態(tài)指標變量,從而才能進一步開展預警模型的構建工作.

    需要指出的是,目前還沒有確定門檻值的最優(yōu)數(shù)學理論模型.Hill[30]嘗試運用Hill圖法來確定門檻值;Stelios和Dimitris[31]則運用了超額均值函數(shù)(mean excess function, MEF)圖法來確定門檻值;而Neftci[32]把1.65σ當作門檻值,超過1.65σ的值被作為極端金融風險樣本;另外,DuMouchel[33]選擇了10%左右的數(shù)據作為極端金融風險樣本進行研究,取得了較好的研究效果.因此,本文選取占總體樣本9%的收益率最低的樣本作為極端金融風險樣本,即極值尾部.由于根據極值理論(extreme value theory, EVT),對于充分高的門檻值,超過門檻值的樣本都近似服從廣義帕累托分布(generalized Pareto distribution, GPD)簇,用下式表示

    (23)

    其中k表示超過門檻值的極端金融風險樣本的個數(shù);Fk(x)為極值分布函數(shù);Gξ,β(x)為GPD簇分布函數(shù).因此,本文還對這些極值尾部樣本用準極大似然估計方法(quasi maximum likelihood estimation, QMLE)估計GPD簇分布函數(shù)的參數(shù)得到尾部GPD分布曲線與經驗分布的擬合效果圖(見圖1).從圖1可以直觀地看出,GPD與經驗分布具有較好的擬合效果,說明設定的極端金融風險樣本門檻值是科學合理的.此時,極端與非極端金融風險樣本的非均衡比例達到1∶10.

    圖1 CSI 300標準收益尾部經驗分布與GPD分布擬合效果圖

    2.3特征指標變量的選擇與提取

    金融風險管理的目標在于建立有效的風險預警系統(tǒng).而風險預警的重點又在于準確地提取出誘發(fā)金融市場爆發(fā)極端風險的特征指標.但極端風險的爆發(fā),不僅是市場自身風險的累積,也有外部極端風險危機的傳導作用.因此,本文通過借鑒相關文獻[22,34]選擇出由8項股指基本指標構成的內部特征指標.同時,由于相關文獻[35-36]將具有代表性的國際金融市場作為了中國金融市場的外部風險危機因素,又考慮到收益率是反映市場綜合信息的重要指標,因此,本文將8個具有代表性的國際金融市場的股指日收益率作為了外部特征指標(見表2).

    表2 極端金融風險預警模型的特征指標

    注:樣本的特征指標數(shù)據來源于雅虎財經(http://finance.yahoo.com).

    然而,最終用于預警的指標不僅是可以量化的,而且還需要存在顯著差異,這樣才可以起到預警效果.同時,宋新平和丁永生[26]也指出,預警是個多指標的復雜系統(tǒng),提取合適的特征指標可以有效地提升模型的性能.因此,為了從上述指標中進一步提取出能夠顯著刻畫中國新興金融市場極端風險的市場內外部特征指標,本文還將對表2中的國外股市指標和基本指標分別作如下處理.

    一方面,為了提取出對中國極端風險的爆發(fā)具有顯著傳導作用的外部特征指標,本文運用Clayton Copula對CSI 300日收益率和表2中的前8項國外股指日收益率的下尾相關性進行分析.這是因為下尾相關性能夠反映兩個市場同時暴跌的概率,這正好能夠刻畫外部極端金融風險對中國極端金融風險的影響程度[37].而Clayton Copula又恰好是專門刻畫下尾相關性的Copula模型.由此,計算出CSI 300與各國外股指間的下尾相依系數(shù)(見表3).

    表3 CSI 300與其余收益率之間的下尾相依系

    從表3可以看出,CSI 300與HSI、KOSPI和TWII的下尾相依系數(shù)大于0.1,與Nikkei 225和FTSE 100的下尾相依系數(shù)小于0.1,而與美國股市3大指數(shù)(GSPC,NASDAQ和DJIA)的下尾相依系數(shù)幾乎為0.從而說明,CSI300與HSI、KOSPI和TWII的下尾相關性較高,與Nikkei 225和FTSE 100的下尾相關性較低,而與美國股市3大指數(shù)(GSPC,NASDAQ和DJIA)幾乎不存在下尾相關性.基于此,本文選擇與CSI 300下尾相關性較高的HSI、KOSPI和TWII的日收益率作為最終的外部特征指標.

    另外,為了檢驗上述提出的Clayton Copula模型是否充分描述了CSI 300與國外股指之間的下尾相依關系,本文還將進行卡方檢驗,結果見表4.從表4可見,在5%的顯著性水平下,各卡方檢驗值都通過了擬合優(yōu)度檢驗,由此證明CSI 300與國外股指存在的相依結構科學合理.另外,由于CSI300與HSI、KOSPI和TWII在2005-04-08~2012-12-31這段區(qū)間內的樣本不匹配而出現(xiàn)缺失數(shù)據,因此,針對這些缺失數(shù)據,本文的處理方式是假如某個市場因節(jié)假日而沒有進行交易,則其余市場的當日樣本數(shù)據就被刪除.最終選擇出1 767個樣本進行研究.

    另一方面,為提取出能夠顯著區(qū)分風險狀態(tài)的內部特征指標,本文還借鑒相關文獻[26, 38]提出的統(tǒng)計假設檢驗方法和逐步判別分析法對表1中后8項基本指標進行提取.首先對這8項基本指標進行正態(tài)性檢驗,進而對符合與不符合正態(tài)分布的基本指標分別做單樣本T檢驗和K-S檢驗,從中提取出若干基本指標;然后,運用逐步判別分析法進一步提取基本指標;最終將這8項基本指標約簡為開盤價、收盤價、成交量和成交額這4項基本指標.并與通過Clayton Copula提取出的HSI、KOSPI和TWII日收益率這3項國外股市指標共同構成最終的能夠顯著刻畫中國新興金融市場極端金融風險的市場內外部特征指標.

    表4 卡方檢驗統(tǒng)計量

    2.4最優(yōu)ODR-ADASYN-SVM預警模型的確立

    在將SVM的核函數(shù)設為RBF核函數(shù)、懲罰參數(shù)C設為0.5、核函數(shù)參數(shù)γ設為0.5的基礎上,本文采用10折交叉驗證法(cross validation, CV)對ODR與ADASYN的最鄰近參數(shù)K以及ODR中的參數(shù)α進行討論,從而選擇出性能最優(yōu)的ODR-ADASYN-SVM模型.需要強調的是,之所以將懲罰參數(shù)C值與核函數(shù)參數(shù)γ值都設為0.5,是因為本文經過反復實驗,最后確定模型在這兩個值上的預測效果最為理想.本文主要使用Matlab 2011b進行編程分析.實驗結果如圖2和圖3所示.

    圖2不同最鄰近參數(shù)K下,參數(shù)α對模型預測精度的影響

    Fig.2 Influence of parameter alpha on prediction accuracy in different nearest neighborK

    圖3 不同參數(shù)α下,最鄰近參數(shù)K對模型預測精度的影響

    從圖2可以看出,不論K取何值,隨著參數(shù)α的增大,特別是當α>0.7時,模型的F和G值都同時呈現(xiàn)出明顯的下降趨勢,但當α≤0.7時,模型的F和G值卻無明顯的波動.此外,當α>0.8時,模型的AUC值同樣也下降明顯,但當α≤0.8時,模型的AUC值卻無明顯波動.由此說明,盡管ODR能夠有效地刪除非極端金融風險樣本的噪聲信息,但過大的α會使得ODR過多地刪除有效的非極端金融風險樣本,最終降低模型的預測精度.

    而從圖3可以看出,在絕大部分的α值下,隨著K的增大,模型的G、F和AUC值都無明顯波動,從而說明K對模型的預測精度影響不大.分析原因,主要在于當樣本的非均衡水平較高時,極端金融風險樣本的數(shù)量十分稀少,這使得每個樣本的K個最鄰近樣本中屬于極端金融風險類的樣本較少且數(shù)量較為固定,并不會隨著K的增大而增加,從而使得模型的預測精度較為穩(wěn)定.

    基于上述分析,本文認為,選擇合適的α,對于構建精度最優(yōu)的ODR-ADASYN-SVM預警模型起著至關重要的作用.因而,再次分析圖2和圖3可知,較其余絕大部分α下的ODR-ADASYN-SVM,α為0.1下的ODR-ADASYN-SVM具有最高的預測精度,特別是α為0.1、K為5下ODR-ADASYN-SVM模型的AUC值達到0.703 1,G值達到0.680 4,F(xiàn)值達到0.279 3,相比其他α與K值下的ODR-ADASYN-SVM模型,其預測精度最為優(yōu)異.

    2.5最優(yōu)ODR-ADASYN-SVM模型與其余模型的預測性能對比評估

    盡管通過上述實驗,本文選擇出最優(yōu)的ODR-ADASYN-SVM預警模型,然而,該模型是否有效地提升了SVM的非均衡樣本學習能力并成功地克服了SMOTE的過擬合,這是本文接下來需要繼續(xù)深入探討的內容.

    在將SVM的核函數(shù)設為RBF核函數(shù)、懲罰參數(shù)C設為0.5、核函數(shù)參數(shù)γ設為0.5、最鄰近參數(shù)K設為5、ODR-ADASYN-SVM中ODR的參數(shù)α設為0.1、ODR-SVM中ODR的參數(shù)α設為1的基礎上,本文仍然采用10折交叉驗證法對SVM、SMOTE-SVM、ODR-SVM、ADASYN-SVM和ODR-ADASYN-SVM模型的預測性能進行對比研究.實驗結果如表5所示.

    表5 模型預測精度的對比結果

    注:產生NAN的原因在于SVM將CSI300的所有極端金融

    從表5可以看出,SVM模型的預測性能最不理想,尤其是它的G值為0而F值為NAN的實證結果充分說明SVM模型將所有的極端金融風險樣本都錯誤地判定為非極端金融風險樣本,由此證明SVM模型無法有效地預測極端金融風險.從表5還可以看出,ODR-ADASYN-SVM模型在G、F值上都高于SMOTE-SVM、ODR-SVM和ADASYN-SVM模型,而在AUC值上略低于SMOTE-SVM和ADASYN-SVM模型,該結果能夠說明,從預測精度的角度,ODR-ADASYN-SVM模型的預測性能明顯優(yōu)于ODR-SVM模型且略優(yōu)于SMOTE-SVM和ADASYN-SVM模型.

    然而,僅根據各評估指標值就判斷模型的性能還缺少類似于統(tǒng)計學檢驗所具有的科學性與客觀性.因此,本文還將對預測結果進行配對樣本T檢驗,從而檢驗出各模型的預測性能差異是否顯著.檢驗結果如表6所示.

    表6 模型預測性能的配對樣本T檢驗結果

    注:***表示p<0.01,**表示p<0.05, 加粗值表示p>0.1.

    從表6可以看出,SVM與其余模型在G、F和AUC值上的絕大部分配對樣本T檢驗統(tǒng)計量在1%的顯著水平下拒絕零假設(nullhypothesis),即SVM與其余模型的預測性能差異顯著.由此表明,基于預測精度的角度,SVM模型的預測性能顯著低于其余模型,從而證明了SMOTE、ODR、ADASYN以及ODR與ADASYN相結合的ODR-ADASYN能夠提升SVM的非均衡樣本學習能力.此外,從表6還可以看出,ODR-SVM與SMOTE-SVM、ADASYN-SVM、ODR-ADASYN-SVM模型的預測性能也存在顯著差異,表明ODR-SVM模型的預測性能顯著低于SMOTE-SVM、ADASYN-SVM和ODR-ADASYN-SVM模型的預測性能,由此可見,僅僅運用ODR來刪除非極端金融風險樣本中的噪聲信息,以克服SMOTE在處理對象上存在的局限性,而不結合ADASYN來克服SMOTE在生成極端金融風險樣本中的盲目性,并不能十分有效地提升SVM模型的預測性能.令人遺憾的是,從表6中無法觀察到ODR-ADASYN-SVM模型與SMOTE-SVM、ADASYN-SVM模型的預測性能存在顯著差異,因而也就無法充分證明ODR與ADASYN相結合在克服SMOTE的過擬合問題上具有顯著優(yōu)勢.基于此,本文還將從預測穩(wěn)定性的角度來繼續(xù)探討ODR-ADASYN-SVM模型較SMOTE-SVM和ADASYN-SVM模型的顯著優(yōu)越性.

    為了對比ODR-ADASYN-SVM模型與SMOTE-SVM、ADASYN-SVM模型的預測穩(wěn)定性,本文在設置與上述實驗相同參數(shù)的基礎上,通過修改極端金融風險樣本的門檻值,將極端金融風險樣本與非極端金融風險樣本的比例分別設置為1∶5、1∶10、1∶15、1∶20、1∶25、1∶30、1∶35、1∶40、1∶45、1∶50這10個水平,進而對這10個水平下3類模型的預測精度變化情況進行分析,從而判定3類模型的預測穩(wěn)定性,并最終挖掘出3類模型在預測性能上的顯著差異.實驗結果如圖4和表7所示.

    從圖4可以看出,在各種非均衡比例下,ADASYN-SVM的G和AUC值幾乎都高于SMOTE-SVM,并且ADASYN-SVM的波動幅度也小于SMOTE-SVM,而從表7也可以看出,不同非均衡比例下,ADASYN-SVM的G和AUC值的均值都大于SMOTE-SVM,并且ADASYN-SVM的G和AUC值的標準差也明顯小于SMOTE-SVM,證明ADASYN-SVM的波動幅度明顯小于SMOTE-SVM,從而說明在不同的非均衡比例下,ADASYN-SVM模型對兩類樣本共同預測的穩(wěn)定性明顯優(yōu)于SMOTE-SVM模型.

    更為重要是,圖4還展示出ODR-ADASYN-SVM的G和AUC值幾乎都高于ADASYN-SVM和SMOTE-SVM,并且ODR-ADASYN-SVM的波動幅度也最小,同時,從表7也可以看出,ODR-ADASYN-SVM的G和AUC值的均值都大于ADASYN-SVM和SMOTE-SVM,并且ODR-ADASYN-SVM的G和AUC值的標準差都低于0.05,明顯小于ADASYN-SVM和SMOTE-SVM,表明ODR-ADASYN-SVM的波動幅度明顯小于ADASYN-SVM和SMOTE-SVM,從而說明在不同的非均衡比例下,ODR-ADASYN-SVM模型在對兩類樣本的共同預測上具有最優(yōu)的穩(wěn)定性.

    圖4 不同非均衡比例下ODR-ADASYN-SVM、ADASYN-SVM和SMOTE-SVM的G、F和AUC值比較

    注:不帶括號外的值表示均值,帶括號的值表示標準差.

    然而,從圖4卻無法看出3類模型的F值在不同非均衡比例下的大小差異,也看不出各模型F值的波動幅度的差異.盡管通過表7能夠看出在不同非均衡比例下,ODR-ADASYN-SVM的F值的均值大于ADASYN-SVM和SMOTE-SVM,ADASYN-SVM的F值的均值大于SMOTE-SVM,以及ODR-ADASYN-SVM的F值的標準差小于ADASYN-SVM和SMOTE-SVM,ADASYN-SVM的F值的標準差小于SMOTE-SVM,但大小差異都很不明顯,因而無法判定3類模型在極端金融風險預測上穩(wěn)定性的顯著差異,也就更加無法展現(xiàn)3類模型的極端金融風險預測性能的顯著差異.為了展現(xiàn)出3類模型的極端金融風險預測性能的顯著差異性,本文還將對在不同非均衡比例下3類模型的F值進行獨立樣本T檢驗.實驗結果見表8.

    表8 不同非均衡比例下3類模型F值的獨立樣本T檢驗結果

    注:未加括號的值表示ODR-ADASYN-SVM的p值, 加下劃線的值表示ADASYN-SVM的p值, 而加有括號的值表示SMOTE-SVM的p值, *表示p<0.1,**表示p<0.05,***表示p<0.01, 加粗值表示p>0.1.

    分析表8可知,ODR-ADASYN-SVM模型加粗的p值達到9個,帶“***”的p值只有28個;ADASYN-SVM模型加粗的p值有8個,帶“***”的p值有29個;而SMOTE-SVM模型加粗的p值只有6個,帶“***”的p值卻達到31個,說明在10%的顯著水平下,ODR-ADASYN-SVM模型的F值在所有非均衡比例下接受零假設9次,ADASYN-SVM模型接受8次,SMOTE-SVM模型僅接受6次,而在1%的顯著水平下,ODR-ADASYN-SVM模型的F值在所有非均衡比例下拒絕零假設僅28次,ADASYN-SVM拒絕29次,SMOTE-SVM模型卻拒絕31次,從這個角度來說,ODR-ADASYN-SVM模型在各非均衡比例下的預測精度差異最不顯著,其次是ADASYN-SVM模型,而最為顯著的是SMOTE-SVM模型,從而說明,在不同的非均衡比例下,ODR-ADASYN-SVM模型對于極端金融風險樣本預測的穩(wěn)定性優(yōu)于SMOTE-SVM模型和ADASYN-SVM模型,而ADASYN-SVM模型又優(yōu)于SMOTE-SVM模型.

    基于圖4、表7與表8的分析,本文認為,盡管從預測精度分析,ODR-ADASYN-SVM的預測性能并不顯著優(yōu)于SMOTE-SVM和ADASYN-SVM,但從預測穩(wěn)定性分析,ODR-ADASYN-SVM的預測性能顯著優(yōu)于SMOTE-SVM和ADASYN-SVM,而ADASYN-SVM卻又顯著優(yōu)于SMOTE-SVM,從而證明了ADASYN能夠有效地克服SMOTE在生成極端金融風險樣本中的盲目性,但僅僅運用ADASYN并不能最為有效地提升SVM模型的預測性能,只有將ODR與ADASYN相結合來克服SMOTE存在的過擬合,才能促使SVM模型的性能提升達到最為優(yōu)異的效果.

    綜上所述,參數(shù)K對ODR-ADASYN-SVM模型的預測性能影響不大,而參數(shù)α卻對ODR-ADASYN-SVM模型的預測性能有著較大的影響.因此,通過對參數(shù)α的調整,就能夠得到最優(yōu)的ODR-ADASYN-SVM預警模型.并且無論是從預測精度分析,該模型的預測性能顯著優(yōu)于SVM和ODR-SVM模型,還是從預測穩(wěn)定性分析,該模型也顯著優(yōu)于SMOTE-SVM和ADASYN-SVM模型,從而充分證明了將ODR與ADASYN相結合不僅能夠提升SVM的非均衡樣本學習能力,而且比單獨運用ODR和ADASYN來克服SMOTE的過擬合能夠取得更加優(yōu)異的效果.從上述分析可知,由ODR、ADASYN和SVM結合成ODR-ADASYN-SVM模型,能夠較好地預測中國極端金融風險,從而為金融經濟管理部門和投資者應對與防范極端金融風險提供了有效的操作工具.

    3結束語

    本文以CSI300指數(shù)為研究對象,運用EVT理論確定出極端與非極端金融風險樣本,并運用統(tǒng)計假設檢驗和逐步判別分析法提取市場內部特征指標以及運用ClaytonCopula方法提取市場外部特征指標,進而引入ADASYN來克服SMOTE在生成新樣本中的盲目性;針對SMOTE在處理對象上的局限性,還引入ODR來刪除非極端金融風險樣本中的噪聲信息;并與SVM相結合,構造了改進SVM,即ODR-ADASYN-SVM模型,并對該模型的最鄰近參數(shù)K和ODR的參數(shù)α進行討論,進而運用最優(yōu)的ODR-ADASYN-SVM模型來預測中國極端金融風險,然后再運用性能評估指標對SVM、SMOTE-SVM、ODR-SVM、ADASYN-SVM以及ODR-ADASYN-SVM模型的預測精度進行評估,并最終運用T檢驗對各模型預測精度的差異性進行顯著性檢驗以及對各模型的預測穩(wěn)定性進行評價.實證結果表明,無論是從預測精度分析,ODR-ADASYN-SVM模型的預測性能顯著優(yōu)于SVM和ODR-SVM模型,還是從預測穩(wěn)定性分析,ODR-ADASYN-SVM模型也顯著優(yōu)于SMOTE-SVM和ADASYN-SVM模型,從而說明ODR-ADASYN方法能夠成功地克服SMOTE的過擬合,并有效地提升SVM的非均衡樣本學習能力,同時,ODR-ADASYN-SVM預警模型在中國極端金融風險預測上具有最為優(yōu)越的預測性能.

    本文的研究能夠為金融經濟管理部門和投資者應對與防范極端金融風險提供可操作性的應用工具與方法.對于金融經濟管理部門而言,能夠運用ODR-ADASYN-SVM模型對未來一段時間內的金融市場極端風險進行準確預測,及時制定并實施應對金融風險危機的相關宏觀經濟政策,從而構建金融市場極端風險危機的“防火墻”,積極地化解與防范金融風險危機,以維護金融市場穩(wěn)定,促進經濟持續(xù)健康發(fā)展;對于投資者而言,能夠運用ODR-ADASYN-SVM模型提前捕獲金融市場風險危機信號,進而即時調整金融資產投資策略,以優(yōu)化金融資產投資組合,從而更為有效地管理金融資產,保證金融資產的保值甚至增值.

    本文提出的風險預警方法,雖然豐富了市場主體對極端金融風險預警的研究手段,但仍需要指出的是,金融市場樣本除存在極端與非極端兩種分類狀態(tài)外,也存在多分類狀態(tài),運用本文提出的風險預警模型將無法進行多分類研究.因此,如何改進SVM方法,并結合非均衡樣本處理方法進行多分類狀態(tài)下的極端金融風險預警研究,將是下一步的主要研究方向.

    參 考 文 獻:

    [1]魏宇. 股票市場的極值風險測度及后驗分析研究[J]. 管理科學學報, 2008, 11(1): 78-88.

    WeiYu.EVTriskmeasuresanditsbacktestinginstockmarkets[J].JournalofManagementSciencesinChina, 2008, 11(1): 78-88. (inChinese)

    [2]FrankelJA,RoseAK.Currencycrashesinemergingmarkets:Anempiricaltreatment[J].JournalofInternationalEconomics, 1996, 41(3/4): 351-366.

    [3]SachsJ,TornellA,VelascoA.Financialcrisesinemergingmarkets:Thelessonsfrom1995[J].BrookingsPapersonEconomicActivity, 1996, 27(1): 147-215.

    [4]KaminskyG,LizondoS,ReinhartCM.LeadingIndicatorsofCurrencyCrises[R].IMFStaffPaper, 1998, 45(1): 1-48.

    [5]陳守東, 楊瑩, 馬輝. 中國金融風險預警研究[J]. 數(shù)量經濟技術經濟研究, 2006, (7): 36-48.

    ChenShoudong,YangYing,MaHui.Thestudyofearly-warningonChinesefinancialrisk[J].TheJournalofQuantitative&TechnicalEconomics, 2006, (7): 36-48. (inChinese)

    [6]KimTY,OhKJ,SohnI,etal.Usefulnessofartificialneuralnetworksforearlywarningsystemofeconomiccrisis[J].ExpertSystemswithApplications, 2004, 26(4): 583-590.

    [7]周敏, 王新宇. 基于模糊優(yōu)選和神經網絡的企業(yè)財務危機預警[J]. 管理科學學報, 2002, 5(3): 86-90.

    ZhouMin,WangXinyu.Pre-warningsystemsofenterprisefinancialcrisisbasedonfuzzyselectionandartificialneuralnetworks[J].JournalofManagementSciencesinChina, 2002, 5(3): 86-90. (inChinese)

    [8]VapnikVN.TheNatureofStatisticalLearningTheory[M].NewYork:Springer-Verlag, 1995.

    [9]LiH,SunJ.Forecastingbusinessfailure:Theuseofnearest-neighboursupportvectorsandcorrectingimbalancedsamples-evidencefromtheChinesehotelindustry[J].TourismManagement, 2012, 33(3): 622-634.

    [10]MarateaA,PetrosinoA,MarioM.AdjustedF-measureandkernelscalingforimbalanceddatalearning[J].InformationSciences, 2014, 257(1): 331-341.

    [11]SundarkumarGG,RaviV.Anovelhybridundersamplingmethodforminingunbalanceddatasetsinbankingandinsurance[J].EngineeringApplicationsofArtificialIntelligence, 2015, 37(1): 368-377.

    [12]ChawlaN,BowyerK,HallL,etal.SMOTE:Syntheticminorityover-samplingtechnique[J].JournalofArtificialIntelligenceResearch, 2002, (16): 321-357.

    [13]WangBX,JapkowiczN.Imbalanceddatasetlearningwithsyntheticsamples[C]//Proc.IRISMachineLearningWorkshop, 2004: 1-25.

    [14]HeH,BaiY,GarciaEA,etal.ADASYN:Adaptivesyntheticsamplingapproachforimbalancedlearning[C]//Proc.Int’lJ.Conf.NeuralNetworks, 2008: 1322-1328.

    [15]陶新民, 童智靖, 劉玉, 等. 基于ODR和BSMOTE結合的不均衡數(shù)據SVM分類算法[J]. 控制與決策, 2011, 26(10): 1535-1541.

    TaoXinmin,TongZhijing,LiuYu,etal.SVMclassifierforunbalanceddatabasedoncombinationofODRandBSMOTE[J].ControlandDecision, 2011, 26(10): 1535-1541. (inChinese)

    [16]戴文華, 夏峰. 關于中國證券市場20年發(fā)展的基本分析與思考[J]. 證券市場導報, 2014, (1): 4-11.

    DaiWenhua,XiaFeng.Thebasicanalysisandreflectionsonthe20yearsofdevelopmentofthesecuritiesmarket[J].SecuritiesMarketHerald, 2014, (1): 4-11. (inChinese)

    [17]黃金波, 李仲飛, 姚海洋. 基于CVaR核估計量的風險管理[J]. 管理科學學報, 2014, 17(3): 49-59.

    HuangJinbo,LiZhongfei,YaoHaiyang.RiskmanagementbasedontheCVaRkernelestimator[J].JournalofManagementSciencesinChina, 2014, 17(3): 49-59. (inChinese)

    [18]熊熊, 張珂, 周欣. 國際市場對我國股票市場系統(tǒng)性風險的影響分析[J]. 證券市場導報, 2015, (1): 54-58.

    XiongXiong,ZhangKe,ZhouXin.AnalysisofimpactofinternationalmarketonChinastockmarketsystemicrisk[J].SecuritiesMarketHerald, 2015, (1): 54-58. (inChinese)

    [19]吳勇民, 紀玉山, 呂永剛. 技術進步與金融結構的協(xié)同演化研究——來自中國經驗證據[J]. 現(xiàn)代財經(天津財經大學學報), 2014, (7): 33-44.

    WuYongmin,JiYushan,LüYonggang.Studyontheco-evolutionoftechnologicalprogressandfinancialstructure:TheempiricalevidencefromChina[J].ModernFinanceandEconomics(JournalofTianjinUniversityofFinanceandEconomics), 2014, (7): 33-44. (inChinese)

    [20]AhnJJ,OhKJ,KimDH.Usefulnessofsupportvectormachinetodevelopanearlywarningsystemforfinancialcrisis[J].ExpertSystemswithApplications, 2011, 38(4): 2966-2973.

    [21]GrothSS,MuntermannJ.Anintradaymarketriskmanagementapproachbasedontextualanalysis[J].DecisionSupportSystems, 2011, 50(4): 680-691.

    [22]徐國祥, 楊振建.PCA-GA-SVM模型的構建及應用研究——滬深300指數(shù)預測精度實證分析[J]. 數(shù)量經濟技術經濟研究, 2011, (2): 135-147.

    XuGuoxiang,YangZhenjian.ResearchforconstructionandapplicationofPCA-GA-SVMmodel[J].TheJournalofQuantitative&TechnicalEconomics, 2011, (2): 135-147. (inChinese)

    [23]李云飛, 惠曉峰. 基于支持向量機的股票投資價值分類模型研究[J]. 中國軟科學, 2008, (1): 135-140.

    LiYunfei,HuiXiaofeng.TheclassificationmodelforstockinvestmentvaluebasedonSVM[J].ChinaSoftScienceMagazine, 2008, (1): 135-140. (inChinese)

    [24]FarquadMAH,IndranilB.Preprocessingunbalanceddatausingsupportvectormachine[J].DecisionSupportSystems, 2012, 53(1): 226-233.

    [25]HuangZ,ChenHC,HsuCJ,etal.Creditratinganalysiswithsupportvectormachinesandneuralnetworks:Amarketcomparativestudy[J].DecisionSupportSystems, 2004, 37 (4): 543-558.

    [26]宋新平, 丁永生. 基于最優(yōu)支持向量機模型的經營失敗預警研究[J]. 管理科學, 2008, 21(1): 115-121.

    SongXinping,DingYongsheng.Studyonbusinessfailurepredictionbasedonanoptimizedsupportvectormachinemodel[J].JournalofManagementSciences, 2008, 21(1): 115-121. (inChinese)

    [27]鄒鵬, 李一軍, 郝媛媛. 基于代價敏感性學習的客戶價值細分[J]. 管理科學學報, 2009, 12(1): 48-56.

    ZouPeng,LiYijun,HaoYuanyuan.Customervaluesegmentationbasedoncost-sensitivelearning[J].JournalofManagementSciencesinChina, 2009, 12(1): 48-56. (inChinese)

    [28]魏宇, 賴曉東, 余江. 滬深300股指期貨日內避險模型及效率研究[J]. 管理科學學報, 2013, 16(3): 29-40.

    WeiYu,LaiXiaodong,YuJiang.Intra-dayhedgingmodelsandhedgingeffectivenessofCSI300indexfutures[J].JournalofManagementSciencesinChina, 2013, 16(3): 29-40. (inChinese)

    [29]陳瑩, 武志偉, 王楊. 滬深300指數(shù)衍生證券的多市場交易與價格發(fā)現(xiàn)[J]. 管理科學學報, 2014, 17(12): 75-84.

    ChenYing,WuZhiwei,WangYang.Multi-markettradingofHS300indexderivativesandpricediscoveryofstockmarketindex[J].JournalofManagementSciencesinChina, 2014, 17(12): 75-84. (inChinese)

    [30]HillBM.Asimplegeneralapproachtoinferenceaboutthetailofadistribution[J].TheAnnalsofStatistics, 1975, 3(5): 1163-1174.

    [31]SteliosDB,DimitrisAG.EstimationofValue-at-Riskbyextremevalueandconventionalmethods:Acomparativeevaluationoftheirpredictiveperformance[J].Int.Fin.Markets,Inst.andMoney, 2005, 15 (3): 209-228.

    [32]NeftciS.Valueatriskcalculations,extremeeventsandtailestimation[J].TheJournalofDerivations, 2000(Spring), 7(3): 23-37.

    [33]DuMouchelWH.Estimatingthestableindexαinordertomeasuretailthickness:Acritique[J].AnnalsofStatistics, 1983, 11(4): 1019-1031.

    [34]KimotoT,AsakawaK.Stockmarketpredictionsystemwithmodularneuralnetworks[C]//Proc.Int’lJ.Conf.NeuralNetwork, 1990: 1-6.

    [35]葉五一, 繆柏其. 基于Copula變點檢測的美國次級債金融危機傳染分析[J]. 中國管理科學, 2009, 17(3): 1-7.

    YeWuyi,MiaoBaiqi.Analysisofsub-primeloancrisiscontagionbasedonchangepointtestingmethodofCopula[J].ChineseJournalofManagementScience, 2009, 17(3): 1-7. (inChinese)

    [36]王永巧, 劉詩文. 基于時變Copula的金融開放與風險傳染[J]. 系統(tǒng)工程理論與實踐, 2011, 31(4): 778-784.

    WangYongqiao,LiuShiwen.Financialmarketopennessandriskcontagion:Atime-varyingCopulaapproach[J].SystemsEngineering-Theory&Practice, 2011, 31(4): 778-784. (inChinese)

    [37]葉五一, 韋偉, 繆柏其. 基于非參數(shù)時變Copula模型的美國次貸危機傳染分析[J]. 管理科學學報, 2014, 17(11): 151-158.

    YeWuyi,WeiWei,MiaoBaiqi.Analysisofsub-primeloancrisiscontagionbasedonnon-parametrictime-varyingCopula[J].JournalofManagementSciencesinChina, 2014, 17(11): 151-158. (inChinese)

    [38]宋新平, 丁永生, 曾月明. 基于遺傳算法的同步優(yōu)化方法在財務困境預警中的應用[J]. 預測, 2009, 28(1): 48-55.

    SongXinping,DingYongsheng,ZengYueming.ApplicationofaGA-basedsimultaneousoptimizationmethodinfinancialcrisisprediction[J].Forecasting, 2009, 28(1): 48-55. (inChinese)

    EarlywarningforextremelyfinancialrisksbasedonODR-ADASYN-SVM

    LIN Yu1, HUANG Xun1, CHUN Wei-de1, HUANG Deng-shi2

    1.BusinessSchool,ChengduUniversityofTechnology,Chengdu610059,China;2.SchoolofEconomicsandManagement,SouthwestJiaotongUniversity,Chengdu610031,China

    Abstract:Synthetic minority over-sampling technique (SMOTE)has the problem of over fitting in improving the imbalanced samples’ learning ability of support vector machine (SVM). In this paper, adaptive synthetic sampling approach (ADASYN) and optimization of decreasing reduction approach (ODR) are assembled into an ODR-ADASYN to overcome the blindness in generating new samples and the limitations in processing the object. Combining SVM with ODR-ADASYN, an improved SVM, named ODR-ADASYN-SVM, is put forward to predict extremely financial risks; T-test is also applied to the significance test of the difference of the prediction accuracy of all models and to the evaluation of the prediction stability of all models. The result illustrates that the ODR-ADASYN-SVM can not only significantly improve the imbalanced samples’ learning ability of SVM, but also overcome the problem of over fitting for SMOTE effectively.Hence, the ODR-ADASYN-SVM has a superior ability to predict extremely financial risks.

    Key words:ODR; ADASYN; SVM; extremely financial risk; early warning model

    收稿日期:①2013-06-07;

    修訂日期:2015-07-13.

    基金項目:國家自然科學基金資助項目(71171025); 國家社會科學基金資助項目(12BGL024); 四川省軟科學研究計劃資助項目(2014ZR0093); 成都理工大學“金融與投資”優(yōu)秀創(chuàng)新團隊計劃資助項目(KYTD201303).

    作者簡介:林宇(1973—), 男, 四川儀隴人, 博士, 教授. Email:linyuphd@126.com

    中圖分類號:F832.5

    文獻標識碼:A

    文章編號:1007-9807(2016)05-0087-15

    猜你喜歡
    預警模型支持向量機
    我國上市公司財務預警分析
    中國市場(2017年2期)2017-02-28 19:48:12
    基于AHP—模糊綜合分析的移動社交網絡輿情預警模型研究
    基于RS—ANN的大學生心理危機預警模型構建與應用
    考試周刊(2016年103期)2017-01-23 17:18:13
    基于改進支持向量機的船舶縱搖預報模型
    中國水運(2016年11期)2017-01-04 12:26:47
    基于SVM的煙草銷售量預測
    軟件導刊(2016年11期)2016-12-22 21:52:38
    動態(tài)場景中的視覺目標識別方法分析
    論提高裝備故障預測準確度的方法途徑
    價值工程(2016年32期)2016-12-20 20:36:43
    基于模糊分析法的高校專利初級預警模型的研究
    價值工程(2016年30期)2016-11-24 14:38:32
    基于熵技術的公共事業(yè)費最優(yōu)組合預測
    價值工程(2016年29期)2016-11-14 00:13:35
    農村消失的影響因素及建模研究
    科技視界(2016年22期)2016-10-18 15:00:50
    露出奶头的视频| 在线看a的网站| 免费人成视频x8x8入口观看| 少妇的丰满在线观看| 国内久久婷婷六月综合欲色啪| 亚洲av成人一区二区三| 少妇粗大呻吟视频| 久久香蕉国产精品| 欧美日韩视频精品一区| 国产在线精品亚洲第一网站| 老汉色∧v一级毛片| 欧美午夜高清在线| 亚洲精华国产精华精| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲午夜理论影院| 91成人精品电影| 亚洲中文av在线| 中亚洲国语对白在线视频| 成人三级做爰电影| www日本在线高清视频| 国产高清视频在线播放一区| 国产成人精品在线电影| 欧美日韩视频精品一区| 99国产精品99久久久久| 久久久久久免费高清国产稀缺| 国产又色又爽无遮挡免费看| 老鸭窝网址在线观看| 人妻久久中文字幕网| 9191精品国产免费久久| 亚洲成人免费av在线播放| 欧美日韩中文字幕国产精品一区二区三区 | 一边摸一边做爽爽视频免费| 国产免费av片在线观看野外av| 久久精品国产亚洲av高清一级| 国产区一区二久久| 搡老熟女国产l中国老女人| 亚洲全国av大片| 久久精品影院6| 午夜免费激情av| www.熟女人妻精品国产| 一边摸一边做爽爽视频免费| 欧美日本中文国产一区发布| 国产成人一区二区三区免费视频网站| 一区二区三区国产精品乱码| 老熟妇仑乱视频hdxx| 中文字幕人妻丝袜一区二区| 国产熟女午夜一区二区三区| 中文字幕高清在线视频| 欧美av亚洲av综合av国产av| 交换朋友夫妻互换小说| 欧美一级毛片孕妇| 欧美性长视频在线观看| 国产高清激情床上av| 国产成人精品久久二区二区91| 在线av久久热| 成年版毛片免费区| 亚洲第一青青草原| 中文字幕人妻熟女乱码| 日韩大尺度精品在线看网址 | 国产成年人精品一区二区 | 男女午夜视频在线观看| 日本a在线网址| 欧美中文日本在线观看视频| 欧美日韩av久久| 在线观看一区二区三区| 国产成人影院久久av| 在线播放国产精品三级| 国产高清视频在线播放一区| 叶爱在线成人免费视频播放| 91麻豆av在线| 在线观看免费视频日本深夜| av视频免费观看在线观看| 久久久久久久久久久久大奶| 成人18禁高潮啪啪吃奶动态图| 亚洲精品成人av观看孕妇| 日韩欧美一区二区三区在线观看| 国产精品成人在线| 国产成人精品久久二区二区免费| 欧美av亚洲av综合av国产av| 日韩大码丰满熟妇| 看免费av毛片| 国产亚洲精品第一综合不卡| 亚洲国产精品一区二区三区在线| 成人三级做爰电影| 欧美日韩黄片免| 欧美日本中文国产一区发布| 女人被狂操c到高潮| 亚洲专区字幕在线| 国产蜜桃级精品一区二区三区| 水蜜桃什么品种好| 男女做爰动态图高潮gif福利片 | 性少妇av在线| 欧美人与性动交α欧美软件| 男女做爰动态图高潮gif福利片 | 午夜老司机福利片| 久久精品亚洲熟妇少妇任你| 免费av毛片视频| 黄片大片在线免费观看| 一级毛片精品| 日韩精品青青久久久久久| 精品久久久久久久毛片微露脸| av福利片在线| 久久精品亚洲精品国产色婷小说| 国产欧美日韩一区二区三| 亚洲五月婷婷丁香| 精品高清国产在线一区| 午夜a级毛片| 国产精品久久视频播放| 午夜免费鲁丝| 精品电影一区二区在线| 最近最新中文字幕大全免费视频| 丰满迷人的少妇在线观看| 每晚都被弄得嗷嗷叫到高潮| 欧美日韩中文字幕国产精品一区二区三区 | 午夜免费激情av| 亚洲精品久久午夜乱码| 国产成人系列免费观看| 亚洲五月婷婷丁香| 好看av亚洲va欧美ⅴa在| 国产成人系列免费观看| 久久久久国内视频| 可以在线观看毛片的网站| 久久人人97超碰香蕉20202| 国产成人精品在线电影| 多毛熟女@视频| 亚洲人成网站在线播放欧美日韩| 亚洲av成人av| 夜夜夜夜夜久久久久| 日韩国内少妇激情av| 一a级毛片在线观看| 亚洲精华国产精华精| 国产在线精品亚洲第一网站| 午夜影院日韩av| 国产成人精品久久二区二区91| 天堂影院成人在线观看| 嫩草影视91久久| 欧美激情高清一区二区三区| 最近最新中文字幕大全电影3 | 9191精品国产免费久久| 少妇被粗大的猛进出69影院| 99久久国产精品久久久| 欧美日韩av久久| 欧美黑人欧美精品刺激| 国产区一区二久久| 亚洲精品在线美女| 91av网站免费观看| 国产片内射在线| 不卡一级毛片| 欧美日韩乱码在线| 久久人妻av系列| 99久久久亚洲精品蜜臀av| 亚洲av电影在线进入| 少妇的丰满在线观看| 麻豆成人av在线观看| 天堂动漫精品| 欧美日韩亚洲国产一区二区在线观看| 老熟妇仑乱视频hdxx| 中文字幕另类日韩欧美亚洲嫩草| √禁漫天堂资源中文www| 丰满饥渴人妻一区二区三| 国产午夜精品久久久久久| 97超级碰碰碰精品色视频在线观看| 9热在线视频观看99| 国产精品免费一区二区三区在线| 久久这里只有精品19| 久久精品亚洲熟妇少妇任你| 日韩欧美三级三区| 两人在一起打扑克的视频| 国产精品国产高清国产av| 91麻豆精品激情在线观看国产 | 午夜福利欧美成人| 亚洲人成电影免费在线| 免费日韩欧美在线观看| 五月开心婷婷网| 国产成人欧美在线观看| 国产视频一区二区在线看| 欧美激情极品国产一区二区三区| 成人亚洲精品av一区二区 | 最新在线观看一区二区三区| 久久国产精品影院| 极品教师在线免费播放| 亚洲精品久久午夜乱码| 一a级毛片在线观看| 亚洲色图 男人天堂 中文字幕| 亚洲国产欧美网| 国产又色又爽无遮挡免费看| 日韩有码中文字幕| 一二三四在线观看免费中文在| 十八禁网站免费在线| 性少妇av在线| 黄色 视频免费看| 一夜夜www| 黄片播放在线免费| 午夜福利欧美成人| 一级作爱视频免费观看| 水蜜桃什么品种好| 琪琪午夜伦伦电影理论片6080| 亚洲avbb在线观看| av天堂在线播放| 电影成人av| 国产1区2区3区精品| 丁香欧美五月| bbb黄色大片| 色婷婷久久久亚洲欧美| 午夜福利在线免费观看网站| 午夜免费鲁丝| 他把我摸到了高潮在线观看| 大码成人一级视频| 天天躁夜夜躁狠狠躁躁| 青草久久国产| 手机成人av网站| 欧美日本中文国产一区发布| 天堂影院成人在线观看| 国产男靠女视频免费网站| 色精品久久人妻99蜜桃| 久久国产亚洲av麻豆专区| 久久亚洲精品不卡| 国产区一区二久久| 999久久久国产精品视频| 免费人成视频x8x8入口观看| netflix在线观看网站| 婷婷六月久久综合丁香| 可以免费在线观看a视频的电影网站| 久久久久久免费高清国产稀缺| 中文字幕人妻丝袜制服| 可以在线观看毛片的网站| 一区福利在线观看| 狂野欧美激情性xxxx| 激情视频va一区二区三区| 久久中文字幕人妻熟女| 欧美最黄视频在线播放免费 | 亚洲成a人片在线一区二区| 变态另类成人亚洲欧美熟女 | 色婷婷av一区二区三区视频| 久久久久久人人人人人| 久久精品亚洲av国产电影网| 脱女人内裤的视频| 在线永久观看黄色视频| 91麻豆av在线| 亚洲 国产 在线| 1024视频免费在线观看| 亚洲自偷自拍图片 自拍| 88av欧美| 精品日产1卡2卡| 悠悠久久av| 久久99一区二区三区| 精品一区二区三区av网在线观看| 日韩欧美一区视频在线观看| 女人被狂操c到高潮| 精品国产亚洲在线| 老鸭窝网址在线观看| 91在线观看av| 亚洲精品粉嫩美女一区| 人人妻人人添人人爽欧美一区卜| 黄色女人牲交| 亚洲男人的天堂狠狠| 99久久人妻综合| 青草久久国产| av免费在线观看网站| 国产黄a三级三级三级人| 日韩欧美在线二视频| 涩涩av久久男人的天堂| 99热国产这里只有精品6| 少妇 在线观看| 日本免费a在线| 免费在线观看日本一区| 欧美黑人欧美精品刺激| 成人18禁高潮啪啪吃奶动态图| 搡老岳熟女国产| 黄色片一级片一级黄色片| 亚洲欧美精品综合一区二区三区| 51午夜福利影视在线观看| 亚洲 欧美一区二区三区| 在线观看免费视频网站a站| 免费不卡黄色视频| 成人av一区二区三区在线看| 欧美日韩乱码在线| 在线播放国产精品三级| 欧美日韩国产mv在线观看视频| 午夜老司机福利片| av免费在线观看网站| 一a级毛片在线观看| 在线观看日韩欧美| 亚洲一区中文字幕在线| 国产91精品成人一区二区三区| 午夜精品在线福利| 美国免费a级毛片| 国产蜜桃级精品一区二区三区| 在线观看免费日韩欧美大片| 欧美最黄视频在线播放免费 | 免费高清视频大片| 国产麻豆69| 精品福利观看| 在线永久观看黄色视频| 69精品国产乱码久久久| 热99国产精品久久久久久7| ponron亚洲| av免费在线观看网站| 国产精品日韩av在线免费观看 | 精品久久蜜臀av无| 丝袜美足系列| 动漫黄色视频在线观看| 精品乱码久久久久久99久播| 一区二区三区精品91| 日日摸夜夜添夜夜添小说| 国产一区二区三区视频了| 国产三级黄色录像| 人人妻人人澡人人看| 欧美国产精品va在线观看不卡| 80岁老熟妇乱子伦牲交| 99热只有精品国产| www.www免费av| xxxhd国产人妻xxx| 亚洲三区欧美一区| 午夜亚洲福利在线播放| 亚洲成a人片在线一区二区| 精品少妇一区二区三区视频日本电影| 黄色视频不卡| 久久精品国产99精品国产亚洲性色 | 19禁男女啪啪无遮挡网站| 热99re8久久精品国产| 免费日韩欧美在线观看| 国产av在哪里看| 国产黄a三级三级三级人| 真人一进一出gif抽搐免费| 国产在线精品亚洲第一网站| 日韩精品青青久久久久久| 亚洲性夜色夜夜综合| 人人妻人人澡人人看| 在线观看舔阴道视频| 国产精品影院久久| av网站免费在线观看视频| 国产成人精品久久二区二区免费| 另类亚洲欧美激情| 自拍欧美九色日韩亚洲蝌蚪91| www.自偷自拍.com| 成人黄色视频免费在线看| 亚洲欧美精品综合一区二区三区| 精品国产乱码久久久久久男人| 中文字幕av电影在线播放| 国产精品免费一区二区三区在线| 久久久国产一区二区| 97碰自拍视频| 男人操女人黄网站| 又紧又爽又黄一区二区| 欧美激情高清一区二区三区| 中文字幕av电影在线播放| 99热只有精品国产| 黑人猛操日本美女一级片| 天天影视国产精品| 精品国产一区二区久久| 丰满饥渴人妻一区二区三| av超薄肉色丝袜交足视频| 99国产精品一区二区三区| 嫩草影院精品99| 国产在线精品亚洲第一网站| 亚洲欧美日韩无卡精品| 久久九九热精品免费| 国产99久久九九免费精品| 国产精品影院久久| 久久亚洲真实| 9色porny在线观看| 岛国在线观看网站| 国产精品久久久人人做人人爽| 欧美日韩一级在线毛片| av电影中文网址| 国产亚洲精品第一综合不卡| 亚洲欧美一区二区三区黑人| 久久久久精品国产欧美久久久| 九色亚洲精品在线播放| 日韩欧美三级三区| aaaaa片日本免费| 精品福利观看| 亚洲熟妇熟女久久| 18禁黄网站禁片午夜丰满| 亚洲国产精品合色在线| 男女床上黄色一级片免费看| 国产精品美女特级片免费视频播放器 | 国产精品免费视频内射| 黑丝袜美女国产一区| 色尼玛亚洲综合影院| 久久久国产欧美日韩av| 高清黄色对白视频在线免费看| av国产精品久久久久影院| 久久国产乱子伦精品免费另类| 国产精华一区二区三区| 欧美人与性动交α欧美软件| 女性生殖器流出的白浆| 9色porny在线观看| 一二三四在线观看免费中文在| 99精品欧美一区二区三区四区| 大码成人一级视频| 亚洲av成人不卡在线观看播放网| 国产黄色免费在线视频| 亚洲va日本ⅴa欧美va伊人久久| 五月开心婷婷网| 制服人妻中文乱码| 搡老岳熟女国产| 久久九九热精品免费| 国产乱人伦免费视频| 极品教师在线免费播放| 久久青草综合色| 久久天堂一区二区三区四区| 欧美黄色淫秽网站| 纯流量卡能插随身wifi吗| 久久久久国内视频| 精品久久久精品久久久| 日本黄色日本黄色录像| 日本三级黄在线观看| 乱人伦中国视频| 国产精品偷伦视频观看了| 欧美日韩瑟瑟在线播放| 欧美激情极品国产一区二区三区| 老司机福利观看| 韩国精品一区二区三区| 十八禁人妻一区二区| 不卡av一区二区三区| 亚洲熟妇熟女久久| 级片在线观看| 久久国产精品男人的天堂亚洲| 99香蕉大伊视频| 9191精品国产免费久久| 亚洲熟妇熟女久久| 伦理电影免费视频| 日本欧美视频一区| 久久久国产成人免费| 天堂俺去俺来也www色官网| 午夜福利在线观看吧| 高清欧美精品videossex| 大陆偷拍与自拍| 午夜免费鲁丝| 国产蜜桃级精品一区二区三区| 亚洲成a人片在线一区二区| 成人av一区二区三区在线看| 国产精品偷伦视频观看了| 一级a爱视频在线免费观看| 高清黄色对白视频在线免费看| 99久久99久久久精品蜜桃| 99国产精品免费福利视频| 色综合欧美亚洲国产小说| 欧美+亚洲+日韩+国产| 欧美精品一区二区免费开放| 97人妻天天添夜夜摸| 视频区欧美日本亚洲| 夜夜躁狠狠躁天天躁| 日韩精品免费视频一区二区三区| 国产成人一区二区三区免费视频网站| 亚洲精品一卡2卡三卡4卡5卡| 99国产综合亚洲精品| 脱女人内裤的视频| 免费av毛片视频| 日本撒尿小便嘘嘘汇集6| 中文亚洲av片在线观看爽| 黄色片一级片一级黄色片| 亚洲欧美精品综合久久99| 亚洲精品一区av在线观看| 欧美日韩福利视频一区二区| 欧美最黄视频在线播放免费 | 亚洲一码二码三码区别大吗| 久久国产亚洲av麻豆专区| 亚洲精品美女久久久久99蜜臀| 久久伊人香网站| 巨乳人妻的诱惑在线观看| 性少妇av在线| 国产精品综合久久久久久久免费 | 99国产精品免费福利视频| 午夜久久久在线观看| 国产三级在线视频| 在线观看免费日韩欧美大片| 色老头精品视频在线观看| 国产一区二区三区综合在线观看| 欧美中文综合在线视频| 自线自在国产av| 亚洲一卡2卡3卡4卡5卡精品中文| 精品国产超薄肉色丝袜足j| 老鸭窝网址在线观看| 亚洲一区二区三区不卡视频| 国产午夜精品久久久久久| 国产精品一区二区在线不卡| 91麻豆精品激情在线观看国产 | 80岁老熟妇乱子伦牲交| 亚洲avbb在线观看| 80岁老熟妇乱子伦牲交| 黑人猛操日本美女一级片| 在线观看免费视频网站a站| 免费在线观看黄色视频的| 999久久久精品免费观看国产| 亚洲人成电影观看| 亚洲五月色婷婷综合| 交换朋友夫妻互换小说| 曰老女人黄片| 久久精品成人免费网站| 一二三四在线观看免费中文在| 中亚洲国语对白在线视频| 在线观看66精品国产| 久久久久国内视频| 在线观看66精品国产| 久久精品91无色码中文字幕| 97人妻天天添夜夜摸| 国产亚洲精品久久久久5区| 国产伦一二天堂av在线观看| videosex国产| 久久久久久久久中文| 啦啦啦 在线观看视频| 多毛熟女@视频| 亚洲精品久久成人aⅴ小说| www.精华液| 在线观看一区二区三区| 久久精品国产99精品国产亚洲性色 | 十八禁人妻一区二区| 黑人巨大精品欧美一区二区mp4| 久久久久国内视频| 欧美精品亚洲一区二区| 日韩人妻精品一区2区三区| 国产精品1区2区在线观看.| 中国美女看黄片| 精品国产亚洲在线| 男人操女人黄网站| 一进一出抽搐gif免费好疼 | 老熟妇仑乱视频hdxx| 久久久国产成人免费| 久久久久久免费高清国产稀缺| 中国美女看黄片| 亚洲精品成人av观看孕妇| 日韩高清综合在线| 免费在线观看影片大全网站| 18禁黄网站禁片午夜丰满| av中文乱码字幕在线| 亚洲成国产人片在线观看| 国产亚洲精品第一综合不卡| 两性夫妻黄色片| 激情视频va一区二区三区| 九色亚洲精品在线播放| 1024香蕉在线观看| 成人18禁在线播放| 国产真人三级小视频在线观看| 97超级碰碰碰精品色视频在线观看| 丰满饥渴人妻一区二区三| а√天堂www在线а√下载| 又黄又爽又免费观看的视频| 啪啪无遮挡十八禁网站| 欧美乱色亚洲激情| 国产亚洲精品久久久久5区| 麻豆一二三区av精品| 亚洲精品国产精品久久久不卡| 我的亚洲天堂| 久久精品影院6| 丰满迷人的少妇在线观看| 男女做爰动态图高潮gif福利片 | videosex国产| 一级毛片精品| 亚洲精品美女久久av网站| 免费观看精品视频网站| 一二三四社区在线视频社区8| 91老司机精品| 美女高潮喷水抽搐中文字幕| 欧美大码av| 亚洲成人国产一区在线观看| 男女高潮啪啪啪动态图| 日韩精品免费视频一区二区三区| 成年女人毛片免费观看观看9| 久久欧美精品欧美久久欧美| 老司机午夜十八禁免费视频| 日韩免费av在线播放| 国产精品美女特级片免费视频播放器 | 亚洲精品一二三| 国产高清videossex| 欧美黑人精品巨大| 欧美中文综合在线视频| 久久亚洲精品不卡| 亚洲国产中文字幕在线视频| 国产精品香港三级国产av潘金莲| 欧美日韩亚洲国产一区二区在线观看| 国产又爽黄色视频| 操美女的视频在线观看| 欧美日本亚洲视频在线播放| 老司机午夜十八禁免费视频| av中文乱码字幕在线| 亚洲一区高清亚洲精品| 亚洲欧美日韩无卡精品| 老司机午夜福利在线观看视频| 亚洲国产精品999在线| 久久久精品国产亚洲av高清涩受| 12—13女人毛片做爰片一| 午夜精品久久久久久毛片777| 国产无遮挡羞羞视频在线观看| 在线观看免费日韩欧美大片| 国产一区二区三区视频了| 99久久国产精品久久久| 啦啦啦免费观看视频1| 国产高清videossex| 19禁男女啪啪无遮挡网站| 91九色精品人成在线观看| 日韩av在线大香蕉| 亚洲成人久久性| 国产区一区二久久| 他把我摸到了高潮在线观看| 成人精品一区二区免费| 日日干狠狠操夜夜爽| 女同久久另类99精品国产91| 制服诱惑二区| 免费在线观看影片大全网站| 日本一区二区免费在线视频| 涩涩av久久男人的天堂| 老司机福利观看| 免费在线观看完整版高清| 精品一区二区三区av网在线观看| 欧美日韩中文字幕国产精品一区二区三区 | 久久久久久久午夜电影 | 精品久久久久久久毛片微露脸| 91九色精品人成在线观看| 十八禁网站免费在线| 午夜日韩欧美国产| 一夜夜www| 亚洲成人免费电影在线观看|