基于Logistic回归变量如何筛选.PDFVIP

中国月期刊咨询网 基于Logistic回归变量如何筛选 人工神经网络的数据拟合是通过对输入和输出的分析，来更新各神经元间的连接权重，是一种非线性的统计模型，具 有较高的精确度[1]。但是，对于多种因素共同决定的复杂问题来说，由于影响因变量的预测变量过多，将全部预测 变量加入模型进行分析，一些重要性较低的变量噪声就会影响整个模型的精度，达不到分析效果。 摘要：BP神经网络是一种使用非线性可导函数作为传递函数的前馈神经网络，具有较高的精确度，但过多的预测变 量会影响BP神经网络的准确性。采用Logistic回归变量筛选方法能在一定程度上提高分类准确性，提高模型效率。对2 013年沪深两市A股分类评级进行了研究，证明基于Logistic回归变量筛选的神经网络提高了两极类别分类的准确性。 关键词关键词：BP神经网络;Logistic回归;变量筛选 1原理 1.1BP神经网络 BP神经网络是一种基于有监督的学习、使用非线性可导函数作为传递函数的前馈神经网络[3]。BP神经网络具有较强 的非线性映射能力、较高的自学习和自适应能力、将学习成果应用于新环境和新知识的能力以及相当的容错能力[4] 。 输入层传入，经各隐层逐层处理后，传向输出层[5]。若输出层的实际输出与期望的输出不符，则转入误差的反向传 播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得 各层单元的误差信号，此误差信号即作为修正各单元权值的依据[6]。这种信号正向传播与误差反向传播的各层权值 调整过程，是周而复始进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误 差减少到可接受的程度，或进行到预先设定的学习次数为止[78]。如图1所示，向量X为输入层输入向量，向量Y为隐 层输出向量，向量O为输出层输出向量，矩阵V为输入层到隐层之间的权值矩阵，矩阵W为隐层到输出层之间的权值 矩阵。 1.3基于Logistic回归变量筛选的BP神经网络实现方法 。构建Logistic回归模型时使用分区数据并为每个分割构建独立的模型;选用多项式过程，变量提取方法使用步进法并 中国月期刊咨询网 使用主效应模型，目标基准类别使用第一类别，迭代次数上限为20次。挑选出满足给定显著水准的预测变量后，将这 些预测变量加入数据流作为BP神经网络输入层变量，目标选择创建标准模型，并使用BP算法建立MLP神经网络模型 ，停止条件为最大训练时间10分钟，防止过度拟合集合设为30%。使用上述权值调整算法建立神经网络进行分类分析 ，具体模型如图2所示。 2实例分析 股票评级是股票资信评估的一个重要项目，它可以为投资者提供股票的风险信息，降低投资者的风险成本，是投资者 决策的重要依据[13]。由于股票价格受到政治、经济、社会等多种因素影响，使用传统的模型拟合往往无法达到令人 满意的效果[14]，本文提出的模型正好能解决此难题。 2.1数据准备 选取2013年度上证A股、深证A股所有股票，导出2013年1月4日至2013年12月31日间股票交易数据，并从锐思数据库、 中国证券报网站、新浪财经数据中心等平台汇总上市公司四季度报(年报)数据。其中年报数据保留盈利能力(包括净 资产收益等7项指标)、运营能力(包括应收账款周转率等6项指标)、成长能力(包括主营业务收入增长率等6项指标)、 偿债能力(包括流动比率等6项指标)、现金流量(包括现金流量比等5项指标)，共计30项财务分析指标。 2.2数据清理 由于样本含量足够大，将近2 500例，对于存在缺失值的实例，将整条数据删除，不作分析使用。 2.3数据变换及离散化 (1)考虑到个别股票在2013年度存在除权除息，如果直接按市场价格计算股票涨跌幅，就会偏离实际情况，因此对这 部分股票需要按实际收益计算其涨跌幅度。 散为0，1，2，3四个数值。 2.4数据集成 将股票价格及涨跌数据，上市公司财务指标数据集成至一个数据库，最终得到有效数据1 856例。 2.5建立模型 经网络模型如图4所示。对照模型使用未使用变量筛选的人工神经网络。构建模型时，训练数据占80%，测试数据占2 0%。 2.6实验结果 评级总正确率较未使用变量筛选的模型，在培训和测试数据分区分别有了1.5和3个百分点的提高，分别为48.64%和50. 52%;在评级=0时分别有了21和28个百分点的提高，分别为60.61%和64.63%，从ROC下方面积可以清晰