pso-svm模型在财务危机预警中的应用.docxVIP

pso-svm模型在财务危机预警中的应用 预算危机风险报警是一个重要而广泛的研究主题。它通过实时监控财务形势、分析和挖掘数据来获得有效知识，评估公司是否陷入预算危机，并对公司管理层、投资者、债权人和其他利益相关者做出决策，这对政府和证券监督管理部的管理具有重要的实践意义。为了获得更高的预测精度，人们将统计方法、人工智能专家系统和理论方法应用于预动危机模型的风险预测器。 考虑到公司的最终结果是正常或陷入危机这两个状态,公司财务危机的预警类似一个二元决策.例如,Fitzpartrick和Beaver运用单个财务比率将样本划分为破产和非破产两组.在此基础上,后来有很多学者采用统计方法进行了改进,其中线性判别分析、多重回归、逻辑回归等是应用最多的方法.然而,在传统统计方法中,若要求预警变量之间是线性、正态和独立的,则限制了这些方法在实践中的应用. 随着新技术的发展,人工智能专家系统技术被应用到预警研究中.在这些方法中,Vapnik提出的采用结构风险最小化原则的支持向量机(SVM)方法已成为人们关注的焦点.然而,在应用SVM进行财务危机预警时,特征集的选择和核函数参数的选择对预测结果有着很大的影响.本文尝试结合粒子算法(PSO)和SVM建立混合模型,对预警指标特征集和SVM参数同时进行优化,从而提高SVM模型的预测准确度. 1 pso和svm的性能 1.1 局极值pgd PSO是一种基于迭代的优化工具.系统初始化为一组随机粒子(随机解),通过迭代搜寻最优值.在每一次迭代中,粒子通过跟踪两个“极值”来更新自己.一个是粒子本身所找到的最优解,此解叫做个体极值pid.另一个极值是整个种群目前找到的最优解,此极值是全局极值pgd.在找到这两个最优值时,粒子速度和位置分别为: vid=wvid+c1rand()(pid-xid)+c2rand()(pgd-xid)(1)xid=xid+vid(2)vid=wvid+c1rand()(pid?xid)+c2rand()(pgd?xid)(1)xid=xid+vid(2) 式中:rand()为介于(0,1)之间的随机数;c1、c2均为学习因子,通常c1=c2=2;w为惯性权重,用于控制前一次迭代产生的速度对本次迭代速度的影响,一般w∈. 在每一维粒子的速度都会被限制在一个最大速度vmax,如果某一维更新后的速度超过用户设定的vmax,那么这一维的速度就被限定为vmax. PSO根据适应值来进行一定的随机搜索,整个搜索更新过程是跟随当前最优解的过程.故在大多数情况下,所有的粒子可能较快地收敛于最优解. 1.2 最优分类面的构造 SVM是基于统计学习理论和结构风险最小化原则的机器学习方法.其基本思想是:把输入空间的样本通过非线性变换映射到高维特征空间,在特征空间中,求样本线性分开的最优分类面.算法使用分类间隔控制线性学习机器的容量,从而使结构风险最小,在有限样本下具有较强的泛化能力. SVM是从线性可分情况下的最优分类面发展而来.设分类面的方程为x·w+b=0,使得对线性可分的样本集(xi,yi)(i=1,2,…,n),x∈Rd,y∈{+1,-1},寻找最优超平面的问题等同于解决约束条件下的二次规划问题,优化条件是两类之间的距离,最后得到最优决策函数: f(x)=sgn(n∑i=1α*iyi(xi?x)+b*)(3)f(x)=sgn(∑i=1nα?iyi(xi?x)+b?)(3) 对于非线性问题,只需要将输入向量非线性映射到一个更高维的特征空间,然后再构造最优分类超平面.这个分类超平面可定义为 f(x)=sgn(n∑i=1α*iyiΚ(xi,x)+b*)(4)f(x)=sgn(∑i=1nα?iyiK(xi,x)+b?)(4) 式中:K(xi,x)为核函数;f(x)的符号决定x的类属.构造最优超平面等同于寻找所有非零的αi,对应于一个非零αi的任何数据点xi就是这个最优超平面的支持向量. 2 pso特征集及核函数参数的优化 由于特征集的选择、核函数参数对SVM模型预测性能有重要影响,本文采用PSO对特征集的选择和核函数参数同时进行优化,得到接近最优的特征集和核函数参数,提高SVM模型的预测能力. 2.1 特征集的编码优化 特征集的选择有filter和wrapper方式.它们的区别在于特征集的选择是否独立于学习算法,如果独立,则为filter方式;反之,则为wrapper方式.在filter方式中,先进行特征集的选择,然后进行分类.同wrapper方式相比,filter方式计算效率更高.wrapper方式通过输入一个给定的特征集训练分类系统,采用一个检验集估计分类的准确性.尽管它是一个更加缓慢的过程,但选择的特征集对于分类而言通常是最优的. 在财务危机预警研究中,特征集的选择对于提高预测的准确度是非常重要的