基于粗糙集理论的信贷风险评估模型研究

信贷风险是现代商业银行所需面对的首要风险,特别是我国商业银行由于缺乏基础数据,无法采用国外银行的先进信贷风险评估模型,长期以来一直使用传统方法进行信贷风险评估,因此急需探索一个适用于我国国情的信贷风险评估模型。为此,首先建立一套包含财务指标与非财务指标的信贷风险评估指标体系,然后根据粗糙集理论能够处理不可区分关系的特点,结合我国具体国情,提出了基于粗糙集理论的信贷风险评估模型,并给出数据预处理、属性简化、决策规则集的生成、对象分类及规则预测精度验证的实现方法。最后以多家公司的信贷情况为测试实例,采用基于粗糙集理论的信贷风险评估模型进行测试,测试结果表明,信贷正常公司的预测准确率达到83.33%,非正常公司的预测准确率达到100%,能够为银行的信贷决策提供有效的参考。     

2种药剂防治麦叶蜂生测的SVM,TDM模型分析

支持向量机(SVM)模型与时间-剂量-死亡率(TDM)模型都是兼顾时间效应与剂量效应的毒理学生测数据处理方法,而吡虫啉和敌百虫则是有着不同杀虫机理的2种化学杀虫剂。对这2种药剂应用浸渍法进行室内防治麦叶蜂3龄幼虫的毒力测定,并利用SVM模型和TDM模型对其生测数据进行了分析。SVM回归分析结果表明,20 min敌百虫的LD50为20.995 mg/kg,吡虫啉为102.886 mg/kg;SVM模型的拟合效果优于TDM模型,且MSE(均方误差)均较小。所以,SVM模型有很好的鲁棒性,在击倒活性化学杀虫剂生测数据处理中所得的结果准确性较高。     

基于ODR-ADASYN-SVM模型的高新技术企业财务危机预警研究

高新技术企业对于我国经济发展的推动作用不言而喻,但同时其也具有高风险的特征,因此对高新技术企业进行财务危机预警研究,有着十分重大的意义。通过在我国A股市场中选择了42家被ST的高新技术企业和420家非ST的高新技术企业作为研究样本,引入不平衡处理技术中的ODR(逐级优化递减欠采样)和ADASYN(自适应合成抽样方法)与传统SVM(支持向量机)相结合,构建了ODR-ADASYN-SVM模型,对高新技术企业财务危机预警进行研究。再将实证结果进行横向比较,与单一SVM模型、BAYES模型、KNN模型、DISTANCE模型等进行对比分析。实证结果表明:引入ODR-ADASYN数据处理方法有效地增强了SVM学习非均衡样本的能力,提高了模型的整体预测性能,能够有效地对高新技术企业进行财务危机预警。     

基于多分类器组合的个人信用评估模型

针对个人信用评估单一模型存在的不足，提出一种基于多分类器组合的个人信用评估模型。该模型综合了多元判别分析、logistic回归、神经网络、支持向量机等七种个人信用评估单一模型的预测结果，利用加权投票方法对其进行组合并输出最后预测结果。在某商业银行信用卡数据集上的测试结果表明，组合模型能有效地提高预测精度及稳健性，对信贷机构控制消费信贷风险具有很好的适用性。     

我国农村小额信贷公司的可持续发展研究

文章通过对农村小额贷款公司的研究,指出农村小额信贷作为一种有效的扶贫工具。可帮助贫困农户发展生产,摆脱贫困,也是一种新型的农村金融组织形式,能够缓解农村金融供求紧张状况,促进“三农”发展和农村金融体制改革。同时,分析了小额信贷公司存在的问题和小额信贷公司可持续发展及解决方法。     

宁夏小额信贷农户信用风险评价与风险管理研究

小额信贷自20世纪90年代初期引入到我国后,在解决贫困农户融资方面发挥了积极作用。但随着小额信贷业务不断拓展,资金量逐渐增多,信贷风险也随之加大。世界银行对全球银行业危机的研究表明,导致银行和信贷机构破产最常见的原因就是信用风险。利用层次分析法从贷款农户角度对宁夏小额信贷信用风险进行综合评估研究,根据相关资料构建多层次模糊综合评价模型,通过数学统计方法得到信用风险综合评价结果。     

金融精准扶贫下的农户信贷行为分析及启示

从农户信贷行为研究的角度,以农户信贷需求和供给作为因变量,农户特征变量、社会资本等作为自变量,以山西省太原市娄烦县1 665户农户作为调研样本,采用需求可识别双变量Probit模型对农户信贷行为进行识别。结果表明,当前农户获取信贷资金更倾向于非金融机构,同时银行在信贷支持中更具有"嫌贫爱富"的特征;年龄、上学人口对正规信贷和非正规信贷的需求具有正向影响;正规信贷更倾向于贷款给有工资性收入的群体,非正规信贷具有"中性",更倾向于贷款给劳动力多的家庭;与村、镇干部以及邻里的关系程度对正规信贷和非正规信贷供给呈现为正向影响。研究认为解决金融精准扶贫的关键还是在于加快农村土地流转市场建设,创新开发土地流转金融产品,充分发挥合作社的作用,加强对农民的技术培训,完善农业保险等,这些举措也是降低金融机构风险的重要途径。     

基于遗传算法和支持向量机的储粮害虫图像识别

建立支持向量机（SVM）模型,用遗传算法自动选择最优的核函数参数,利用该SVM与遗传算法相结合的新型算法对储粮害虫图像进行分类识别。结果表明,该方法所确定的SVM对储粮害虫具有较优的识别率,其整体性能优良。     

基于人工蜂群算法优化的SVM管道风险评估

管道风险评估是管道风险管理的重要组成部分,其目的是通过对风险的调查和分析,识别可能导致管道事故的重要因素,使得管道风险管理更加科学化。为了对管道日常运行状态风险进行准确评估,提出了一种利用人工蜂群算法优化的支持向量机(Support Vector Machine,SVM)管道安全风险评估方法:建立管道风险评估模型,从工艺运行角度收集成品油管道、正反输原油管道、掺混输送原油管道的工艺运行特征,并形成样本特征集合。对这4种类型管道的特征集合进行试验验证,结果表明:在小样本情况下,采用基于人工蜂群算法优化的SVM管道风险评估方法正确率较高,并具有良好的普适性,能够根据管道实际运行状态给出正确的风险评估结果。(图3,表1,参21)     

基于卷积神经网络和支持向量机算法的马铃薯表面缺陷检测

马铃薯表面缺陷检测是马铃薯分级的重要组成部分。传统的马铃薯表面缺陷检测方法通常涉及到手工特征提取和特征判断,但是马铃薯生长环境复杂,缺陷种类繁多,提取合适的特征是一个难题。为了解决上述问题,本试验提出一种基于改进的卷积神经网络(Convolution Neural Networks,CNN)和支持向量机(Support Vector Machine,SVM)模型的马铃薯表面缺陷检测新方法。该模型通过CNN自动提取马铃薯图片深度特征,利用特征向量训练SVM得到分类器。此外,改进的CNN中采用dropout正则化技术,能有效减小模型过拟合;加入1×1卷积层,加快模型运算时间。试验中,对CNN模型学习率和训练次数等超参数进行了对比选择,基于Adam优化算法通过GPU加速技术进行CNN模型训练;采用网格搜索算法对SVM参数进行优选。试验样本集由实验室机器视觉平台和数据增广方法所得图片组成。试验结果表明,本试验设计的CNN+SVM改进模型能解决现有研究中存在的问题,且性能优于常规CNN模型和传统检测方法,算法运行速度更快,准确率达99.20%。