基于支持向量机方法的股票预测模型

利用支持向量机方法建立股票投资预测模型,经过与多项式函数及Sigmoid核函数的对比,选用Gauss径向基函数作为SVM核函数;抽取223支上市公司的股票作为研究样本,并选取对股票投资影响显著的财务指标构造样本数据集,代入支持向量机模型进行实证测算;实验表明,与BP神经网络模型相比,在样本有限的情况下,基于支持向量机的股票投资模型预测精度更高。     

基于数据挖掘的京津冀上市公司财务舞弊识别研究

选取京津冀上市公司2013～2018年数据,从国泰安数据库选取配对样本,利用因子分析法进行指标分析,然后运用决策树、SVM支持向量机和GA-BP神经网络三种数据挖掘模型对京津冀上市公司进行财务舞弊识别,在三种算法基础上构建改进模型,提高预测准确率。根据结果从投资者职能、内控机制、政策环境等方面,针对有效遏制财务舞弊行为提出建议。     

基于PSO-SVM的电动车铅酸蓄电池SOC预测

为了提高电动车铅酸蓄电池的电池荷电状态(SOC)预测精度,将粒子优化算法(PSO)引入到支持向量机(SVM)中,建立了PSO-SVM电动车铅酸蓄电池SOC预测模型,模型输入量为电池的电压和电流,输出量为SOC。采用PSO算法对SVM的惩罚因子C和径向基函数宽度σ寻优,降低了SVM参数取值的盲目性,提高了预测精度。设计了铅酸蓄电池数据智能采集系统,并进行了实际运行车辆电池数据采集。在advisor2002软件中获取的电池数据和实际车辆电池运行数据的基础上,进行了模型训练和预测。结果表明,PSO-SVM预测模型相对传统的BP、RBF和SVM预测模型具有更好的精度和推广能力,满足了"SOC估算精度小于5%"的要求,从而表明该模型是有效的、可行的,并具有较好的工程实用价值。     

A股上市公司ST风险预警——基于KMV模型的大样本经验实证

针对中国上市公司股权结构的特殊性,修正KMV模型中股权市值计算和违约点设定方法,以2010—2011年所有A股上市公司为样本,运用修正的KMV模型对ST公司和非ST公司信用风险进行评价和预测,建立合适的财务困境预警线。大样本下的实证研究表明,修正后的KMV模型至少可以提前两年对上市公司的财务困境进行有效预警。     

基于现金流量项目的企业财务困境分析

选取2011年127家ST公司为财务困境公司,并对每个困境公司进行配对,利用财务困境公司和非财务困境公司T-1年至T-6年现金流量项目数据,通过配对样本T检验,得出财务困境是因超规模筹资和主营业务下滑所导致的结论.     

基于增量学习SVM的Android恶意应用检测方法

针对传统Android恶意应用检测方法在处理大规模样本时存在的训练时间长、存储空间消耗大的问题,提出一种基于增量学习SVM的Android恶意应用检测方法.该方法提取Android应用的权限申请和API函数调用特征,利用增量学习SVM理论将训练样本集随机划分为初始样本集和若干个增量样本集,利用循环迭代方法训练SVM分类器,每次新的训练仅保留上一轮训练得到的支持向量集并合并到新增样本集中,舍弃大量对分类结果不产生影响的样本以提高分类器学习效率,同时产生新的支持向量集,并最终得到一个高精度的SVM分类器.通过将增量学习SVM算法与基本SVM算法进行对比实验,结果表明,该算法可以有效降低分类器学习时间,减少样本存储的空间占用,同时随着样本规模的积累逐步提高分类精度.     

基于改进支持向量机的风电机组故障分类识别

针对支持向量在分类过程中,特别是对于非线性可分问题,如果采用不同的核函数,支持向量机(SVM)可以构造不同的学习机器和分类模型,从而导致分类算法复杂且分类精度较低。研究了SVM的轴承诊断原理,测试诊断方案及原始测试数据的特征提取,最后进行了数据训练和测试实验仿真,然后对风力发电机组机械故障进行诊断,实验说明了改进后的SVM故障分类方法的可行性和有效性。在建立故障分类模型之后,采用网格搜索法、遗传算法、粒子群算法对支持向量机的惩罚参数C和径向基核函数参数γ进行优化选择,通过分析发现故障分类精度提升比较明显。     

基于审计意见的上市公司财务困境预测研究

随着我国资本市场的不断发展与完善,对上市公司财务困境进行预测逐渐得到学术界的广泛关注。本文选取了自2004年至2005年7月1日首次因财务状况异常而被特别处理的上市公司作为研究样本,选取了30个财务指标,采用主成分分析方法确定模型变量,利用logistic回归建立模型,并且加入了审计意见进行修正,对上市公司财务困境进行了预测。研究结果显示logit模型有一定的预测性,并且审计意见在被特别处理前两年能够提高预测率。     

基于RBF核的SVM分类应用研究

支持向量机(Support Vector Machine,SVM)在解决小样本、非线性及高维模式识别中具有优势,但核函数的选取没有定论,且其参数对SVM模型的性能起重要作用。针对这些问题,文章建立了基于SVM的分类模型,并通过UCI数据集验证了径向基核函数(Radial Basis Function,RBF)较其他核函数的有效性,其中核参数的选取采用改进的网格搜索法进行寻优。分类实验结果表明,选择RBF核函数的分类准确度较其他核函数提高了2.5%到35%。     

基于PSO-SVM模型的网络流量预测研究

针对网络流量高度自相关、随机性和非线性等时间序列特征,采用支持向量机（SVM）模型进行预测。针对SVM模型中参数难以确定的问题,采用粒子群（PSO）算法进行参数寻优,保证预测的精确度。将PSO—SVM模型预测结果与ARIMA自回归移动平均模型、BP神经网络模型预测结果进行比对,PSO—SVM模型具有更高的预测精度,能够更好地反映网络流量的变化规律。     

上市公司财务困境预警比较分析——基于Logistic回归和多层感知器的方法

回顾上市公司财务预警问题的研究情况。选取35家被特别处理的上市公司和35家未被特别处理的上市公司作为样本,从20个初始财务指标中筛选出4个作为预测指标,使用Logistic回归分析和多层感知器两种方法,建立模型进行财务预警分析。结果表明:多层感知法对财务困境的预警效果要好于Logistic回归法,两种方法对特别处理前1年的预警能力良好,对前2年和前3年的预测能力下降迅速,为了提高财务困境的预测能力,提出"过程监管"的新监管策略。     

SVM算法在文本分类中的研究

SVM算法只使用已归类的数据训练分类器,而EM算法用少量已归类数据,结合大量的未归类数据来训练分类器,在减少已归类数据的同时保证了分类器的精度。本文基于EM算法的思想,根据SVM文本分类模型,提出一种新的迭代SVM文本分类算法。实验结果表明,迭代SVM算法分类精度高于传统的SVM文本分类算法,具有较好的性能。     

融合深度学习的无人驾驶多目标检测算法

目标检测是目前计算机视觉领域非常热门的研究方向,是无人驾驶技术重要环节。为提高行车过程中目标检测精度并改善基于单发多目标检测器在训练时出现的正负样本失衡问题,基于车载视频,运用深度学习算法中具有强大性能的SSD模型,通过引入Focal Loss函数设计新的损失函数,解决样本失衡问题;同时在不降低检测速率的情况下,提高检测精度。基于自行采集的车载视频数据集进行实验,结果表明,改进后SSD模型的mAP相较于原始SSD模型提高了3%,达到74%。     

基于自适应梯度算法的SVM核极化参数选择方法

在机器学习领域,支持向量机SVM(Support Vector Machine)是一个有监督的学习模型,通常用来进行模式识别、分类以及回归分析.模型选择是影响SVM性能的主要因素,具体地讲是SVM中的核函数及其惩罚系数C的选择决定着SVM的分类能力.本文首先讨论了一种评价核函数好坏的重要标准,即核极化.在此基础上提出了基于核函数优化问题的自适应梯度算法,即用一种自适应步长去改进原来的固定步长.UCI数据集(机器学习数据库)上的实验结果验证了这种自适应梯度算法的有效性,结果表明该算法能有效减少程序运行的迭代步及SVM学习训练的时间.     

我国上市公司财务困境预测的实证分析

建立上市公司财务困境预测体系,在上市公司财务状况面临风险时发出预警信号,对于公司各利益相关体都具有重要的意义.以四川省上市公司为研究样本,采用阿尔曼（Altman）的多元Z值判定模型,对其财务状况进行了实证检验.     

产权异质性视角下企业财务困境案例研究

选取中国远洋控股股份有限公司、三鹿集团股份有限公司和东星航空有限公司为研究对象,运用案例分析法分析了各企业陷入财务困境的原因,区分了企业的产权性质,从企业外部环境和内部管理控制两个角度对财务困境形成原因进行深入研究。研究发现经济背景、成本过重、资金链断裂、管理者决策不当等因素会导致企业陷入财务困境,并绘出财务困境成因模型框架,最后基于企业摆脱财务困境避免破产的考虑,给出相关应对措施。     

一种新的电力系统短期负荷预测方法

针对电力系统短期负荷特性,提出了基于局部线性嵌入(Linear Local Embed,LLE)和支持向量机(Support Vector Machine,SVM)技术的短期负荷预测模型。该模型利用LLE算法对负荷样本的数据挖掘知识,得到了高维输入样本的低维映射,最后利用具有非线性拟合、泛化能力强的SVM进行回归。     

我国上市公司财务预警的实证研究

本结合我国当前的实际情况。论述了建立财务预警系统的重要性和必要性，并以我国上市公司为研究对象，选取了41家处于财务困境和39家同行业、同规模财务正常的公司为样本，运用Logistic回归，建立财务预警的预测模型。     

我国上市公司财务预警的实证研究

本结合我国当前的实际情况，论述了建立财务预警系统的重要性和必要性，并以我国上市公司为研究对象，选取了41家处于财务困境和39家同行业、同规模财务正常的公司为样本，运用Logisdc回归，建立财务预警的预测模型。     

基于SVM的上市公司财务危机预警模型研究

现阶段,部分上市公司由于商品市场供求失衡、政策失调及通货膨胀等各种原因,导致投资决策失误,进而发生财务异常、亏损等不良现象,因此深入研究分析上市公司财务危机并构建有效的预警模型,成为各大上市公司利益相关人员的需求。文章首先论述了SVM（支持向量机）的相关内容,然后以SVM为基础分析了上市公司财务危机预警模型。