發(fā)布時(shí)間：2017-06-20 04:00

  本文關(guān)鍵詞：基于差分進(jìn)化算法的信用風(fēng)險(xiǎn)度量模型研究，由筆耕文化傳播整理發(fā)布。

【摘要】：信用風(fēng)險(xiǎn)管理一直是金融風(fēng)險(xiǎn)管理的重要組成部分。伴隨著社會(huì)信息化的不斷發(fā)展,信用風(fēng)險(xiǎn)管理問題呈現(xiàn)大規(guī)模、復(fù)雜化、不確定性的特點(diǎn),而其管理的方法無法滿足大規(guī)�？珙I(lǐng)域的信用風(fēng)險(xiǎn)度量與評(píng)估問題。一方面由于其緩慢的人工評(píng)估方法與度量模型無法精準(zhǔn)的判斷擁有龐大數(shù)據(jù)業(yè)務(wù)量對(duì)象的信用風(fēng)險(xiǎn)水平,另一方面在應(yīng)用復(fù)雜的信用風(fēng)險(xiǎn)度量模型的時(shí)候,都不可避免的依靠不完善的假設(shè)及估計(jì)。在現(xiàn)階段的金融領(lǐng)域,傳統(tǒng)的金融信用風(fēng)險(xiǎn)模型無法準(zhǔn)確地解決這樣復(fù)雜的風(fēng)險(xiǎn)問題,但是人工智能和數(shù)據(jù)挖掘技術(shù)的發(fā)展為這些問題的解決提供了可能。管理的實(shí)質(zhì)是為決策者提供最優(yōu)決策,信用風(fēng)險(xiǎn)管理實(shí)際上也是一個(gè)優(yōu)化問題。差分進(jìn)化算法在優(yōu)化問題上具有良好的性能,并且該算法結(jié)合了智能演化和群體學(xué)習(xí)的機(jī)制,算法參數(shù)少,能夠快速尋找到最優(yōu)區(qū)域。為了提高信用風(fēng)險(xiǎn)度量模型的評(píng)估能力,本文將評(píng)估問題轉(zhuǎn)變?yōu)閷?yōu)問題,這樣有利于差分進(jìn)化算法的引入,但是在面對(duì)復(fù)雜多變的信用風(fēng)險(xiǎn)問題時(shí),差分進(jìn)化算法本身會(huì)有這樣或那樣的不足。針對(duì)這樣的情況,本文首先對(duì)傳統(tǒng)差分進(jìn)化算法提出自己的改進(jìn)思想,提高其算法的優(yōu)化性能；其次,利用改進(jìn)的算法,結(jié)合中國(guó)上市公司的實(shí)情,優(yōu)化KMV模型,找出符合國(guó)情的違約點(diǎn)；最后利用數(shù)據(jù)挖掘中聚類的思想,改變差分進(jìn)化算法的形式,來對(duì)我國(guó)上市公司進(jìn)行評(píng)估。借鑒多種群并行機(jī)制和隨機(jī)搜索策略,提出一種基于隨機(jī)擴(kuò)散搜索的協(xié)同差分進(jìn)化算法。該算法引入反向混沌搜索的初始化機(jī)制,利用隨機(jī)擴(kuò)散搜索策略將種群分為成功和失敗兩個(gè)子群,并對(duì)改進(jìn)的成功和失敗子群分別采用不同的差分策略,克服單一差分策略的缺陷,同時(shí),定期將子群的部分最好與最差個(gè)體實(shí)現(xiàn)一對(duì)一的信息交流,從而達(dá)到協(xié)同進(jìn)化的目的。通過函數(shù)實(shí)驗(yàn)仿真,并將它與其它算法進(jìn)行比較,結(jié)果表明該算法的收斂速度和尋優(yōu)精度得到明顯改善,具有較好的收斂速度和尋優(yōu)能力。為了探尋在KMV信用評(píng)級(jí)模型中,違約點(diǎn)的短期和長(zhǎng)期比率系數(shù)以及投資人市場(chǎng)主觀態(tài)度系數(shù)的最優(yōu)組合,運(yùn)用差分進(jìn)化算法,構(gòu)造了最優(yōu)違約系數(shù)的不確定性DE-KMV測(cè)算模型。通過分析近年來中國(guó)經(jīng)濟(jì)發(fā)展環(huán)境對(duì)上市公司違約風(fēng)險(xiǎn)影響的趨勢(shì),厘清人們對(duì)當(dāng)前金融市場(chǎng)環(huán)境好壞的基本態(tài)勢(shì),利用不確定性DE-KVM模型對(duì)上市公司的違約情況進(jìn)行測(cè)算,得到了最優(yōu)的中國(guó)上市公司默認(rèn)違約點(diǎn)系數(shù)和投資人態(tài)度系數(shù)。建立信用風(fēng)險(xiǎn)評(píng)價(jià)的差分進(jìn)化自動(dòng)聚類模型,并將其應(yīng)用到我國(guó)上市公司信用風(fēng)險(xiǎn)評(píng)價(jià)中。該模型不要求事先知道分類的數(shù)據(jù),相反,依靠群體智能去尋找最優(yōu)的分區(qū)。通過數(shù)據(jù)仿真,并與遺傳算法、決策樹、BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行信用風(fēng)險(xiǎn)評(píng)價(jià)的實(shí)證對(duì)比研究,結(jié)果表明,該模型能夠非常準(zhǔn)確的找到數(shù)據(jù)對(duì)應(yīng)的分區(qū),大大提高了信用評(píng)估的準(zhǔn)確性,降低了風(fēng)險(xiǎn)成本,對(duì)信用風(fēng)險(xiǎn)的管理和控制具有很高的利用價(jià)值。
【關(guān)鍵詞】：信用風(fēng)險(xiǎn) 差分進(jìn)化 優(yōu)化 KMV 上市公司
【學(xué)位授予單位】：華中師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：F272.3;F832.51;F224
【目錄】：

• 摘要6-8
• Abstract8-13
• 1. 緒論13-24
• 1.1 選題背景及研究意義13-15
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀15-20
• 1.2.1 信用風(fēng)險(xiǎn)度量的研究現(xiàn)狀15-18
• 1.2.2 差分進(jìn)化算法的研究現(xiàn)狀18-20
• 1.3 研究方案20-22
• 1.3.1 論文的主要研究目標(biāo)20
• 1.3.2 論文的主要研究?jī)?nèi)容20-21
• 1.3.3 論文的主要研究框架21-22
• 1.4 論文的特色與創(chuàng)新點(diǎn)22-24
• 2. 信用風(fēng)險(xiǎn)度量模型和差分進(jìn)化算法理論概述24-37
• 2.1 現(xiàn)代信用風(fēng)險(xiǎn)度量模型24-31
• 2.1.1 結(jié)構(gòu)化模型24-26
• 2.1.2 強(qiáng)度化模型26-28
• 2.1.3 KMV模型應(yīng)用28-31
• 2.2 差分進(jìn)化算法31-36
• 2.2.1 差分進(jìn)化算法簡(jiǎn)介31
• 2.2.2 算法基本流程31-36
• 2.3 小結(jié)36-37
• 3. 基于隨機(jī)擴(kuò)散搜索的協(xié)同差分進(jìn)化算法37-47
• 3.1 引言37-38
• 3.2 隨機(jī)擴(kuò)散搜索法38-40
• 3.3 基于隨機(jī)擴(kuò)散搜索的差分進(jìn)化算法40-43
• 3.3.1 反向混沌搜索的種群初始化40
• 3.3.2 融合改進(jìn)的SDS和DE40-42
• 3.3.3 算法的實(shí)現(xiàn)過程42-43
• 3.4 函數(shù)優(yōu)化中的應(yīng)用仿真及其結(jié)果分析43-46
• 3.4.1 函數(shù)仿真43-45
• 3.4.2 函數(shù)的實(shí)驗(yàn)結(jié)果分析45-46
• 3.5 小結(jié)46-47
• 4. 上市公司信用風(fēng)險(xiǎn)測(cè)度的不確定性DE.-KMV模型47-59
• 4.1 引言47-48
• 4.2 不確定性KMV模型48-52
• 4.2.1 Knight不確定性48
• 4.2.2 Knight不確定性對(duì)期權(quán)價(jià)格的計(jì)算分析48-51
• 4.2.3 基于Knight不確定性改進(jìn)KMV模型51-52
• 4.3 模型實(shí)現(xiàn)過程52-53
• 4.4 實(shí)驗(yàn)設(shè)計(jì)和結(jié)果分析53-58
• 4.4.1 數(shù)據(jù)描述與分析53-54
• 4.4.2 模型仿真結(jié)果分析54-58
• 4.5 小結(jié)58-59
• 5. 基于差分進(jìn)化自動(dòng)聚類的信用風(fēng)險(xiǎn)評(píng)價(jià)模型59-70
• 5.1 引言59-60
• 5.2 差分進(jìn)化自動(dòng)聚類模型(ACDE)60-62
• 5.2.1 染色體表示60-61
• 5.2.2 聚類有效性指標(biāo)61-62
• 5.2.3 適應(yīng)值函數(shù)表示62
• 5.2.4 無效個(gè)體處理62
• 5.3 模型的實(shí)現(xiàn)過程與性能分析62-65
• 5.3.1 ACDE算法流程62-63
• 5.3.2 算法性能分析63-65
• 5.4 實(shí)證研究與結(jié)果分析65-68
• 5.4.1 信用風(fēng)險(xiǎn)指標(biāo)構(gòu)建65-66
• 5.4.2 樣本數(shù)據(jù)的獲取66
• 5.4.3 樣本數(shù)據(jù)預(yù)處理66-67
• 5.4.4 模型仿真與結(jié)果分析67-68
• 5.5 小結(jié)68-70
• 6. 總結(jié)與展望70-72
• 6.1 總結(jié)70-71
• 6.2 展望71-72
• 參考文獻(xiàn)72-76
• 附錄Ⅰ 本文部分代碼76-84
• 附錄Ⅱ 本文部分實(shí)驗(yàn)數(shù)據(jù)84-91
• 附錄Ⅲ 攻讀學(xué)位論文期間的論文發(fā)表及項(xiàng)目參與情況91-92
• 致謝92-93

【引證文獻(xiàn)】

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫 前1條

1 張大斌;周志剛;劉雯;焦鵬;;上市公司最優(yōu)違約系數(shù)的不確定性DE-KMV測(cè)算模型[A];中國(guó)系統(tǒng)工程學(xué)會(huì)第十八屆學(xué)術(shù)年會(huì)論文集——A10系統(tǒng)工程方法在金融、投資、保險(xiǎn)業(yè)等領(lǐng)域的研究[C];2014年

  本文關(guān)鍵詞：基于差分進(jìn)化算法的信用風(fēng)險(xiǎn)度量模型研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：464448