非均衡数据下基于SVM的极端金融风险预警研究

摘要

近年来多次爆发的全球性金融危机不仅危害各国的金融体系甚至会沉重地打击各国的经济，所以金融风险预警的重要性愈发突出，面临的挑战也愈发严峻。而中国金融市场作为一个新兴的金融市场，由于发展的时间还不长，应对极端金融风险的成熟经验还相当匮乏，同时中国与国外金融市场之间越来越紧密的联系，关联性不断加强，又进一步加大了极端金融风险爆发的可能性，从而承受着更为艰巨的风险考验。鉴于此，探索出切合中国金融市场实际的极端风险预警模型，准确预测和防范极端金融风险，就显得至关重要。
　　基于以上分析，本论文选择沪深300指数为研究对象，首先对模型的预警指标体系进行构建，通过综合基于危机时期与EVT的两种状态指标界定方法确定出状态指标，以此判断金融市场在某个时刻是否发生极端金融风险。并且根据中国金融体系自身特征和极端金融风险互相传导作用，在初步选定的内外部风险特征指标基础上，运用T检验和K-S检验成功提取出诱发中国金融市场发生极端风险的内部特征指标:开盘价、收盘价和成交量。而Copula函数中的Clayton-Copula由于能很好地刻画金融收益下尾部相依关系，因此在计算不同金融市场同时暴跌的概率方面更具优势，被本论文用于提取诱发中国极端金融风险爆发的外部风险特征指标:恒生指数、韩国股指和台湾加权指数的日收益率。在利用状态指标与提取出的内外部风险特征指标共同构成预警指标体系后，构建SVM人工智能技术对极端金融风险进行预警研究。针对SVM在非均衡数据下，预测效果欠佳的问题，引入非均衡样本处理方法和SVM相结合，力求提升SVM模型对非均衡样本的预测性能。将Borderline-SMOTE与EasyEnsemble两种采样方法相结合，构建出改进的SVM中国极端金融风险智能预警模型Borderline-SMOTE-EasyEnsemble-SVM，并进一步设计实验方案，证明该模型对极端金融风险具有优越的预测性能。下面对实验的主要内容进行介绍:
　　1、对改进的SVM在不同非均衡样本数据集下的预测性能比较。在国际机器学习标准数据库UCI中选取了Balance-Scale数据集、Contraceptive数据集、Haberman数据集、Hepatitis数据集以及Pima数据集来对改进的SVM进行测试。Borderline-SMOTE-EasyEnsemble-SVM对各组数据集都取得了优秀的预测结果，充分说明，该模型的预测性能稳定，对于5组来源于其他领域并且非均衡程度不同的数据，均能取得良好的预测效果，将其用于中国金融市场的极端风险预警具有很强的可行性。
　　2、确定模型的最优参数。由于参数的选择会对所建立的Borderline-SMOTE-EasyEnsemble-SVM预警模型的预测效果产生关键性的影响，因此需要对模型中所有的参数进行寻优。本文运用网格搜索法对SVM中的参数进行寻优，并通过反复试验来确定Borderline-SMOTE算法中的最近邻参数k、控制人工合成极端风险样本数量的参数α、EasyEnsemble算法中从多数类样本中独立随机抽样的次数T以及Adaboost集成算法的迭代次数si。试验结果表明运用Borderline-SMOTE方法人工合成极端风险样本数量的变化会对模型预测准确率产生较大影响，同时由于模型较为稳定，其他参数的变化对模型预测结果影响较小。在α=0.8所决定的人工合成样本数量能使模型的预测结果最佳。
　　3、改进的SVM对极端金融风险预测性能比较。由于界定出的极端金融风险和非极端金融风险构成了典型的非均衡样本集，而SVM对非均衡样本的预测效果欠佳，基于此将Borderline-SMOTE-EasyEnsemble-SVM、Borderline-SMOTE-SVM、EasyEnsemble-SVM、SVM对极端金融风险的预测性能进行比较研究。实验结果表明，Borderline-SMOTE-EasyEnsemble-SVM具有良好的稳定性，能很好地适用于中国金融市场极端风险预警，而且将Borderline-SMOTE与EasyEnsemble相结合能最大程度地提升SVM在非均衡数据下的预测性能
　　基于以上实证分析结果，本文认为:Borderline-SMOTE-EasyEnsemble-SVM模型能够对我国金融市场极端风险进行较为准确地预测，具有很高的实用价值。对于金融经济管理部门而言，能够运用该模型对未来是否会发生极端金融风险进行较为准确地预测，从而制定相应经济政策来抵御金融风险的冲击，维护金融秩序稳定，避免金融市场的运行发生剧烈的波动起伏，最终对为宏观经济快速发展创造一个良好而又平稳的环境起到积极作用;对于金融参与者而言，使用该模型对金融产品的极端风险进行预测，并依据预测结果更为有效的进行风险管理，通过及时调整金融资产投资策略，规避可能发生的极端金融风险，进而在投资理财过程中尽可能的减少损失、提高收益。

目录

声明

摘要

第1章 引言

1．1 研究背景与意义

1．2 国内外研究现状

1．2．1 金融风险预警研究现状

1．2．2 经济领域非均衡样本问题研究现状

1．2．3 风险特征指标提取研究现状

1．2．4 极端金融风险样本界定研究现状

1．3 研究内容、逻辑框架与创新性

1．3．1 研究内容

1．3．2 逻辑框架

1．3．3 创新性

第2章 预警指标体系构建

2．1 预警指标体系构建的必要性

2．2 状态指标的确定方法

2．2．1 基于危机时期的状态指标确定方法

2．2．2 基于EVT的状态指标确定方法

2．2．3 基于危机时期和EVT的状态指标确定方法

2．3 特征指标的提取方法

2．3．1 基于统计检验的内部风险特征指标确定方法

2．3．2 基于Clayton-Copula的外部风险特征指标提取方法

2．4 预警指标体系构建方案

2．4．1 样本的选择

2．4．2 状态指标的确定

2．4．3 特征指标变量的选择与提取

2．5 本章小结

第3章 SVM极端金融风险预警模型构建

3．1 SVM概述

3．2 SVM风险预警模型构建

3．3 SVM的风险预测性能评价方法

3．3．1 以预测精度为标准的评价方法

3．3．2 以G、F和AUC为标准的评价方法

3．4 评价方法效果检验

3．5 本章小结

第4章 改进的SVM极端金融风险预警模型构建

4．1 金融市场的非均衡样本问题

4．2 基于非均衡样本处理方法的改进SVM预警模型

4．2．1 非均衡样本处理方法概述

4．2．2 基于Borderline-SMOTE-EasyEnsemble-SVM预警模型构建

4．3 改进SVM预警模型的预测实验

4．3．1 实验设计

4．3．2 改进的SVM在不同非均衡样本数据集下的预测性能比较

4．3．3 Borderline-SMOTE-EasyEnsemble-SVM模型参数分析

4．3．4 改进的SVM对极端金融风险预测性能比较

4．4 本章小结

结论

致谢

参考文献

攻读学位期间取得学术成果