基于ODR-ADASYN-SVM的极端金融风险预警研究

摘要：

针对合成少数类过采样(synthetic minority over-sampling technique,SMOTE)方法在提升支持向量机(support vector machine,SVM)的非均衡样本学习能力中出现的过拟合(over fitting),引入自适应合成抽样方法(adaptive synthetic sampling approach,ADASYN)和逐级优化递减欠采样方法(optimization of decreasing reduction,ODR)分别克服SMOTE在生成新样本中的盲目性和在处理对象上的局限性,进而与SVM相结合,构造出改进SVM,即ODR-ADASYN-SVM模型来预测中国极端金融风险;最后运用T检验对各模型预测精度的差异性进行显著性检验以及对各模型的预测稳定性进行评价.实证结果表明,ODR-ADASYN-SVM模型不仅能够显著地提升SVM的非均衡样本学习能力,同时也能够有效地克服SMOTE的过拟合,从而展示出优越的极端金融风险预测性能.

关键词：ODR、ADASYN、支持向量机、极端金融风险、预警模型

所属期刊栏目：19

分类号：F832.5(金融、银行)

资助基金：国家自然科学基金资助项目71171025;国家社会科学基金资助项目12BGL024;四川省软科学研究计划资助项目2014ZR0093;成都理工大学“金融与投资”优秀创新团队计划资助项目KYTD201303

在线出版日期：2016-07-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：87-101