基于 KLCCF 和 SPG-GMKL 的财务危机预警模型磁

摘要：

财务危机预警至今仍是数据挖掘领域的研究热点，为了有效解决异构高维财务数据的挖掘，论文提出一种新的财务数据预测模型。此模型是在核局部一致的概念分解（KLCCF）的降维基础上构建广义多核学习（GMKL ）分类模型。该模型很好地解决了复杂、高维、非线性的财务数据的分类问题，进而用于准确地预测财务困境。首先，核局部一致的概念分解较好地将高维非线性流形数据进行降维，得到有效的特征集，充分地展现数据流本质的几何结构。其次，谱投影梯度法（SPG）在步长设置上考虑二次信息，采用非单调步长选择准则减少评估函数的次数，它对梯度噪音具有较好的鲁棒性，进一步优化广义多核学习（GMKL）模型。最后，实验显示基于 KLCCF 的 SPG‐GMKL 分类模型优于 SVM 分类器，具有较高的分类准确性，有效地解决了高维异构财务数据的分类问题。

关键词：数据挖掘、广义多核学习、局部一致概念分解、流形学习、财务预警

分类号：TP391(计算技术、计算机技术)

资助基金：福建省教育厅 B 类科技项目编号JB14112资助。

在线出版日期：2016-03-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：2209-2214,2242