检索结果-南通市图书馆

基于改进xgboost算法的企业信用评级预测方案设计

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进XGBoost算法的企业信用评级预测方案设计

作者：孙嘉琪上海师范大学

学位级别：硕士

企业信用评级问题在我国金融市场上的作用越来越不容忽视,其意义在于保障投资者的资金安全,也能够减少企业与金融机构及个人之间的信息不对称问题。因此,研究企业信用评级预测问题具有较强的现实意义。目前社会上已有专业的信用评级机构... 详细信息

企业信用评级问题在我国金融市场上的作用越来越不容忽视,其意义在于保障投资者的资金安全,也能够减少企业与金融机构及个人之间的信息不对称问题。因此,研究企业信用评级预测问题具有较强的现实意义。目前社会上已有专业的信用评级机构,从事针对企业和个人的信用评级工作。这些外部评级机构根据企业相关数据信息对企业进行评级并定期调整,使得企业以其匹配的利率进行融资。目前国内的评级机构,一方面,其评级模型及评级结果不公开,需要到专门的数据库或官网付费查询。另一方面,我国目前已有企业数量众多,外部评级公司只能覆盖其中一部分,且这部分企业在评级有效期后,评级结果便得不到更新。投资者们更希望有一种低成本、个人可操作的预测模型对企业主体信用进行评级。对于预测模型的选择,国内外多采用支持向量机方法、神经网络方法等,也多采用穷举法或经验法对模型进行调参,以网格调参为主。本文创新性地采用了xgboost方法,在运算中运用损失函数进行泰勒二阶展开,在设定的目标函数中加入了正则项,能够有效提高其精确度和泛化能力,并采用贝叶斯最优化算法对模型进行参数寻优,通过高斯函数回归,提高模型预测精度。以2019年内更新过企业信用评级数据的企业相关信息为样本,在采样方法上,对比了SMOTE采样、欠采样、过采样技术后,选取SMOTE采样技术解决样本不平衡问题,随后初步建立xgboost模型对比样本内外预测效果,通过贝叶斯最优化算法寻找全局最优参数组合提高模型的样本内外预测准确率。经过实证发现,在企业信用评级预测模型中,特征重要性较为靠前的是存货周转率和流动比率。经过与现有预测方案的对比,我们可以得出结论,基于xgboost算法的企业信用评级模型对于已有的预测模型效果有了很好的改进,大大提高了模型的预测准确率,模型经过贝叶斯最优化算法调参也比网格调参具有更好的分类性能。

关键词：信用评级预测 xgboost算法 SMOTE采样贝叶斯最优化

基于xgboost算法的自准直环境温度补偿方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于XGBoost算法的自准直环境温度补偿方法研究

作者：张帆哈尔滨工业大学

学位级别：硕士

自准直技术是精密小角度测量的重要手段，具有分辨力高、结构简单、使用便捷等优势，因而在航空航天、先进制造、大科学装置、大型结构件装配等领域得到广泛应用。随着上述领域的发展，自准直系统不仅需要具备精密小角度计量能力，还需... 详细信息

自准直技术是精密小角度测量的重要手段，具有分辨力高、结构简单、使用便捷等优势，因而在航空航天、先进制造、大科学装置、大型结构件装配等领域得到广泛应用。随着上述领域的发展，自准直系统不仅需要具备精密小角度计量能力，还需要在测量环境温度发生变化时维持角度测量精度。然而现有自准直领域对环境温度变化条件下存在角度测量误差这一问题，有待进一步研究。然而现有自准直领域对环境温度变化条件下存在角度测量误差这一问题，有待进一步研究。　　本课题针对自准直角度测量易受环境温度影响的问题，深入研究环境温度变化对自准直系统参数的作用机理，通过建立自准直几何模型定量分析不同参数变化引起的角度测量误差;在此基础上提出一种基于xgboost算法的自准直误差补偿方法，补偿环境温度变化引起的自准直系统角度测量误差。经仿真与实验验证，该方法能够有效降低环境温度变化产生的角度测量误差。本课题研究内容如下：　　1.研究环境温度对自准直系统误差的作用机理。针对现有模型无法准确分析环境温度对自准直系统影响的问题，建立基于光线追迹的自准直系统模型，研究环境温度变化对自准直系统参数的作用机理，定量计算环境温度引起的角度测量误差水平。分析结果表明，当环境温度变化范围(0~40)℃、角度测量范围±3°的条件下，自准直系统角度测量误差值最高为27.900″。　　2.提出基于回归树算法的自准直环境温度补偿方法。针对大量程自准直系统在环境温度变化范围(0~40)℃条件下缺少有效环境温度补偿方法的问题，使用xgboost算法补偿自准直系统的角度测量结果。经仿真分析，当环境温度变化范围(0~40)℃、角度测量范围±1000″的条件下：使用传统的质心定位算法计算后角度测量误差最大为0.323″，当环境温度变化范围(0~40)℃、角度测量范围±3°的条件下：使用传统的质心定位算法计算后角度测量误差为2.890″，xgboost算法补偿后，角度测量误差为0.013″。　　3.设计并搭建变温环境自准直系统误差补偿算法测试实验系统。实验结果表明，当环境温度变化范围(0~40)℃、角度测量范围±1000″的条件下：使用传统的质心定位算法处理后最大角度测量误差为0.82″;xgboost算法补偿后，最大角度测量误差为0.14″。实验结果表明，xgboost算法具有自准直系统误差补偿能力。　　本课题提出一种能够有效抑制环境温度变化对自准直系统影响的补偿方法，该方法能够有效降低环境温度变化引起的自准直系统的角度测量误差，提升了自准直系统抗环境温度扰动的能力。

关键词：自准直技术角度测量误差误差补偿 xgboost算法

基于xgboost算法的铁路货物列车分布态势推演方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于XGBoost算法的铁路货物列车分布态势推演方法研究

作者：孙晨冉北京交通大学

学位级别：硕士

近几年中国铁路快速发展,线路里程和运输能力都大幅增长,路网也趋近于完善。随着路网密度的增加、客运专线的大力建设,部分地区已实现客货分离,货物运输能力有了较大的提升。与此同时,我国已有完善的铁路实时运输生产信息动态采集和报... 详细信息

近几年中国铁路快速发展,线路里程和运输能力都大幅增长,路网也趋近于完善。随着路网密度的增加、客运专线的大力建设,部分地区已实现客货分离,货物运输能力有了较大的提升。与此同时,我国已有完善的铁路实时运输生产信息动态采集和报告系统,产生了大量铁路货物列车相关数据。目前,尚未对这些货物列车数据进行进一步分析处理,缺乏对于整个铁路网络货物列车运输生产情况的掌握。在此背景下,本文基于铁路货物列车实际生产数据,利用结合极大加代数方法改进的xgboost算法进行铁路货物列车分布态势推演,以掌握在途货物列车运行情况,这对宏观掌握整个铁路网络运输生产的演化规律有重要的理论和实用价值。本文主要内容包括以下几方面:(1)从多方面分析影响铁路货物列车分布态势的主要因素,结合现有铁路货运统计指标体系,根据铁路货物列车分布态势的特点,新建货物列车分布态势指标,分析态势指标的长期趋势性和短期现势性。按照德尔菲法进行两轮专家咨询,构建三种不同周期的铁路货物列车分布态势指标体系。分析3小时铁路货物列车分布态势指标体系中各个指标,并确定每个指标的态势等级区间。(2)利用极大加代数的方法,分析货物列车在铁路网络上的运行过程,构造静态货物列车运行过程模型。考虑偶发事件对货物列车运行偏离运行图的影响,设计动态缓冲时间矩阵,构造动态货物列车运行过程模型并设计求解算法。(3)分析各种集成算法的优缺点,基于xgboost算法构建铁路货物列车分布态势推演模型,对比xgboost算法与其他集成算法和极大加代数方法对于货物列车晚点时间推演的准确率及计算速度。利用极大加代数方法对xgboost算法进行改进,使偶发事件下的货物列车分布态势推演结果更准确,增强了货物列车分布态势推演模型的强韧性。(4)以强降雪天气下的武汉铁路局的真实铁路网络情况为案例,利用本文构建的模型对武汉铁路局的铁路货物列车分布态势进行推演,并对推演结果进行对比分析,验证模型的有效性及实用性。

关键词：铁路货物列车分布态势态势推演态势指标体系 xgboost算法极大加代数

基于xgboost算法的多因子选股实证研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于XGBoost算法的多因子选股实证研究

作者：曹稳山东财经大学

学位级别：硕士

量化投资是一种利用先进的计算机模型来识别金融市场交易机会成本的投资技术,具有分散性、效率性、纪律性等优点。该技术在海外投资市场已有近40年的应用历史。尽管国内股票市场成立较晚,但随着金融法律制度的不断完善和计算机技术的不... 详细信息

量化投资是一种利用先进的计算机模型来识别金融市场交易机会成本的投资技术,具有分散性、效率性、纪律性等优点。该技术在海外投资市场已有近40年的应用历史。尽管国内股票市场成立较晚,但随着金融法律制度的不断完善和计算机技术的不断提升,量化投资技术在国内市场的应用也越来越广泛和深入。本文采用基于随机森林的xgboost选股策略对沪深300成分股进行实证研究。梳理了股票市场中与投资收益相关的特征因子,包括技术指标类、收益风险类、估值类等九大类因子。取2017年7月1日至2020年12月31日作为回测区间,将该区间划分为7个子区间采用滚动回测方式,将当前月份及前推42个月为训练区间。首先利用随机森林方法进行特征降维,计算因子重要性得分,以此筛选出对股票收益率存在重要影响的因子。基于上述选出的重要因子构建机器学习与多因子选股模型相结合的量化选股模型,本文分别构建了逻辑回归模型、支持向量机模型和xgboost模型。实证分析过程中,本文对比了单期建模三个算法的分类能力以及回测期间三种算法的稳定性,结果表明xgboost分类能力和其稳定性均优于其他两种算法。回测结果显示采用随机森林进行降维能够有效的提高策略的投资效益。三种算法的相应策略在累计收益率、年化收益率方面明显均优于沪深300,其中xgboost算法策略表现最好。通过对比降维后xgboost模型在不同持仓数量和调仓周期的其他投资策略收益表现,本文发现每月调仓持100只股票业绩表现最优,得到超越沪深300基准收益20.35%的超额收益,年化收益率为14.57%。最后本文根据概率调整权重优化模型,结果表明优化后的模型在累计收益率、年化收益率等指标均优于原模型。

关键词：量化选股多因子模型随机森林 xgboost算法

基于拟蒙特卡罗方法的积分估计和xgboost算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于拟蒙特卡罗方法的积分估计和XGBoost算法研究

作者：周佳树山东大学

学位级别：硕士

蒙特卡罗方法是一种基于概率统计理论的统计计算方法,旨在通过随机采样的方式解决复杂的数学问题。为了进一步提高蒙特卡罗方法的抽样效率,学者们提出了方差缩减的技术,如控制变量法和重要性抽样等。这些方法可以有效减少估计量的方差,... 详细信息

蒙特卡罗方法是一种基于概率统计理论的统计计算方法,旨在通过随机采样的方式解决复杂的数学问题。为了进一步提高蒙特卡罗方法的抽样效率,学者们提出了方差缩减的技术,如控制变量法和重要性抽样等。这些方法可以有效减少估计量的方差,提高计算精度和效率。然而,这些方法并不能改变蒙特卡罗方法的收敛阶,即收敛速度仍然是 O(N-1/2)。为了克服这个缺点,学者们提出了拟蒙特卡罗方法。该方法使用低偏差序列代替传统的随机序列,从而将蒙特卡罗方法的收敛速度提升到O(N-1)。拟蒙卡罗方法是一种高效的数值计算方法,在本文关注的积分估计和机器学习两个领域中都存在着广泛应用的潜力。在积分估计的研究中,本文探究了可结合方差缩减技术的随机化拟蒙特卡罗方法,从方差减小效果上详细阐述了(0,m,s)-攀爬网抽样方差的相关理论,并通过实验比较了其在不同维度下多种函数的效果。研究结果表明,随着样本容量的增大,随机化拟蒙特卡罗方法能够更快地缩减方差,相比于控制变量法具有更高的效率,并且结合控制变量的随机化拟蒙特卡罗方法表现更加优秀。此外,本文还针对随机化攀爬方法和结合控制变量的随机化拟蒙特卡罗方法编写了相应的Python包,可供其他学者学习和使用。在机器学习领域中,xgboost算法是一种高效的集成学习算法。本文中,我们利用拟蒙特卡罗序列的低偏差性来改进此类算法中的抽样技术,并提出了基于拟蒙特卡罗序列的xgboost算法。通过数值模拟的方法,和在糖尿病患者、信用贷款等实际案例中的应用,对比发现提出的算法在准确率,AUC等多个评价指标上都有着明显的优势。

关键词：拟蒙特卡罗方法控制变量法 xgboost算法数值模拟

基于xgboost算法模型的信用卡交易欺诈预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机应用研究 2020年第S01期37卷 111-112,115页

作者：陈荣荣詹国华李志华杭州师范大学信息科学与工程学院杭州311121

针对传统的算法模型对信用卡交易欺诈预测准确率还不是非常高的问题,采用了近年流行的xgboost算法构建信用卡交易欺诈预测模型,通过网格搜索的方式对xgboost参数进行调优,最后将其与随机森林和GBDT这两个模型作对比实验。鉴于样本的不... 详细信息

针对传统的算法模型对信用卡交易欺诈预测准确率还不是非常高的问题,采用了近年流行的xgboost算法构建信用卡交易欺诈预测模型,通过网格搜索的方式对xgboost参数进行调优,最后将其与随机森林和GBDT这两个模型作对比实验。鉴于样本的不平衡性,采用改变评估指标的方法,即用精确回忆曲线下的面积(AUPRC)作为模型评估标准。实验结果表明,采用xgboost算法进行信用卡交易欺诈预测的AUPRC值更接近1且准确率更高,已达到97%,为银行等金融机构提前高效地预测交易欺诈风险给予了参考。

关键词：欺诈检测 xgboost算法随机森林 GBDT算法 AUPRC值模型评估

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于xgboost算法的性别收入差距研究

基于XGBoost算法的性别收入差距研究

作者：唐泽圣重庆工商大学

学位级别：硕士

人工智能时代下的社会科学方法论急需转变,以适用时代的需要。计算机科学方法与社会科学特别是人口学的深度融合将极大促进学科发展。随着移动互联网和移动大数据计算时代的进一步深入到来,社会学甚至整个社会科学从“计量范式”过渡到... 详细信息

人工智能时代下的社会科学方法论急需转变,以适用时代的需要。计算机科学方法与社会科学特别是人口学的深度融合将极大促进学科发展。随着移动互联网和移动大数据计算时代的进一步深入到来,社会学甚至整个社会科学从“计量范式”过渡到“计算范式”的学术过渡仅仅只是一个短暂而长期的一个时间性学术问题,计算社会科学正在获得蓬勃发展。本文利用“中国综合社会调查(CGSS)”2015年全国代表性数据,使用机器学习领域运用广泛的xgboost算法来以社会预测的视角来探寻性别收入差距的影响因素。xgboost算法相比较与传统回归模型具有预测精度更高,对回归结果的解释更详细,更科学,可以解决多重共线性的影响等优点,同时可以通过可视化操作将结果更清晰明了的展现出来。本文首先以人力资本理论、“生育惩罚”效应、劳动力市场分割理论和性别角色理论四种理论为出发点,衍生出具体变量,并进行描述性分析初步探析各变量对性别收入差距的影响。紧接着使用xgboost算法拟合出男女混合收入模型和分性别收入模型,借助Python语言中的SHAP包对模型结果进行解释。结果表明,婚姻状况,工作单位或公司所有制形式、政治地位和劳动参与未被纳入到模型的计算内,说明对收入的影响有限。而受教育水平是影响预测收入的最重要的变量,但在男女表现上不同,受教育程度对女性收入预测是更重要的因素,教育程度较高时女性教育回报率高于男性。体制分割对性别收入的影响并不大,虽然职业地位指数对收入影响重要程度排名靠前,但在男女模型中差异不明显,但在职业地位指数较高时的男性对收入的贡献大于收益,女性恰好相反。生育子女数对女性收入有明显抑制作用,对男性作用较小,而性别角色观念只对女性收入起抑制作用。本研究把xgboost算法引入人口学、社会学领域,是一次较为大胆的尝试,突破了传统方法的框架,展示了机器学习算法应用到人口学、社会学的可能性。但同时也面临着研究范式没有参考;研究数据过于老旧不能反映当下情况;这些困难和不足需要在后续的研究中加强,进一步规范好计算社会科学研究范式,丰富研究方法。

关键词：计算社会科学 xgboost算法性别收入差距

基于改进xgboost算法的贷款违约预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进XGBoost算法的贷款违约预测研究

作者：李晶茹北方民族大学

学位级别：硕士

近年来贷款业务快速发展,金融机构从贷款业务中获利的同时,也承担着贷款用户违约的风险。为了降低借贷风险,金融机构需要一种有效的信用评估体系来评估借款人的违约风险,研究贷款用户违约预测有助于帮助金融机构更好地管理风险,提高信... 详细信息

近年来贷款业务快速发展,金融机构从贷款业务中获利的同时,也承担着贷款用户违约的风险。为了降低借贷风险,金融机构需要一种有效的信用评估体系来评估借款人的违约风险,研究贷款用户违约预测有助于帮助金融机构更好地管理风险,提高信贷资产质量。本文主要工作如下:(1)贷款用户数据集为不平衡数据集,为解决样本不平衡问题,从损失函数角度出发进行分析研究,在焦点损失函数(Focal Loss,FL)中引入动态正负样本权重参数,并用此损失函数替换原极端梯度提升(e Xtreme Gradient Boosting,xgboost)分类模型中的损失函数。在UCI中3个不平衡数据集上进行性能测试,与决策树、随机森林和xgboost模型进行对比,结果表明该模型的分类性能具有优势。(2)在贷款违约预测过程中引入白鲸优化算法(Beluga Whale Optimization,BWO)进行参数寻找,分别构建BWO-xgboost模型、不同采样方法与BWO-xgboost相结合的模型以及BWO-FL-xgboost模型。将不同模型的结果进行对比分析,BWO-FLxgboost贷款违约预测模型的F1值和召回率结果最高,而且在对贷款用户进行违约预测时,BWO-FL-xgboost模型将违约用户预测错误的数量最少,表明BWO-FLxgboost贷款违约预测模型具有较为优异的分类性能。最后输出重要性特征并分析各特征对于贷款用户是否违约的影响,以便于金融机构更好地评估贷款用户的违约风险。

关键词：损失函数 xgboost算法白鲸优化算法采样方法贷款违约预测

基于LightGBM与xgboost算法的P2P网络借贷违约预测模型的比较研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于LightGBM与XGBoost算法的P2P网络借贷违约预测模型的比较研究

作者：沙靖岚东北财经大学

学位级别：硕士

21世纪大数据和互联网金融得到了巨大的发展,P2P作为互联网金融的重要组成部分,利用互联网技术的优势,拥有着相比于传统方式更加便利、快捷、透明的特性,在小额信贷需求快速增长的今天迅速发展,是对传统金融行业的有力补充和完善。P2P(p... 详细信息

21世纪大数据和互联网金融得到了巨大的发展,P2P作为互联网金融的重要组成部分,利用互联网技术的优势,拥有着相比于传统方式更加便利、快捷、透明的特性,在小额信贷需求快速增长的今天迅速发展,是对传统金融行业的有力补充和完善。P2P(peer-to-peer),即个人对个人,又称点对点的网络借贷,它是一种将闲散的小额资金聚集起来借贷给资金需求者的一种民间小额借贷模式。伴随着P2P行业的快速发展,P2P行业遇到的问题也是层出不穷,借款人多为不符合银行贷款标准的人或小型企业是P2P行业绕不过的致命伤。中国P2P网络借贷行业出现了大规模平台跑路、倒闭潮的情况,为投资者带来了巨大的损失,严重阻碍了中国P2P行业的发展。P2P的核心是风险控制,而违约预测模型是风险控制的核心。对于一家P2P网络借贷公司而言,对借款者进行真实可靠的风险评估,将总体违约率控制在较低的水平,既是对投资者应尽的责任,也是一家P2P公司能否长期经营下去的关键所在。因此,对P2P网络借贷平台的违约预测模型进行研究,提出相应的改进措施,引导行业的良性发展显得尤为重要。本文主要研究P2P网络借贷的违约预测模型及其影响因素。由于Lending Club是目前美国规模最大的P2P交易平台之一,而且数据公开透明,因此本文选择使用Lending Club平台2007年至2017年第二季度的交易数据作为研究数据。首先从五个角度对原始数据进行描述性统计分析,其中包括:规模分析、借款人等级分析、借款期限分析、借款目的分析、违约率分析。然后对原始数据进行数据清洗:采用“多维度”与“多观测”两种方式清洗数据,分别得到480018条观测、61个变量的“多维度数据集”与569338条观测、24个变量的“多观测数据集”。为验证模型的稳健性,随机将两个数据集拆分成训练集与测试集。之后,将所有借贷影响因素归纳为四大类:借款详情、经济状况、信用状况、个人信息。其次,分别运用Python和R软件,将LightGBM算法与xgboost算法运用到P2P网络借贷违约预测模型中。将两种模型分别应用于两种数据集,对得到的四种结果进行详细的对比与分析。最后对影响违约结果的因素进行排序与分析。结果显示:就同一种算法而言,无论是LightGBM算法还是xgboost算法,“多观测数据集”的分类效果都要优于“多维度数据集”;就同一数据集而言,LightGBM算法的分类预测结果要优于xgboost算法的分类预测结果。其中,运用基于“多观测数据集”的LightGBM算法的分类预测结果的正确率是最高的,为80.10%,比Lending Club平台历史交易数据计算的平均履约率78.82%提升了 1.28个百分点。粗略估计,若Lending Club自成立初期就使用LightGBM算法,可以减少约1.17亿美元的违约借款。因此,运用LightGBM算法进行分类预测是有意义且有效的。最后对影响违约结果的因素进行排序与分析,四类借贷影响因素按照重要程度从高到低排序为:借款详情>经济状况>信用状况>个人信息。综上所述,本文对国外的P2P网络借贷平台提出如下建议:一方面调整利率设定原则,对于信用水平较低的借款者,降低其利率,从而降低违约率;另一方面跨国发展是长期发展趋势。对中国P2P网络借贷平台的发展提出以下建议:政府政策方面,建议尽快完善信征体系,建立P2P行业的惩处机制;P2P行业机制方面,建议建立P2P行业投资者权益保障机制,完善投资者分散投资机制,逐渐进行创新转型,实现服务模式的多元化。LightGBM算法与xgboost算法都是近几年来机器学习比较前沿的算法,受到各界学者的广泛好评。本文将LightGBM算法和xgboost算法应用到P2P行业的违约预测模型中。一方面增加了违约预测模型的选择范围;另一方面拓展了 LightGBM与xgboost机器学习算法的应用范围。但由于LightGBM和xgboost两种算法的研究尚处于起步阶段,目前可参考的相关学术文献较少,研究难免存在不足之处。本文是LightGBM和xgboost机器学习算法在P2P违约预测模型中的一次尝试,对这两种算法的优化仅限于对其参数的调整,并没有研究将其与其他算法相结合。随着未来学者们对这两种算法研究的深入,相信会将更加优化的算法用于违约预测模型中。

关键词： P2P网络借贷违约预测模型 LightGBM算法 xgboost算法