金融管理研究(第11辑)电子书

内容提要

编委会

前言

信用风险研究

基于决策树信用卡风险管理的研究

1 引言

2 文献综述

2.1 关于信用卡风险管理的文献综述

2.2 关于决策树研究的文献综述

2.3 关于数据挖掘在信用卡风险管理应用中的文献综述

3 模型的原理介绍

3.1 ID3算法

3.2 C4.5算法

3.3 C5.0算法

3.4 rpart算法

3.5 xgboost算法

3.6 组合预测模型

3.7 SVM

4 实证分析

4.1 数据描述

4.2 指标体系的构建

4.3 建模及结果说明

4.3.1 C4.5算法结果及分析

4.3.2 C5.0算法结果及分析

4.3.3 rpart算法结果及分析

4.3.4 xgboost算法结果及分析

4.3.5 组合预测模型结果及分析

4.3.6 SVM算法结果及分析

4.4 参数优化

5 结论

参考文献

基于KNN的公司流动性风险识别研究

1 引言

2 文献综述

2.1 对企业流动性的研究

2.2 对企业流动性风险预警的研究

2.3 关于K近邻分析法在风险评估中应用的文献综述

2.4 本文的改进

3 理论分析与方法设计

3.1 理论分析

3.1.4 资金的供求关系

3.1.4 资金缺口识别指标

3.2 研究方法设计与软件实现函数说明

3.2.4 利用阿特曼Z-score模型估算企业流动性风险

3.2.4 利用F分数模式估算企业流动性风险

3.2.4 利用熵权法构建流动性风险综合评价模型

3.2.4 K-近邻分析方法原理及其R函数说明

3.2.4 基于变量重要性的加权K-近邻分析法原理及其R函数说明

3.2.4 基于观测相似性的加权K-近邻分析法原理及其R函数说明

3.2.4 决策树原理及其R函数说明

4 实证研究结果与分析

4.1 样本选择与数据来源

4.2 原始数据的描述统计、预处理及分析

4.2.4 描述统计

4.2.4 数据的预处理

4.3 F分数模式估算的流动性风险分类结果及分析

4.4 不同数据挖掘方法分类结果有效性的比较

4.4.4 K近邻分析法的准确度分析

4.4.4 决策树的准确度分析

5 研究结论

参考文献

基于BP神经网络的商业银行客户信用风险评估

1 引言

2 文献综述

3 BP人工神经网络

4 模型构建

5 数据描述

6 数据集的平衡处理

7 实证分析

7.1 AUC和总准确率

7.2 混淆矩阵

8 结论

参考文献

附录：关键代码及模型函数说明

基于支持向量机分类预测的上市公司债信用评级研究

1 引言

2 文献综述

2.1 债券信用评级的文献综述

2.2 支持向量机分类预测技术文献综述

2.3 支持向量机分类预测技术评估公司信用风险的文献综述

3 支持向量机的原理

3.1 支持向量分类机

3.1.4 线性可分SVM

3.1.4 线性不可分SVM

3.1.4 非线性SVM

3.1.4 多分类的支持向量分类

3.2 支持向量回归机（SVR）原理

4 信用风险评价指标体系的构建

4.1 信用评级等级的划分标准

4.2 信用风险分析与评级指标体系构建

5 利用支持向量机分类评估公司债信用的结果及其有效性分析

5.1 实验数据

5.2 利用支持向量机及其回归评估债券信用评级的过程与结果

5.3 支持向量机评估公司债信用的有效性评价

6 结论

基于KMV模型和关联规则组合的上市公司信用风险传染研究

1 引言

2 文献综述

2.1 信用测度方法研究的文献综述

2.2 信用风险传染机理研究的文献综述

3 信用风险与信用风险传染理论回顾

3.1 信用风险

3.2 信用风险传染

4 KMV模型和关联规则

4.1 KMV模型

4.2 关联规则概述

4.3 简单关联规则Apriori算法的原理

4.4 简单关联规则Eclat算法的原理

4.5 序列关联规则SPADE算法的原理

5 实证分析

5.1 样本公司数据来源及处理

5.2 KMV模型的信用风险估算结果描述与分析

5.3 Apriori算法挖掘的信用风险传染路径结果与分析

5.3.1 以“违约”作为分类点

5.3.4 以“资产市值V”作为分类点

5.3.4 以“预期违约率EDF”作为分类点

5.4 Eclat算法挖掘的信用风险传染路径结果与分析

5.5 序列关联规则SPADE算法挖掘的信用风险传染路径结果与分析

5.6 传染路径结果的稳定性检验结果与分析

5.6.4 传染路径的稳定性检验结果与分析

5.6.4 不同算法结果的比较

5.7 KMV模型与关联分析组合揭示的信用风险传染路径总结

6 结论与建议

参考文献

参考文献

基于数据可视化Rattle的个人信用风险评价建模

1 引言

2 文献综述

2.1 数据挖掘算法在风险评估中应用的文献综述

2.2 个人信用风险评估的文献综述

3 可视化Rattle概述

3.1 什么是Rattle

3.2 Rattle的实现

3.3 Rattle的数据挖掘步骤

4 个人信用评价的数据处理及模型构建

4.1 个人信用评价的数据处理

4.1.4 数据提取与选择

4.1.4 数据清洗与预处理

4.1.4 数据加工与转换

4.1.4 被解释变量和解释变量指标评分

4.1.4 数据探索与检验（Explore、Test）

4.2 个人信用评价的数据挖掘模型构建

4.3 Logistic回归模型原理及实证结果

5 个人信用风险评价的数据挖掘模型有效性分析

5.1 个人信用风险评价的数据挖掘模型预测的准确率评价

5.2 基于Profit-at-Risk的模型有效性评价

6 结论

参考文献

证券市场风险研究

开放式基金风险评级研究———层次聚类法和随机森林算法的应用

1 引言

2 文献综述

2.1 随机森林算法应用的研究综述

2.2 开放式基金风险影响因素的研究综述

3 随机森林算法概述

3.1 随机森林算法分类的基本原理

3.2 随机森林算法分类的基本特征

3.3 随机森林算法分类的比较优势

4 开放式基金风险评级体系的构建及说明

4.1 数据来源与指标选择

4.2 指标的特征描述与数据处理

5 开放式基金综合风险的分类结果与实证分析

5.1 开放式基金综合风险评级的方法

5.2 随机森林模型的参数选择

5.3 随机森林的指标重要性分析

5.4 模型预测的结果与分析

6 结论

参考文献

上市公司经营风险甄别研究———基于大数据机器学习

1 引言

2 文献综述

2.1 经营风险影响因素的研究综述

2.2 贝叶斯分类方法对风险识别应用的文献综述

3 上市公司风险识别因素分析及机器学习方法比较

3.1 上市公司风险识别因素

3.2 贝叶斯分类器

3.2.4 朴素贝叶斯

3.2.4 贝叶斯网络

3.2.4 树增强朴素贝叶斯

3.3 贝叶斯分类方法与其他机器学习方法比较研究

3.3.4 支持向量机

3.3.4 多元Logistic回归

3.3.4 条件推断树

3.3.4 随机森林

3.3.4 神经网络

4 数据与机器学习

4.1 变量的选取与描述性统计

4.2 样本数据的归一化及降维处理

4.3 经营风险评估的步骤与方法

5 实证分析

5.1 描述性统计

5.1.4 运营风险描述性统计

5.1.4 舆情指标描述性统计

5.2 财务指标的优化选择

5.3 经营风险的度量

5.4 从机器学习构造权重指标

6 结论与建议

参考文献

基于一般聚类分析的中国金融系统性风险评估研究

1 引言

1.1 研究背景

1.2 文献综述

2 理论分析

2.1 系统性金融风险

2.2 K-Means聚类法原理

2.3 PAM聚类法原理

2.4 层次聚类法原理

2.5 EM聚类法原理

3 样本选择与数据收集

4 实证分析

4.1 利用熵值法的系统性金融风险综合评价

4.2 基于一般聚类的系统性金融风险分类评估

4.2.4 基于EM聚类法的系统性金融风险分类预警结果与分析

4.2.4 基于K-Means聚类、PAM聚类、层次聚类的系统性金融风险分类评估

4.2.4 金融系统性风险聚类结果的显著性检验

4.3 一般聚类的金融系统性风险分类评估结果的有效性比较研究

5 结论

参考文献

投资者舆情指数对股价波动风险影响的研究

1 引言

2 文献综述

3 投资者情绪影响股价波动风险的理论分析与实证研究方法介绍

3.1 投资者情绪影响股价波动风险的理论分析

3.2 文本挖掘技术

4 基于文本挖掘的舆情指数构建

4.1 数据选取与采集

4.2 数据预处理

4.3 舆情指数构建

4.4 文本挖掘技术构建的效果

5 舆情指数对股价波动风险影响的实证分析

5.1 实证研究结果与分析

5.1.4 舆情指数（MIEI）与收盘价之间的作用关系

5.1.4 舆情指数（MIEI）与收益率之间的作用关系

5.1.4 舆情指数（MIEI）与收益率波动风险之间作用关系的实证结果与分析

5.2 舆情指数（MIEI）与收益率波动风险之间的作用关系的理论解释

6 结论

参考文献

基于TOPSIS法与支持向量机的中国制造业股票价格波动风险识别

1 引言

2 文献综述

2.1 关于股价波动风险及相关影响因素的文献综述

2.2 关于支持向量机技术及其风险识别应用的文献综述

3 理论分析及数据选取

3.1 支持向量机多分类的中国股价波动风险识别思路与方法

3.2 股价波动风险因素的理论分析与识别指标体系

3.3 TOPSIS综合评价方法概述

3.4 K-Means聚类分析法概述

3.5 支持向量机多分类技术概述

3.6 识别效果的提升和验证方法

4 实证结果与分析

4.1 数据描述与数据预处理

4.1.4 数据情况与描述统计

4.1.4 数据预处理过程与结果

4.2 K-Means聚类分析结果与分析

4.3 中国股价波动风险的不同支持向量机多分类识别结果

4.4 中国股价波动风险的不同支持向量机多分类识别结果分析

4.5 中国股价波动风险的Fisher判别分析结果与比较

5 结论与建议

参考文献

基于优化SVM算法的上证180指数选股策略构建

1 引言

2 输入与输出变量解释

3 R语言智能选股的实现

3.1 读入数据

3.2 最优核函数的选择

3.3 参数优化前的SVM模型的评价

3.4 参数优化过程

3.4.4 参数优化方法简介

3.4.4 参数优化的R语言代码

3.4.4 参数优化后的效果评估

4 结论与展望

参考文献

《金融管理研究》约稿启事

一、稿件内容及稿费支付

二、稿件编辑规范

（一）稿件第一页应提供的信息

（二）稿件内容

三、投稿

（一）投稿说明

（二）联系地址