• 论文 • 上一篇    下一篇

基于支持向量机的银行系统重要性评估研究

唐振鹏1,2,3,黄双双1,陈尾虹1   

  1. 1. 福州大学经济与管理学院, 福州 350116;2. 福建省金融科技创新重点实验室,  福州 350116; 3. 福建省企业发展研究中心, 福州 350116
  • 出版日期:2018-01-25 发布日期:2018-03-06

唐振鹏,黄双双,陈尾虹. 基于支持向量机的银行系统重要性评估研究[J]. 系统科学与数学, 2018, 38(1): 57-77.

TANG Zhenpeng, HUANG Shuangshuang1,CHEN Weihong. Research on the Systemically Important Evaluation of Banks Based on Support Vector Machine[J]. Journal of Systems Science and Mathematical Sciences, 2018, 38(1): 57-77.

Research on the Systemically Important Evaluation of Banks Based on Support Vector Machine

TANG Zhenpeng 1,2,3 ,HUANG Shuangshuang1 ,CHEN Weihong1   

  1. 1. School of Economics and Management, Fuzhou University, Fuzhou 350116; 2. Fujian Province Key Laboratory for Financial Innovation of Science and Technology, Fuzhou 350116; 3. Fujian Province Center for Enterprise Development and Research, Fuzhou 350116
  • Online:2018-01-25 Published:2018-03-06

系统重要性银行是构成全球业务链的连接点, 对各国各项业务的顺利进行起到不可或缺的作用, 所以当其发生危机时, 会直接对全球范围内的金融机构造成负面影响. 学术界对如何识别中国系统重要性银行进行了很多有益尝试, 由于研究方法或样本不同, 得出的结论存在一定差异. 有效识别此类银行是当前的热点议题. 文章从系统重要性银行的度量数据出发, 首先以各银行的财务报表数据和股票价格数据为研究样本. 其次, 在~SVM-Copula 集成系统基础上, 利用粒子群优化算法对~SVM 寻找最优参数组合, 进而提出了优于~GARCH 模型和核密度估计法的~PSO-SVM 边缘分布估计法. 最后将~PSO-SVM-Copula 集成系统运用到~CoVaR 领域中. 研究结果表明: PSO-SVM-Copula-CoVaR (PSCC) 模型在系统重要性银行的评估上比仅使用单方面的数据更加合理.

Systemically important banks is the junction of the global business chain, which plays an indispensable role in the smooth operation of various countries' businesses. So when the crisis occurs, will directly have a negative impact on global financial institutions. Academic circles made lot of beneficial attempts on identify systemically important Banks in China. Due to different research methods or samples, the conclusions are different. Effectively identify such bank is the current hot issues. This paper starts with the measured data of the systemically important banks. Firstly, take the financial statements and stock price data of each bank as the research samples. Secondly, based on the SVM-Copula integrated system, use the particle swarm optimization algorithm to find the optimal parameter combination for SVM. Furthermore, this paper proposes the PSO-SVM edge distribution estimation method which is superior to GARCH model and kernel density estimation method. Finally, apply the PSO-SVM-Copula integrated system to the CoVaR field. The results show that the PSO-SVM-Copula-CoVaR (PSCC) model is more reasonable in evaluating systemically important banks than using only unilateral data.

()
[1] 胡雪梅, 李佳丽, 蒋慧凤. 机器学习方法研究肝癌预测问题[J]. 系统科学与数学, 2022, 42(2): 417-433.
[2] 张婷婷, 王沫然, 魏得胜, 刘志峰. 季节调整FWA-SVR模型及其在旅游经济预测中的应用[J]. 系统科学与数学, 2021, 41(6): 1572-1584.
[3] 胡雪梅, 蒋慧凤. 具有技术指标的逻辑回归模型预测谷歌股票的涨跌趋势[J]. 系统科学与数学, 2021, 41(3): 802-823.
[4] 李萍,倪志伟,朱旭辉,宋娟. 基于改进萤火虫算法的SVR空气污染物浓度预测模型[J]. 系统科学与数学, 2020, 40(6): 1020-1036.
[5] 韩璐,苏治,刘志东. 金融市场的协动预测模型: DWT-SVM方法[J]. 系统科学与数学, 2020, 40(12): 2342-2356.
[6] 于静,韩鲁青. 一种改进的求解支持向量机模型的坐标梯度下降算法[J]. 系统科学与数学, 2018, 38(5): 583-590.
[7] 张文,崔杨波,姜祎盼. 基于SVM$^{K\text{-}{\rm Means}}$的非均衡P2P网贷平台风险预测研究[J]. 系统科学与数学, 2018, 38(3): 364-378.
[8] 李萍,倪志伟,朱旭辉,伍章俊. 基于分形流形学习的支持向量机空气污染指数预测模型[J]. 系统科学与数学, 2018, 38(11): 1296-1306.
[9] 朱旭辉,倪志伟,倪丽萍,程美英,李敬明,金飞飞. 基于相异度的SVM选择性集成雾霾天气预测方法[J]. 系统科学与数学, 2017, 37(6): 1480-1493.
[10] 王勇,董恒新. 大数据背景下中国季度失业率的预测研究------基于网络搜索数据的分析[J]. 系统科学与数学, 2017, 37(2): 460-472.
[11] 杨丰梅,桂琳,袁文燕,李健. 考虑资金约束时易腐品二级供应链中延迟支付策略研究[J]. 系统科学与数学, 2017, 37(2): 473-490.
[12] 石雪涛,朱帮助. 基于相空间重构和最小二乘支持向量回归模型参数同步优化的碳市场价格预测[J]. 系统科学与数学, 2017, 37(2): 562-572.
[13] 张燕,张晨光,张夏欢. 平衡化图半监督学习方法[J]. 系统科学与数学, 2016, 36(8): 1107-1118.
[14] 朱旭辉,倪志伟,程美英. 基于人工鱼群和分形学习的雾霾天气预报方法[J]. 系统科学与数学, 2016, 36(11): 1887-1901.
[15] 张少白,曾又,刘友谊. 基于DIVA模型的脑电信号识别方法[J]. 系统科学与数学, 2015, 35(5): 489-498.
阅读次数
全文


摘要