大數(shù)據(jù)背景下基于供應(yīng)鏈金融的信用風險評價方法研究

定　價：￥88.00

作　者：	劉穎著
出版社：	科學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787030617118	出版時間：	2019-06-01	包裝：	平裝
開本：	16開	頁數(shù)：	312	字數(shù)：

內(nèi)容簡介

　　供應(yīng)鏈金融風險評價是政府、金融機構(gòu)研究的熱點，在解決中小企業(yè)融資困境、促進產(chǎn)業(yè)供應(yīng)鏈穩(wěn)定發(fā)展、防范和規(guī)避金融風險等方面具有重要意義。在當今數(shù)字時代，源于多重媒介的海量數(shù)據(jù)將繼續(xù)大幅增長，半結(jié)構(gòu)、非結(jié)構(gòu)化供應(yīng)鏈金融數(shù)據(jù)使得大數(shù)據(jù)環(huán)境下金融數(shù)據(jù)分析的模式和方法相對復雜。通過大數(shù)據(jù)應(yīng)用分析有效地增加價值能夠使運營或供應(yīng)鏈管理發(fā)揮優(yōu)勢?！洞髷?shù)據(jù)背景下基于供應(yīng)鏈金融的信用風險評價方法研究》從供應(yīng)鏈金融數(shù)據(jù)分布特征入手，分析影響信用風險分類模型的主要因素，將支持向量機方法結(jié)合模糊聚類、集成學習等理論，提出適合于高維、非均衡、小樣本特點的供應(yīng)鏈金融信用風險評價方法，旨在助力挖掘隱含在海量金融數(shù)據(jù)背后的知識信息。

作者簡介

暫缺《大數(shù)據(jù)背景下基于供應(yīng)鏈金融的信用風險評價方法研究》作者簡介

圖書目錄

目錄
前言
第1章緒論 1
1.1 供應(yīng)鏈金融研究概述 1
1.2 供應(yīng)鏈金融研究意義 3
1.3 本書研究貢獻 3
1.4 本書章節(jié)安排 4
第2章供應(yīng)鏈金融的理論基礎(chǔ) 7
2.1 供應(yīng)鏈金融的相關(guān)概念 7
2.1.1 供應(yīng)鏈 7
2.1.2 供應(yīng)鏈管理 7
2.1.3 供應(yīng)鏈金融 8
2.1.4 供應(yīng)鏈金融的特點 10
2.2 供應(yīng)鏈金融的融資模式 11
2.3 供應(yīng)鏈金融風險的影響因素 14
2.4 信用風險 15
2.5 供應(yīng)鏈金融信用風險評價方法研究綜述 17
2.5.1 供應(yīng)鏈金融發(fā)展現(xiàn)狀 17
2.5.2 信用風險評價方法比較 18
2.6 本章小結(jié) 25
第3章供應(yīng)鏈金融數(shù)據(jù)分布特征與指標體系 27
3.1 供應(yīng)鏈金融大數(shù)據(jù)分析現(xiàn)狀 27
3.2 供應(yīng)鏈金融信用數(shù)據(jù)分布特征 29
3.3 數(shù)據(jù)分布特征相關(guān)解決策略 30
3.3.1 非均衡樣本解決策略 30
3.3.2 噪聲離群點解決策略 33
3.3.3 非線性多維特征解決策略 36
3.4 供應(yīng)鏈金融風險評價指標體系研究概況 38
3.5 供應(yīng)鏈金融風險評價指標體系設(shè)計 40
3.6 供應(yīng)鏈金融風險評價指標體系構(gòu)建 41
3.6.1 F1：供應(yīng)鏈融資企業(yè)信用風險評價特征指標集 42
3.6.2 F2：供應(yīng)鏈核心企業(yè)信用風險特征指標集 44
3.6.3 F3：融資企業(yè)產(chǎn)品供應(yīng)鏈績效評價特征指標集 44
3.7 本章小結(jié) 46
第4章基于改進模糊聚類算法的信用風險評價模型研究 48
4.1 關(guān)于聚類理論的提出 48
4.2 聚類分析算法 49
4.3 模糊聚類算法特點 53
4.4 模糊聚類算法對比測試 54
4.4.1 數(shù)據(jù)集描述 54
4.4.2 三種聚類算法測試結(jié)果 55
4.5 基于改進的GA-FCM模糊聚類算法 60
4.6 實驗結(jié)果與分析 62
4.6.1 數(shù)據(jù)來源 62
4.6.2 三種聚類信用數(shù)據(jù)測試 63
4.6.3 優(yōu)化后數(shù)據(jù)測試（一）：優(yōu)化模糊加權(quán)指數(shù) 66
4.6.4 優(yōu)化后數(shù)據(jù)測試（二）：剔除噪聲 70
4.7 本章小結(jié) 73
第5章基于離群點剔除及特征選取的信用風險評價方法研究 74
5.1 相關(guān)理論基礎(chǔ) 74
5.1.1 支持向量機理論 74
5.1.2 傳統(tǒng)粒子群算法 77
5.1.3 二進制粒子群算法 78
5.2 SVM分類器性能及在信用風險領(lǐng)域研究現(xiàn)狀 78
5.2.1 SVM在分類中的優(yōu)點 78
5.2.2 SVM在分類中的不足 79
5.2.3 SVM參數(shù)優(yōu)化 80
5.2.4 SVM在信用風險評價中的應(yīng)用 81
5.3 基于離群點剔除的SVM模型 82
5.3.1 基于離群點剔除算法 82
5.3.2 實驗結(jié)果與分析 83
5.4 基于群協(xié)同優(yōu)化算法的供應(yīng)鏈金融信用風險評估模型 88
5.4.1 供應(yīng)鏈金融風險評價指標體系建立 88
5.4.2 BPSO-SVM算法描述 88
5.4.3 實驗結(jié)果與比較 90
5.5 本章小結(jié) 92
第6章一種新的降噪集成SVM的供應(yīng)鏈金融信用風險評價模型 94
6.1 集成學習理論及研究進展 94
6.2 噪聲樣本對SVM分類精度的影響 96
6.3 基于自適應(yīng)變異粒子群參數(shù)優(yōu)化算法 97
6.3.1 自適應(yīng)變異粒子群算法 97
6.3.2 自適應(yīng)變異粒子群算法優(yōu)化SVM參數(shù) 99
6.4 AdaBoosting算法 101
6.4.1 算法理論 101
6.4.2 算法流程 103
6.5 基于噪聲剔除集成SVM模型 103
6.5.1 數(shù)據(jù)搜集與準備 104
6.5.2 噪聲剔除方法 105
6.5.3 噪聲剔除集成SVM算法實現(xiàn) 106
6.6 實驗結(jié)果與討論 108
6.6.1 樣本與特征屬性 108
6.6.2 基于PCA的屬性約簡 110
6.6.3 基于FCM類別噪聲剔除 110
6.6.4 基于EN-AdaPSVM模型的SCF風險評價結(jié)果 112
6.7 本章小結(jié) 115
第7章總結(jié)與展望 117
7.1 總結(jié) 117
7.2 展望 118
參考文獻 120