《大數據背景下基於供應鏈金融的信用風險評價方法研究》是2019年06月01日科學出版社出版的圖書，作者是劉穎。
基本介紹
- 書名：大數據背景下基於供應鏈金融的信用風險評價方法研究
- 作者：劉穎
- ISBN：9787030617118
- 頁數：312
- 定價：88.00元
- 出版社：科學出版社
- 出版時間：2019年06月01日
- 裝幀：平裝
- 開本：B5
內容簡介,圖書目錄,
內容簡介
供應鏈金融風險評價是政府、金融機構研究的熱點，在解決中小企業融資困境、促進產業供應鏈穩定發展、防範和規避金融風險等方面具有重要意義。在當今數字時代，源於多重媒介的海量數據將繼續大幅增長，半結構、非結構化供應鏈金融數據使得大數據環境下金融數據分析的模式和方法相對複雜。通過大數據套用分析有效地增加價值能夠使運營或供應鏈管理髮揮優勢。本書從供應鏈金融數據分布特徵入手，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合模糊聚類、集成學習等理論，提出適合於高維、非均衡、小樣本特點的供應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據背後的知識信息。
圖書目錄
前言
第1章 緒論 1
1.1 供應鏈金融研究概述 1
1.2 供應鏈金融研究意義 3
1.3 本書研究貢獻 3
1.4 本書章節安排 4
第2章 供應鏈金融的理論基礎 7
2.1 供應鏈金融的相關概念 7
2.1.1 供應鏈 7
2.1.2 供應鏈管理 7
2.1.3 供應鏈金融 8
2.1.4 供應鏈金融的特點 10
2.2 供應鏈金融的融資模式 11
2.3 供應鏈金融風險的影響因素 14
2.4 信用風險 15
2.5 供應鏈金融信用風險評價方法研究綜述 17
2.5.1 供應鏈金融發展現狀 17
2.5.2 信用風險評價方法比較 18
2.6 本章小結 25
第3章 供應鏈金融數據分布特徵與指標體系 27
3.1 供應鏈金融大數據分析現狀 27
3.2 供應鏈金融信用數據分布特徵 29
3.3 數據分布特徵相關解決策略 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 非線性多維特徵解決策略 36
3.4 供應鏈金融風險評價指標體系研究概況 38
3.5 供應鏈金融風險評價指標體系設計 40
3.6 供應鏈金融風險評價指標體系構建 41
3.6.1 F1：供應鏈融資企業信用風險評價特徵指標集 42
3.6.2 F2：供應鏈核心企業信用風險特徵指標集 44
3.6.3 F3：融資企業產品供應鏈績效評價特徵指標集 44
3.7 本章小結 46
第4章 基於改進模糊聚類算法的信用風險評價模型研究 48
4.1 關於聚類理論的提出 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 數據集描述 54
4.4.2 三種聚類算法測試結果 55
4.5 基於改進的GA-FCM模糊聚類算法 60
4.6 實驗結果與分析 62
4.6.1 數據來源 62
4.6.2 三種聚類信用數據測試 63
4.6.3 最佳化後數據測試（一）：最佳化模糊加權指數 66
4.6.4 最佳化後數據測試（二）：剔除噪聲 70
4.7 本章小結 73
第5章 基於離群點剔除及特徵選取的信用風險評價方法研究 74
5.1 相關理論基礎 74
5.1.1 支持向量機理論 74
5.1.2 傳統粒子群算法 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域研究現狀 78
5.2.1 SVM在分類中的優點 78
5.2.2 SVM在分類中的不足 79
5.2.3 SVM參數最佳化 80
5.2.4 SVM在信用風險評價中的套用 81
5.3 基於離群點剔除的SVM模型 82
5.3.1 基於離群點剔除算法 82
5.3.2 實驗結果與分析 83
5.4 基於群協同最佳化算法的供應鏈金融信用風險評估模型 88
5.4.1 供應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 實驗結果與比較 90
5.5 本章小結 92
第6章 一種新的降噪集成SVM的供應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 基於自適應變異粒子群參數最佳化算法 97
6.3.1 自適應變異粒子群算法 97
6.3.2 自適應變異粒子群算法最佳化SVM參數 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 基於噪聲剔除集成SVM模型 103
6.5.1 數據蒐集與準備 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 106
6.6 實驗結果與討論 108
6.6.1 樣本與特徵屬性 108
6.6.2 基於PCA的屬性約簡 110
6.6.3 基於FCM類別噪聲剔除 110
6.6.4 基於EN-AdaPSVM模型的SCF風險評價結果 112
6.7 本章小結 115
第7章 總結與展望 117
7.1 總結 117
7.2 展望 118
參考文獻 120
第1章 緒論 1
1.1 供應鏈金融研究概述 1
1.2 供應鏈金融研究意義 3
1.3 本書研究貢獻 3
1.4 本書章節安排 4
第2章 供應鏈金融的理論基礎 7
2.1 供應鏈金融的相關概念 7
2.1.1 供應鏈 7
2.1.2 供應鏈管理 7
2.1.3 供應鏈金融 8
2.1.4 供應鏈金融的特點 10
2.2 供應鏈金融的融資模式 11
2.3 供應鏈金融風險的影響因素 14
2.4 信用風險 15
2.5 供應鏈金融信用風險評價方法研究綜述 17
2.5.1 供應鏈金融發展現狀 17
2.5.2 信用風險評價方法比較 18
2.6 本章小結 25
第3章 供應鏈金融數據分布特徵與指標體系 27
3.1 供應鏈金融大數據分析現狀 27
3.2 供應鏈金融信用數據分布特徵 29
3.3 數據分布特徵相關解決策略 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 非線性多維特徵解決策略 36
3.4 供應鏈金融風險評價指標體系研究概況 38
3.5 供應鏈金融風險評價指標體系設計 40
3.6 供應鏈金融風險評價指標體系構建 41
3.6.1 F1：供應鏈融資企業信用風險評價特徵指標集 42
3.6.2 F2：供應鏈核心企業信用風險特徵指標集 44
3.6.3 F3：融資企業產品供應鏈績效評價特徵指標集 44
3.7 本章小結 46
第4章 基於改進模糊聚類算法的信用風險評價模型研究 48
4.1 關於聚類理論的提出 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 數據集描述 54
4.4.2 三種聚類算法測試結果 55
4.5 基於改進的GA-FCM模糊聚類算法 60
4.6 實驗結果與分析 62
4.6.1 數據來源 62
4.6.2 三種聚類信用數據測試 63
4.6.3 最佳化後數據測試（一）：最佳化模糊加權指數 66
4.6.4 最佳化後數據測試（二）：剔除噪聲 70
4.7 本章小結 73
第5章 基於離群點剔除及特徵選取的信用風險評價方法研究 74
5.1 相關理論基礎 74
5.1.1 支持向量機理論 74
5.1.2 傳統粒子群算法 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域研究現狀 78
5.2.1 SVM在分類中的優點 78
5.2.2 SVM在分類中的不足 79
5.2.3 SVM參數最佳化 80
5.2.4 SVM在信用風險評價中的套用 81
5.3 基於離群點剔除的SVM模型 82
5.3.1 基於離群點剔除算法 82
5.3.2 實驗結果與分析 83
5.4 基於群協同最佳化算法的供應鏈金融信用風險評估模型 88
5.4.1 供應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 實驗結果與比較 90
5.5 本章小結 92
第6章 一種新的降噪集成SVM的供應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 基於自適應變異粒子群參數最佳化算法 97
6.3.1 自適應變異粒子群算法 97
6.3.2 自適應變異粒子群算法最佳化SVM參數 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 基於噪聲剔除集成SVM模型 103
6.5.1 數據蒐集與準備 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 106
6.6 實驗結果與討論 108
6.6.1 樣本與特徵屬性 108
6.6.2 基於PCA的屬性約簡 110
6.6.3 基於FCM類別噪聲剔除 110
6.6.4 基於EN-AdaPSVM模型的SCF風險評價結果 112
6.7 本章小結 115
第7章 總結與展望 117
7.1 總結 117
7.2 展望 118
參考文獻 120
