楊鐘瑾
YANG Zhongjin
廣東財經大學 信息學院,廣州 510320
School of Information Science and Technology,Guangdong University of Finance and Economics,Guangzhou 510320,China
破產預測能讓人類做出理性的決策,從而最小化風險造成的損失。破產預測廣泛應用于各行各業,尤其在學術界和商界備受關注。但是,現實世界所面對的破產預測問題經常是復雜多變和難于捉摸。由于統計模型方法固有的缺陷,因此難于勝任破產預測。與傳統的統計模型方法相比,雖然神經網絡[1]對破產預測的效果有所改進,但是神經網絡具有以下的缺點:(1)難以構建合適的預測模型;(2)常常陷入局部極小值;(3)經驗風險最小化原則的運用不能確保良好的推廣能力;(4)不容易正確選定訓練集的大小。
支持向量機[2]是一種新型的破產預測智能技術,不僅備受矚目,而且日益盛行。支持向量機以統計學習理論為基礎,與神經網絡明顯不同之處在于運用結構風險最小化原理,克服了神經網絡容易陷入局部極小值的問題,提高了推廣能力。同時,在運用支持向量機構建預測模型時,在正確選定了核函數[3]的基礎上,只需選擇最優參數。因此,相對神經網絡而言,支持向量機更簡易快捷。目前,啟發式優化技術[4-5]得到眾多研究者的追捧,其中粒子群優化[6]和遺傳算法[7]等最為流行,它們都具有并行處理的特征。與其他的優化技術相比,粒子群優化有許多優點:減少內存、快速運算、容易與其他優化技術集成和易于實現。同樣,遺傳算法也具有以下優點:有效地掃描和探測復雜空間、避免陷入局部極小值、出色地平衡效果與效率之間的關系和不乏靈活性。……