基于半监督选择集成支持向量机的供应链金融风险评价研究

The financial risk evaluation of supply chain is the research focus for the government and organizations of finance management. It has a vital significance in the fields of solution of small and medium-sized enterprises financing difficulties, the industry supply chain stable development, avoiding the financial risk and so on. In recent years, semisupervised ensemble learning is emerging gradually and the algorithm of support vector machines has been widely used in various fields. Therefore, the project focus on studying a novel method based on semisupervised and selection-ensemble support vector machines which are used in the financial risk evaluation of supply chain. The key characteristics of this approach are that 1) according distribution of risk attributes, mutation particle swarm optimization algorithm is proposed to optimize the risk assessment indicators and key parameters of support vector machines simultaneously, 2) knowledge and information of unlabeled samples can be obtained through self-training algorithm and the overlapping and outlier samples are removed using the fuzzy sets theory, and 3) a selective semisupervised ensemble algorithm is constructed to improve the generalization ability of the model by weak classifiers reduction, strong classifiers boundary constraints and other strategies. A more perfect and strong practicability evaluation system of the supply chain financial risk is constructed finally. The project research results provide a more effective method and technology approach in the fields of small and medium-sized enterprises financing, data mining, information intellectualization processing and financial management.

供应链金融风险评价是政府、金融机构研究的热点，在解决中小企业融资困境、促进产业供应链稳定发展，防范和规避金融风险等方面具有重要意义。近年来，半监督集成学习逐渐兴起，支持向量机算法广泛应用。为此，本项目提出一种基于半监督选择集成支持向量机的供应链金融风险评价方法，其主要内容包括：1）根据供应链金融风险评估属性分布特征，利用变异粒子群优化算法对风险评价指标及支持向量机关键参数协同优化；2）通过自训练半监督算法挖掘未知类别样本中所蕴含知识信息，利用模糊集理论最小化训练集误差，对重叠、离群样本进行二次判别；3）构造一种选择性半监督集成算法，通过弱半监督个体分类器约减，强分类器边界约束等策略进一步提高模型的泛化能力，最终形成一套较为完善的、实用性强的供应链金融风险评价系统。项目研究成果将为中小企业融资、数据挖掘，信息智能化处理以及金融管理等领域提供更加有效的方法和技术手段。

金融数据挖掘在信用风险防控、金融决策优化、业务管理创新等方面具有重要意义。项目针对供应链金融数据高维、非均衡、小样本等特点，结合机器学习领域中半监督学习、支持向量机等崭新方向开展信用风险评价研究，具体内容包括：.（1）针对供应链融资数据小样本特点，研究半监督算法挖掘未知类别样本中所蕴含知识信息，包括利用核低秩表示、烟花算法双向搜索偏向参数；以试探的启发式方法选择初始类簇；利用密度峰值算法构建成对约束条件指导相似度矩阵的更新等策略，分别提出基于密度峰值的半监督聚类算法；基于结构相似性自适应半监督算法；基于语义相似性和控制流顺序需求结合的半监督聚类算法；基于约束的行为聚类等方法。.（2）分类器易受奇异点、噪声干扰，对于非均衡分类，噪声对稀有类产生的影响更大。项目分别研究通过模糊隶属度函数剔除样本离群点；提出贝叶斯萎缩方法优化阈值以及集成学习策略剔除奇异点数据；利用子集群聚类再平衡数据集。分别提出一种基于模糊聚类噪声剔除的集成支持向量机算法；基于非均衡子集群聚类集成的支持向量机模型；基于小波域变换的湍流去噪算法；融合双树复小波和改进形态学去噪算法等。.（3）供应链金融评估特征的动态性、相关性直接决定风险度量的速度与精度。项目采用粒子群算法、熵权法，主成分分析法，因子分析法、空间聚类算法等理论拓展非欧空间适用性，消除高维数据冗余度，分别提出二进制粒子群协同优化评估特征及支持向量机参数算法；基于熵权法和主成分分析法的近邻传播聚类算法；基于改进的空间密度聚类DBSCAN等算法。.（4）在上述若干改进算法基础上，将融合多种改进策略用于供应链金融信用风险评价领域，提出一种适合金融大数据的安全防范监管与感知平台；基于供应链管理的鲜活农产品交易系统；基于群协同优化算法的供应链金融信用风险评价模型等。项目研究成果将为中小企业融资、数据挖掘，信息智能化处理以及金融管理等领域提供更加有效的方法和技术手段。