基于支持向量机的银行系统重要性评估研究

被引：9

作者：

唐振鹏 ^{[1
,2
,3
]}

黄双双 ^{[1
]}

陈尾虹 ^{[1
]}

机构：

[1] 福州大学经济与管理学院

[2] 福建省金融科技创新重点实验室

[3] 福建省企业发展研究中心

来源：

系统科学与数学 | 2018年 / 38卷 / 01期

关键词：

系统重要性银行; 系统性风险; 支持向量机; 粒子群优化算法; Copula-CoVaR;

D O I：

暂无

中图分类号：

F832 [中国金融、银行]; TP18 [人工智能理论];

学科分类号：

1201 ; 020204 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

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.

引用

页码：57 / 77

页数：21

共 23 条

[21] 计算投资组合风险的改进支持向量机方法 [J].

胡小平 .

数量经济技术经济研究, 2005, (05) :120-128

[22] 用于回归估计的最小二乘广义支持向量机 [J].

孙宗海 ;

孙优贤 .

系统工程理论与实践, 2004, (07) :94-97

[23] 模式识别中的支持向量机方法 [J].

杜树新 ;

吴铁军 .

浙江大学学报(工学版), 2003, (05) :25-31

← 1 2 3 →