SGL-SVM方法研究及其在财务困境预测中的应用  

SGL-SVM with its Application in Forecasting Corporate Financial Distress

作　　者：方匡南[1,2] 杨阳 Fang Kuangnan , Yang Yang

机构地区：[1]厦门大学经济学院 [2]厦门大学数据挖掘研究中心 [3]国泰君安证券股份有限公司融资融券部

出　　处：《统计研究》2018年第8期104-115,共12页Statistical Research

基　　金：国家自然科学基金"广义线性模型的组变量选择及其在信用评分中的应用"(71471152);全国统计科学研究重点项目"大数据下的信用评分研究"(2015629);中央高校基本科研业务费专项资金"多源异构大数据的整合分析研究"(20720181003;20720171095)的资助

摘　　要：针对分类问题,本文提出了稀疏组Lasso支持向量机方法(Sparse group lasso SVM,SGLSVM),即在SVM模型的损失函数中引入SGL惩罚函数,能同时进行组间变量和组内变量的筛选。由于SGL-SVM的目标函数求解比较复杂,本文又提出了一种快速的双层坐标下降算法。通过模拟实验,发现SGL-SVM方法在预测效果和变量选择上均要优于其他方法,对于变量具有自然分组结构且组内是稀疏的数据,本文方法在提高变量选择效果的同时又能提高模型的预测精度。最后,本文将SGL-SVM方法应用到我国制造业上市公司财务困境预测中。For classification,we propose sparse group lasso SVM（ SGL-SVM） approach to conduct bi-level variable selection by adding SGL penalty to SVM loss function. Due to the complexity of optimization of SGLSVM objection function,we propose a bi-level coordinate descent algorithm. Simulation results suggest that SGL-SVM is better than other methods both on the performance of prediction and variable selection. For data with covariate group structure,bi-level selection not only can improve the performance of variable selection but also can improve the performance of prediction. Finally, we apply the proposed SGL-SVM to forecast manufacturing corporate financial distress in China.

关 键 词：SVM 双层变量选择 SGL 财务困境预测 

分 类 号：C81[社会学—统计学]