《表3 不同模型违约概率预测精度的对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于不定核LS-SVM模型的公司违约概率预测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:Sigmoid:K（xt\n\t\t\t\t\t\tj，d，xt\n\t\t\t\t\t\tq，d）=tanh（axt\n\t\t\t\t\t\tj，d\n\t\t\t\t\t\tTxt\n\t\t\t\t\t\tq，d+d）gmoid核被称为不定核。RBF核、Poly核、Linear核见公式（7）、（8）、（9）。阴影部分为每一评价指标的最小值。

由于学者们普遍使用Logistic模型进行违约概率的研究[21]，因此，本文仅将不定核LS-SVM模型与除正定核LS-SVM模型以外的Logistic模型进行违约概率预测精度对比。与此同时，为了避免人为划分样本造成预测模型获得的实证结果存在随机性，本文采用交叉验证方法对不定核LS-SVM模型、正定核LS-SVM模型以及Logistic模型进行试验训练，即:将样本数据集随机划分为10份，令其中1份为测试集，另外9份为训练集，然后基于训练集进行实证建模，从而获得10次结果并取其平均值，结果见表3。值得一提的是，为预测公司违约概率，应选择t-1时期的特征指标，但由于债券发行时期有可能小于公司上年度财务报表发布的时期，如果继续使用t-1时期的特征指标则不符合实际的情形。因此，当出现此种标准时，本文以t-2时期的特征指标代替t-1时期的特征指标，也因此本文所预测的违约概率与实际情形更相符。本文在MATLAB2016a的编程环境下进行实证分析，对于LS-SVM模型主要依靠LS-SVMlab这一通用工具包实现。