![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于联合聚类的国家风险集成预测方法研究.pdf
《基于联合聚类的国家风险集成预测方法研究.pdf》由会员分享,可在线阅读,更多相关《基于联合聚类的国家风险集成预测方法研究.pdf(8页珍藏版)》请在咨信网上搜索。
1、2023 年 10 月第 39 卷 第 5 期 中国石油大学学报(社会科学版)Journal of China University of Petroleum(Edition of Social Sciences)Oct.2023Vol.39 No.5收稿日期:2023-08-31基金项目:国家自然科学基金青年基金(72201265);中国博士后科学基金(2023T160635;2022M723105)作者简介:李建平(1976),男,浙江建德人,中国科学院大学讲席教授,博士生导师,教育部长江学者特聘教授,研究方向为风险管理、大数据管理决策。通信作者:郝 俊(1994),男,安徽阜阳人,中国科
2、学院大学助理研究员,博士,研究方向为风险管理、集成预测。DOI:10.13216/ki.upcjess.2023.05.0011基于联合聚类的国家风险集成预测方法研究李建平,袁佳鑫,尚书凡,郝 俊(中国科学院大学 经济与管理学院,北京 100049)摘要:准确预测国家风险能够有效降低一国在对外贸易中期望收益受损的可能性。然而,国家风险构成复杂、诱因多样且具有突发性,使得精准预测国家风险面临严峻挑战。为此,提出了一种基于 BIRCH 嵌套 AP 算法的联合聚类集成预测模型。通过设定移动窗口并使用 BIRCH算法压缩并建立聚类特征树,利用 AP 算法对特征结果进行聚类并选定评估聚类簇;然后,计算单
3、体模型在聚类簇中的预测表现,选取表现最佳的模型作为集成预测的输出。选取沙特阿拉伯、科威特、伊朗、利比亚 4 个欧佩克成员国的 ICRG 数据进行仿真实验以验证模型的预测性能,实验结果表明:在不同提前期下所提模型呈现出优异的预测表现,尤其在方向性精度上表现出显著且稳定的优势。关键词:国家风险;集成预测;联合聚类;风险预测;模型选择中图分类号:F113;F224.0 文献标识码:A 文章编号:1673-5595(2023)05-0101-08 一、引言国家风险是指在国际资本流动中当事人所面临的、因特定国家层面的事件引发的目标国“不能”或“不愿”履行国际契约,从而造成当事人利益损失的风险。1-2由于
4、地缘政治与国家安全冲突不断加剧,全球动荡源和风险点显著增多,各种固有和新生、一国内部和跨国联动的风险相互交织,国家风险传染速度更快,传染路径更加复杂3-5,这无疑给国家风险预测带来了严峻的挑战6。作为企业跨国投资面临的重要宏观风险,国家风险的变化趋势将直接影响企业、机构和个人的投资决策。7-8因此,科学准确地预测国家风险的变化趋势对于保障跨国企业海外投资以及国际投资者资产安全具有重要的意义。目前,国家风险预测模型主要分为传统的计量模型和人工智能模型两类。国家风险的诱因复杂性与多变性使得传统计量模型如 ARIMA(Autoregres-sive Integrated Moving Average
5、)、GARCH(Generalized Autoregressive Conditional Heteroskedasticity)、指数平滑、线性回归等,难以有效刻画国家风险的波动特性,从而导致模型精度较低。随着信息技术与人工智能的快速发展,以神经网络模型为代表的机器学习方法往往具有较强的非线性特征提取能力而被广泛关注和应用。9-10例如,汤铃等11利用分解集成方法对主要能源输出国的国家风险进行预测研究;Li 等12利用分解重构方法对国家主权风险进行预测建模。相较于单一模型而言,集成学习将多种单体模型进行有机融合,充分挖掘不同模型的特性与优势,能够有效降低单一预测模型所带来的系统性偏差。例如
6、,Yuan 等13提出一种基于线性模型、机器学习模型和深度学习模型的集成预测方法,通过简单平均、最佳均值、修剪平均以及聚类均值的方式进行模型集成,结果验证了集成模型预测性能的优越性;Hao 等14提出了一种基于多目标规划的动态集成预测模型对价格波动风险进行预测,结果表明其所提出模型显著优于单一模型和其他集成模型,进一步证明了集成学习是有效的预测工具。对于集成学习而言,集成策略对预测结果具有显著影响。在早期研究中,简单平均法由于操作简单且便于计算而被广泛采用。然而,该方法对所有单体模型赋予相同的权重,无法有效发挥表现优异的模型的贡献。15为了充分提取单体模型的信息、发挥集成学习的优势,基于单体模
7、型表现赋权的集成建模成为趋势,也受到越来越多的关注。基于“物以类聚”的思想,本文提出了基于聚类策略的国家风险集成预测方法。以聚类策略实现单体模型的集成,可以充分挖掘数据本身的潜在结构,在一定程度上避免了因权重分配不当而导致的误差。13聚类策略的运用使异常值的影响在一定程度上被消除,且每个预测模型都被分配了适当的权重,能够有效提升集成模型的预测精度和稳健性。此外,在众多聚类算法中,BIRCH(Balanced Iterative Reducing and Clustering using Hierarchies)联合 AP(Affinity Propa-gation)聚类方法具有较高的执行效率和
8、准确性。为此,本文构建了基于 BIRCH-AP 联合聚类策略的国家风险预测模型,以期有效提升预测模型的精度,实现精准的国家风险预测预警。二、模型方法(一)单体模型为了避免备选单体模型同质化导致的集成预测模型失效的问题,本文选取了 8 种不同类型的单体模型作为备选模型。具体来说,这 8 种单体模型分别是:长短期记忆网络、最小绝对收缩选择算子、支持向量回归、贝叶斯岭回归、随机梯度下降、极端梯度提升、LightGBM 以及极限学习机。1.长短期记忆网络长短期记忆网络(Long Short Term Memory,LSTM)通过遗忘门、输入门和输出门共同控制信息的流动,既能充分解决梯度消失或爆炸问题,
9、又能在一定程度上避免欠拟合的风险。LSTM 当前时刻的隐藏层输出 ht和内部状态 ct由上一时刻的隐藏层输出 ht-1、内部状态 ct-1以及当前时刻的输入 xt协同决定。LSTM 用三个门结构来控制信息的流动,遗忘门 ft用于设置权重以选择所需保留的信息比重,输入门 it用于筛选当前时刻输入的新信息,输出门 ot用于从当前内部状态中提取有效信息以产生新的隐藏层,三个门的计算方法分别如式(1)式(3)所示。ft=(Wt(ht-1,xt)+bt)(1)it=(Wi(ht-1,xt)+bi)(2)ot=(Wo(ht-1,xt)+bo)(3)式中:Wt、bt分别为遗忘门的权重矩阵和对应偏置项,Wi、
10、bi分别为输入门的权重矩阵和对应偏置项,Wo、bo分别为输出门的权重矩阵和对应偏置项。LSTM 通过 tanh 函数对当前内部状态加以处理后得到候选状态 ct,如式(4)所示。获得候选状态后,LSTM 将基于遗忘门和输入门的信息选择对内部状态进行更新,再结合输出门,最终可生成新的隐含层 ht,如式(5)和式(6)所示。ct=tanh(Wc(ht-1,xt)+bc)(4)ct=ftct-1+itct(5)ht=ottanh(ct-1)(6)2.最小绝对收缩选择算子最小绝对收缩选择算子(Least Absolute Shrink-age and Selection Operator,LASSO)通
11、过构造惩罚函数压缩回归系数获得一个较为精炼的模型。相较于其他回归方法,LASSO 模型更易于解释,在小部分输入变量有效而其他输入变量系数接近于零时表现出色。相关系数通过最小化 L1范数惩罚项拟合公式得到,如式(7)所示。ni=1yi-0-pj=1jxij()2+pj=1j(7)式中:为调节参数。3.支持向量回归支持向量回归(Support Vector Regressor,SVR)具有容错性好、鲁棒性高、泛化能力强的性质。当样本线性不可分时,可将样本从原始空间映射到更高维的特征空间,使得样本在高维特征空间内线性可分。令(x)表示将 x 映射后的特征向量,对应划分超平面如式(8)所示,求解式(8
12、)可得式(9)和式(10)。f(x)=wT(x)+b(8)minw,b(1/2 w2)s.t.yi(wtxi+b)1(9)f(x)=wT(x)+b=mi=1iyi(xi)T(x)+b=mi=1iyik(xi,x)+b(10)式中:k(xi,x)为核函数。4.贝叶斯岭回归贝 叶 斯 岭 回 归(Bayesian Ridge Regression,BRR)是结合贝叶斯线性回归和岭回归两种模型优势的预测模型。贝叶斯岭回归在参数估计时引入正则项,得到参数的后验分布,对含异常值的时序预测任务表现良好。贝叶斯线性回归函数如式(11)所示,其目的是求解能使式(11)最小的参数向量分布式(12)。y(x,w)
13、=nj=0wji(x)=wT(x)(11)201中国石油大学学报(社会科学版)2023 年 10 月J(w)=mi=1y(xi,w)-ti2(12)式中:n 为样本空间维度,m 为样本容量,w 为参数向量,(x)为输入向量的非线性函数。观测值分布 t 是以 y(x,w)为均值的高斯分布,t的类条件概率密度函数为式(13),w 的先验概率为式(14)。p(t w)=1221exp(-1221mi=1y(xi,w)-ti2)(13)p(w)=1221exp-1221wTw()(14)根据贝叶斯规则,则得到式(15)和式(16)。p(w t)=p(w)p(t w)p(t)(15)ln(p(w t)=
14、-1221mi=1y(xi,w)-ti2-1221wTw+c(16)式中:p(w t)为后验概率,c 为常数,先验概率对应岭回归中的 L2正则项。5.随机梯度下降随机梯度下降法(Stochastic Gradient Descent,SGD)是求解最小二乘问题的迭代方法。该方法是对梯度下降法的改进,其在每次更新参数时仅选取一个样本来计算梯度,可逐步求解损失函数最小值,从而得到模型参数。参数更新公式如式(17)所示。由于每次更新参数仅需计算一个样本梯度,因此SGD 训练速度快,在样本量很大的情况下可能只需部分样本就能迭代到最优解。t+1=t-tJ(;(xi,yi)(17)式中:(xi,yi)为随
15、机选取的样本。6.极端梯度提升极端梯度提升法(eXtreme Gradient Boosting,XGBoost)是由 GBDT 改进而来的串行提升算法。利用不同的分类回归树训练弥补前一次训练后模型存在的不足,同时对损失函数做泰勒展开并添加正则项防止过拟合,最终将每次训练产生的结果进行加和得到最终预测值。7.LightGBMLightGBM 是一种高效并行计算的梯度提升框架,其在 GBDT 的基础上使用基于 Histogram 的决策树优化算法,降低了时间复杂度;同时又采用带深度限制 Leaf-wise 的叶子生长策略,提升了训练效率。8.极限学习机极限学习机(Extreme Learning
16、 Machine,ELM)模型是一种包含输入层、隐藏层和输出层三层结构的单隐藏层前馈神经网络学习算法。相较于其他神经网络模型需要人为设置大量训练参数,ELM 只需要设置网络的隐层节点数,是一种简单易用且有效的机器学习算法。传统的神经网络学习算法(如反向传播算法)由于人为设置了大量的训练参数,容易产生局部最优解;而 ELM 不需要在算法执行过程中调整网络的输入权重,具有学习速度快、泛化性能好的特点。(二)集成预测框架1.联合聚类算法本文引入层次聚类算法 BIRCH 并嵌套 AP 聚类的联合方法对数据进行联合聚类分析。首先,利用基于树结构的 BIRCH 算法在保留数据内在聚类结构的前提下对数据进行
17、多层压缩,并建立一棵聚类特征树;然后,使用 AP 聚类方法将 BIRCH 算法得到的各聚类特征结果作为样本点进行聚类,具体如图 1 所示。图 1 聚类结构将 BIRCH 算法和 AP 聚类方法相结合,一方面,可以使用 BIRCH 算法避免离群值的干扰;另一方面,与传统的基于层次/密度的聚类技术相比,将 BIRCH 算法和 AP 聚类方法结合有利于快速生成较高质量的聚类结果。BIRCH 算法利用分层方法实现平衡迭代规划和聚类算法。BIRCH 单遍扫描数据集就可以完成聚类,执行效率和准确性较高。AP 聚类是通过在样本对之间发送消息,直到收敛来创建聚类。具体而言,AP 算法将数据点对之间的相似度作为
18、输入,并同时将所有数据点视为潜在的簇中心,数据点之间交换实值信息,直到逐渐形成高质量的示例集和相应的簇;然后,使用少量有代表性的样本作为聚类中心描述数据集,而这些样本对被认为是最能代表数据集中其他数据的样本。301第 39 卷 第 5 期 李建平,等:基于联合聚类的国家风险集成预测方法研究 2.基于联合聚类算法的集成预测模型本文所提出的集成预测框架如图 2 所示,具体可以划分为 5 个步骤。图 2 集成预测框架步骤 1:划分集合。为了避免数据泄露问题,我们将全部样本按照 80%和 20%的比例划分为训练集和测试集,其中,80%样本被视为训练集,其余20%用于测试模型的样本外表现。步骤 2:建立
19、聚类特征树。根据设定的滑动窗口,对给定样本选择合适的数据,使窗口的最后一个数据点为当前待预测点,对于窗口中的数据使用BIRCH 进行压缩并建立聚类特征树。步骤 3:选定评估聚类簇。使用 AP 算法将各聚类特征结果进行聚类,根据最终聚类结果,选取与当前待预测点数据结构相同的簇作为单体模型评估的数据基础。步骤 4:预测表现评价。基于平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)指标,计算各单体模型在预测所选定簇中的各个观察点上的预测表现。步骤 5:集成预测。对比各单体模型在所选定簇中的各个观察点上的表现,选择表现最好的模型作为对当前待预测点集成预测的输
20、出。三、实证研究(一)数据描述考虑到数据的可获取性,本文选取了欧佩克成员国中石油产量较大的 4 个国家,即沙特阿拉伯(Saudi Arabia)、科威特(Kuwait)、伊朗(Iran)、利比亚(Libya)的 ICRG(International Country Risk Guide)数据,以验证所提出模型的样本外预测表现。样本数据时间跨度为:2001 年 5 月2022 年 3 月,共 251 个观测点。这 4 个国家风险评分描述性统计结果如表 1 所示。此外,我们选择“官僚主义”“内战”“消费者信心”“腐败”“跨境冲突”“政府稳定性”等 40 个评价指标作为外部变量,具体如表 2 所示。
21、为了直观展示实验对象,本研究绘制了国家风险评分序列图,如图 3 所示。由图 3 可以看出,在样本时段内,国家风险评分具有明显的波动,各国风险波动规 律 也 不 尽 相 同。其 中,利 比 亚 ICRG 在20142016 年间有明显下跌,可能是因为在该时段其恐怖袭击多发、政治局势动荡,这也表明 ICRG 国家风险评分数据的可靠性。表 1 国家风险评分统计结果伊朗科威特利比亚沙特阿拉伯Mean66.8680.1269.7977.06Median67.5081.0071.2578.75Min57.5066.5047.7567.50Max73.7587.0081.7582.25Range16.252
22、0.5034.0014.75Std.4.205.119.714.10Kurtosis-0.81-0.26-0.61-0.82Skewness-0.38-0.74-0.63-0.61表 2 国家风险相关的影响因素清单序号指标序号指标序号指标1官僚主义15政府凝聚力29预算平衡风险2内乱16政府稳定性30经常账户/国内生产总值3内战17内部冲突31经常账户/货物与服务出口总额4战争18投资概况32偿债风险5消费者信心19失业33汇率稳定风险6合同可行性20法律与秩序34外债风险7腐败21立法力量35国内生产总值增长风险8跨境冲突22军方参与政治36通货膨胀风险9民主问责制23付款延迟37国际流动性
23、风险10经济风险评级24政治风险评级38人均国内生产总值风险11种族关系紧张25民众支持39社会经济状况12外部冲突26贫困40恐怖主义13金融风险评级27宗教紧张局势14外部压力28遣返401中国石油大学学报(社会科学版)2023 年 10 月图 3 国家风险评分序列 根据 ICRG 的均值与中位数可知,科威特的国家风险评分最高,然后依次是沙特阿拉伯、利比亚和伊朗。根据标准差和极差结果,利比亚国家风险评分的波动性显著高于其他三国。此外,根据偏度测算结果可知,各国国家风险评分均呈现左偏分布,表明序列中可能存在极小值;峰度测算结果则表明各国国家风险评分数据分布有“宽平台短尾巴”的特征。(二)参数
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 联合 国家 风险 集成 预测 方法 研究
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。