文摘

解决效率低的问题,现有的预测模型对市场风险警告,市场风险预警模型基于改进LSTM建议利用鲸鱼优化算法(WOA)优化隐层神经元的数量和时间步长参数的短期记忆。拟议中的市场风险预警模型验证通过使用40房地产公司作为研究对象和20个相关变量如总营业收入、净利润资产增长率和总资产增长率指标。结果表明,该模型对市场风险的预测精度大于96%,相比标准CNN和LSTM模型,提出模型的预测精度对于企业融资从2012年到2019年增加了14%和12%,分别在2020年为公司财务预测精度是提高了22%和7%,分别具有一定的实际应用价值和优势。

1。介绍

最近几年,受到中国和美国之间的贸易战争和全球冠状病毒大流行,全国房地产行业已经严重冲击,造成不同程度的泡沫和其他问题,把房地产市场和整个国民经济处于危险之中。为了确保一个健康、稳定发展,宏观调控房地产市场提供的基于预警信息是至关重要的。为此,基于互联网大数据,江泽民等人提出了一个基于支持向量机(SVM)房地产市场风险预警模型1]。2019年中国a股上市房地产公司作为研究对象。使用随机森林算法选择五个重要特征维度,流动比率、股权融资比率,营运收入,流动负债比率、应收账款的,房地产公司的融资风险预测是通过收集有关公司的财务信息补充风险示例数据从2010年到2019年,从2005年到2010年。使用费城作为研究对象,峻驰等人提出一种改进的回归树(BRT)合并的城市数据,包括元数据和图像数据,与家庭功能评估的市场价值费城住房预计水平(2]。阿尔瓦雷斯等人提出了预测房价,使用公开可用信息地理、城市特征、交通、和房地产销售的基于树的增量学习模型和允许房地产风险的早期预警。使用大量的数据集进行训练和增量学习每天提供准确价格预测,模型的预测精度是增强3]。Garcia-Magarino Lacuesta分析和预测可能的买卖行为在房地产市场基于代理的仿真工具,通过西班牙房地产作为研究对象,模拟房地产交易,可有效警告房地产行业的市场风险(4]。周等人评估房地产市场的内部和外部环境和PSO-SVM基于模型和房地产风险预警模型,提出了在北京和准确地预测周期性房地产风险预警性能好(5]。基于DEA-Malmquist方法,陈等人通过分析预测企业资产的库存表现中国房地产行业从2005年至2015年,认为可能有僵尸企业,未来失业的风险6]。卡马拉等人提出了一种新的混合神经网络模型与CNN的关注(CNNA)和双向LSTM (BLSTM)的模块提取特征解决Day-of-Market (DOM)预测问题7]。根据估计的分布特征、置信区间的四个属性数据集来自百分位引导置信区间(CI)或百分比bias-corrected加速度”(BCA)引导词。最后,提出方法的优越性DOM预测问题是证明和预测精度达到87%的数据集进行实验在上海著名的房地产公司。通过调查之间的关系在中国金融稳定和房地产价格波动,利用去趋势互相关分析,刘等人证明了金融稳定之间的相互关系和房地产市场8]。我们使用多重分形去趋势不对称互相关分析(MF-ADCCA)金融稳定评估的标量特征相关性和房地产价格波动来实现监控和预警。根据上面的相关研究结果,很明显观察到深上优于预警模型有优势在房地产市场风险预警,可以更准确地预测房地产市场风险,总体预测精度约为80%,但其预测精度仍然需要改进。因此,这项研究提供了一个增强LSTM房地产市场风险预警模型基于LSTM模型,利用WOA算法最大化隐藏神经元的数量和时间步长增加预测的准确性。

2。基本方法

2.1。介绍LSTM网络

LSTM时间递归神经网络,使用一个“门”结构来克服困难梯度消失和长期依赖的递归神经网络(RNN) [9]。其基本结构如图1,包括输入,输出,和忘记。


图1
LSTM网络结构。

在图1,xt表示网络输入的时刻t, 和 表示网络输出和细胞状态输出t1,δ表示乙状结肠功能,数学表达式显示为(1)、双曲正切表示激活函数和数学表达式显示为(2),和⊙ 分别表示阿达玛产品和总结:

网络输出的时刻t如下(10,11]。

输入门:

忘记门:

细胞状态:

输出门:

网络的输出:

在这,W和b是相对权重系数矩阵和偏差向量。

LSTM模型是高效的,但是很难找到最佳的参数组合,由于大量的模型参数和所需的大量计算资源结合的相关参数,进而导致模型预测性能差(12]。因此,本研究采用鲸鱼优化方法提高模型预测性能通过优化LSTM模型参数。

2.2。LSTM网络改进
2.2.1。介绍WOA算法

WOA算法是一种优化算法提出的Seyedali Mirjalili等人座头鲸狩猎行为模型(13]。算法使用一个假设的方法来表示的最优解决方案,数学表示如下(14]: 在哪里t当前迭代, 表示的系数向量, 和 表示当前的位置向量解决方案和最优解决方案,分别 表示取绝对值, 表示元素的产品。当迭代产生一个优化的解决方案, 将会更新, 可以计算(8)和(9): 的线性下降期间从2 - 0 操作,这表示,随机向量中的值区间[0,1]。

如图2,WOA算法的搜索机制包含环绕萎缩机制和螺旋更新的位置。螺旋的具体计算方法更新位置优先鲸鱼的位置之间的距离(X, Y)和猎物(X+Y+)来模拟鲸鱼的螺旋运动通过建立螺旋方程(15]: 在哪里 表示对数螺旋,b表示常量,l表示随机数在范围值(−1,1)。


图2
WOA算法搜索机制。

假设选择的搜索机制之一的概率是0.5,那16]

此外,WOA算法可以基于随机搜索目标形状,变量和向量。这个搜索机制是一致的 ,强调探索,并允许执行全球搜索,如下建模(17]: 在哪里 人口是位置向量的鲸鱼。

WOA算法收敛速度快,搜索能力强(18),所以本文中用于优化LSTM参数。

2.2.2。WOA-Based LSTM参数优化

LSTM网络的预测精度主要受隐层神经元的数目米和时间步c(19),因此由WOA LSTM参数的优化主要是米和c。目前,的数量米通常是决定作为一个近似范围根据经验(13),的价值c通常是设置经验(20.]: 在哪里 表示输出和输入层节点的数目问是一个常量值(0,10)之间。

LSTM网络参数的优化过程米和c通过使用WOA如图3。


图3
WOA LSTM参数优化流程。

3所示。基于改进LSTM市场风险预警模型

基于上述改进LSTM模型,市场风险预警模型及其预测过程设计在这项研究中,如图4。具体操作如下。步骤1:(数据收集):收集相关因素变量影响企业市场风险的早期预警,由一个炎热的编码预处理和标准化步骤2:将数据分为训练集和测试集根据一定的比例步骤3:创建和火车LSTM模型;然后,商店LSTM模型最好的预测精度步骤4:使用WOA算法来优化隐层神经元的数目米和时间步c步骤5:构建WOA-LSTM预测模型和输出结果


图4
基于改进LSTM市场风险预警过程。

4所示。仿真实验

4.1。实验环境建设

拟议的模型和比较模型在MATLAB中被构造为2019这个实验中,运行在64位Windows 7专业系统与英特尔(R)至强(R) e5 - 2620 v3 2.40 GHz杯,特斯拉K80 GPU, 8 g的内存,使用SPSS软件的数据预处理。

4.2。数据源和预处理
4.2.1。准备数据源

在这个实验中,40个房地产公司从2012年到2020年在上海证券交易所上市作为研究对象,其中5公司在金融危机和剩下的35公司财务健康。危机的样品,如果样品危机时期T研究期限,这个实验是t - 1年(21]。上市公司选择这个实验包括松江集团等五家房地产公司和阴易集团。对于正常的示例,35房地产公司,如中国财富土地开发和NACITY地产服务集团,选择同时确保相同的研究期间。结合我国房地产企业的现状和相关文献22,23),这个实验的相关变量选择是显示在表1。

表1
指标的选择。
4.2.2。数据预处理

在上述变量,不同的变量有不同程度的影响对公司金融市场风险的预测,而变量对预测结果影响少添加数据维度,减少模型的运行速度(24,25]。因此,为了解决这个问题,这个实验使用因子分析来分析变量,实现降低数据维度,增加模型的运行速度通过删除较低的共性因素。因子分析的结果在以下23日报道在表的变量2。感兴趣的共性因素覆盖多个营业收入增长率和净利润增长率小于0.5,表明企业的信息影响金融市场风险基本上无法从这些变量中提取。因此,三个变量都从这个实验,终于获得和20个变量。

表2
变量因子分析的结果。

为了扩大功能,这些变量被一个炎热编码。在这个实验中首先,扩大欧几里得空间数据离散特性,然后,编码使用一个炎热获得连续的特性。考虑到不同的变量有不同大小的数据,所有数据大小归一化在这项研究中,以便分析。最后,从2012年到2019年的数据被分成训练集和测试集的比率4:1,2020年四季度值预测。

4.3。评价指标

这个实验的评价指标是平均绝对误差(MAE)、均方误差(MSE),均方根误差(RMSE),和确定系数(R2),计算如下:

在(19),R2需要一系列的(0,1),和值越大,模型的性能就越好。

4.4。实验结果
4.1.1。模型验证

(1)营业利润率预期结果。的营运利润率Centralcon控股为例,使用训练集训练改善LSTM模型,和培训结果相比,测试集,如图5。预期值与实际值的变化趋势一致,和整体拟合效果好,表明该算法具有良好的预测效果。


图5
多变量输入预测趋势,营业利润率的提高LSTM模型。

经验进入除了营业利润率指标预测模型,构建预测模型的营业利润率作为输出定量分析该模型的预测性能。模型的预测性能如表所示3。从表中,提出模型的预测精度为98%,表明它具有很高的预测精度,可以更好地预测每个索引的营业利润率的影响。

表3
营业利润率的提高预测性能LSTM模型。

(2)为每个变量预测结果。用从2012年到2019年的季度数据作为模型输入和各种指标(营业利润率为例)为模型输出,表4代表模型的预测性能,适合和迭代块如图6。修订LSTM模型具有良好的预测效果,达到预测精度为96%,和整体拟合效果和预测之间的观测值很好,预测结果如图所示。

表4
营业利润率的提高预测性能LSTM模型。

图6
单变量拟合图的营业利润率改善LSTM模型。
10/24/11。模型的比较

研究评估该模型的预测效果与CNN和LSTM模型为每个每个季度指数从2012年到2019年,以确保该模型是有效的,这个发现显示在图7。从图7,建议在所有索引算法优于对比算法,预测精度是同样大,这是改善与CNN模型和LSTM模型相比,分别。这表明该模型可以提高其预测精度提高LSTM算法,从而在一定程度上提高预测性能。


图7
不同模型的性能比较。

为进一步验证该模型的有效性,实验比较其预测效果与CNN模型和2020年四个季度的LSTM模型,结果如图所示8。如表所示,该模型优于各性能指标,比较模型,该模型提高了预测精度22%相比,CNN模型LSTM模型相比,增长了7%。原因是升级LSTM模型优化使用WOA LSTM网络参数算法,提高了模型的全局优化能力和预测性能。这表明本研究中描述的模型具有一定的有效性和优越性提前识别并警告市场风险根据风险并采取相应的措施,以确保企业的健康运营。


图8
不同模型的性能比较。

5。结论

总之,改善LSTM-based市场风险预警模型的预测精度可以提高通过优化隐层神经元的数量和时间步的LSTM使用WOA算法,预测精度可以达到96%以上,导致高精度市场风险的早期预警。该模型提高了预测的准确性从2012年到2019年公司财务不同程度,分别为14%和12%。此外,它提高了企业财务的预测精度在2020年由22%和7%,分别。并与传统的CNN和LSTM模型相比,它具有一定的优越性。本研究的创新是使用WOA算法改善LSTM和改变先前LSTM参数优化方法,以更好的提高算法的预测精度,这也是本研究的创新(26]。

数据可用性

使用的实验数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者声明,关于这项工作他们没有利益冲突。