機器學習方法在銀行現(xiàn)金預測系統(tǒng)中的應(yīng)用.pdf

1、隨著金融電子化的迅猛發(fā)展,銀行業(yè)發(fā)生了革命性的變革.銀行擁有龐大的業(yè)務(wù)系統(tǒng)以及龐大的業(yè)務(wù)數(shù)據(jù),迫切需要充分運用數(shù)據(jù)挖掘的技術(shù),從龐大的業(yè)務(wù)系統(tǒng)數(shù)據(jù)中根據(jù)各種需要"挖掘"出有用的信息,從而作出正確的決策,使銀行在競爭中立于不敗之地.該文闡述了數(shù)據(jù)挖掘的方法、步驟、功能以及應(yīng)用,結(jié)合在機器學習領(lǐng)域中較新較前沿的一些思想和方法,綜合了多種機器學習方法,重點從統(tǒng)計學習理論的角度分析了機器學習中的人工神經(jīng)網(wǎng)絡(luò)算法、基于結(jié)構(gòu)風險最小化(SRM)歸納

2、原則的支持向量機學習算法以及原理,并將理論運用到實踐之中.該文從銀行實際業(yè)務(wù)需要出發(fā),運用數(shù)學挖掘方法建立了系統(tǒng)模型,試圖解決銀行業(yè)務(wù)中的一個實際問題——網(wǎng)點現(xiàn)金發(fā)生量的預測.同時,該文對該套系統(tǒng)模型進行了系統(tǒng)實現(xiàn),以銀行的現(xiàn)金數(shù)據(jù)作為數(shù)據(jù)來源,分別用1NN、神經(jīng)網(wǎng)絡(luò)、支持向量機等多種機器學習方法進行測試、比較,并給出了實際的結(jié)果以及分析.通過實驗表明,應(yīng)月于銀行現(xiàn)金業(yè)務(wù)預測,基于結(jié)構(gòu)風險最小化(SRM)歸納原則的支持向量機學習算法優(yōu)于