李琴

(重慶理工大學(xué)MBA教育中心，重慶 400050)

基于支持向量機(jī)回歸模型的重慶市房地產(chǎn)金融風(fēng)險(xiǎn)預(yù)警研究

李琴

(重慶理工大學(xué)MBA教育中心，重慶 400050)

以房地產(chǎn)金融風(fēng)險(xiǎn)單項(xiàng)指標(biāo)的評(píng)價(jià)標(biāo)準(zhǔn)為依據(jù)，利用基于支持向量機(jī)(SVM)的回歸分析模型對(duì)重慶市房地產(chǎn)的金融風(fēng)險(xiǎn)狀況進(jìn)行預(yù)警分析研究。通過研究評(píng)價(jià)指標(biāo)變量與模型輸出數(shù)值之間的關(guān)系，分析房地產(chǎn)金融風(fēng)險(xiǎn)狀況與各評(píng)價(jià)指標(biāo)變量的非線性關(guān)系，預(yù)測(cè)出各年度的金融風(fēng)險(xiǎn)狀況及金融風(fēng)險(xiǎn)的走勢(shì)，從而為有針對(duì)性地降低金融風(fēng)險(xiǎn)水平制定相應(yīng)的宏觀調(diào)控政策提供理論參考。

房地產(chǎn);金融風(fēng)險(xiǎn);預(yù)警模型;支持向量機(jī);回歸分析

一、引言

房地產(chǎn)融資風(fēng)險(xiǎn)凸顯，有效地對(duì)房地產(chǎn)金融風(fēng)險(xiǎn)進(jìn)行分析并預(yù)警，無論對(duì)于公司的管理層、債權(quán)人抑或是擔(dān)保人都具有重要的作用。鑒于此，國內(nèi)外學(xué)者紛紛投入到此項(xiàng)研究工作之中，并在選擇金融風(fēng)險(xiǎn)預(yù)警指標(biāo)、建立金融風(fēng)險(xiǎn)預(yù)警模型等方面取得了許多理論進(jìn)展［1］。

Andrew Berg和Pattillo于1999年利用 FR回歸預(yù)警模型與KLR信號(hào)預(yù)警模型，對(duì)發(fā)展中國家研究機(jī)構(gòu)的金融風(fēng)險(xiǎn)情況進(jìn)行預(yù)測(cè)［2］。Pan和Lin利用主成分分析和概率神經(jīng)網(wǎng)絡(luò)的方法，對(duì)臺(tái)灣金融企業(yè)進(jìn)行分析，從而構(gòu)建了基于概率神經(jīng)網(wǎng)絡(luò)的金融危機(jī)的預(yù)警模型［3］。Dieter等通過研究美國次貸危機(jī)及其引發(fā)的全球金融危機(jī)，指出金融體系結(jié)構(gòu)的脆弱性是導(dǎo)致危機(jī)頻發(fā)的重要原因，并在此基礎(chǔ)上構(gòu)建了金融風(fēng)險(xiǎn)動(dòng)態(tài)預(yù)警模型［4］。在國內(nèi)，許多研究者也著手利用智能學(xué)習(xí)算法來構(gòu)建金融風(fēng)險(xiǎn)預(yù)警模型。常麗娟等利用BP神經(jīng)網(wǎng)絡(luò)對(duì)養(yǎng)老保險(xiǎn)基金支付風(fēng)險(xiǎn)進(jìn)行預(yù)警研究，建立了一套基本養(yǎng)老保險(xiǎn)基金風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，并驗(yàn)證了模型具有很好的擬合度［5］。甘敬義等利用BP人工神經(jīng)網(wǎng)絡(luò)構(gòu)建非線性系統(tǒng)模型，通過對(duì)金融風(fēng)險(xiǎn)預(yù)警模型的訓(xùn)練和檢驗(yàn)得出我國金融運(yùn)行處于風(fēng)險(xiǎn)狀態(tài)，并對(duì)此提出了相關(guān)政策建議［6］。陳立新采用BP神經(jīng)網(wǎng)絡(luò)方法來構(gòu)建地方財(cái)政風(fēng)險(xiǎn)預(yù)警模型，對(duì)現(xiàn)階段地方財(cái)政風(fēng)險(xiǎn)狀況做出評(píng)價(jià)與分析，并對(duì)未來財(cái)政風(fēng)險(xiǎn)狀態(tài)進(jìn)行預(yù)測(cè)［7］。楊虎等構(gòu)建基于大數(shù)據(jù)分析的互聯(lián)網(wǎng)金融風(fēng)險(xiǎn)預(yù)警系統(tǒng)，并運(yùn)用大數(shù)據(jù)管理工具和分析方法來預(yù)測(cè)互聯(lián)網(wǎng)金融中潛在的金融風(fēng)險(xiǎn)［8］。楊志安應(yīng)用AHP評(píng)價(jià)法對(duì)我國面臨的財(cái)政風(fēng)險(xiǎn)進(jìn)行風(fēng)險(xiǎn)區(qū)間劃分，通過選取宏觀經(jīng)濟(jì)運(yùn)行風(fēng)險(xiǎn)、財(cái)政體制風(fēng)險(xiǎn)、財(cái)政債務(wù)風(fēng)險(xiǎn)、財(cái)政收支風(fēng)險(xiǎn)4類風(fēng)險(xiǎn)因子及不同的風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)，建立財(cái)政風(fēng)險(xiǎn)綜合評(píng)價(jià)函數(shù)［9］。秦建成等利用綜合模擬法對(duì)重慶市房地產(chǎn)市場(chǎng)風(fēng)險(xiǎn)進(jìn)行評(píng)估，認(rèn)為2002—2011年房地產(chǎn)市場(chǎng)總體呈現(xiàn)平穩(wěn)態(tài)勢(shì)，局部出現(xiàn)較小幅度的波動(dòng)［10］。

二、數(shù)據(jù)處理與評(píng)價(jià)指標(biāo)構(gòu)建

(一)預(yù)警模型的數(shù)據(jù)準(zhǔn)備

為了防止模型的過擬合，從訓(xùn)練數(shù)據(jù)方面提高模型的泛化能力，本文從公司融資風(fēng)險(xiǎn)、賬務(wù)結(jié)構(gòu)等多方面考量，選取了重慶市幾個(gè)大型房地產(chǎn)公司和重慶房產(chǎn)信息網(wǎng)上獲取的2006—2014年間的數(shù)據(jù)，從中隨機(jī)選取了20余家房產(chǎn)公司不同監(jiān)測(cè)時(shí)間段的6 000條數(shù)據(jù)樣本作為建模數(shù)據(jù)，根據(jù)影響房地產(chǎn)上市公司的內(nèi)部因素選取若干指標(biāo)，構(gòu)建融資風(fēng)險(xiǎn)預(yù)警模型。

(二)模型評(píng)價(jià)指標(biāo)的構(gòu)建

關(guān)于上市公司的金融風(fēng)險(xiǎn)評(píng)估體系的研究，以往的研究大都建立在公司傳統(tǒng)財(cái)務(wù)指標(biāo)比率的基礎(chǔ)上［10］;然而，由于會(huì)計(jì)造假及財(cái)務(wù)數(shù)據(jù)的時(shí)滯效應(yīng)，使得傳統(tǒng)的財(cái)務(wù)風(fēng)險(xiǎn)度量模型很難有效地規(guī)避金融市場(chǎng)風(fēng)險(xiǎn)，這給財(cái)務(wù)風(fēng)險(xiǎn)的評(píng)估、識(shí)別和預(yù)測(cè)帶來了很大的障礙［11］。另外，公司的財(cái)務(wù)狀況及盈利水平與公司所處的宏觀環(huán)境密切相關(guān)，國家政策的變化及管理者的決策水平對(duì)公司的生存和發(fā)展有著不可估量的作用，特別是在房地產(chǎn)市場(chǎng)表現(xiàn)得更加明顯，公司的償債能力、公司盈利能力、資產(chǎn)運(yùn)營能力、公司財(cái)務(wù)結(jié)構(gòu)等更是大環(huán)境經(jīng)濟(jì)形式下，公司是否陷入危機(jī)的最重要體現(xiàn)［12］。因此，本文的模型評(píng)價(jià)指標(biāo)的構(gòu)建主要依據(jù)文獻(xiàn)［13］中對(duì)財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)的評(píng)價(jià)方法，同時(shí)考慮了重慶市房地產(chǎn)公司的實(shí)際情況及融資風(fēng)險(xiǎn)的特點(diǎn)，最終選取了公司償債能力、公司盈利能力、資產(chǎn)運(yùn)營能力、公司成長能力、公司財(cái)務(wù)結(jié)構(gòu)等5個(gè)方面的15個(gè)財(cái)務(wù)指標(biāo)，如表1所示。

表1 模型評(píng)價(jià)指標(biāo)變量

(三)預(yù)警等級(jí)劃分

本文認(rèn)為過細(xì)劃分預(yù)警等級(jí)會(huì)對(duì)不同算法合成的風(fēng)險(xiǎn)指標(biāo)有影響，不利于決策系統(tǒng)進(jìn)行預(yù)測(cè)，因此在借鑒文獻(xiàn)［14］對(duì)區(qū)域性金融風(fēng)險(xiǎn)預(yù)警系統(tǒng)閾值的劃分標(biāo)準(zhǔn)(以4、6標(biāo)準(zhǔn)將區(qū)域金融風(fēng)險(xiǎn)化分為安全、基本安全、風(fēng)險(xiǎn)、高風(fēng)險(xiǎn)4個(gè)等級(jí))基礎(chǔ)上，本文考慮房地產(chǎn)經(jīng)濟(jì)的實(shí)際情況，根據(jù)風(fēng)險(xiǎn)的大小，按照“3、7”標(biāo)準(zhǔn)將預(yù)警的等級(jí)情況劃分為4種狀態(tài)，即重度預(yù)警狀態(tài)、輕度預(yù)警態(tài)度、低風(fēng)險(xiǎn)狀態(tài)、安全狀態(tài)，如表2所示。

表2 公司預(yù)警等級(jí)劃分

三、風(fēng)險(xiǎn)預(yù)警的回歸模型

(一)多元線性回歸分析

對(duì)于風(fēng)險(xiǎn)預(yù)警模型，前期的研究者運(yùn)用了多種方法對(duì)其建模研究［2-9］。綜合風(fēng)險(xiǎn)預(yù)警分析的現(xiàn)狀，一種較為常用的方法就是采用回歸分析對(duì)融資風(fēng)險(xiǎn)預(yù)警指標(biāo)及其權(quán)重進(jìn)行計(jì)算，從而實(shí)現(xiàn)對(duì)風(fēng)險(xiǎn)的回歸預(yù)測(cè)。多元回歸分析模型中，如對(duì)于n個(gè)獨(dú)立觀測(cè)數(shù)據(jù)(xi1，xi2，xim，yi)，i=1，2，…，nn＞m可得:

其中，β0，β1，…，βm是回歸系數(shù)，σ2是與數(shù)據(jù)無關(guān)的未知數(shù)。回歸模型的求解過程就是利用假設(shè)檢驗(yàn)觀測(cè)數(shù)據(jù)(x1，x2，…，xm)和y之間是否存在模型所示的線性關(guān)系，當(dāng)回歸模型和系數(shù)通過檢驗(yàn)后，可由給定的數(shù)據(jù)(x1，x2，…，xm)預(yù)測(cè)y。

前期研究表明:由于融資風(fēng)險(xiǎn)指標(biāo)的復(fù)雜性，利用多元線性回歸分析很難得到較滿意的結(jié)果，為此引入了具有強(qiáng)大的非線性擬合功能的BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)回歸分析模型。

本文所收集的重慶市房地產(chǎn)公司融資風(fēng)險(xiǎn)數(shù)據(jù)有限，且這些數(shù)據(jù)中要考慮的指標(biāo)眾多。鑒于支持向量機(jī)算法可以很好地解決小樣本學(xué)習(xí)，且非線性回歸可以很好地克服“維度災(zāi)難”的問題，因此本文選擇利用支持向量機(jī)的回歸分析模型實(shí)現(xiàn)對(duì)融資風(fēng)險(xiǎn)模型的構(gòu)建。

(二)支持向量機(jī)的回歸分析模型

在支持向量機(jī)(SVM)的回歸分析模型中，對(duì)于訓(xùn)練樣本集{(x1，y1)，…，(xl，yl)}∈Rn×R為輸入變量的值，yi∈R為相應(yīng)的輸出值，l為訓(xùn)練樣本個(gè)數(shù)，回歸問題就是尋找一個(gè)從輸入空間到輸出空間的映射:f:Rn→R，使得f(x)=y。

SVM的目標(biāo)是尋求回歸函數(shù):其中，ω為權(quán)向量，x為樣本輸入值，b為閾值。對(duì)于線性問題，根據(jù)統(tǒng)計(jì)學(xué)理論，SVM通過極小化目標(biāo)函數(shù)來確定回歸函數(shù)，即:

對(duì)于非線性回歸問題，理論上可以通過非線性變換將其轉(zhuǎn)化為某個(gè)高維空間的線性問題，并在該變換空間中求最優(yōu)值，但是通常情況下變換都很復(fù)雜，而支持向量機(jī)通過核函數(shù)變換可以巧妙地解決這個(gè)問題。

假設(shè)存在這樣一個(gè)變換φ:Rn→Η，xφ(x)，使得K(x，x')=φ(x)·φ(x')，其中(·)表示內(nèi)積運(yùn)算，則在高維空間中只需進(jìn)行內(nèi)積運(yùn)算，根據(jù)泛函的有關(guān)理論，只要一種核函數(shù)K(x，x')滿足Mercer條件，它就對(duì)應(yīng)某一變換空間中的內(nèi)積。因此，選擇適當(dāng)?shù)膬?nèi)積函數(shù)K(x，x')就可以實(shí)現(xiàn)某一非線性變換后的線性回歸，可以避免維數(shù)災(zāi)難，最終可以確定非線性回歸函數(shù)。

在基于支持向量機(jī)模型核函數(shù)的選擇上，通常采用的方法有兩種:一種是利用專家的先驗(yàn)知識(shí)預(yù)先選定核函數(shù);另一是采用Cross-Validation方法，即在進(jìn)行核函數(shù)選取時(shí)，分別試用不同的核函數(shù)，歸納誤差最小的核函數(shù)就是最好的核函數(shù)?？紤]到本實(shí)驗(yàn)的訓(xùn)練數(shù)據(jù)相對(duì)較少，而每條實(shí)驗(yàn)數(shù)據(jù)的維度也只有幾十個(gè)，且考慮到RBF核無論是小樣本還是大樣本、高維還是低維等情況，RBF核函數(shù)均適用，以及RBF需要確定的參數(shù)要少的特點(diǎn)，因此本文利用RBF核作為模型的核函數(shù)。

(三)建立金融風(fēng)險(xiǎn)預(yù)警模型

1．訓(xùn)練和建立SVM回歸分析模型

把實(shí)驗(yàn)準(zhǔn)備數(shù)據(jù)中的6 000條樣本隨機(jī)分成3 600(訓(xùn)練樣本占 60%)、1 200(檢驗(yàn)樣本占20%)和1 200(測(cè)試樣本占20%)3組。把上述3組數(shù)據(jù)進(jìn)行歸一化處理，采用SVM算法建立回歸分析模型。

2．模型的泛化能力

本文采用SVM回歸算法構(gòu)建預(yù)警模型，該模型利用訓(xùn)練樣本、檢驗(yàn)樣本和測(cè)試樣本的均方根誤差、絕對(duì)誤差均值和相關(guān)系數(shù)等表示模型性能的指標(biāo)值。表3是模型在3類數(shù)據(jù)中得到的實(shí)驗(yàn)數(shù)據(jù)，從數(shù)據(jù)分析可知構(gòu)建的預(yù)警模型對(duì)3類樣本的表征能力非常接近。從表3中的各項(xiàng)性能指標(biāo)來看，模型具有較好的泛化能力，其有效性和可靠性較好。

表3 模型的泛化能力指標(biāo)

(四)模型的參數(shù)優(yōu)化

在支持向量機(jī)回歸分析模型中，選擇一個(gè)比較好的模型參數(shù)對(duì)模型回歸分析結(jié)果的準(zhǔn)確率有著重要的影響。在對(duì)參數(shù)的尋找上，本文利用了了Libsvm，Python，Gnuplot 3個(gè)開源的工具，實(shí)現(xiàn)對(duì)模型參數(shù)的尋找。圖1是利用Python對(duì)房地產(chǎn)金融風(fēng)險(xiǎn)訓(xùn)練數(shù)據(jù)尋找優(yōu)化參數(shù)的過程。

圖1 利用python搜尋參數(shù)的過程

(五)實(shí)驗(yàn)與模型分析

考慮到房地產(chǎn)金融風(fēng)險(xiǎn)有一定的潛伏期，本文利用2006—2013年的房地產(chǎn)數(shù)據(jù)預(yù)測(cè)2007—2014年的房地產(chǎn)金融風(fēng)險(xiǎn)水平。利用 2006—2013年的房地產(chǎn)數(shù)據(jù)構(gòu)建回歸分析模型，得到的模型輸出值如表4所示，數(shù)據(jù)越小說明金融風(fēng)險(xiǎn)越大。

從表4可以看出，2010年、2012年、2013年、2014年這4年的模型回歸數(shù)值都在［0．3，0．7］，說明其金融風(fēng)險(xiǎn)較高，處于“輕度預(yù)警”狀態(tài)。從這4年的模型回歸數(shù)值成遞減趨勢(shì)來年，說明近年來房地產(chǎn)金融風(fēng)險(xiǎn)在不斷加劇，有關(guān)部門應(yīng)當(dāng)采取一些宏觀調(diào)控政策，加強(qiáng)對(duì)房地產(chǎn)金融風(fēng)險(xiǎn)的管控，防止其向“重度預(yù)警”狀態(tài)轉(zhuǎn)化。通過比較模型預(yù)測(cè)的房地產(chǎn)風(fēng)險(xiǎn)狀況與重慶市房地產(chǎn)官方公布的數(shù)據(jù)，發(fā)現(xiàn)二者在風(fēng)險(xiǎn)預(yù)警狀態(tài)與風(fēng)險(xiǎn)走勢(shì)方面基本吻合，說明本文構(gòu)建的分析模型在預(yù)測(cè)房地產(chǎn)風(fēng)險(xiǎn)方面的有效性。

表4 模型回歸分析實(shí)驗(yàn)結(jié)果及風(fēng)險(xiǎn)等級(jí)

從表4中的數(shù)據(jù)也可看出，2007年、2008年、2009年、2011年這4年的金融風(fēng)險(xiǎn)模型回歸數(shù)值在［0．7，0．9］，說明處于“低風(fēng)險(xiǎn)狀態(tài)”狀態(tài)，進(jìn)一步分析這4年的風(fēng)險(xiǎn)數(shù)據(jù)，發(fā)現(xiàn)2011年時(shí)模型回歸數(shù)值為0．858，非常接近0．9，因此該年的房地產(chǎn)金融風(fēng)險(xiǎn)接近“安全狀態(tài)”。

四、結(jié)束語

本文根據(jù)房地產(chǎn)金融風(fēng)險(xiǎn)單項(xiàng)指標(biāo)的評(píng)價(jià)標(biāo)準(zhǔn)，利用基于SVM的回歸分析模型對(duì)重慶市房地產(chǎn)金融風(fēng)險(xiǎn)狀況進(jìn)行預(yù)警研究。研究房地產(chǎn)金融風(fēng)險(xiǎn)狀況與各評(píng)價(jià)指標(biāo)變量的非線性關(guān)系，各指標(biāo)對(duì)金融風(fēng)險(xiǎn)模型的重要程度，并預(yù)測(cè)出各年度的金融風(fēng)險(xiǎn)狀況及金融風(fēng)險(xiǎn)未來走勢(shì)，從而為有針對(duì)性地降低金融風(fēng)險(xiǎn)水平提供依據(jù)。2007—2011年重慶市房地產(chǎn)公司的運(yùn)營情況較好，公司風(fēng)險(xiǎn)水平低(2010年除外)，2012—2014年房產(chǎn)公司的風(fēng)險(xiǎn)水平雖然還在可控范圍之內(nèi)，但有不斷抬高的趨勢(shì)，應(yīng)引起房地產(chǎn)公司和政府管理部門的高度關(guān)注。

與現(xiàn)有的因子分析(FA)、基于神經(jīng)網(wǎng)絡(luò)(BPNN)的等金融風(fēng)險(xiǎn)分析模型相比，本文構(gòu)建的基于SVM回歸分析的預(yù)警模型，充分利用了支持向量機(jī)學(xué)習(xí)算法在解決小樣本學(xué)習(xí)及非線性回歸方面的優(yōu)勢(shì)，可以利用較少的訓(xùn)練數(shù)據(jù)得出可靠性較高的風(fēng)險(xiǎn)預(yù)警模型。從而能夠?qū)ξ磥淼姆康禺a(chǎn)金融風(fēng)險(xiǎn)起到很好的預(yù)警作用，并對(duì)政府相關(guān)部門掌控綜合金融風(fēng)險(xiǎn)指標(biāo)，制定宏觀調(diào)控政策，提供理論參考。

［1］李夢(mèng)雨．中國金融風(fēng)險(xiǎn)預(yù)警系統(tǒng)的構(gòu)建研究——基于K-均值聚類算法和BP神經(jīng)網(wǎng)絡(luò)［J］．中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2012(10):25-30．

［2］BERG A，PATTILLO C A．Are currency crises predictable?A test［J］．IMF Working Papers，1998:1-61．

［3］WEN-TSAO P，WEI-YUAN L．Use probabilistic neural network to construct early warning model for business financial distress［C］//In Proceedings of the 15th Annual Conference on Management Science and Engineering，2008:134-139．

［4］GRAMLICH D，OET M V．The structural fragility of financial systems:Analysis and modeling implications for early warning systems［J］．The Journal of Risk Finance，2011，12(4):270-290．

［5］常麗娟，陳玲英．BP神經(jīng)網(wǎng)絡(luò)在基本養(yǎng)老保險(xiǎn)基金支付風(fēng)險(xiǎn)預(yù)警中的應(yīng)用［J］．統(tǒng)計(jì)與信息論壇，2011，26 (11):80-84．

［6］甘敬義，黃明和，袁晶．基于BP人工神經(jīng)網(wǎng)絡(luò)的中國金融風(fēng)險(xiǎn)預(yù)警模型分析［J］．商業(yè)時(shí)代，2011(27):65 -66．

［7］孫立新．基于BP神經(jīng)網(wǎng)絡(luò)的地方財(cái)政風(fēng)險(xiǎn)預(yù)警模型研究［J］．管理學(xué)刊，2012，25(6):86-91．

［8］楊虎，易丹輝，肖宏偉．基于大數(shù)據(jù)分析的互聯(lián)網(wǎng)金融風(fēng)險(xiǎn)預(yù)警研究［J］．現(xiàn)代管理科學(xué)，2014，2(4):3-5．

［9］楊志安，寧宇之．中國財(cái)政風(fēng)險(xiǎn)預(yù)警系統(tǒng)的構(gòu)建——基于AHP評(píng)價(jià)法的實(shí)證研究［J］．中國經(jīng)濟(jì)問題，2014(4):30-37．

［10］秦建成，王景舒．基于綜合模擬法的重慶市房地產(chǎn)市場(chǎng)風(fēng)險(xiǎn)評(píng)估研究［J］．重慶理工大學(xué)學(xué)報(bào):社會(huì)科學(xué)，2014，28(5):52-56．

［11］孫帥，盧靜波．基于層次分析法的地方財(cái)政收入風(fēng)險(xiǎn)評(píng)估指標(biāo)體系優(yōu)化及實(shí)證分析——以江蘇省的數(shù)據(jù)為例［J］．江蘇商論，2013(7):64-69．

［12］徐玲玲，邱繼勤．重慶市房地產(chǎn)價(jià)格波動(dòng)對(duì)居民消費(fèi)影響的實(shí)證研究［J］．重慶理工大學(xué)學(xué)報(bào):社會(huì)科學(xué)，2014(4):62-67．

［13］梁琪，過新偉，石寧．基于隨機(jī)效應(yīng)logistic模型的中小企業(yè)財(cái)務(wù)失敗預(yù)警研究［J］．管理工程學(xué)報(bào)，2014，28 (3):126-134．

［14］張慧平．基于VaR的上市公司財(cái)務(wù)風(fēng)險(xiǎn)評(píng)估體系的構(gòu)建及實(shí)證研究［D］．長春:吉林大學(xué)，2010．

(責(zé)任編輯魏艷君)

Financial Risk Warning Model Research of Chongqing Real Estate Based on Support Vector Machine Regression Model

LI Qin
(MBA Education Center，Chongqing University of Technology，Chongqing 400050，China)

We used the evaluation criteria real estate financial risks of individual indicators as the basis，and used support vector machine(SVM)regression analysis model to have early warning analysis on the financial risk profile of Chongqing real estate．By studying the relationship between the indicator variables and evaluating model output value to analyze the non-linear relationship between real estate financial analysis and risk profile of each index variables，we predicted the financial risk profile of each year and the financial the trend of risk，so as to provide the basis in reducing the financial risk targeted level．

real estate;financial risk;warning model;support vector machine;regression analysis

F124

A

1674-8425(2015)11-0078-05

10．3969/j．issn．1674-8425(s)．2015．11．012

2015-08-24

李琴(1973—)，女，重慶人，會(huì)計(jì)師，研究方向:財(cái)務(wù)管理。

李琴．基于支持向量機(jī)回歸模型的重慶市房地產(chǎn)金融風(fēng)險(xiǎn)預(yù)警研究［J］．重慶理工大學(xué)學(xué)報(bào):社會(huì)科學(xué)，2015(11):78-82．

format:LI Qin．Financial Risk Warning Model Research of Chongqing Real Estate Based on Support Vector Machine Regression Model［J］．Journal of Chongqing University of Technology:Social Science，2015(11): 78-82．