粒子群算法在金融风险模型中的研究与改进

吉林大学学报(信息科学版) ›› 2020, Vol. 38 ›› Issue (2): 192-198.

粒子群算法在金融风险模型中的研究与改进

孙艺¹ ，宋振铭 ¹ ，赵佳琪 ²

1．北京邮电大学软件学院，北京 100876; 2．中国标准化研究院标准评估部，北京 100191

收稿日期:2019-09-11 出版日期:2020-03-24 发布日期:2020-05-20
作者简介:孙艺(1979— )，男，山东菏泽人，北京邮电大学高级工程师，主要从事人工智能及数据挖掘研究，(Tel)86-13910988583(E-mail)suny@163． com; 通讯作者: 赵佳琪(1991— )，女，成都人，中国标准化研究院初级助理工程师，主要从事国际商务研究，(Tel)86-18500566887(E-mail)ytfssse@163． com。
基金资助:
中央高校基本科研业务费专项基金资助项目(2019ＲC52)

Ｒesearch and Improvement of Particle Swarm Optimization in Financial Ｒisk Model

SUN Yi ¹ ，SONG Zhenming ¹，ZHAO Jiaqi ²

1． Software College，Beijing University of Posts and Telecommunications，Beijing 100876，China;
2． Standard Evaluation Department，China National Institute of Standardization，Beijing 100191，China

Received:2019-09-11 Online:2020-03-24 Published:2020-05-20

摘要/Abstract

摘要： 在一种非线性金融风险模型中引入粒子群算法，针对粒子群算法在迭代后期搜索能力不高、粒子容易陷
入局部最优的问题，基于对惯性权重的优化以及对每个粒子个体位置变异，提出一种改进后的粒子群算法。
利用粒子群算法选择最优控制参数，以最大程度降低金融系统的总风险值。仿真结果表明，改进后的粒子群算
法在全局最优以及搜索速度方面优于传统的粒子群算法。

关键词: , 非线性, 粒子群, 风险控制, 全局最优

Abstract: Particle swarm optimization algorithm is introduced into a nonlinear financial risk model to solve the
problem that particle swarm optimization algorithm has low search ability and particle is easy to fall into local
optimization at the later stage of iteration． based on the optimization of inertia weight and the variation of
individual position of each particle，an improved particle swarm optimization algorithm is proposed． PSO
(Particle Swarm Optimization) is used to select the optimal control parameters to reduce the total risk value of
the financial system to the greatest extent． The simulation results show that the improved particle swarm
optimization algorithm is superior to the traditional particle swarm optimization algorithm in terms of global
optimization and search speed．

Key words: , nonlinear, particle swarm, risk control, global optimum

中图分类号:

TP18

孙艺 , 宋振铭 , 赵佳琪 . 粒子群算法在金融风险模型中的研究与改进[J]. 吉林大学学报(信息科学版), 2020, 38(2): 192-198.

SUN Yi , SONG Zhenming , ZHAO Jiaqi . Ｒesearch and Improvement of Particle Swarm Optimization in Financial Ｒisk Model[J]. Journal of Jilin University (Information Science Edition), 2020, 38(2): 192-198.

[1]	赵明 , 刘志鹏 , 赵岭 . 基于偏移量周期填充的 QC-LDPC 码构造方法[J]. 吉林大学学报(信息科学版), 2020, 38(2): 126-134.
[2]	赵航, 岳晓峰, 方博, 袁晓磊, 马国元, 郭宋吾铭. 基于PSO-GA-BP神经网络的视觉伺服控制系统[J]. 吉林大学学报(信息科学版), 2020, 38(2): 172-178.
[3]	周平, 韩宇泽, 储强. 综合管廊电力仓动态运维的解空间分割算法#br#[J]. 吉林大学学报(信息科学版), 2020, 38(2): 179-184.
[4]	姜琦刚 , 杨秀艳 , 杨长保 , 赵振贺 . 基于 CatBoost 算法的面向对象土地利用分类[J]. 吉林大学学报(信息科学版), 2020, 38(2): 185-191.
[5]	王连冰 , 薛静远 , 韩丽曼 , 李寿涛 . 无线三轴振动测试系统的设计[J]. 吉林大学学报(信息科学版), 2020, 38(2): 206-212.
[6]	林红波, 邢诣婧, 马骏驰. 基于空间分数阶复扩散的地震勘探噪声压制[J]. 吉林大学学报(信息科学版), 2019, 37(6): 589-595.
[7]	林红波, 张丹丹. 自适应结构方向复扩散压制沙漠地震随机噪声[J]. 吉林大学学报(信息科学版), 2019, 37(5): 463-469.
[8]	康朝海, 王思琪, 任伟建, 王博宇. 基于高斯学习多峰延迟粒子群优化算法[J]. 吉林大学学报(信息科学版), 2019, 37(4): 399-407.
[9]	任伟建, 高梦宇, 高铭泽, 张鹏, 刘丹. 基于混合算法的点云配准方法研究[J]. 吉林大学学报(信息科学版), 2019, 37(4): 408-416.
[10]	刘玉敏, 高松岩. 混合粒子群算法在地震波阻抗反演中的应用[J]. 吉林大学学报(信息科学版), 2018, 36(5): 531-538.
[11]	崔荣一, 赵亚慧, 崔旭, 尹哲峰, 张振国. 基于ANN 和Boosting 的教学质量评价方法[J]. 吉林大学学报(信息科学版), 2018, 36(5): 545-552.
[12]	孟钏楠，隋阳，张杰，王悦，董玮，张歆东，阮圣平. 基于YSPSO-ＲBFN 的布里渊散射谱特征提取[J]. 吉林大学学报(信息科学版), 2018, 36(4): 372-380.
[13]	康朝海, 王博宇, 杨永英. 基于精英高斯学习的改进鱼群粒子群混合算法[J]. 吉林大学学报(信息科学版), 2018, 36(4): 430-438.
[14]	朱艳茹，范亚芹，赵洋. 基于知识图谱的自适应学习系统知识模型构建[J]. 吉林大学学报(信息科学版), 2018, 36(3): 345-350.
[15]	贺金鑫, 孙焕朝, 李文庆, 郑博夫, 姜天. 基于热红外遥感数据辽东地热区地表温度反演[J]. 吉林大学学报(信息科学版), 2018, 36(1): 62-68.