关键词： 沪深300指数   涨跌滚动预测   AIS   机器学习  

摘要： 股票市场预测是金融界最热门、最有价值的研究领域之一,随着交易所电子交易系统的快速发展,股票交易中的订单处理时间急剧缩短,在几分钟或几秒钟内执行指令的高频交易激增。股票价格,尤其是高频的日内股价,其非线性和时变性使得预测具有很大难度,传统的预测方法通常会对数据施加一些非常严格的数学假设,在现实世界中也就很难应用起来。机器学习方法有着超高的计算效率,在生活服务、企业管理和金融科技等领域表现亮眼,学术研究中也有越来越多的学者开始使用机器学习方法对股价进行预测研究,并取得了较好的实证结果。输入指标,被用作机器学习器的输入,其中一个关键问题是如何确定一套富含信息且具有区分性的输入指标,但如何确定更有价值的输入指标从而提高预测准确率仍有待研究。本文尝试对沪深300指数的每分钟数据进行分析研究,采用传统计量方法和机器学习方法对指数未来5分钟的涨跌情况进行预测,实证检验高频数据下机器学习方法能否取得优于计量ARMA模型的预测结果,并着重讨论相对比DIS(固定指标输入法),适应数据变化的AIS(自适应指标输入法)能否改善机器学习方法的预测准确率,进而探寻得一种更优的输入指标方法。为了充分验证实证结果,本文也对上证指数和深圳成指两只股指的涨跌情况进行了预测研究,检验基于沪深300指数数据得出的实证成果是否具有普适性。论文选用数据为2020年10月1日至2020年11月30日沪深300指数、上证指数和深证成指3只指数每分钟的价格数据,累计共有37个交易日,每只指数每日240个指数价格数据累计共8880个数据。输入指标上沿用了8个经典的价格类输入指标,分别为相对价差RDP、移动平均MA、指数移动平均EMA、相对移动平均偏离率DISP、相对指数移动平均偏离率EDISP、移动平均变动率OSCP、指数移动平均变动率EOSCP和相对强度指数RSI。而输入指标方法选用了DIS(固定输入指标法)和AIS(自适应指标输入法),其中DIS法基于上述8类输入指标基础,其时间参数选取了前人研究中实证结果较好的一些参数,累计共有23个输入指标,AIS则相应地扩大了输入指标的时间参数,以便在选取输入指标时能考虑到最优的输入指标,而DIS和AIS输入指标的优劣排序则参考T检验者和信息增益IG值。确定每组实证数据的输入指标后,先将训练集数据分别输入到支持向量机SVM和XGBoost中进行学习训练,最后对测试集数据进行预测并检验模型预测的准确率,在实证过程中将进行滚动预测,每6天为一组实证数据,其中前5天为训练集数据,之后的第6天为测试集数据,依次类推进行滚动预测,共涉及32组实证数据。实证结果表明:(1)沪深300指数、上证指数和深证成指的最优预测模型一致,都是以信息增益IG值为排序标准并通过AIS(自适应指标输入法)确定输入指标,然后采用支持向量机进行预测的模型;(2)对比计量模型与机器学习模型的实证结果可知。支持向量机的整体预测效果最好,在运算速率上XGBoost远优于支持向量机模型和ARMA模型,在预测准确率上支持向量机SVM的预测结果优于ARMA模型和XGBoost,其中XGBoost模型的表现最差,且支持向量机具有较好的预测稳定性;(3)对比DIS与AIS两个输入指标方法可知,相比于DIS法,适应数据变化的AIS方法能显著提高机器学习模型的预测准确率,且AIS方法下预测稳定性得到了小幅改善。本文在总结学习前人的宝贵研究成果上,对沪深300指数高频数据的涨跌情况进行预测研究,并重点讨论了机器学习方法下DIS法(固定指标输入法)和AIS法(自适应指标输入法)能否提高机器学习的预测准确率,丰富我国基于高频指数数据的机器学习方法的研究,并对提高输入指标的有效性的方法进行了验证,具有一定的理论意义和实践意义。

关键词： 电力系统   故障分类预测   人工智能   数据挖掘   模型优化  

摘要： 近年来,随着电力系统的结构发生变化,其安全运行影响着整个国民经济的发展,为了保证电力系统的可靠性和稳定性,对即将发生的电力故障,提前预测并做出相应的预防措施,可以有效防止电力事故的发生,减少经济损失。然而由于传统电网保护方法因精确度与准确率的不足可能引起保护误动或拒动,因此,研究新的电力系统故障诊断方法引起了国内外学者广泛关注。现如今,由于信息技术的快速发展,智能电网的快速推进,基于人工智能和数据挖掘的故障分类预测方法成为电力系统保护的崭新领域。本文的创新及主要研究工作包括:第一,提出一种基于聚类、关联规则和随机梯度下降回归的配电网故障分类预测方法。首先采用K-means聚类对在电磁暂态仿真软件PSCAD中搭建的三机九节点故障模型得出的源数据进行预处理;然后利用关联规则对样本库的样本进行筛选,提前找到相关性大于设置阈值的样本,建立关联样本库;最后对关联样本库进行回归得到分类模型。实验验证结果表明,该模型可以准确高效的对配电网故障进行分类和预测。第二,研究了一种基于自适应矩估计和随机梯度下降组合优化的BP神经网络的输电线路故障预测模型,对神经网络的权重值和阈值进行了调整和优化,通过某电力公司提供的输电线路故障数据,在相同条件下将两种优化算法模型的损失函数进行对比,制定出了两种模型的组合算法使用策略,然后通过实验验证了组合算法模型高于算法单独使用时的预测准确率,证明了所提策略的可行性。

关键词： 人脑功能网络   磁共振成像   功能磁共振成像   可解释性   网络分析  

摘要： 人脑是人的神经中枢,是人体最复杂的器官。研究学者发现许多神经系统疾病与脑结构和脑功能网络的异常拓扑有关。构造人脑功能网络不仅可以用于研究神经系统疾病,为理解神经系统疾病的病理机制提供新视角,还可以用来探索脑老化和认知功能的关系。随着神经影像学的不断发展,已出现了多种获取人脑结构数据和人脑神经活动信号的技术手段,这极大的推动了脑科学的发展和进步。构造人脑功能网络的方法可以采用基于宏观尺度上的人脑脑区之间的网络构建,也可以采用基于体素水平上的网络构建。针对构造人脑功能网络问题,本文使用磁共振成像(Magnetic Resonance Imaging,MRI)和功能磁共振成像(functional Magnetic Resonance Imaging,f MRI)获取与人脑相关的信息,着重研究了基于体素层面的功能网络构造方法。使用可解释的机器学习及方法,构建人脑功能网络,并在此基础上使用复杂网络的方法,对构建的功能网络进行了分析。本文的主要工作包括以下两个方面的内容:1.基于SHAP(SHapley Additive ex Planations)提出了一种人脑功能网络构建方法,并利用SHAP的可解释性分别从个体和全局方面进行了可视化的解释。针对图像刺激的f MRI数据,首先基于XGBoost分类器实现分类任务;然后将SHAP和训练模型相结合,获取特征之间的交互信息,利用这些交互信息,实现体素水平的人脑功能网络构建;最后利用SHAP的可解释性对结果进行分析和解释。结果表明,对于不同的分类任务,人脑的响应区域不同,不同任务下的人脑功能网络连接也不相同。2.针对403个被试的MRI数据,提出了一种基于二阶多项式核函数的功能网络构建方法。首先,在广义加性模型的框架下,考虑特征之间的交互作用,并结合多项式核函数支持向量回归机(Support Vector Regression,SVR)实现年龄预测;然后利用模型权值和特征的交互作用,进行功能网络的构建。实验结果表明,随着年龄的增长,体素之间的连接和年龄有一定的对应关系,属于不同功能网络区域之间的连通性增强。另外,通过对构建的两种功能网络的拓扑结构进行分析,发现和视觉刺激对应的功能网络满足复杂网络的无标度特性,而与年龄相关的功能网络具有小世界特性,并且随着年龄的增加,网络的平均度也会增加,网络的无标度特性逐渐消失,网络的模块化在下降。

关键词： 液体晃荡   晃荡压力   人工神经网络   压力突变   FLNG  

摘要： 液体晃荡是指在外部激励作用下,部分装载的舱室内液体所产生的波动及其与舱壁结构相互作用的现象。特别当外部激励频率接近液舱的固有频率时,舱内液体会发生剧烈共振响应,可能会改变主结构的动态特性并带来潜在的安全风险。该问题在工程中的应用非常广泛,例如运输液化天然气的液舱和火箭燃料箱等。因此,研究晃荡液体的特性是非常有必要的。采用物理模型实验对水平简谐激励下的液体晃荡问题进行了研究。基于连续小波变换方法,研究不同液深、激励频率和激励振幅条件下,舱内液体晃荡的水动力特性。分析液舱侧壁上晃荡压力时间历程曲线的时频特性,得到了液舱侧壁静止液面处晃荡压力的时频变化规律。研究发现,压力的起始阶段和稳定阶段中,晃荡压力的主要频率成分为激励频率。衰减阶段中,晃荡压力的主要频率成分与液深和激励频率有关。基于势流理论和时域边界元方法建立了液舱晃荡数值模型。应用瞬时边界条件来跟踪大幅值自由表面变形。在模型中引入了一种人工粘性方法,使晃荡过程包含粘性耗散效应。研究了液舱中液体晃荡的完全非线性模拟。数值模型的粘性系数往往是经验性的,需要采用实验数据进行校准。为了可以自适应地校正相关的粘性系数,本文提出了一种基于反向传播神经网络的机器学习方法,并使用本文的物理模型试验构建的数据库对网络进行训练和测试。研究表明,反向传播神经网络预测模型可以高概率地准确预测非线性晃荡的粘性系数,在各种工况下都具有重现非线性晃荡过程的巨大潜力。基于线性和非线性两种方法,针对物理模型实验中出现的液舱制动时发生的压力突变现象进行了研究。考虑不同制动方式、粘性系数和制动时刻对发生压力突变现象的频率范围和压力突变幅值的影响进行了研究。研究发现,液舱的制动速度越快,粘性系数越小,压力突变现象越明显。不同激励频率范围内,引起压力突变现象的原因不同。非线性条件下,液舱中的压力突变现象比线性条件下更显著。

关键词： 帕金森病   多模态   手写动力学   国际运动障碍学会统一帕金森病评分量表   单光子发射计算机断层扫描成像   机器学习   分类预测  

摘要： 帕金森病是一种中老年慢性神经退行性疾病,由于大脑中黑质致密部多巴胺能神经元的缺失,导致一系列运动和非运动障碍,严重影响着患者的生活质量。随着我国人口老龄化的加剧,帕金森病患者人数显著增长,给家庭和社会带来沉重的负担。及时准确有效地检测帕金森病不仅仅是个医学问题,更是个社会公共卫生问题,对于后期的医疗介入和健康管理至关重要。本研究旨在构建多模态数据驱动的帕金森病分类预测模型,为开发智能化帕金森病决策支持系统奠定核心技术基础。一、构建了一种基于手写动力学检查的帕金森病级联集成学习分类预测模型。首先研究了一种融入多个基分类器的级联集成学习模型,在两个人类活动识别公开数据集上取得了令人满意的分类预测性能。在此基础上,基于手写动力学检查,提出了新的级联集成学习模型来区分识别帕金森病患者与健康个体。该级联模型每层由两个随机森林分类器和两个极端随机树分类器组成。为了提高分类预测性能,采用主成分分析技术来降低数据特征维度。实验结果表明,所提出的模型取得了合理的性能,准确率达81.17%,对于辅助识别帕金森病具有一定的意义。二、基于多个模态的手写动力学检查提出了一种新的帕金森病分类预测模型。首先基于六个不同模态的手写动力学检查分别构建了六个不同的随机森林分类预测模型,以生成相应的类别概率向量,每个向量代表了当前个体基于其中一种手写检查的类别预测,然后基于多个随机森林模型投票决定当前个体的最终预测结果。构建的多模态手写动力学模型具有令人满意的准确率（89.4%）、特异度（93.7%）、灵敏度（84.5%）和F1-score（87.7%）。研究发现,基于螺旋线手写检查的分类预测性能相对于其它手写检查最优;综合多个模态手写动力学检查的分类预测模型具有更好的帕金森病识别性能;多模态手写动力学分类预测模型可以作为一种帕金森病辅助筛查的潜在工具,经济方便。三、作者基于国际运动障碍学会统一帕金森病评分量表和碘(123I)氟潘单光子发射计算机断层扫描成像,构建了早期帕金森病分类预测模型。具体步骤包括数据收集、特征选择、分类器建模和早期帕金森病分类预测四个主要过程。对于患者组和健康对照组,共有61个特征具有显著差异,并作为分类预测模型的特征输入。对于不同的分类器,实验结果显示准确率、灵敏度和曲线下面积均大于等于98.32%,特异度均大于等于96.48%。同时根据量表的59个特征和医学影像的14个特征首次构建了早期帕金森病患者、健康个体和早期扫描无多巴胺能缺乏患者的多模态三分类预测模型,并取得了95.31%的准确率。研究结果表明,量表和单光子发射计算机断层扫描成像对于早期帕金森病的识别均具有重要的作用;构建的多模态信息融合的分类预测模型可以作为早期发现、早期诊断帕金森病的有效方法,有助于卫生资源优化配置和帕金森病人群生存质量的提高,具有重要的应用价值。

关键词： 一次性口罩   拉曼光谱   机器学习   分类识别  

摘要： 一次性口罩分类识别在法庭科学物证鉴别中具有重要意义，实验借助拉曼光谱分析技术和机器学习方法实现了口罩类别准确快速区分。实验采集来自不同地市、不同厂家生产的37种一次性口罩样品拉曼光谱数据，利用S-G平滑算法和数据归一化进行数据预处理，通过主成分分析法和拉曼光谱特征峰对照的方法划分口罩类别，进而构建基于SVM、贝叶斯判别分析、BP神经网络算法的一次性口罩分类识别模型。结果表明，SVM模型训练集的准确率为93.3%，测试集准确率为100%，贝叶斯判别分析的训练集和测试集准确率均为100%,BP神经网络的训练集准确率为93.9%，验证集准确率为60%，测试集准确率为60%，根据分类要求的严谨性和准确性，最终确定贝叶斯判别分析模型为口罩分类识别的最佳模型。实验仪器的选择和模型设计思路可为法庭科学技术物证检验提供借鉴。

关键词： 数据驱动   神经网络   高Re数   湍流模型   特征选择  

摘要： 近年来,数据驱动的湍流建模研究引起了流体力学研究者的广泛关注,以机器学习为代表的人工智能方法在湍流建模中起着越来越重要的作用。现有的方法主要是基于实验/高分辨率数值计算数据来完善或补充传统湍流模型,以提高模型的计算精度或者拓宽模型的应用范围。与这些研究不同的是,本工作通过神经网络方法直接映射时均流场变量与湍流涡粘之间的关系,并在特定流动状态空间范围内构建替代原先微分方程型湍流模型。另一方面,与基于直接数值模拟(Direct Numerical Simulation,DNS)或大涡模拟(Large Eddy Simulation,LES)计算数据的低雷诺(Reynolds,Re)数湍流机器学习不同,本工作主要关注航空工程中的高Re数翼型或机翼绕流。相比于低Re数问题,高Re数精细化的流场数据获取成本很高而且流场变量具有明显的尺度差异,在机器学习模型的实现精度和泛化能力上面临很大挑战。本文以耦合Spalart-Allmaras(SA)模型的计算流体力学(Computational Fluid Dynamics,CFD)模拟结果为源数据,通过多种神经网络架构重现传统湍流模型的结果,为高精度壁湍流样本驱动的湍流建模奠定方法基础。主要研究工作如下: (1)提出了基于神经网络构建涡粘模型的建模方法,实现了一定状态范围内对传统湍流模型的替代。以CFD计算的流场收敛结果为训练数据,构建时均流场变量与湍流场之间映射关系的神经网络模型,并用该模型预测不同来流条件和外形的流动算例。所构建的模型本质上是黑箱代数模型,无需求解传统雷诺平均湍流模型中(Reynolds Averaged Navier-Stokes,RANS)的输运方程。在预测过程中,模型耦合方式与传统湍流模型相同,从流场初值开始耦合计算并最终收敛到正确的稳态解。由于湍流涡粘明显的尺度效应,先后制定了分区建模、标度律建模以及近似混合长公式变换的建模策略,逐步实现在流场中建立统一模型的目的,并用于二维翼型和三维机翼绕流的涡粘计算中。结果表明,与Navier-Stokes(N-S)方程耦合求解后,机器学习模型实现了与原模型相当的计算精度并具有良好的泛化能力。此外,由于模型是当地变量间的点对点映射,因此模型对结构/非结构网格均适用。 (2)融合经典的物理分析方法和湍流知识,改善了机器学习模型在变Re数算例中的泛化能力。将已有的混合长与壁面距离之间的指数标度关系以及Van Driest阻尼修正的混合长公式等物理信息融入到建模策略的设计过程中,充分发挥其在经典壁湍流中的普适性,降低神经网络学习任务的难度。反过来,针对标度关系中尚不明确的部分或经验公式的缺点,旨在通过神经网络构建流场变量与标度指数之间隐含的映射关系或弥补经验公式的不足之处。此外,融合湍流知识的建模策略减小了直接将涡粘作为模型输出造成的建模困难,有助于模型计算精度的提高。 (3)分析了模型与N-S方程求解器双向耦合后的残值振荡原因,开展了收敛性增强方法的研究。通过追踪迭代过程中残值最大网格单元对应的雷诺应力数值变化,分析了N-S方程的残值出现振荡以及下降速度变慢甚至不收敛的原因。为此,在模型训练阶段尽量选用简单紧凑的模型框架,并且采用稳定性训练方法来增强模型的鲁棒性,降低模型输出对输入微小变化的敏感性;在模型与求解器耦合计算后采用时空光顺以及剔除异值的方法进一步增强模型输出的合理性和光滑性,抑制不合理振荡。结果表明,这些方法有效提高了耦合求解的收敛性。 (4)提出了基于验证集的后验特征选择新方法。结合湍流基本理论,在量纲分析、不变量特性以及重要性排序等特征选择方法的基础上,提出了以模型性能为导向的后验式特征选择方法,为包含湍流在内的复杂系统机器学习的特征选择提供了高效普适的方法。与过滤法中先验式特征重要性排序和打包法中穷举式特征子集搜索不同,所提出的新方法通过构建验证集剔除数值外插特征并对特征重要性排序,进行有序式选择特征组合。通过对比验证,结果表明,经过特征选择后,仅基于一个流动算例数据构建的模型可以泛化至不同来流条件和几何外形的算例。与未进行特征选择相比,特征选择后的模型泛化能力得以明显提升。在一定程度上也说明,输入特征并非越多越好,尽管神经网络本身可以通过权值大小反映特征的重要性,但人为设计的特征选择仍是十分必要的。

关键词： 关中盆地   首要污染物   数值模式   机器学习   随机森林算法  

摘要： 随着经济的发展,由于工作、教育和医疗等原因,人口不断向城市迁移,导致城市人口迅速增长,并随着工业和交通等影响出现了较为严重的环境污染问题,其中城市空气污染尤其是细颗粒物污染依旧是现在面临的主要环境污染问题之一,而位于盆地中的城市静风和逆温频次多,有利于空气污染物的累积,这些城市的空气污染问题更亟待解决,因此空气污染物的高精度预报对于有效预防和控制盆地城市环境污染问题至关重要。本文基于2015-2019年关中盆地5个主要城市空气污染物质量浓度和空气质量等级监测数据,计算和确定了5个城市的首要污染物为PM2.5,并使用WRF模式模拟了2018年12月31日至2019年1月15日关中盆地5个主要城市一次典型污染天气过程的气象场,分析了气象要素对PM2.5质量浓度的影响,采用机器学习方法建立了5个城市各自的PM2.5质量浓度回归模型,最后利用GFS预报产品驱动WRF预报了2020年1月2月08时至2020年1月4日20时的气象要素,将特征代入到随机森林回归模型中,预报了关中盆地5个主要城市的PM2.5质量浓度,主要得到以下结论:（1）5个城市均以空气质量等级为良的天数最多占比最大,且5个城市均为冬季1月污染状况最为严重,秋季9月空气质量状况最好,其中铜川市和宝鸡市轻度污染及以上的污染天气天数明显少于其他3个城市,这可能与这2个城市与其他3个城市地理位置相距较远,受到的城市之间的相互影响较小有关;（2）5个城市均以PM2.5为首要污染物的污染天气天数最多,表明PM2.5是目前关中盆地的主要污染物,无以SO2为首要污染物的污染天气,以CO为首要污染物的污染天气天数最多仅3天,以排放SO2为主的燃煤型污染表现不足。其中5个城市均为冬季1月以PM2.5为首要污染物的污染天气天数最多,夏季的6、7和8月以PM2.5为首要污染物的污染天气天数最少;（3）WRF模式对关中盆地5个主要城市的地面风速和气温模拟效果较好,其中宝鸡市的风速模拟效果相对最好,气温模拟效果相对最差,渭南市的风速模拟效果相对最差,气温模拟效果相对最好。西安市和咸阳市受到偏西风气流影响时,PM2.5质量浓度最高;渭南市受到偏西风尤其是西南风气流影响时,PM2.5质量浓度最高,表明渭南市受到上游西南方向的西安市和咸阳市空气污染物传输的影响。污染物累积阶段关中盆地2m气温整体逐渐升高,污染物维持阶段关中盆地2m气温整体保持在较高值,污染物消散阶段则关中盆地2m气温整体下降;（4）随机森林回归模型对关中盆地5个主要城市2018年12月31日至2019年1月15日一次持续时间较长的污染天气过程中PM2.5质量浓度的模拟结果最好,其中西安市随机森林回归模型模拟结果优于其他4个城市,宝鸡市随机森林回归模型模拟结果相对最差,其次模拟结果较好的模型为XGBoost回归模型,宝鸡市Lasso回归模拟结果最差,其他4个城市均为K近邻回归模拟结果最差;（5）随机森林回归模型对关中盆地5个主要城市2020年1月2日至2020年1月4日的PM2.5质量浓度预报结果较好,预报值与观测值变化趋势基本一致,总体来看预报值与观测值相比较低,可能由WRF模式预报的气象要素结果存在偏差以及没有考虑本地污染源排放所导致。随机森林回归模型对于西安市的空气污染预报结果最好,宝鸡市的预报结果仍然相对最差。

关键词： 决策树   随机森林   神经网络   Lee-Carter模型   人口死亡率  

摘要： 随着我们生活水平的提高和医疗卫生等各方面条件的改善,我们的人口的死亡率也在稳步地下降,与之对应的我们的人口的寿命也是呈现稳步上升的趋势,带来的结果之一就是我们的人口老龄化问题,人口老龄化越来越严重的话,它会导致长寿风险越来越大,而长寿风险是我们要重点关注的一个社会性的问题。长寿风险会对我们现有的养老保险体系带来冲击与造成支付压力,是关系到养老保险系统的主要威胁之一。因此找到一个比较好的人口死亡率模型,从而准确预测未来人口的死亡率,能够使得我们的长寿风险得到精准量化,是非常重要的,对我们的政府出台养老方面的对应政策也能给到不可或缺的帮助。所以说,我们的对于人口死亡率方面的研究在长寿风险以及相关的政策出台这些地方都有很大的作用。为了起到提升我们对人口死亡率的预测的效果,本文基于中国和美国历年的人口死亡率数据,以比较经典的Lee-Carter模型为基准与对照模型,再使用机器学习的方法对中国和美国的人口死亡率进行研究,对比研究的结果就可以发现,本文中所用的不同的机器学习方法都可以提升对中国和美国的人口死亡率数据的拟合效果,而且进一步地提升对人口死亡率的预测精度。本文的主要内容的行为结构为:首先描述中国和美国两国的人口粗死亡率的基本情况,再使用中国与美国美两国分年龄分性别的人口死亡率数据,将数据集分为训练集与测试集,用经典的人口死亡率模型Lee-Carter模型为对照模型,再使用机器学习方法,分别使用了回归树方法,随机森林方法和LSTM长短时神经网络方法,再分别计算出样本内损失和样本外损失,来比较各模型与方法的拟合效果,为我们的人口死亡率的预测找到最优的模型与方法。本文最终的结果显示,回归树方法,随机森林方法和LSTM长短时记忆神经网络方法,对比经典的Lee-Carter模型,均可明显提升对于人口死亡率数据的拟合效果。对于中国与美国美两国的人口死亡率数据,样本内外损失均显示LSTM长短时神经网络模型较回归树和随机森林模型拟合效果提升更大,也就是说LSTM长短时神经网络模型更适合中国与美美国人口死亡率的预测与分析。

关键词： 非法集资   机器学习   k折交叉验证  

摘要： 近年来,非法集资以互联网平台为依托,在民间资本市场中迅速发展,给民间资本的安全和监管带来了无法忽视的风险问题,社会损害日益严重。我国非法集资涉案的数量与金额逐年扩大,打击非法集资的形势仍然严峻。如何根据企业信息数据建立预测模型,判断企业是否存在非法集资风险,研发基于政务大数据和社会大数据融合的企业全息画像系统,为企业提供精准的画像和服务,对于掌握全面可靠信息、及时防范企业非法集资风险具有重要的意义和价值。在研究企业非法集资风险的相关文献后,利用CCF BDCI已经脱敏处理过的真实数据,对企业的各项信息数据通过四种机器学习模型展开分析与挖掘,预测企业为非法集资企业的风险。非法集资企业的分类建模共包含四个步骤:第一步是数据处理。包括对原始数据填补缺失值、文本变量的量化处理等内容,为后续特征选择做铺垫。第二步是特征选择和不平衡样本处理。对于处理后得到的全部变量,利用变量相关系数和逻辑回归lasso系数收缩实现变量筛选,并通过SMOTE算法对于正样本进行重采样合成数据,减少了不平衡样本的负向影响。第三步是模型训练和预测。文中共应用了Random Forest、XGBoost、Light GBM、Cat Boost四种模型,在对各个模型进行参数优化后,通过k折交叉验证综合比较四种模型的预测效果,同时根据模型中获取的SHAP值作为衡量变量重要性的依据。第四步在横向比较四种模型的预测效果后,通过最高F1值对四种模型加权得到最优组合模型,并根据SHAP值大小为防范企业非法集资风险提供策略参考。最后结合现有研究成果评述当前研究中存在的不足,并提出设立全国统一的企业非法集资大数据风险监测系统的相关建议。