تجزیه و تحلیل ریسک مالی منطقه ای در استان گوانگدونگ بر اساس مدل یادگیری عمیق DCN

این یک مقاله با دسترسی آزاد است که تحت مجوز Creative Commons Attribution توزیع شده است، که اجازه استفاده، توزیع و بازتولید نامحدود در هر رسانه را می دهد، مشروط بر اینکه اثر اصلی به درستی ذکر شده باشد.

داده های مرتبط

در صورت درخواست می توان به مجموعه داده دسترسی داشت.

خلاصه

در جریان آزاد عوامل مالی معطوف به سرمایه، بازدهی با تمرکز و انتشار منابع مالی برای شکل‌گیری تفاوت‌های مکانی مالی منطقه‌ای همراه خواهد بود که پدیده عینی رویه مالی منطقه‌ای است. ریسک‌های مالی منطقه‌ای محلی ممکن است در فرآیند عملکرد مالی منطقه‌ای در هر منطقه ظاهر شوند. برای پرداختن به مشکلات فوق الذکر، مدلی برای تحلیل ریسک مالی منطقه ای بر اساس مدل یادگیری عمیق DCN پیشنهاد می کنیم. مطالب اصلی به شرح زیر است: تشریح مکانیسم انتقال ریسک مالی شامل ریسک های مالی درون و بین منطقه ای، مرتب سازی رابطه بین بخش ها به عنوان سرنخ. فرآیند طراحی شاخص ریسک مالی منطقه‌ای و همچنین روش اندازه‌گیری، و شاخص ریسک مالی منطقه‌ای برای مناطق معمولی اندازه‌گیری شده و مشخص شد که در سال 2017 با شاخص ریسک 0. 58 در اوج قرار دارد. و ساخت یک مدل هشدار زودهنگام بر اساس مقدار شاخص ریسک مالی منطقه ای و گسترش شبکه RNN اعمال شده برای ساخت سیستم هشدار اولیه ریسک مالی منطقه ای. بر اساس ساخت سیستم هشدار زودهنگام خطر برنامه کاربردی شبکه RNN، سه نوع ریسک، ریسک پرداخت، ریسک ضرر وام و ریسک بازار به ترتیب با درصدهای 49. 62، 26. 82 و 23. 56 درصد استخراج شده است. تمرکز بر نظارت و مدیریت آنها در کار پیگیری است.

1. معرفی

حرکات چرخه ای و نوسانات تعدیل اقتصاد جهانی در کلیه مناطق اصلی می تواند به عنوان ترکیبی از مراحل ریسک مالی فوران و فروکش در زمان مشاهده شود [1-3]. بحران بین المللی مالی که در سال 2008 فوران کرد ، یک رویداد مهم ریسک مالی بین منطقه ای در سالهای اخیر بود که اقتصاد جهانی را به طولانی ترین ، گسترده ترین و عمیق ترین تعدیل نزولی از زمان جنگ جهانی دوم فرو برد. متفاوت از تعدیل قبلی ، مسیر رکود اقتصادی و انحلال طبیعی به سمت بهبود ، پس از این تعدیل ، هر اقتصاد اصلی به طور پی در پی به قدرت سیاست دولت اعتماد کرد ، با استفاده از سیاست کلان بسیار سست برای اجرای یک پایین اصلی برای اقتصاد راکدبشردر حال حاضر ، اصلاحات و افتتاح چین در حال توسعه است و اقتصاد منطقه ای نیز در مرحله توسعه مداوم است. در عین حال ، عملیات اقتصادی منطقه ای بخش ضروری از روند توسعه اقتصادی ملی است ، یک سطح متوسط بین اقتصاد کلان و اقتصاد خرد ، اطمینان از توسعه پایدار اقتصاد منطقه ای و توسعه پایدار اقتصاد ملی به طور کلی است. و نقش مهمی از ثبات و هماهنگی بازی خواهد کرد. توسعه اقتصادی منطقه ای در توسعه پایدار اقتصاد ملی نقش مهمی دارد: اول از همه ، نقش نوآوری و دستیابی به موفقیت وجود دارد. با توجه به چندین مدل توسعه اقتصادی که در هر منطقه توسعه یافته است [3 ، 4] ، که نتیجه توسعه اقتصادی فعال و تقویت مدیریت اقتصادی منطقه ای است ، سهم مهمی در توسعه اقتصادی منطقه و سایر مناطق وجود دارد. دوم ، این اثر تثبیت کننده و هماهنگی دارد. از یک سو ، به دلیل تفاوت های زیاد در منابع و ظرفیت های تولیدی که توسط هر منطقه وجود دارد ، مدیریت اقتصادی منطقه ای می تواند تبادل محصولات را ارتقا بخشد و روابط اقتصادی بین مناطق مختلف را تقویت کند ، بنابراین از ثبات اقتصادی هر منطقه اطمینان حاصل می کند و تحقق بخشیده است. مزایای مکمل مناطق مختلف. از طرف دیگر ، مدیریت اقتصادی منطقه ای می تواند خود را سریعتر تنظیم و مکانیسم ملی مدیریت ملی و مدیریت سلسله مراتبی منطقه ای را اجرا کند ، که باعث می شود کل سیستم مدیریت انعطاف پذیر و مؤثرتر باشد. برای مطالعه توسعه اقتصادی منطقه ای ،

ما جهت موضوع تحقیق اقتصادی منطقه ای را از طریق پایگاه داده تجزیه و تحلیل کردیم، همانطور که در شکل 1 نشان داده شده است، در تحقیقات اقتصادی منطقه ای، و تحقیقات ریسک مالی حیاتی ترین است [1، 2، 5]، با 29. 28٪، به دنبال آن اقتصاد منطقه ای ورشد اقتصادی و سرمایه گذاری مالیبه منظور حصول اطمینان از رشد پایدار اقتصاد منطقه، با در نظر گرفتن ریسک های مالی در چارچوب شرایط واقعی و بر اساس دیدگاه منطقه ای، مسیری ضروری برای توسعه اقتصادی منطقه است.

نمودار نسبت موضوعات تحقیقات اقتصادی منطقه ای.

تجزیه و تحلیل خطرات مالی برای توسعه اقتصادی منطقه ای در رابطه بین ریسک های مالی و خصوصیات منطقه ای که محرک های خاص ریسک های مالی و تکامل ریسک های مالی برای توسعه اقتصادی منطقه ای است ، جمع آوری شده است. در سالهای اخیر ، بسیاری از خطرات مالی منطقه ای در چین وجود داشته است ، مانند وام های خصوصی محلی ، ربا و سایر خطرات مالی با کنترل ناکافی [3 ، 4] و عدم انزوا مؤثر ، که همه این موارد به راحتی می توانند منجر به فروپاشی شوندخطرات مالیاستراتژی ها و ویژگی های توسعه اقتصادی منطقه ای در استراتژی توسعه اقتصادی منطقه ای چین به برنامه ریزی و تصمیم گیری در مورد موضوعات مربوط به توسعه کلی ، بلند مدت و بحرانی اقتصادی و اجتماعی در یک منطقه خاص اشاره دارد. برای خاص تر بودن ، این به کل برنامه ریزی و تصمیم گیری در مورد ایدئولوژی هدایت توسعه اقتصادی منطقه ای ، اهداف به دست آمده ، اولویت های حل شده و مراحل لازم و همچنین اقدامات متقابل اشاره دارد. در یک دوره زمانی طولانی تر ، بر اساس تخمین توسعه اقتصادی و اجتماعی منطقه ای ، با در نظر گرفتن همه جنبه های اقتصادی منطقه ای [6-9] و توسعه اجتماعی. ریسک مالی عمدتاً به دلیل عدم اطمینان از فعالیتهای مالی است که باعث ضرر افراد شرکت کنندگان می شود ، که تجمع نهفته و ناگهان چشمگیر هستند و دارای انتشار مسری قوی هستند. فنگ و یوان [10] تعامل بین ساختار مالی و ریسک مالی ، نسخه نامتقارن چند منظوره آن و تأخیر زمان مبتنی بر تأخیر در رابطه با همبستگی و ساختار مالی بازار محور را مورد مطالعه قرار دادند که باعث افزایش ریسک مالی می شود. علاوه بر این ، ساختار مالی و ریسک مالی و تعامل آنها با انتقال چند عام ، نامتقارن و دو طرفه مشخص می شود. سونگ و همکاران.[11] یک روش هشدار اولیه برای ریسک مالی شرکت ها پیشنهاد کرد. نتایج نشان می دهد که الگوریتم جنگلی تصادفی می تواند عینی تر و هوشمندانه تر تکلیف احتمال اساسی نظریه شواهد را بدست آورد. گونزالز و کواست [12] رابطه بین ریسک حاکمیت و ریسک مالی را مورد مطالعه قرار دادند و بخش بزرگی از ارتباط بین گسترش حاکمیت ناشی از تغییر در ریسک مالی جهانی است. مسائل مربوط به ریسک مالی منطقه ای مربوط به توسعه اقتصادی منطقه ، متنوع و پیچیده و در عین حال مسری است. علاوه بر این،

ریسک مالی منطقه ای مربوط به امور مالی منطقه ای است و وضعیت فعلی توسعه مالی در مناطق مختلف باعث تحمل منطقه ای برای ریسک مالی می شود. با توجه به ناسازگاری اقتصادهای منطقه ای ، شاخص های ریسک مالی به هیچ وجه سازگار نیستند. بنابراین ، ریسک مالی منطقه ای نیز محور تلاش های تحقیق است. هوانگ و همکاران.[13] تجزیه و تحلیل همبستگی را از شاخص های سهام منطقه ای ، مالی و جهانی انجام داد ، و در کار تحقیقاتی خود ، آنها الگویی را برای اندازه گیری ریسک سیستماتیک بر اساس شاخص های توپولوژیکی پویا ارائه دادند و یک مدل پارامتری توپولوژیکی برای اندازه گیری ریسک سیستماتیک و مقایسه آن با سنتی ارائه دادندمدل های اندازه گیری. نتایج نشان می دهد که مدل جدید می تواند اطلاعات دقیق تر و دقیق تری در مورد خطر سیستماتیک بازار سهام ارائه دهد. این روش می تواند برای توصیه تصمیم گیری در مورد سرمایه گذاری و هشدار ریسک سیستماتیک استفاده شود. TAO [14] متغیرهای توضیحی شاخص استرس مالی را تنظیم کرد. از طریق تجزیه و تحلیل تحقیقات دانشمندان مختلف ، دریافتیم که الگوریتم مدل یادگیری عمیق نقش مهمی در تجزیه و تحلیل ریسک اقتصادی و مالی منطقه ای دارد.

خطرات مالی منطقه ای به دلیل ویژگی های توسعه اقتصادی منطقه ای متمایز است. برای خطرات مالی منطقه ای ، عوامل القاء متداول شامل خطر پرداخت به دلیل نقص ، خطر از دست دادن وام و ریسک بازار است. استان گوانگدونگ استان پیشرو در توسعه اقتصادی منطقه ای چین است. از سال 1989 ، گوانگدونگ به مدت 33 سال متوالی در تولید ناخالص داخلی در چین قرار گرفت و اقتصاد استان گوانگدونگ در اقتصاد ملی مهم است. ساختار اقتصادی و خصوصیات اقتصادی منطقه ای استان گوانگدونگ مانند نسخه کوچکتر چین است. اگرچه گوانگدونگ حجم عظیمی دارد ، اما نرخ رشد اقتصادی هنوز در سطح متوسط تا با سرعت 6. 3 ٪ پایدار است. بنابراین ، در این مقاله خطرات مالی مربوط به اقتصاد منطقه ای استان گوانگدونگ ، به امید کمک به رشد سریع و پایدار اقتصاد منطقه ای استان گوانگدونگ ، مورد تجزیه و تحلیل قرار گرفته است. در این مقاله خطرات مالی مربوط به اقتصاد منطقه ای استان گوانگدونگ با در نظر گرفتن سه عامل اصلی: خطرات پرداخت ، خطرات از دست دادن وام و خطرات بازار مربوط به اقتصاد منطقه از طریق الگوریتم های یادگیری عمیق ، تجزیه و تحلیل و پیش بینی شده است.

2. مفاهیم مرتبط با ریسک مالی منطقه ای

نقدینگی مالی مشمول محدودیت های منطقه ای است [15-17] ، و تفاوت های عینی زیادی بین محیط های مختلف اقتصادی منطقه ای و سیستم های مالی وجود دارد. این محدودیت اقتصادی و جغرافیایی بین منطقه ای و اختلافات بین منطقه ای در عوامل باعث می شود خطرات مالی در یک دیدگاه مکانی افقی با یک پایه منطقه ای رخ دهد و می تواند ویژگی های منطقه ای را نشان دهد. ریسک مالی منطقه ای یک خطر جدایی ناپذیر در منطقه است و حاوی ویژگی های ریسک منطقه ای و جدایی ناپذیر است. ریسک مالی منطقه ای یک تغییر پویا و مداوم است که یک فرآیند شکننده از تجمع و توسعه در منطقه است. خصوصیات عوامل اصلی تأثیرگذار برای ریسک مالی منطقه ای در جدول 1 نشان داده شده است.

مسری چند بعدی

سازوکارهای همبستگی ریسک مالی منطقه ای چند بعدی هستند

برای تولید ریسک مالی منطقه ای ، عمدتاً از دو دلیل اصلی ناشی می شود: شکنندگی و بی ثباتی خود مالی و تحریف محیط واقعی در منطقه. شکنندگی امور مالی وضعیتی است که با از دست دادن تدریجی توانایی خود در مقاومت در برابر خطرات در روند کار نشان داده شده است و دلیل مهمی برای تولید خطرات مالی و بی ثباتی مالی است. چشم انداز خرد یا آسیب پذیری مالی به معنای باریک [18 ، 19] به ماهیت مؤسسات مالی اشاره دارد که بیشتر مستعد عدم موفقیت هستند و این عدم موفقیت به دلیل ویژگی های صنعت کار با بدهی های اهرمی ، عواقب قابل توجهی خواهد داشت. دیدگاه کلان ، یعنی آسیب پذیری مالی به معنای وسیع ، به یک وضعیت مالی اشاره دارد که در آن سیستم مالی غالباً تمایل به ریسک پذیری در خودخواهی و تعامل روزانه خود با جهان خارج دارد. برای آسیب پذیری مالی ، غالباً در اثر عدم تقارن اطلاعات ، همگن شرکت کنندگان در بازار ، همگن بیش از حد در روند تعامل بین بخش واقعی دولت برای سیاست های کلان ، مداخله بیش از حد نامناسب دولت ، واقعیت تحریف شده از محیط عبور منطقه ای ، جدی ایجاد می شود. مشکلات بدهی دولت محلی ، اهرم بالای شرکتهای واقعی که منجر به توسعه ناپایدار اقتصادی منطقه ای ، عدم تعادل ساختاری ، عدم تعادل ساختار صنعتی محلی ، توسعه اقتصادی محلی با تکیه بر یک صنعت واحد ، توسعه کافی صنایع چند جانبه پیشرفته ، بیش از حد در صنایع سنتی است.، و غیره.

2. 1امکان سنجی شبکه های عصبی مکرر برای تجزیه و تحلیل ریسک مالی

شبکه عصبی بازگشتی (RNN) بر اساس شبکه عصبی توسعه یافته است و حلقه‌های جهتی، یعنی ورودی لایه پنهان را در هر لحظه معرفی می‌کند، بنابراین رابطه توالی عقب و جلو بین داده‌های ورودی را منعکس می‌کند. اقتصاد منطقه ای جهان خرد اقتصاد ملی است و ماهیتی جامع و منطقه ای دارد. در سال‌های اخیر، شبکه‌های عصبی کانولوشنال مانند شبکه‌های باقیمانده و شبکه‌های ساختاری متراکم یکی پس از دیگری پیشنهاد شده‌اند که به طور مداوم دقت وظایف طبقه‌بندی مجموعه داده‌ها را تازه می‌کنند و توانایی تشخیص برخی دسته‌ها حتی از انسان‌ها نیز پیشی می‌گیرد. بنابراین، توسعه شبکه های عصبی کانولوشن باعث توسعه سریع تحلیل ریسک مالی کامپیوتری شده است که به یک روش اصلی تبدیل شده است.

2. 2. ساختار شبکه عصبی بازگشتی

در این مقاله از شبکه عصبی بازگشتی (RNN) برای تشخیص گفتار استفاده شده است. شبکه‌های مکرر می‌توانند توالی‌هایی از طول‌های دلخواه را پردازش کنند تا از برازش یا عدم تناسب بیش از حد نتایج محاسباتی به مجموعه داده جلوگیری کنند [20، 21]. خطای محاسبه شبکه را می توان با انصراف، منظم سازی و متعامد کردن کاهش داد. در زیر به معرفی دقیق عملکرد آن می پردازیم:₀ترک تحصیل. این به انجماد تصادفی بخشی از نورون ها در لایه پنهان از شبکه عصبی کاملاً متصل در هر تکرار آموزش با کاهش همبستگی بین نورون ها و پیچیدگی مدل اشاره دارد به گونه ای که بتوان به اثر منظم سازی دست یافت.

جریمه پارامتریکبا محدود کردن تعداد پارامترهای غیر صفر، L

عدد پارامتری (تعداد عناصر غیرصفر در بردار) به عنوان جریمه به تابع هزینه اضافه می شود. نتایج محاسبات خاص به شرح زیر است:₁که در آن L (w , b ) تابع قبل از جریمه پارامتری است، m به تعداد نمونه ها اشاره دارد، λ نشان دهنده یک فراپارامتر برای کنترل درجه منظم شدن است، و Ω(w) بیانگر عبارت منظم سازی است.₀L₀پارامترسازی تقریب محدب بهینه L است₁پارامترسازی و مشکل کمینه سازی L

پارامترسازی را می توان به مسئله کمینه سازی L تبدیل کرد₂پارامترسازی تحت شرایط خاصنتایج محاسبات خاص به شرح زیر است:₁L

تنظیم عبارت است از تغییر جمله جریمه تابع هزینه از مجموع مقادیر مطلق عناصر بردار در L.

تنظیم منظم به مربع هر عنصر جمع شده از عناصر ، یعنی مربع حالت بردار. نتایج محاسبه خاص به شرح زیر است:

ترک تحصیلبه طور تصادفی بخشی از نورونهای لایه ضمنی را از شبکه عصبی کاملاً متصل در هر تکرار آموزش منجمد می کند و باعث کاهش همبستگی بین نورون ها و پیچیدگی مدل می شود به گونه ای که تأثیر تنظیم مجدد حاصل شود

توقف زود هنگامبرای یک قانون توقف اولیه خاص ، معمولاً یک صبر بیش از حد پارامتری برای متوقف کردن آموزش در صورت کاهش خطای آزمایش در تکرارهای صبر متوالی کاهش می یابد

2. 3الگوریتم های یادگیری برای شبکه های RNN_{RNN ها یک کلاس از شبکه های عصبی مکرر هستند و در جهت تکاملی دنباله بازگشتی هستند. در شبکه های عصبی مکرر ، پارامترهای وزن W ، U و V در هر مرحله زمانی به اشتراک گذاشته می شوند ، بنابراین تعداد پارامترهای آموخته شده در شبکه را تا حد زیادی کاهش می دهد. آموزش شبکه های عصبی مکرر ، فرآیند اصلاح مداوم پارامترهای وزن W ، U و V با استفاده از یک الگوریتم تولید برگشت به مرور زمان است. روش محاسباتی خاص به شرح زیر است:}جایی که_{RNN ها یک کلاس از شبکه های عصبی مکرر هستند و در جهت تکاملی دنباله بازگشتی هستند. در شبکه های عصبی مکرر ، پارامترهای وزن W ، U و V در هر مرحله زمانی به اشتراک گذاشته می شوند ، بنابراین تعداد پارامترهای آموخته شده در شبکه را تا حد زیادی کاهش می دهد. آموزش شبکه های عصبی مکرر ، فرآیند اصلاح مداوم پارامترهای وزن W ، U و V با استفاده از یک الگوریتم تولید برگشت به مرور زمان است. روش محاسباتی خاص به شرح زیر است:}آیا وضعیت لایه ضمنی در زمان t و x است

حرف_{RNN ها یک کلاس از شبکه های عصبی مکرر هستند و در جهت تکاملی دنباله بازگشتی هستند. در شبکه های عصبی مکرر ، پارامترهای وزن W ، U و V در هر مرحله زمانی به اشتراک گذاشته می شوند ، بنابراین تعداد پارامترهای آموخته شده در شبکه را تا حد زیادی کاهش می دهد. آموزش شبکه های عصبی مکرر ، فرآیند اصلاح مداوم پارامترهای وزن W ، U و V با استفاده از یک الگوریتم تولید برگشت به مرور زمان است. روش محاسباتی خاص به شرح زیر است:}جایی که

حرف

توابع فعال سازی ، از جمله توابع سیگموئید ، TANH و SOFTMAX. فرآیند محاسبه خاص به شرح زیر است:

عملکرد سیگموئید مقدار ورودی را به فاصله بین [0 ، 1] نقشه می کند ، و عملکرد نسبت به تغییر سیگنال در ناحیه مرکزی حساس تر و نسبت به تغییر سیگنال در دو طرف حساسیت کمتری دارد.

عملکرد TANH را می توان به عنوان نوعی از عملکرد سیگموئید مشاهده کرد ، که مقدار ورودی را به فاصله بین [1 ، 1] ترسیم می کند. مشتق عملکرد به طور کلی بزرگتر از عملکرد سیگموئید است و در نتیجه همگرایی سریعتر در طول آموزش ایجاد می شود.

انتشار SoftMax به جلو F z z = e z j ∑ j z z ، انتشار پشتی SoftMax Δ α j z z z = α I 1 - α J ، - α I α J.

خروجی عملکرد SoftMax به فاصله [0 ، 1] نقشه برداری می شود ، و مجموع ورودی های همه نورونهای لایه خروجی 1 است. 1 پس از استفاده از عملکرد فعال سازی ، مقدار خروجی لایه خروجی احتمال نسبی تعلق به یک خاص را نشان می دهددسته بندی.

2. 4ماژول حلقوی تغییر شکل

بنابراین ، این مقاله یک حلقوی تغییر شکل را به لایه خروجی برای استخراج ویژگی های قوی تر اضافه می کند ، و به شبکه اجازه می دهد تا از جعبه مستطیل شکل یاد بگیرد تا داده ها را به صورت خودمختار تغییر دهد. ویژگی ها از داده ها از طریق هسته های مختلف حلقوی استخراج می شوند و از این ویژگی ها می توان برای حفظ رابطه مکانی بین داده ها استفاده کرد ، همانطور که در شکل 2 نشان داده شده است.

معماری متغیر Convolutional.₀این عمدتا شامل دو مرحله است: نمونه برداری از ویژگی ورودی x با استفاده از یک مرحله مشخص شده S و یک شبکه مستطیل شکل R ؛ضرب داده ها در منطقه نمونه برداری توسط ماتریس وزن مربوطه ، و سپس جمع بندی و خروجی داده های مربوطه y ، و فرمول به شرح زیر است:_{جایی که P}نقطه خروجی در خروجی Y و P است

حرف₀مجموعه ای از موقعیت ها در هسته Convolution R است.

برای مقدار هر موقعیت p_{جایی که P}افست Δ P را اضافه کنید_{جایی که P}به موقعیت نمونه گیری اصلی و سپس موقعیت نمونه گیری جدید P تبدیل می شود_{جایی که P}+ δ p

حرف₀، اما افست معمولاً یک شماره نقطه شناور است ، بنابراین باید با درون یابی دو طرفه حل شود. فرمول درون یابی دو طرفه به شرح زیر است:_{جایی که P}به موقعیت نمونه گیری اصلی و سپس موقعیت نمونه گیری جدید P تبدیل می شود_{جایی که P}+ δ p

حرف

، g (q ، p) یک عملکرد هسته دو بعدی دو بعدی است. دو فرمول ضرب یک بعدی به شرح زیر جدا می شوند:

3. تأیید تجربی و تجزیه و تحلیل تطبیقی

برای پارامترهای تجربی ، این مقاله مدل را با یادگیری مهاجرت آموزش می دهد و شبکه ستون فقرات از شبکه ای پیش ساخته در مجموعه داده استفاده می کند. پیش بینی می تواند تغییر شیب را در مرحله اولیه شبکه تثبیت کند و به بهبود میزان دقت کمک کند. در این مقاله ، از روش نزول ADM به عنوان الگوریتم بهینه سازی مدل استفاده می شود ، مقدار حرکت روی 0. 92 تنظیم می شود و فاکتور متعارف به 0. 0007 تنظیم می شود ، و اصطلاح متعارف برای بیش از حد در این مقاله تنظیم شده است. میزان یادگیری پایه 0. 01 ، اندازه دسته ای روی 32 تنظیم شده است و ضریب پوسیدگی نرخ یادگیری پایه 0. 1 است. هنگامی که شبکه نزدیک به راه حل بهینه است ، باید با ضریب پوسیدگی میزان یادگیری کاهش یابد. از طریق آمار تعداد نمونه های آموزشی ، شبکه آموزش داده شده با توجه به داده های ورودی مختلف قوی تر است.

This paper goes to determine whether the principal component analysis method is applied to determine the weight of each dimensional indicator. The test is more applied in factor analysis of multivariate statistics mainly by analyzing the sum of squared simple correlation coefficients; when the former is greater than the latter, the number is close to 1, which means that the correlation among variables is very strong and factor analysis can be performed. The KMO and Bartlett test results obtained in this study are shown in Table 2 , which shows a KMO test value of 0.738>3. 1تحلیل تجربی

رویکرد متداول تر برای اندازه گیری ریسک مالی ، مدل شاخص کامپوزیت است که از مزیت سادگی و وضوح برخوردار است و می تواند در ترکیب با بسیاری از مدلهای پیچیده استفاده شود و دامنه روش را گسترش می دهد. واقعیت توسعه نسبتاً دیر هنگام بازارهای مالی چین باعث می شود که این مطالعه فاقد داده های نمونه کافی و سناریوهای شدید تاریخی برای تخمین دقیق پارامترهای مدل باشد.

0. 6. در همین حال ، مقدار آزمون کروی بارتلت 1078. 215 و SIG 0. 000 است ، نشان می دهد که فرضیه اصلی رد می شود و متغیرهای اصلی می توانند با تجزیه و تحلیل مؤلفه اصلی ارتباط برقرار کنند ، که می تواند برای ساخت یک مدل شاخص ریسک مالی منطقه ای استفاده شود.

سیگ

0. 000

3. 2بهینه سازی مدل_{در بالای شاخص های سنتی ، این مقاله سپس زیرمجموعه اندازه گیری ریسک جستجو را که بر اساس RNN ساخته شده است ، برای بازسازی تجزیه و تحلیل شاخص در نظر می گیرد. چهار منطقه اصلی برای این مطالعه برای انجام تجزیه و تحلیل ریسک مالی منطقه ای انتخاب شده است. وضعیت کلی به طور کلی به عنوان یک دوره استرس زیاد در نظر گرفته می شود که درجه انحراف بیشتر از دو برابر انحراف استاندارد آن باشد ، و فرمول و معیارهای تعیین کننده خاص به شرح زیر است.}جایی که fsii_{در بالای شاخص های سنتی ، این مقاله سپس زیرمجموعه اندازه گیری ریسک جستجو را که بر اساس RNN ساخته شده است ، برای بازسازی تجزیه و تحلیل شاخص در نظر می گیرد. چهار منطقه اصلی برای این مطالعه برای انجام تجزیه و تحلیل ریسک مالی منطقه ای انتخاب شده است. وضعیت کلی به طور کلی به عنوان یک دوره استرس زیاد در نظر گرفته می شود که درجه انحراف بیشتر از دو برابر انحراف استاندارد آن باشد ، و فرمول و معیارهای تعیین کننده خاص به شرح زیر است.}شاخص شناسایی استرس ریسک مالی منطقه ای منطقه I-th در دوره T و FSI است

آی تی

شاخص ریسک مالی منطقه ای در دوره t است.

مطالعه این مقاله به طور مفصل به تکامل شاخص ریسک مالی منطقه ای واقعی در استان گوانگدونگ ، که همانطور که در شکل 3 نشان داده شده است ، می پردازد و می یابد که به طور کلی ، ریسک مالی منطقه ای در کشور و در هر منطقه در حال انجام استیک روند صعودی در مقایسه با سال 2010 با تغییرات متفاوت و نوسان در فرآیند. میانگین شاخص ریسک مالی منطقه ای استان گوانگدونگ در سال 2013 ، 2017 و 2021 به ترتیب 47/0 ، 0. 58 و 0. 57 به اوج خود رسید که نشان می دهد هنوز فشار قابل توجهی در ریسک مالی منطقه ای در سالهای اخیر وجود دارد. در منطقه ، ریسک مالی منطقه ای در مناطق مرکزی و غربی استان گوانگدونگ بیشتر از مناطق شرقی و شمال شرقی بوده است و این مقاله را ملزم به تمرکز بر پیشگیری و کاهش می کند. به طور خلاصه ، این به طور غیرقابل توصیف با شرایط خوب اقتصادی و اجتماعی در این مناطق ، زیرساخت های کامل مالی و نظارت مالی قوی محلی و همچنین توانایی کاهش خطرات مرتبط است و ارزش آن را دارد که تجربه موفقیت آمیز همه مناطق دیگر را خلاصه کنیم. در چین.

شاخص ریسک مالی منطقه ای در دوره t است.

در این مقاله سه نوع خطرات ، مانند ریسک پرداخت ، خطر از دست دادن وام و ریسک بازار از طریق نرم افزار مدل همانطور که در شکل 4 نشان داده شده است ، مقایسه می کند. مشاهده می شود که ریسک وام تقریبا نیمی از ریسک را به خود اختصاص می دهد ، که نشان می دهد وام شخصی بسیار خطرناک است و تأثیر زیادی در خطر اقتصادی منطقه گوانگدونگ دارد ، بنابراین ما در پیگیری بر نظارت و مدیریت آن تمرکز می کنیمکارعلاوه بر این ، ریسک پرداخت و ریسک بازار به ترتیب 26. 82 ٪ و 23. 56 ٪ را به خود اختصاص می دهد. آنها همچنین برای تحقیق و تجزیه و تحلیل باید بیشتر بهینه شوند.

تکامل میانگین شاخص ریسک مالی منطقه ای در استان گوانگدونگ.

4. نتیجه گیری

این مقاله به طور منظم سیستم جامع اندازه گیری ریسک مالی منطقه ای موجود ، از جمله روش های ساخت و ساز در اندازه گیری ریسک مالی و سیستم هشدار اولیه ریسک مالی را به منظور ارائه یک سیستم مرجع نظری برای تحقیقات بعدی خلاصه می کند. در این مقاله به طور منظم سیستم اندازه گیری ریسک مالی منطقه ای موجود ، از جمله روشهای ساخت و ساز در اندازه گیری ریسک مالی و سیستم هشدار اولیه ریسک مالی ، به منظور ارائه یک سیستم مرجع نظری برای مطالعات بعدی خلاصه می شود.

ما در مورد مکانیسم انتقال ریسک مالی شامل ریسک‌های مالی درون و بین منطقه‌ای توضیح می‌دهیم و رابطه بین بخش‌ها را به عنوان سرنخی برای کشف یک مکانیسم انتقال ریسک مالی منطقه‌ای کامل و سیستماتیک مرتب می‌کنیم.

فرآیند طراحی شاخص ریسک مالی منطقه‌ای و روش اندازه‌گیری و اندازه‌گیری شاخص ریسک مالی منطقه‌ای برای مناطق معمولی به طور کامل از چنین داده‌هایی برای تسهیل تجزیه و تحلیل مزیت‌های پویای ریسک مالی در زمان واقعی استفاده می‌کند و کاستی‌های اولیه سنتی را جبران می‌کند. شاخص ها.

مدل هشدار اولیه بر اساس مقادیر شاخص ریسک مالی منطقه‌ای برای گسترش کاربرد شبکه‌های RNN برای ساخت سیستم هشدار اولیه ریسک مالی منطقه‌ای ساخته شده است. هم سیستم هشدار اولیه را برای ایجاد ریسک های مالی منطقه ای گسترش می دهد و هم ابزار موثری برای نظارت بر ریسک توسط مقامات نظارتی مربوطه فراهم می کند.

بر اساس ساخت سیستم هشدار خطر برنامه شبکه RNN، سه نوع ریسک یعنی ریسک پرداخت، ریسک ضرر وام و ریسک بازار به ترتیب با درصدهای 49. 62، 26. 82 و 23. 56 درصد استخراج شد. که بر روی نظارت و مدیریت در کار پیگیری متمرکز خواهد بود.