基于支持向量机的工程项目投资风险分析方法研究

摘要

本文首先剖析工程项目风险分析的三个步骤：风险识别、风险估计和风险评价。在介绍专家调查法、故障树分析方法、筛选一监测一诊断技术、风险来源表等常用的风险识别方法，并评价了它们的优缺点。结合工程项目投资风险的一般特点和构成项目投资经济评价与风险的关系，对工程项目投资风险因素进行了分析，提出了按照可行性研究报告进行风险因素的分析方法。即从技术措施、人为因素、社会环境、财务和经济四个方面，对工程项目投资风险因素进行分析。 其次，在总结概率估计方法、层次分析法、影响图法、CIM方法、决策树方法、解析法和蒙特卡罗模拟等风险分析方法的基础上，分析了当前传统评估方法存在的不足。针对这些缺陷，引进统计学习理论的最新研究成果，提出了基于支持向量机的项目投资风险评价方法。支持向量机模型比BP神经网络通常需要更少的样本数据，对数据要求低和更加稳定的性能，提高了工程项目投资风险分析的客观性和精确性，具有评价成本费用低、易操作性和批量分析的能力。在实例研究阶段，编制了相应的计算程序，给出了基于支持向量机的项目投资风险评价的基本步骤，通过与BP神经网络的比较分析，验证了该方法的有效性。在解决学习样本数据的问题上，提出以项目原始资料为基础、以项目研究可行性报告为主进行项目投资风险分析，可以增加项目分析的可靠性和准确度，在实际应用中易于操作。

目录

文摘

英文文摘

独创性声明及关于论文使用授权的说明

第1章绪论

1.1研究的意义及目的

1.2风险研究的现状及发展趋势

1.2.1国内外研究现状

1.2.2风险研究领域不断扩大

1.2.3风险分析的模型技术日益丰富

1.3本文的研究方法和技术路线

1.3.1论文的研究方法

1.3.2论文的创新

第2章工程项目投资风险分析理论与方法

2.1工程投资项目风险

2.1.1风险

2.1.2项目风险及其分类

2.1.3工程投资项目风险特点

2.1.4工程投资项目风险来源

2.1.5工程投资项目主要风险因素

2.2工程项目投资风险分析的一般过程

2.2.1风险识别

2.2.2风险估计

2.2.3风险评价

2.3风险分析方法

2.3.1风险识别方法

2.3.2风险估计方法

2.3.3风险评价方法

2.4传统评估方法的不足与对策

2.5本章小结

第3章支持向量机学习基本原理

3.1统计学习理论

3.1.1机器学习模型

3.1.2经验风险最小化原则

3.1.3结构化风险最小化原则

3.2支持向量机及其应用概述

3.2.1构造最优超平面

3.2.2支持向量机

3.2.3支持向量机的应用

3.3支持向量机学习算法

3.4支持向量机回归

3.5本章小结

第4章基于支持向量机的工程项目投资风险评价

4.1支持向量机评价方法的提出及其意义

4.2基于支持向量机回归的工程项目投资风险分析方法

4.2.1基于支持向量机的工程项目投资风险计算流程

4.3支持向量机模型的适用性

4.4神经网络风险评价模型

4.5本章小结

第5章案例分析

5.1高技术项目风险评价

5.1.1数据描述与评价指标的确立

5.1.2支持向量机计算参数选择

5.1.3支持向量机风险评价模型的建立

5.1.4支持向量机风险评价结果分析

5.2水利工程项目风险评价

5.2.1数据描述

5.2.2计算结果分析

5.2.3比较分析

5.2.4灵敏性分析

5.4本章小结

第6章总结与展望

参考文献

致谢

附录