《创业投资项目评估.doc》由会员分享，可在线阅读，更多相关《创业投资项目评估.doc（3页珍藏版）》请在三一文库上搜索。
1、创业投资项目评估1采用区间学习方法改进的代价敏感支持向量机模型由于代价co*未知，用代理代价co'来代表真实代价，将它作为一个 变量来进行学习，于是得到下面的最优化问题。式中：由于约束条件 过多，因此很难求得最优解。考虑代理代价co,在最坏的情况下为 comax,以它作为真实代价求解上式的最优化问题，可以得到满足限 制条件的最优解，因此上式可以用comax代理真实代价进行学习。 但在极端情况下，如果co*=comin,用comax来学习的话就远远偏 离真实代价值，这种情况下学习到的最优解可能大于真实的风险。为 了克服这个问题，CISVM引入了另一个代理代价co" =0.5 (
2、comin+comax),在真实代价未知的情况下，代价区间中值与真实 代价有最小的偏置，CISVM通过最小化co"的经验风险来解决上述 的代理代价的过学习问题。2实验仿真与分析2.1实验设置样木数据来自于贵州省风险投资管理中心的100条数据, 其中：40条为训练集，用于训练初始模型；30条为验证集，用于模 型选择；30条为测试集，用于测试模型。实验通过第一、二组数据 进行训练得到评估模型，然后用第三组数据检验模型的分类性能。实 验对比了 CISVM、CSMean. CSMax、CSMin以及标准的SVM在数 据集上的性能，这几种方法在实验中均使用RBF核函数，输入参数 X e0.01
3、, 0，1, 10, 100, o e0.1, 0.5, 1, 2, 10,通过入 与。的两两组合得到参数集。因为每个样本的真实代价可能是区间上 的任意值，为能比较上述几种分类器性能，实验设置了 10个测试点 Pi代表样本代价区间真实值：Pi=(co (1),，co (j) , co (j) =rand(1) X comin (j) +comax (j) -comin (j) , i=10, j=100o2.2 实验结果分析图 1 为 CISVM、CSMcan、CSMax、CSMin、SVM 训练得到的分类器在测试数据集上的性能。CISVM的与其它方法相 比，它的预测准确率排在第二，但它的总代
4、价是最低的，其原因在于 其降低了高代价样本的误分类率，虽然这样导致了分类准确率的下 降，但误分的多数是代价较低的样本，因此它总的代价成木最小，这 与其追求总的代价最小的目标是相一致；CSMean的代价值与分类准 确率与CISVM相比较高，但优于其它两类方法，因为它取的是代价 区间的中值，与实际代价偏离较小，但由于检测点是随机的，所以某 些情况下，例如在P7处高于CSMin； CSMin和CSMax两种方法的 性能差不多，因为这两种方法取的是代价区间的上下界，所以离真实 代价偏离较大，预测准确率不如SVM,总代价也基本与SVM持平； 总的来说，CSMean与标准的SVM相比，减少了大概20%的误
5、分类 代价，CISVM与SVM相比减少了 40%,从而表明木文所采用的算 法是优越的。3结论创业投资是一种高风险高回报的投资方式，木文通过采用基于代价区 间敏感的支持向量机构建的创业风险投资项目评估模型，力图找出收 益较高风险较低的项目，从而使风投企业能获得更好的收益率，经过 实验验证，模型的评估结果准确。将该模型运用于创业投资项目的评 估预测，能为创业投资评的决策提供帮助和指导，从而促进创业投资 产业的健康发展。由于创业投资涉及到投资公司相关商业机密，因此 相关历史数据的采集不够全面；同时，由于创业投资项目周期较长， 对于新的项目的评估效果将会在项目退出才能得以检验。在获得更多 的数据后，模型还可以进一步改进。作者：胡鑫单位：贵州交通职业技术学院