發(fā)布時(shí)間：2020-03-29 20:44

【摘要】：當(dāng)前我國(guó)非壽險(xiǎn)公司的發(fā)展呈現(xiàn)兩極分化的現(xiàn)象,非壽險(xiǎn)公司大部分面臨著業(yè)務(wù)來(lái)源單一、缺乏保費(fèi)增長(zhǎng)點(diǎn)的發(fā)展困境,也面臨著投資、承保、費(fèi)用、退保、流動(dòng)性及銷售誤導(dǎo)的六重風(fēng)險(xiǎn)。同時(shí)中國(guó)經(jīng)濟(jì)步入新常態(tài),經(jīng)濟(jì)增速放緩對(duì)非壽險(xiǎn)行業(yè)也產(chǎn)生一定影響,非壽險(xiǎn)的需求和業(yè)務(wù)增長(zhǎng)下降,這一切都使得非壽險(xiǎn)公司面臨著巨大的財(cái)務(wù)風(fēng)險(xiǎn)。因此,本論文針對(duì)非壽險(xiǎn)公司的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型進(jìn)行研究。論文共分為五個(gè)章節(jié),第一章主要圍繞非壽險(xiǎn)公司財(cái)務(wù)預(yù)警的相關(guān)背景、意義展開(kāi)介紹,提出了論文的創(chuàng)新點(diǎn);第二章主要對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)和非壽險(xiǎn)公司財(cái)務(wù)風(fēng)險(xiǎn)建立預(yù)警機(jī)制,提出了指標(biāo)的選取方法;第三章介紹了熵值賦權(quán)方法、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型和遺傳算法的相關(guān)原理。在非壽險(xiǎn)公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究中,本文首次嘗試在運(yùn)用熵值法確立權(quán)重的基礎(chǔ)上,結(jié)合GA-RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)所選取的樣本進(jìn)行訓(xùn)練和預(yù)測(cè)。熵值法克服了層次分析法、模糊評(píng)價(jià)法中主觀性太強(qiáng)造成的賦權(quán)不嚴(yán)謹(jǐn)?shù)膯?wèn)題,能夠客觀反映指標(biāo)的權(quán)重及其評(píng)價(jià)值。第四章為實(shí)證研究,以2013～2015年非壽險(xiǎn)公司為樣本,樣本數(shù)據(jù)處理后分別用RBF神經(jīng)網(wǎng)絡(luò)預(yù)警模型和GA-RBF預(yù)警模型對(duì)樣本進(jìn)行訓(xùn)練,對(duì)得到的實(shí)證結(jié)果進(jìn)行比較,研究結(jié)果表明,基于遺傳算法的RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)率提高9%;最后本文進(jìn)行總結(jié)與展望,提出防范非壽險(xiǎn)公司財(cái)務(wù)風(fēng)險(xiǎn)的建議。
【圖文】：

運(yùn)行時(shí)間也有所延長(zhǎng)。逡逑３．３．２遺傳算法的算法設(shè)計(jì)逡逑遺傳算法流程圖如圖３．２所示：逡逑（邐開(kāi)５邐￣？染色體變羿逡逑讀取效據(jù)邐染色體交叉逡逑士邐ｉ邐邐逡逑設(shè)置運(yùn)法參數(shù)邐染色體解碼邐——？更新ＲＢＦ參數(shù)矩?fù)皴义希边娺婂迨垮义铣跏蓟�染色體邐計(jì)Ｈ預(yù)測(cè)準(zhǔn)確度邐＜——邐，

本文編號(hào)：2606495