创业投资项目评估范文

本站小编为你精心准备了创业投资项目评估参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

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引入了另一个代价co″＝0.5（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价的过学习问题。

2实验仿真与分析

2.1实验设置样本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λ∈{0.01，0.1，1，10，100}，σ∈{0.1，0.5，1，2，10}，通过λ与σ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）×{comin（j）+[comax（j）-comin（j）]}，i=10，j=100。

2.2实验结果分析图1为CISVM、CSMean、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，因此它总的代价成本最小，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%的误分类代价，CISVM与SVM相比减少了40%，从而表明本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，本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