论文阅读三步走（二）

阅读文献的频率在一周一篇，别犹豫，行动起来！

---

前言

前几天看到有这样的说法，健身论文喝酒面面俱到的人都精力旺盛，看到这句话狠狠共情，这说的不就是我嘛！！自律从做引体向上开始，健身完感觉全身都有使不完的劲，回来调点小酒小酌一下，大脑兴奋，顺理成章地开始看论文，我发现这样一套下来学习效率特别高。但凡有一天不健身，就算回来学习但也是看不太进去，效率大打折扣！so，强烈建议，大家觉得学习没劲的时候就起来运动，让你的大脑兴奋起来！

---

回顾沐神的三步走：
第一遍：读标题，摘要，结论三部分（读完之后感兴趣的话就往下读第二遍第三遍，否则及时换下一家）
第二遍：看方法和实验部分的一些重要图和表
第三遍：读文章每一句话。读完之后问自己：如果让自己写这篇文章“我”会怎么做？

今天的文献在PubMed上找的：《Research on Supply Chain Financial Risk Prevention Based on Machine Learning》
用的软件：小绿鲸英文文献阅读器（读英文文献再适合不过了，强推！）

一、第一遍：读标题、摘要、结论

标题：基于机器学习的供应链金融风险防范研究
摘要：
（总）本文提出了一种基于人工智能的企业财务风险防范模型，该模型包括数据预处理、特征选择、特征分类和参数调整四个阶段。
（分）

• 首先，收集相关财务指标数据，通过预处理提高所选数据的质量;
• 其次，采用CGOA算法模拟自然界中蚱蜢的行为，建立数学模型，对所选数据集进行特征选择和优化。
• 然后，支持向量机对特征约简后的定量数据进行分类处理。利用铰链损失函数计算经验风险，并加入常规操作优化风险结构。
• 最后，利用SMA对SVM进行优化，提高SVM的效率，使算法更加准确有效。

（工具）本研究利用Python对企业财务风险防范模型的功能进行了仿真。
（结论）实验结果表明，本文提出的CGOA-SVM-SMA算法取得了较好的效果。通过计算发现，该模型的预测和决策能力较好，优于其他比较模型，能够有效地帮助供应链企业防范财务风险。

摘要结构框架：背景+总+分+工具+结论

二、第二遍：重要图表

1. 5个流程图

这篇文章的作者特别擅长制作流程图，整篇文章共有5个，第一个是对整篇文章框架结构的流程图，后面四个是算法的实现流程图。相信读完这篇，你对流程图的使用方法肯定会得心应手。

• 图1是整篇文章的工作流程图，即摘要部分的四步骤的详细步骤的扩充，做成这种流程图的形式很有必要，使得行文思路清晰可视化更有条理，学到啦！
• 图2是CGOA算法的实现流程，有点太长了就不展示了。

• 图3是SVM的执行过程

• 图4是SMA的运行过程

• 图5是SVM-SMA的执行过程

2. 4个统计表

本文的4个表是对数据分析处理后得到的。包括描述性统计表，金融风险混淆矩阵，评价指标，决策结果比较分析。

• 述性统计表：历年来公司数量逐渐增加，呈递增趋势。但差异不大，总体上比较稳定。

• 金融风险混淆矩阵：TN和TP分别表示异常样本和正常样本做出的正确决策的数量。值越高，决策越好。FN和FP分别表示异常样本和正常样本的错误决策数。值越小越好，表示误差越小。
  
• 评价指标：由于本文选取的样本公司数据广泛，仅基于表2混淆矩阵无法更直观地看到决策结果。在此基础上构建了相应的评价指标，并通过指标的计算对模型结果进行了评价。
  
• 决策结果比较分析：本文将CGOA应用于特征选择，将SVM应用于特征选择后的数据分类，将SMA应用于参数调整以寻求最优解，并对供应链的财务风险标准进行评估。在此基础上计算了各年的平均值，并与决策树模型和BP神经网络模型的结果进行了比较。

三、第三遍：逐句精读后思考

1.创新点

1）预处理-特征选择（CGOA）-分类（SVM）-优化（SMA）
注：SMA是"移动平均"（Simple Moving Average）。在金融领域，移动平均是一种统计分析方法，用于分析一段时间内的股价、指数或其他金融指标的平均值。它通过消除短期价格波动，帮助分析长期价值趋势。SMA，有助于识别价格趋势、支撑和阻力水平，以及价格的转折点。它也是股票交易中常用的技术指标之一。需要注意的是，SMA并不是预测未来价格的工具，而是用于帮助分析过去价格数据的工具。
2）金融技术与供应链金融的结合
3）打破以往单一的研究方法，探索机器学习算法组合优化模型

2.本文总体安排

（一）研究背景
（二）研究基础：金融风险防范的相关工作
（三）构建金融风险防范模型
（四）选取相关数据对模型进行验证
（五）总结与展望

3.相关工作

供应链数字金融风险防范研究进展：(用来四大段理论分别详细阐述以下四点）
1）对于供应链中的网络信贷金融风险，…
2)对于供应链中的信用卡金融风险，…
3)对于银行贷款的金融风险，…
4)对于不同行业的供应链,…

4.数据

据来自证券交易所。
首先，对数据进行预处理，筛选过程包括以下程序：
（1）剔除数据存在缺陷或异常的公司;
（2）样本数据的标准化处理;
（3）剔除金融行业。
利用STATA13.0对面板数据进行统计分析，对所有连续变量进行1%上下温氏化处理，以克服极值对实验结果的影响。
Python用于对预处理后的数据进行建模。

5.结论

本研究的局限性在于没有考虑异常值的影响，在数据预处理过程中剔除了经营异常和数据缺失的公司，只选取了具有代表性的大样本数据。

---

总结

这次的文献比上次篇幅要长，结构体系非常清晰，还有做流程框架图给了我一些启发。有进步！
最近我的生活发生了一些变化，我的sister and dad纷纷在这两天做出了人生中比较重大的选择，让我感到生在这样的家庭里何其有幸，我觉得还是有必要记录一下此刻，感恩！
最近也算是有点小压力，但…我可不是娇滴滴的女孩子，我是扛着心酸和委屈毅然往前走的年轻人，so?共勉！