基于BP神经网络的财务预警方法探究

财务危机一直是困扰企业的一个痼疾,实务界和理论界也一直在寻找一种科学简便的方法来对财务进行预警.基于此,本文从财务预警的基本内涵出发,描述影响企业财务状态的诸因素,阐述了人工神经网络应用于财务预警的理论依据和基本构想,建立了财务预警的反向误差传播(back-propagation,BP)模型,提出了基于该模型的财务预警框架,以期对财务预警提供参考.     

基于BP神经网络的零售产品销量预测方法

在研究某IT企业零售产品历史销售数据和影响其产品销量主要因素的基础上,建立了一个基于BP神经网络的IT零售产品的销量预测方法。不必考虑影响因素之间的相互关系,结合具体销售数据,探寻该方法所建模型对于销量预测的准确性影响。结果表明,采用该方法进行IT零售产品的销量预测误差较小,可利用该模型对于总体销量进行预测来指导销售。     

BP神经网络对财务诊断方案生成因素的评价与优化

方案生成导向的财务诊断涉及对财务因素的评价及优化。通过构建BP神经网络评价模型进行财务指标的评价,可提取关键财务因素而形成诊断主题。将BP神经网络应用于企业财务因素的选取和评价,有利于诊断方案的优化。     

不同模型在财务预警实证中的比较研究

研究当前国内外公司财务困境预测问题的现状,寻找一套适合于我国企业的财务状况识别指标体系;然后依据该指标体系采用不同方法建立财务状况预测模型;最后,利用样本公司实际指标数据对各个模型的短期及中期预测效果进行了比较分析与实证研究。     

BP神经网络与RBF神经网络在股价预测中的应用

本文利用神经网络对股票走势进行分析和预测,构建了两种神经网络预测模型,通过对以往历史数据的学习,找出股市发展的内在规律,用以预测未来的走势。     

财务困境预测模型发展历史综述

本文对国外的相关文献资料进行归纳总结,将财务困境预测模型发展历史进行整理归纳,以利于了解财务困境预测模型研究的历史进程和现状。     

Logistic方法在财务困境预测中的应用

财务困境预测已成为国内外广泛关注的研究领域.财务困境预测方法主要包括多元线性判别法、逻辑回归法等参数方法以及神经网络等非参数方法,本文对各主要方法的优劣进行了评价,阐述了逻辑回归模型在财务困境预测领域的应用现状,并应用Logistic模型对我国上市公司进行了分类预测,在T-2年上取得了较好的预测精度.     

概率神经网络在财务预警实证中的应用

建立切合企业实际的财务预警系统,具有降低企业经营风险、投资风险以及防范金融危机的积极作用.在充分考察财务困境研究领域现状的基础上,建立一套适合于我国企业的财务状况识别指标体系.本文将概率神经网络(PNN)应用在财务困境研究领域,建立了财务预警模型.结果表明,该预警模型具有较高的预测准确率和良好的操作性.其短期(一年期)和中期(三年期)预测准确率分别为87.5%和81.25%.     

基于logit模型的上市公司财务困境预测实证分析

本文通过logit模型对我国30家未被ST而后被ST的上市公式进行分析研究,发现logit模型对即将亏损的上市公司财务困境的预测准确性比较高。     

神经网络在股市预测中的应用——基于BP,RBF与GRNN

本文以个股江特电机(002176)250天实际收盘价作为样本,设计BP网络、RBF网络及GRNN网络,并对各种网络在股市预测中的应用进行了比较分析。     

企业财务危机预警:偏最小二乘logistic方法的应用

鉴于现阶段我国上市公司的信用数据具有高维性和高相关性的特点,已有企业财务危机预警研究多采用能够有效降雏和消除共线性的主成分logistic模型.然而,这种模型定式在提取主成分时没有考虑解释变量与被解释变量之间的相关性,可能导致与企业财务状况关系密切的解释变量信息的丢失,从而削弱模型的预测能力.考虑到这一缺陷,本文在分析中首次引入偏最小二乘方法,并对我国沪深两市上市公司的经营失败进行了实证研究,结果表明偏最小二乘logistic模型不仅具有较优的拟合度,而且具有较高的企业经营失败预测能力.Bootstrap检验显示模型还具有较强的稳健性,预警效果更为可靠.     

基于BP神经网络的上市公司财务预警研究

文章采用BP神经网络方法,以263家制造业上市公司的截面财务指标作为学习样本,并使用76家制造业上市公司作为检验样本,建立了制造业上市公司财务预警模型.研究结果表明与没有区分行业的通用预警模型相比,分行业的BP神经网络财务预警模型的预测精度有了较大提高,为广大投资者和监管机构预测公司财务状况提供了可靠的依据.BP神经网络在分析和研究我国上市公司的财务状况方面,具有广泛的应用前景.     

基于学习向量量化LVQ神经网络的财务危机预警研究

应用学习向量量化LVQ神经网络方法,以近期14个数据作为财务危机预警建模样本和测试样本,建立了财务危机的预警模型,经过对样本的反复训练和学习,得到了较好的预测结果.研究结果表明:LVQ神经网络是一种非线性映射模式,在指标间相关度较高、呈非线性变化,或数据缺漏不全等情况下仍可得到比较满意的结果.因此是一种比较理想的预测方法,具有广泛的适用性和较高的推广价值.     

基于LSTM神经网络的金融时间序列预测

本文提出将小波分析与纳入时间序列依赖特征的长短期记忆(LSTM)神经网络相结合,构建金融时间序列数据预测模型,以克服现有模型对金融时间序列数据非平稳、非线性、序列相关等复杂特征以及数据间非线性交互关系无法反映的缺陷。同时,以道琼斯工业指数日收盘价为例,探究LSTM神经网络对实际金融时间序列数据的预测能力,比较其与多层感知机、支持向量机、K近邻、GARCH四种模型的预测效果。实证结果表明LSTM神经网络具有更高的预测精度,能够有效预测金融时间序列数据的长短期动态变化趋势,说明了其对金融时间序列数据预测的适用性与有效性。此外,对金融时间序列数据进行小波分解与重构,可有效提高LSTM预测模型的泛化能力,以及对长短期动态趋势的预测精度。     

基于模糊神经网络的企业财务危机非线性组合预测方法研究

本文提出了一种基于模糊神经网络的企业财务危机非线性组合建模与预测新方法,并给出了相应的混合学习算法。通过与多元线性回归模型、Fisher模型和Logistic回归模型的预测结果对比表明,该方法具有预测精度高,学习与泛化能力强,适应性广的优点。在预测上市公司财务危机方面优于其他方法。     

股市预测中的小波神经网络方法的研究

本文首先论述了股市时间序列中的明显随机性,可能是由于非线性确定性系统中混沌行为的缘故,利用混沌的确定性可以进行短期预测.混沌时间序列预测首先要重构相空间,接着充分利用小波变换时频分析的局部化特性,提出了一种改进的小波网络结构,探讨了股市预测模型问题.经实例验证,该方法能有效地提高预测精度,避免了人工神经网络模型和指数自回归的固有缺陷.     

考虑多维效率的上市公司财务困境预警研究

已有的财务困境预警研究一般基于财务指标,或在财务指标基础上引入单一效率指标,而多维效率指标能够更加全面有效地反映不同行业、不同资产规模的上市公司整体状况,从而对上市公司财务困境产生更好的预警效果。本文从经营效率、财务效率、融资效率和人力资本效率这四个维度分别提出相对应的投入产出指标体系,并采用数据包络分析对上市公司各个维度的相对有效性进行评价。在此基础上,将得到的多维效率指标与财务指标相融合,建立上市公司财务困境预警模型。为了验证所提出模型的有效性,采用支持向量机、人工神经网络和决策树这三种常用的财务困境预警技术,并基于不同的财务指标体系对我国上市公司进行实证研究。结果表明,考虑多维效率指标的上市公司财务困境预警模型能够有效提高预测准确度。     

基于股权结构的财务危机预警模型构建

本文试图将公司股权结构变量引入到财务危机预警的研究中,首先运用Logistic回归分析对引入模型的变量进行了筛选,然后将筛选得到的变量进行主成分分析得到五个综合的变量,最后通过对五个综合的变量进行Fisher判别分析建立了一个上市公司的财务危机预警模型。本文选取的样本全部为上市工业企业,以期建立一个行业预警模型提高预警能力。结果表明,模型的预测能力较强。