基于改进支持向量机的上市公司财务困境判别研究

针对上市公司财务困境判别研究的不足,本文构建了财务困境判别的双隶属模糊支持向量机模型,使每个训练样本依双隶属度同时隶属于两个类别;考虑到财务困境判别研究中两类样本非平衡的问题,本文构建了一种基于非平衡数据的改进支持向量机模型。实证结果表明,与已有的支持向量机模型相比,本文构建的改进支持向量机模型在对上市公司财务困境进行判别时精度更高,具有良好的应用价值。     

财务风险预警的支持向量机应用

本文给出了财务评价指标体系及其量化方法,利用支持向量机的分类能力建立财务风险预警的模型.对上市公司的财务数据进行训练和评估.证明基于支持向量机的财务风险预警模型的可行性和实用性,实验表明支持向量机在小样本情况下具有良好的非线性建模能力和泛化能力.     

混合HOGA-SVM财务风险预警模型实证研究

目前涉及遗传算法与支持向量机相结合的预测模型中,遗传算法基本上采用的是标准算法.但是在对全局函数的优化中,一般的遗传算法容易陷入局部最优,从而降低遗传算法收敛速度和搜索精度,进而影响财务风险预警模型的精度与速度.基于此,提出了基于混合全局优化正交遗传算法(HOGA)和支持向量机(SVM)的财务风险预警模型(HOGA-SVM),通过使用混合全局优化正交遗传算法连同支持向量机来改进支持向量机进行财务风险预警的效果.结果显示,提出的模型不仅提高了财务风险预警的准确率和速度,而且模型的两类分类错误率(尤其是第一类分类错误率)相对其他模型也有了明显下降.未来的工作可以把模型的应用扩大到多分类的财务风险预警问题中.     

基于管理层净语调与SMOTE的上市公司信用风险评估

选取2016—2018年制造业上市企业作为研究样本,将管理层净语调与传统财务比率结合,采用逻辑斯蒂回归、支持向量机、随机森林构建风险预警模型,对净语调添加前后模型效力进行实证检验,并针对配对样本丢失部分样本信息以及结论适用性不足的缺陷,采用SMOTE过采样解决样本不平衡问题,探究各不平衡度下SMOTE效果。结果表明,添加管理层净语调后模型预测效力有所提高,且SMOTE样本预测效果优于配对样本。     

考虑样本不平衡的多准则库存分类加权支持向量机方法及其参数选择

针对ABC库存分类中存在的样本类别不平衡问题,提出了一种基于加权支持向量机的多准则库存分类方法,通过引入类权重因子来解决由于训练集中的类别差异引起的分类结果偏向多样本类的问题.实例研究中,通过一致测试、独立测试以及交叉校验方法进行学习,结果表明加权支持向量机比传统支持向量机具有更小的错分率和更好的稳定性.     

半模糊超球支持向量机多类分类方法研究

针对支持向量机在大类别模式分类中存在的问题,提出了一种基于半模糊核聚类的超球支持向量机分类方法.该方法首先利用半模糊核聚类方法对样本进行预处理,完成边缘样本的选取,进而以所选样本为训练样本进行超球支持向量机训练,从而有效提高分类器的性能.实验表明,该方法比标准支持向量机多类分类方法具有更高的速度和精度.     

基于SVM的建设项目风险识别方法研究

支持向量机(SVM)是在统计学习理论的基础上发展起来的一种新的机器学习方法。它基于结构风险最小化原则,能有效地解决过学习问题,具有良好的推广性和分类精确性。在项目风险管理中,风险识别是很重要的一个步骤,如果风险不能被识别,那么我们就不能对风险进行转移、控制或管理。针对该问题,本文提出了一种新的风险识别方法-支持向量机,利用该方法对项目风险识别进行了研究,并取得了很好的识别效果。     

基于最优支持向量机模型的经营失败预警研究

根据中国资本市场的实际和样本数据特点,设计一套从样本准备到模型参数优化、再到模型比较的集成解决方案,对上市公司经营失败进行预警,通过实验分析参数调整和核函数选择对支持向量机建模的影响,寻求最优的支持向量机模型.实证结果表明,经营失败预警应用中,参数和核函数的选择对预警模型有较大影响,基于最优支持向量机模型的预测效果优于统计方法和神经网络方法,支持向量机适合中国上市公司分行业小样本的实际.特别处理事件作为经营失败样本切分标准对模型产生一定影响.     

基于集成支持向量机的企业财务业绩分类模型研究

要想正确预测公司财务业绩,首先必须选择合适的预测方法。现有文献所采用的财务业绩预测模型普遍存在着泛化能力不强的问题。本文提出用支持向量机方法来预测我国上市公司的财务业绩。为了提高预测准确率,本文还用AdaBoost算法对支持向量机进行了改进(集成支持向量机)。在支持向量机核函数的选择上,我们采用了实验法,即对每个核函数及其相关参数的预测效果都进行了测算,以期找出最适用的预测模型。实证结果表明,径向基核函数(rbf)的效果最好,支持向量机方法预测准确率远远高于其它方法。     

分类中的类重叠问题及其处理方法研究

类重叠问题是数据挖掘与机器学习领域的瓶颈问题之一.如果其中还存在类不均衡问题时,情况变得更加复杂.有鉴于此,本文在已有文献基础上归纳了三种类重叠学习算法及提出一种新的方法:分隔法,并首次将支持向量数据描述算法用于实际数据的重叠样本识别,对类重叠问题及其与类不均衡问题的相互影响进行了系统研究.在真实数据上采用五种分类器的实验结果表明:1)多数情况下“分隔法”是表现最佳的类重叠学习算法;2)分隔法通常对基于分界面而非规则的分类器更为有效;3)分隔法在类不均衡问题中表现很好,当基础分类器为支持向量机时尤为突出.最后针对支持向量机的实验结果给出了理论分析.     

基于改进模糊综合评价法的信用评估体系研究—以我国中小上市公司为样本的实证研究

分析我国中小企业目前的融资困境及其根源,提出改进模糊综合评价模型—AFF模型(Analytic hierarchy process- Factor Analysis- Fuzzy Comprehensive Evaluation)对中小企业进行信用评估。该模型在进行指标权重决策问题时,不仅考虑了复杂大群体决策的不确定性,更是将主观赋权法和客观赋权法思想相结合,提出以基于群决策的AHP方法确定主观权重,基于因子分析法(FA)确定客观权重,最后将主客观权重集结得到指标的综合权重。模型既克服了传统主观因素赋权的不足,又充分考虑客观因素,而且引入了群体决策的思想,拓展了模糊综合评价法的应用,更具理论实际意义。选取信息技术服务业53家公司为样本,利用该模型进行了实证分析,验证了该模型的适用性、稳定性和客观性。分析结果表明,采用AFF模型能准确地得到公司的信用等级,并能发现导致公司信用状况不佳的相关因素,通过对相关因素的剖析,帮助领导者和决策者改善公司信用状况,具有较强的实践意义。AFF模型在各类理论与实践的综合评价中均具有应用和推广价值。     

群决策中基于二元语义的主客观权重集成方法

针对一类属性值和属性权重信息均以语言评价信息形式给出的多属性群决策问题,提出了一种基于二元语义信息处理的主客观属性权重集成方法.首先运用二元语义集成算子计算属性的主观权重,然后给出一种基于最小偏差的属性客观权重计算方法,该方法根据决策者给出的语言决策矩阵计算决策群体对属性判断的偏差,偏差越大,表明决策者对该属性评价意见的分歧越大,则应赋给该属性越小的权重值,以提高群体意见的一致性.在此基础上,对属性的主、客观权重信息进行集成,得到属性综合权重.最后通过算例说明了该方法的有效性和实用性.     

考虑投入产出效率的中小企业财务困境预测方法

中小企业在国家和区域经济发展中具有非常重要的作用.本文首先根据中小企业的经营特点,提出了一套财务困境预测的指标体系,然后提出了一种基于数据包络分析和支持向量机的中小企业财务困境集成预测方法.所提出指标体系的主要特点是,在一般企业财务困境预测指标体系的基础上,增加了企业的效率指标.应用安徽省某融资服务机构的70家中小企业历史样本数据,实证分析了本文提出方法的合理性和优越性.     

交互式多属性群决策评价方法研究

针对多属性群决策中属性指标权重的确定,将群体看作由多个被评价且参与权重决策的独立成员组成,提出一种交互式迭代算法,以均等属性权重为起点进入迭代过程,每一次迭代在当前给定的权重参数下求解含参规划模型并计算得到新的权重参数。迭代过程终止于任一群成员在相邻两次迭代的参数权重下加权综合属性值的绝对差异控制在非阿基米德无穷小量以内,此时使用的参数权重即为各属性的最优权重。实际迭代计算过程以及属性指标权重由所有群体成员共同参与和决定,故可以认为最终优化和选择结果为绝大部分成员所接受并满意。通过一个算例以及一个关于研发项目选择的实例,说明该交互式群决策评价方法的可行性和有效性。     

多属性隐式变权决策分析方法

为克服多因素变权决策方法的内在缺陷,基于Belton 和Gear提出的B/G-AHP层次分析原理给出了一种隐含式的多属性变权决策建模思想,并运用该思想给出了一种多属性变权决策新方法。它相对于多因素变权决策方法具有三方面的比较优势。其一,依赖的变权偏好信息直接由决策者给出,因而能够克服决策分析者对决策结果的主观武断性影响,更好地反映决策者的真实偏好。其二,不会受到由因素的属性值转化为偏好值所额外引入的主观测度偏差的干扰。其三,对决策者主观判断可能存在的误差予以了旨在弱化其影响的优化控制。数值分析表明新方法拥有较好的变权能力,并且相对于已有方法能够给出更易为决策者所接受的评价结论,因而具有较好的应用有效性。     

中国情境下企业社会责任与财务绩效关系的实证研究——基于大、中小型上市公司的对比分析

本文以2012年发布的中国500强且在沪深上市的企业为大型企业样本,以中小板上市企业为中小型企业样本,选取各企业2010-2012年会计年报数据,运用结构化方程模型和多元回归分析方法,分别实证检验了大型企业、中小型企业承担社会责任对企业短期财务绩效和长期财务绩效的影响。研究结果表明:(1)无论是大型企业还是中小型企业,承担社会责任都不会引起其短期财务状况的恶化。(2)大型企业和中小型企业的社会责任与长期财务绩效关系的表现不完全相同,大型企业多呈正向关系,中小型企业则负向关系较多。(3)特别值得关注的是,无论大型企业还是中小型企业,对员工和顾客的社会责任与长期财务绩效都呈负相关关系。本文研究揭示了在当前中国情境下企业履行社会责任不容乐观的现状,同时研究结果对于引导企业履行社会责任,促进我国经济社会的健康和谐发展,也具有重要的借鉴价值。     

基于区间数的PROMETHEE Ⅱ方法中权重确定

本文引入一种新的区间数距离测度,扩展了可直接处理特征空间为区间数的PROMETHEE Ⅱ多属性决策方法。并在分析属性加权向量ω与最终综合优先序值之间关系的同时,提出了一种基于区间数的PROMETHEE Ⅱ方法的属性权重ω确定原理。应用实例表明了该方法的可行性和有效性,具有推广应用价值。     

中小企业财务结构与债务融资——基于浙江的实证研究

本文以浙江省中小企业为研究对象,主要讨论三方面内容:(1)全面分析中小企业财务结构与融资特征,并与大企业作比较,得出部分中小企业在偿债能力、营运能力和盈利能力等方面均不逊色于大企业;(2)从微观角度,对中小企业主要债务融资作实证分析,识别影响中小企业债务融资的显著因素。同时根据回归结果证实中小企业主要债务融资的成本比较优势依次为:银行贷款、商业信用和非正规融资;(3)利用Kruskal-Wallis非参数检验方法判定行业因素对中小企业债务融资具有显著差异,而宏观经济周期变化对其影响却不显著。本文结论的另一重要性在于,填补主流文献仅从金融机构或政府金融体制建设等方面寻求破解中小企业融资难的答案,从企业自身经营和财务管理角度解释中小企业融资难的原因。     

Approximate weighting method for multiattribute decision problems with imprecise parameters

A multiattribute decision problem with imprecise parameters refers to one in which at least one of the parameters such as attribute weights and value scores is not represented by precise numerical values. Some well-known types of incomplete attribute weights are chosen and analyzed to find their extreme points. In doing so, we show that their coefficients matrix, by itself or by the change of variables, belongs to a class of M-matrix which enables us to find its extreme points readily due to the inverse-positive property.The knowledge of extreme points not only helps us to prioritize alternatives but also supports iterative exploration of decision-maker’s preference by investigating modified extreme points caused by additional preference information. A wide range of eligible attribute weights, however, often fail to result in the best alternative or a complete ranking of alternatives. To address this situation, we consider an approximate weighting method, so called the minimizing squared deviations from extreme points (MSD) which locates the attribute weights at the barycenter of a weight set. Accordingly, the MSD approach extends the rank order centroid (ROC) weighting method which is known to outperform other approximate weighting methods in case of ranked attribute weights. The evidence of the MSD’s superiority over a linear program-based weighting method is verified via simulation analysis under different forms of incomplete attribute weights.