基于Benford律的Logistic模型及其在财务舞弊识别中的应用

Benford律能有效评估财务数据质量,Logistic模型识别舞弊公司准确率较高,两种方法已广泛应用到舞弊审计中。现提出将Benford律与Logistic模型相结合的一种舞弊识别新方法。利用Benford律筛选数据质量低的财务指标,构造标记潜在财务舞弊样本点的Benford因子,建立包含Benford因子的Logistic模型。利用中国上市公司财务数据模拟研究显示,相比于普通Logistic模型,包含Benford因子的Logistic模型往往具有更高的正确率。对于财务舞弊样本点,新模型的正确率也高于普通Logistic模型。     

基于Logistic回归和BP神经网络的财务预警模型比较

国内对Logistic回归模型和BP神经网络模型在财务预警方面已有不少实证研究,这些研究大多从预测准确度较高的角度出发,认为两个模型可以借鉴使用,但没有具体讨论模型犯第一类错误(将财务危机误判为财务正常)和第二类错误(将财务正常误判为财务危机)的概率.文章结合Logistic回归模型及BP神经网络模型的原理,选取上市公司财务数据进行实证,研究结果表明BP神经网络模型总体预测准确性较高,犯第一类错误的概率较低,对财务预警分析有一定借鉴作用;Logistic回归模型预测准确度低于BP神经网络模型,且犯第一类错误的概率远高于BP神经网络模型,因此运用该模型进行财务预警时应十分谨慎.     

基于机器学习的上市公司财务预警模型的构建

文章通过运用多种机器学习方法分别建立时间跨度为5年和6年的上市公司财务风险预警模型,初始选择了29个指标,利用数据挖掘的特征选择方法,最终选取9个有代表性的指标来建立模型。实验表明,最近邻分类、多层感知机、BP神经网络及逻辑回归四类方法建立风险预警模型的性能相当,可以较好地预测上市公司财务危机。     

基于神经网络的创新型企业财务危机预警研究

选取48家上市公司为研究对象,采用20个指标,应用神经网络方法,对创新型企业上市公司的财务危机进行预警研究.聚类值输入的神经网络模型整个学习过程相对平稳,波动性小,尤其是后期阶段.整个过程中,最好的预测值为89.04％.对于使用连续值输入的财务预警模型预测准确度要低于聚类值输入的财务预警模型,而且其预测过程中所表现出的稳定性要差得多.     

我国上市公司财务困境预测新探

本文采用主成分分析方法确定模型变量,建立多元判别分析(MDA)、Logistic回归和改进型BP神经网络模型进行财务困境预测。结果表明,神经网络模型的预测准确率明显优于多元判别分析和Logistic回归模型,而后两者的判别效果接近,神经网络模型更适合于财务困境预测。但三种模型的长期预警能力不够理想,提出建立以定量模型为主、定性分析为辅的上市公司财务困境预测新方法。     

上市公司财务预警实证研究

财务预警研究具有重大的实际应用价值,但是传统的财务预警研究的预警指标体系设置存在局限性。为了解决这个问题,本文从现金流量的角度通过显著性差异t检验构建预警指标,利用多元逐步回归方法建立预警模型,对上市公司进行实证研究。实证结果表明利用现金流量指标构建模型对上市公司的财务预测非常有用,建议通过分析预警警兆等来完善企业现金流量财务预警系统。     

基于灰色理论和神经网络的公司财务预警模型

通过合理选取财务风险预警指标,基于函数变换的GM（1,1）模型和神经网络建立了动态财务预警模型。实证研究结果表明,该财务预警模型能够有效反映企业财务状况的发展趋势,从而为财务风险预警提供了新的研究方法。     

BP神经网络在基本养老保险基金支付风险预警中的应用

尝试将BP神经网络引入基本养老保险基金的风险预警中,以期为其提供一种新的预警工具和方法。首先,建立了一套基本养老保险基金风险预警指标体系,构建了基于BP网络的基本养老保险基金风险预警模型;其次,采集1996年至2008年间的上海市各年度基本养老保险基金的历史数据对该模型进行了反复训练和学习,取得了误差率仅为3.86%的预测结果,说明该模型有很好的拟合度;最后,依据国际国内经验对基本养老保险基金的警情指标设置了五个警度输出区间。     

互联网企业广告收入预测研究——基于低频数据的神经网络和时间序列组合模型

神经网络模型对大样本时间序列的拟合效果优于传统时间序列模型,但对于年度、月度、日度等低频时间序列的预测则难以发挥其优势。鉴于此,本文应用传统时间序列模型和神经网络模型,建立Holtwinters-BP组合模型,利用Holtwinters模型分别拟合各解释变量序列,利用BP模型拟合解释变量和自变量的非线性关系,基于某社交新闻类APP的日广告收入数据进行互联网企业广告收入预测研究。通过与循环神经网络(RNN)模型、长短期记忆神经网络(LSTM)模型等预测结果的对比发现:Holtwinters-BP组合模型的预测精度和稳定性更高;证明多维变量对于广告收入的显著影响,多变量模型的预测准确性高于单变量模型;构建的Holtwinters-BP组合模型对于低频数据预测有较好的有效性和适用性。     

房地产财务风险预警系统研究

文章首先对2006～2010年A股上市的房地产公司的财务风险预警系统进行了研究,并分析了房地产上市公司的财务风险因素;其次在选取财务和非财务指标作为备选指标,及进行预处理和显著性检验后,运用因子分析对指标项进行了降维处理,并采用BP-Adaboost神经网络算法对房地产公司的财务风险进行了预测;最后结合财务风险预测结果,提出了后续研究内容和思路。     

基于Twin-SVM的多分形金融市场风险的智能预警研究

本文以沪深300指数（CSI300）长达11年时间的5分钟高频交易数据为研究样本,首先提出一种基于多分形特征的金融市场正常与关注状态的界定方法,并引入新型的支持向量机（SVM）人工智能模型,即孪生SVM（Twin-SVM）模型对多分形特征下的金融市场风险展开预警研究。实证结果表明：（1）中国新兴金融市场的价格波动具有显著的多分形特征;（2）基于多分形特征参数界定的正常与关注状态不仅准确,而且也具有明显的统计检验意义和明确的现实意义;（3）与传统SVM和BP神经网络（NN）相比,Twin-SVM在预测精度上不仅显著更高,而且在预测稳定性上也明显更优,即Twin-SVM能够有效地解决其它预警模型存在的非对称样本问题。     

榆林资源型产业集群可持续发展评估指标预测研究

构建出资源型产业集群可持续发展评估指标体系,应用所设计的Matlab7.1计算运行程序对其未来发展趋势进行预测研究,结果表明：榆林资源型产业集群可持续发展趋势良好;基于BP人工神经网络的预测方法在资源型产业集群可持续发展评估指标预测研究中具有较强的仿真能力。     

基于椭圆概率神经网络的企业财务危机预警

在国际经济一体化的大环境下,随着企业竞争的日趋激烈,企业进行财务危机的预警显得尤为重要。基于椭圆概率神经网络的财务危机预警方法是概率神经网络的改进,考虑代表输入变量重要性的变量权值、代表样本有效范围的核宽倒数及代表样本可靠程度的数据权值,利用该方法对企业财务危机进行预测。实证分析结果证明：此方法的优越性有较高的预测准确性,能够为中国资本市场的发展提供很大的帮助。     

基于机器学习LSTM&US模型的消费者信心指数预测研究

消费者信心指数等宏观经济指标具有时间上的滞后效应和动态变化的多维性,不易精确预测。本文基于机器学习长短时间记忆(Long Short-Term Memory,LSTM)神经网络模型,结合大数据技术挖掘消费者信心指数相关网络搜索数据(User Search,US),进而构建一种LSTM&US预测模型,并将其应用于对我国消费者信心指数的长期、中期与短期的预测研究,同时引入多个基准预测模型进行了对比分析。结果发现:引入网络搜索数据能够提高LSTM神经网络模型的预测性能与预测精度;LSTM&US预测模型具有较好的泛化能力,对不同期限的预测效果均较稳定,其预测性能与预测精度均优于其他六种基准预测模型(LSTM、SVR&US、RFR&US、BP&US、XGB&US和LGB&US);预测结果显示本文提出的LSTM&US预测模型具有一定的实用价值,该预测方法为消费者信心指数的预测与预判提供了一种新的研究思路,丰富了机器学习方法在宏观经济指标预测领域中的理论研究。     

金融市场收益率方向预测模型研究———基于文本大数据方法

金融市场的发展关系着一国的经济命脉,而股票市场作为金融市场的重要组成部分,对其收益率的研究也一直都是学术界的热点。财经新闻常被认为蕴含着丰富的信息,其中所包含的情感信息作为影响投资者投资决策的重要因素之一,对股票收益率也具有一定的影响。故本文构建了适用于金融投资领域的财经新闻情感词典来对财经新闻进行文本分析,同时构造了新的预测模型:将财经新闻文本中所含的情感量化为情绪指数并与时变密度函数相结合,得到时变加权密度模型。并在此基础上以模型评分为权重组合多个预测模型构建出评分加权模型用于股票收益率预测。结果显示,加入情绪指数能有效提高模型预测能力,而评分加权模型的预测能力则在此基础上更进一步,在准确率以及评分规则上基本达到双重最优。     

Prediction of bankruptcy using support vector machines: an application to bank bankruptcy

The purpose of this study was to apply support vector machines (SVMs) to bank bankruptcy analysis using practical steps. Although the prediction of the financial distress of companies is done using several statistical and machine learning techniques, bank classification and bankruptcy prediction still need to be investigated because few investigations have been conducted in this field of banking. In this study, SVMs were implemented to analyse financial ratios. Data sets from Turkish commercial banks were used. This study shows that SVMs with the Gaussian kernel are capable of extracting useful information from financial data and can be used as part of an early warning system.     

基于可拓模型的高科技上市公司财务风险预警研究

高科技上市公司由于行业特点,其经营业绩容易产生波动,因此建立高科技上市公司风险预警模型一直是国内外学者研究的焦点。根据可拓学的相关理论,选取高科技上市公司的相关财务指标建立高科技上市公司财务风险可拓预警模型,运用现有公开数据对可拓预警模型加以检验,并对下一年度有可能出现风险的公司加以预警,以期望能够为投资者的决策分析和监管部门的监督管理提供理论参考。     

递归预测器神经网络在中国金融市场的实证研究

金融时间序列预测是金融理论领域的研究热点之一。以金融市场中普遍存在的弱混沌为基础,对递归预测器神经网络在中国金融市场的预测应用进行实证研究。在网络训练上,提出用遗传算法优化网络的阈值、权值以及激发函数的幅值和斜率。对国内股票、期货和黄金市场中几个有代表性的品种进行实证检验,计算了预测均方根误差（RMSE）和预测精度（PA）,并和两种典型的神经网络预测模型——BP神经网络、径向基函数神经网络做了比较,结果表明该模型有较好的预测效果。