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.     

基于粗糙集理论的财务危机预警研究

本文针对财务危机预警中财务比率数量较多时计算量较大的问题,提出了基于粗糙集理论的财务危机预警模型,将财务比率分别作为条件属性,将企业所处的状态作为决策属性,从而构成一个财务预警决策系统.通过对决策表的属性约简和规则约简,得到决策系统的最小决策规则,从而实现财务危机预警.测试结果表明,该方法的预警结果正确、有效.     

基于ERP的财务危机预警子系统的建立

每年有大量企业出现财务危机甚至破产,尽管这些企业运行着ERP或财务软件系统,但系统本身并没有财务危机预警子系统,难以进行实时自动预测报警,从而失去了企业经营赖以决策的重要诊断工具。本文将ERP功能扩展,进行了财务危机预警子系统的系统分析与设计。     

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。     

基于模糊优选和神经网络的企业财务危机预警

提出了基于系统模糊优选和神经网络模型的企业财务危机预警方法, 对企业财务危机的 测定、财务危机预警推理知识的神经网络动态学习与推理、财务危机指标的预测等功能进行了 集成, 实例分析表明该方法有效、可行, 为企业财务危机的动态预警提供了新的途径.     

基于模糊综合评价的财务危机预警研究

本文针对传统财务预警研究方法的不足,提出将模糊综合评判法引入到财务危机预警研究中,并在综合考虑财务指标与非财务指标的基础上,建立企业财务危机综合评价体系,从而更有效的预测财务风险。     

财务危机预警研究方法的比较及评析

本文分别对财务危机预警研究中使用的多种定量研究方法、定性研究方法进行了简介、比较和评析;通过对两大类研究方法优缺点的比较,得出将两类研究方法相结合可以提高预测准确率的结论.     

上市公司财务危机预警研究——基于主成分分析

财务危机会导致企业陷入经营困境,甚至破产。文章以我国上市公司为样本,通过主成分分析法,在Z评分值模型的基础上建立财务危机预警模型,该模型的预测正确率达70.83%,对管理者及时采取风险应对措施、正确评估客户信用风险、投资者作出投资选择都有一定的指导意义。     

基于非财务指标的企业财务危机模糊预警模型研究

针对企业财务危机预警难以做到真实、准确的问题,提出了基于非财务指标的企业财务危机模糊预警模型。应用多级模糊综合评判法对财务风险因素进行定量化评价,对定性的非财务指标采用模糊统计的方法,从定量与定性相结合的角度出发,构建了财务危机的模糊预警模型,并对其进行了检验,以期使预警结果更加真实、准确。     

基于PSO和SVM的上市公司财务危机预警模型

提出了一种将经过改进的离散粒子群(PSO)算法和支持向量机(SVM)相结合的算法,以选择最优的指标集并用于财务危机预警。将此算法应用于上市公司的数据,检验模型提前3年的预警效果,最后与常见的主成分分析方法与SVM相结合的模型进行对比,结果证明了PSO-SVM模型的合理性和优越性。     

专家系统与神经网络集成系统的设计

人工神经网络与专家系统, 作为人工智能应用的两大分支, 在实际应用中都有许多成功的范例. 但作为单个系统来讲, 二者都存在很大的局限性, 主要是专家系统知识获取的“瓶颈问题”和神经网络知识表达的“黑箱结构”. 为解决这个问题, 一个辅助股票分析的神经网络与专家系统的集成系统被研制出来, 试图将两种技术相结合, 达到优势互补的目的. 利用神经网络优良的自组织、自学习和自适应能力来解决专家系统知识获取的困难, 同时用专家系统良好的解释机能来弥补神经网络中知识表达的缺陷. 论文对系统的功能、结构流程的分析设计, 有关知识获取、规则抽取、推理过程等关键技术性问题的解决方法进行了论述. 这个系统的研制证明了集成系统的优势及其增强辅助决策的能力.     

我国综合类上市公司财务危机预警模型的比较研究

以1998-2004年沪深两市首次被特别处理的A股综合类上市公司为研究对象,通过均值比较、配对样本T检验和Z检验,从9个方面的27个研究变量中选取了9个差异显著的变量,建立了危机前(t-2)年的判别分析模型、逻辑回归模型和人工神经网络模型。各种模型均取得较高的预测效果,尤其是判别分析模型,判正率高达89.29%。     

面向供电行业的财务业绩预警技术研究

财务危机由潜伏到发作再到恶化通常都是经历了一个渐进积累转化的过程。及早察觉财务危机的信号,对企业财务危机进行预警,能够使企业的管理者赢得充裕的时间,在财务危机的萌芽状态就采取有效措施。本文以电力行业的财务业绩预警技术为研究对象,阐述了财务业绩预警指标选取的五个原则,选取了反映获利能力、偿债能力、营运能力三方面的13个指标。选取层次分析法作为权重的计算方法。本文的研究成果将对我国电力企业有效预防财务危机的发生起到一定的积极作用。     

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.     

有关中国上市公司财务危机预警模型的实证分——基于2002-2004年新增ST公司

本文以2002-2004年深沪两市首次被ST的118家上市公司作为研究对象,同时选择同行业且资产规模相近的118家盈利公司作为配对样本。在界定了“财务危机”的范围后,利用ST公司财务危机前1年的数据,初步选择了20个财务指标,对ST公司与配对样本的均值、标准差、T统计量和Z统计量进行分析,寻找ST公司与非ST公司在财务指标上的差异,并采用主成分分析法进一步筛选财务指标。最后运用二元逻辑回归(Logit),建立起上市公司财务危机前1年的预警模型,且进行了预测。     

有关中国上市公司财务危机预警模型的实证分析——基于2002-2004年新增ST公司

本文以2002-2004年深沪两市首次被ST的118家上市公司作为研究对象,同时选择同行业且资产规模相近的118家盈利公司作为配对样本.在界定了"财务危机"的范围后,利用ST公司财务危机前1年的数据,初步选择了20个财务指标,对ST公司与配对样本的均值、标准差、T统计量和Z统计量进行分析,寻找ST公司与非ST公司在财务指标上的差异,并采用主成分分析法进一步筛选财务指标.最后运用二元逻辑回归(Logit),建立起上市公司财务危机前1年的预警模型,且进行了预测.     

基于模糊聚类和模糊模式识别的企业财务预警

在回顾国内学者关于企业财务预警模型研究的基础上,提出了一种新的预警模型--基于模糊聚类和模糊模式识别模型.利用该模型对训练样本进行模糊聚类,计算最优聚类中心,对待估样本所属类别进行模糊模式识别.通过对40家沪市上市公司进行实证分析,取得了较好的预警效果.最后针对模型存在的问题提出进一步的研究方向.     

基于关键信息的非常规突发事件预警模型研究

本文以"基于关键信息的非常规突发事件预警模型研究"为题,以关键信息为出发点,考虑到非常规突发事件发展演化路径的非线性、信息的不完整性、无规律性以及指标设计难以量化等特点,通过文献的梳理与实际调研,设计出科学的预警指标体系,并综合运用基于DEMATEL的多层次模糊综合评价法与态势分析法,提出针对突发事件的定性定量的综合型预警模型,对非常规突发事件进行预警具有一定的指导意义。     

基于信息融合的数据挖掘方法在公司财务预警中的应用

目前越来越多的数据挖掘方法被用于风险预警中,决策树、支持向量机、神经网络、Logistic回归等方法在风险预警中都表现出了较好的特性和预警效果,但是不同数据挖掘分类方法得到的结果不同,往往导致预警结果的不一致,因此也会存在一定风险。本文引入信息融合技术对不同数据挖掘分类方法得到的结果进行融合处理得到最优的结果,解决了不同数据挖掘方法得到的结果不一致问题。文章在SVM和Logistic回归的数据挖掘模型基础上建立基于信息融合的公司财务预警模型,提高了财务预警准确率,并且保留了原数据挖掘方法在分类预测上的优势。在实证研究中,论文选取了中国制造业的上市公司作为研究对象,在SVM和Logistic回归两种数据挖掘模型的基础上利用信息融合方法建立了财务预警模型,实证结果表明,基于信息融合的数据挖掘方法的预测准确率要高于单独的SVM和Logistic回归两种方法。     

基于遗传算法的上市公司财务危机预测规则发现研究

本文以我国沪深A股上市公司为研究对象,选取制造业公司376家,其中被特别处理的ST公司188家,与其配对的健康公司188家,使用遗传算法和财务比率建立了财务危机IF-THEN判别模型,经检验,提前3年进行危机预测平均准确率为83.89%.