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.     

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。     

EVA的财务预警实证研究

本文以我国上市公司为研究对象,选取了65家处于财务困境的公司和75家财务正常的公司为样本,在传统财务指标的基础上引入EVA,运用Logistic回归分析方法,构建了财务困境模型。研究结果表明,相对于传统的财务指标,EVA对企业的财务困境具有较强的判别能力,模型具有超前3年的预测能力。     

基于SVM求解不均衡数据集分类的主观权重约束方法

支持向量机(SVM)的二类分问题中针对不平衡数据集可以通过减少样本信息的不对称性和改进算法来解决。本文针对中小企业中有财务风险与无财务风险样本的不平衡性问题,使用一种带有主观权重约束条件的支持向量机新模型对样本进行分类。实验表明新模型确实提高了财务风险企业即少类样本的识别性能,是一种类别不均衡学习(class imbalance learning)的新方法。     

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。     

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.     

基于滚动时间窗口支持向量机的财务困境预测动态建模

该文从财务困境概念漂移的全新视角,提出了基于滚动时间窗口支持向量机(suppon vector machine,SVM)的财务困境预测动态建模新方法.设计了面向概念漂移进行财务困境预测动态建模的思路框架,分为宽度固定的滚动时间窗口 SVM 和宽度可变的滚动时间窗口 SVM 分别展开算法设计.以中国上市公司为对象,通过模拟时间推移过程,对 2000 至 2008 期间被 ST 的上市公司及其配对公司共692个样本展开实证研究.结果表明:基于滚动时间窗口 SVM 的财务困境预测动态建模方法能够有效地适应财务困境的概念漂移现象,对未来企业财务困境的预测效果明显优于静态 SVM 模型.通过比较分析,认为适应性可变时间窗口 SVM 动态建模方法具有较好的应用推广性.     

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.     

基于模糊支持向量机的上市公司财务困境预测

支持向量机(SVM)已经成功地应用于财务困境预测问题的研究,且已证明优于多元线性判别分析(MDA)、逻辑回归(Logistic regression)和神经网络(NN)等方法.然而,传统SVM使用结构风险最小化的原则,这样可能导致错误分类的经验风险升高,特别是当样本点与最优超平面十分接近的时候,这种误分类的经验风险显著升高.另外,传统SVM还存在过拟合问题,所以对数据集中的外点或噪声十分敏感.因此,采用模糊支持向量机(FSVM)算法来改进上述不足.首先,建立一个适当的成员模型用于对整个数据集的模糊处理;然后通过外点侦察方法(ODM)来发现外点,其中ODM集成了模糊C-均值算法(Fuzzy C-mean algorithm)和无监督神经网络中的自组织映射(SOM).最后,为主体集和外点集中的样本点分配不同的权值.还将FSVM应用于上市公司财务困境预测的实证研究,实证结果表明FSVM与传统SVM相比,FSVM 能较好的解决经验风险升高和过度拟合问题,确实降低了外点的影响并提高了分类器的分类准确率.     

基于财务与非财务指标的财务困境预警研究——以制造业上市公司为例

本文以沪深A股市场2005-2009年294家制造业上市公司为样本,以因财务状况异常而被ST作为公司发生财务困境的标志,分别建立了仅包含财务比率指标的单一模型和同时包含财务和非财务指标的综合模型.研究结果表明,加入非财务类指标后的综合模型,无论是在预测能力方面还是在误判成本方面均得到显著优化.     

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。     

基于信息披露文本的上市公司财务困境预测:以中文年报管理层讨论与分析为样本的研究

本文采用文本分析方法研究了中文年报管理层讨论与分析传递的管理层语调能否提供财务困境预测的增量信息、能否提高预测的准确性以及文本内容的信息价值,主要结论为：（1）管理层语调确实为财务困境预测提供了新的信息,能提高财务困境模型的拟合程度和预测能力;（2）管理层语调是对定量财务数据的重要补充,而且这些信息并没有在市场交易价格中得到充分反映;（3）负面语调比净语调具有更高的信息价值;（4）财经文本情感或语调的分析应以基于相关来源财经文本的情感词词典为基础,而直接引入其他领域成熟词典的效果较差。     

治理弱化与财务危机:一个预测模型

本文首先讨论了治理弱化与财务危机的辨证关系;然后在分析13个变量的基础上,运用Logistic回归给出了判别上市公司财务危机的一个模型。这一模型包括四个变量:毛利率、其它应收款与总资产的比率、短期借款与总资产的比率、股权集中系数。其中,股权集中系数是公司治理结构的直接表征,也是本文模型异于其他预测模型的首要区别。本文模型的回判准确率为84.52%,而对2000年新增加的“ST”公司的判别准确率则达到了95.45%。     

企业失败预测模型研究——来自台湾的证据

以台湾上市公司公开的财务比率数据,探讨财务比率之间的领先和滞后情况,以期修正过去财务危机文献所忽略的时间落差因素.根据领先变量和滞后变量建构上市公司财务危机预测模型,以期由模型的预测为政府、监督机关、投资人和债权人探讨台湾资本市场发生财务危机提供一个参考.实证结果显示,标准化数据(考虑产业因素)比非标准化数据(未考虑产业因素)更具预测能力,故在进行财务危机方面预测性研究时应将产业因素予以控制或消除;负债比率和营业利益率是两个最早期用于判别的领先指标,若仅以这两个指标预测公司的状况,则在发生危机的前一季,其准确率可以高达 90%; 若加入流动比率、存货周转率、总资产周转率和现金流量比率综合观察,则在危机发生前一季时,可有 95% 的高预测能力.     

基于对偶犹豫模糊几何Heronian平均算子的多属性决策方法及其应用

针对需要同时考虑变量隶属度、非隶属度以及关联性的融合问题，本文将对偶犹豫模糊集与Heronian平均算子相结合，定义了对偶犹豫模糊几何Heronian平均算子和对偶犹豫模糊几何加权Heronian平均算子，讨论了新算子的一些优良特性，包括幂等性、置换不变性、有界性、单调性等性质，并针对属性值为对偶犹豫模糊语言信息关联系的多属性决策问题，建立了基于对偶犹豫模糊几何加权Heronian平均算子的多属性决策模型，基于所定义的算子和建立的数学模型，提出了一种新的基于对偶犹豫模糊Heronian平均算子的多属性决策方法。最后，通过多属性决策算例验证了方法的有效性和可行性。     

现金流量在财务困境预测中的信息含量实证研究——来自2003-2004年度ST公司的新证据

本文选取2003-2004年度60家财务困境样本和120家非财务困境样本,分别运用单变量和多变量logistic分析检验了现金流量信息在财务困境预测中的相对信息含量和增量信息含量,研究发现:(1)在我国上市公司陷入财务困境前1年,经营性现金流量的相对信息含量仅次于资产报酬率和资产周转率,其预测效率优于其它应计制会计变量;(2)无论在财务困境前1年还是前2年,现金流量类变量在会计比率的基础上均具有显著的增量信息含量。本文的研究结果显示,从财务困境预测研究的角度看,充分挖掘现金流量信息的预测价值应成为未来此类研究的方向;从投资者角度看,现金流量表为投资者提供了决策有用的信息。     

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RS与ANN的上市公司财务困境预测模型的实证研究

本文以中国上市公司作为研究对象,采用粗糙集理论(RS)客观选出预测模型指标体系,以因财务状况异常而被列为特别处理公司(ST公司)作为界定上市公司的财务困境标志,采用人工神经网络(ANN)寻找最佳的利用公开财务数据预测中国上市公司财务困境的模型。我们的研究结果表明,总资产报酬率等18个包括现金流量类指标的财务指标有较强的区分财务困境公司和财务健康公司的能力;行业类型和资产规模对于上市公司财务困境预测具有至关重要的作用;运用ANN建立的神经网络模型有较强和较稳定的预测能力。