自上個世紀(jì)90年代起,財(cái)務(wù)危機(jī)預(yù)測一直是人們關(guān)注的話題,許多知名公司財(cái)務(wù)危機(jī)等金融丑聞頻頻曝光,使投資者信心受損,危害了資本市場的正常運(yùn)轉(zhuǎn),產(chǎn)生了極大的負(fù)面影響。我國證券市場經(jīng)過三十余年的發(fā)展,證券規(guī)模不斷擴(kuò)大,已經(jīng)在國民經(jīng)濟(jì)體系中占據(jù)了非常關(guān)鍵的位置部分企業(yè)在不斷擴(kuò)張的同時,財(cái)務(wù)部分也隱藏了巨大風(fēng)險(xiǎn)。如果能夠根據(jù)已有的財(cái)務(wù)數(shù)據(jù),判斷企業(yè)當(dāng)前的財(cái)務(wù)狀況,及早發(fā)現(xiàn)財(cái)務(wù)危機(jī),不僅企業(yè)管理者可以及時發(fā)現(xiàn)并采取相應(yīng)措施,投資者也可以調(diào)整投資戰(zhàn)略,避免投資有財(cái)務(wù)危機(jī)風(fēng)險(xiǎn)的公司,減少自身損失。在這樣的背景下,建立上市公司財(cái)務(wù)危機(jī)預(yù)警模型有著重要的意義。上市公司財(cái)務(wù)狀況受到多方面因素影響,本文根據(jù)諸多影響因素選取20個指標(biāo),構(gòu)建了上市公司財(cái)務(wù)預(yù)警指標(biāo)體系。本次研究收集了2008年至2017年共計(jì)663家上市公司的有效財(cái)務(wù)數(shù)據(jù),將公司種類分為ST企業(yè)、正常企業(yè)、取消ST企業(yè),使用主成分分析方法對收集到的財(cái)務(wù)數(shù)據(jù)進(jìn)行降維,為進(jìn)一步預(yù)測企業(yè)財(cái)務(wù)危機(jī)困境,提出了基于K-means++和改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)預(yù)測模型,并與BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)計(jì)算結(jié)果進(jìn)行對比分析。實(shí)證結(jié)果表明,采用K-means+-... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

RBF神經(jīng)網(wǎng)絡(luò)流程圖

哈爾濱工業(yè)大學(xué)管理學(xué)碩士學(xué)位論文-37-神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果如表4-9和圖4-2所示，其中0、1、2、3、4、5類分別代表健康、良好、一般、輕度預(yù)警、中度預(yù)警、重度預(yù)警財(cái)務(wù)狀況區(qū)間：表4-9圖4-6K-means++-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測情況分類0123450110000001085026002006701727300099011480001030500080101誤判數(shù)目800341739圖4-2K-means++-BP神經(jīng)網(wǎng)絡(luò)混淆矩陣根據(jù)運(yùn)算結(jié)果，K-means++-BP神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)危機(jī)預(yù)警模型在健康區(qū)間、良好區(qū)間和一般區(qū)間不存在誤判情況，誤判率為0；在重度預(yù)警區(qū)間的誤判情況最多，有39項(xiàng)錯誤判斷，誤判率為5.9%，在輕度預(yù)警區(qū)間的誤判數(shù)目略少于中度預(yù)警區(qū)間，中度預(yù)警區(qū)間的誤判數(shù)目為輕度預(yù)警區(qū)間誤判數(shù)目的一半，誤判率為2.6%。4.2.3基于K-means+-RBF神經(jīng)網(wǎng)絡(luò)模型的財(cái)務(wù)危機(jī)預(yù)測以上數(shù)據(jù)預(yù)處理和聚類為RBF神經(jīng)網(wǎng)絡(luò)預(yù)警模型的構(gòu)造打下了良好的基礎(chǔ)，根據(jù)收集到的數(shù)據(jù)集，從中隨機(jī)抽取2/3作為學(xué)習(xí)對象，1/3作為測試對象進(jìn)行運(yùn)算。本次實(shí)驗(yàn)使用python進(jìn)行。RBF神經(jīng)輸入節(jié)點(diǎn)數(shù)為經(jīng)過數(shù)據(jù)清洗后形成的20個指標(biāo)，輸出節(jié)點(diǎn)個數(shù)為K-means++聚類形成的6類，根據(jù)經(jīng)驗(yàn)公式：m=nl其中，m為隱藏節(jié)點(diǎn)數(shù)，n為輸入節(jié)點(diǎn)數(shù)，l為輸出節(jié)點(diǎn)數(shù)據(jù)此確定隱含層節(jié)點(diǎn)數(shù)為10。根據(jù)Smith[47]在提出的理論選擇神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率，使用BGD算法對RBF神經(jīng)

哈爾濱工業(yè)大學(xué)管理學(xué)碩士學(xué)位論文-38-網(wǎng)絡(luò)優(yōu)化。運(yùn)行程序，RBF神經(jīng)網(wǎng)絡(luò)平均在800次學(xué)習(xí)后程序較為穩(wěn)定，RBF神經(jīng)網(wǎng)絡(luò)對樣本數(shù)據(jù)綜合判斷平均正確率為0.7960725075528701。損失函數(shù)變化如圖4-3所示：圖4-3K-means++-RBF神經(jīng)網(wǎng)絡(luò)損失函數(shù)變化情況神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果如表4-10和圖4-4所示：表4-10K-means++-RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測情況分類01234508900021013104040020080021103015085010480240790500217090誤判數(shù)目111526214220圖4-4K-means++-RBF神經(jīng)網(wǎng)絡(luò)混淆矩陣00.511.522.530100200300400500600700800900

【參考文獻(xiàn)】：
期刊論文
[1]基于圖結(jié)構(gòu)擴(kuò)散界面理論的財(cái)務(wù)預(yù)警模型[J]. 王成章,白曉明.  數(shù)理統(tǒng)計(jì)與管理. 2020(05)
[2]基于動態(tài)財(cái)務(wù)指標(biāo)和反欺詐的財(cái)務(wù)危機(jī)預(yù)警[J]. 李辰杰.  計(jì)算機(jī)應(yīng)用. 2019(S2)
[3]基于盈利質(zhì)量的DANP變權(quán)財(cái)務(wù)預(yù)警模型[J]. 李慧,溫素彬,焦然.  系統(tǒng)工程理論與實(shí)踐. 2019(07)
[4]基于多維時間序列的建筑業(yè)上市公司信用風(fēng)險(xiǎn)研究[J]. 張洪祥,鄭澤宇.  工程管理學(xué)報(bào). 2018(03)
[5]基于懲罰組變量選擇的COX財(cái)務(wù)危機(jī)預(yù)警模型[J]. 王小燕,袁欣.  系統(tǒng)工程. 2018(03)
[6]基于PCA-PSO-SVM的上市公司財(cái)務(wù)危機(jī)預(yù)警[J]. 劉玉敏,申李瑩,任廣乾.  管理現(xiàn)代化. 2017(03)
[7]制度情境與企業(yè)違規(guī):基于跨國面板數(shù)據(jù)的實(shí)證研究[J]. 周俊.  外國經(jīng)濟(jì)與管理. 2017(03)
[8]宏觀經(jīng)濟(jì)因素對公司資本結(jié)構(gòu)影響的研究——兼論三種資本結(jié)構(gòu)理論的關(guān)系[J]. 呂峻,石榮.  當(dāng)代經(jīng)濟(jì)科學(xué). 2014(06)
[9]我國行業(yè)風(fēng)險(xiǎn)的決定因素及傳遞機(jī)制研究——來自滬深300細(xì)分行業(yè)的經(jīng)驗(yàn)證據(jù)[J]. 吳恒煜,胡錫亮,呂江林,聶富強(qiáng).  當(dāng)代經(jīng)濟(jì)科學(xué). 2014(05)
[10]A股上市公司ST風(fēng)險(xiǎn)預(yù)警——基于KMV模型的大樣本經(jīng)驗(yàn)實(shí)證[J]. 陳延林,吳曉.  華南師范大學(xué)學(xué)報(bào)(社會科學(xué)版). 2014(04)

碩士論文
[1]我國中小企業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警方法研究及實(shí)現(xiàn)[D]. 劉艷.西南財(cái)經(jīng)大學(xué) 2013



本文編號：3330720