上市公司作為實體經(jīng)濟的典型代表,一旦發(fā)生財務(wù)困境,不僅自身會遭受巨大損失,讓投資者利益嚴重受損,甚至可能對整個平穩(wěn)發(fā)展的經(jīng)濟社會造成巨大沖擊。只有科學(xué)地展開對我國上市公司財務(wù)困境識別和預(yù)警的的研究,才能及時發(fā)現(xiàn)財務(wù)困境的誘因并采取有效的防范措施,避免造成不可挽回的損失。因此,尋求一種健康有效的財務(wù)困境預(yù)警方法,無論是對我國經(jīng)濟還是對上市公司發(fā)展而言,都意義重大。本文以規(guī)范的研究方法為主進行企業(yè)財務(wù)預(yù)警研究,嘗試探討企業(yè)財務(wù)困境預(yù)測的新方法。在回顧國內(nèi)外學(xué)者有關(guān)財務(wù)預(yù)警的已有研究后,論述了財務(wù)預(yù)警的研究基礎(chǔ);通過剖析企業(yè)財務(wù)風險和財務(wù)困境之間的聯(lián)系,界定了本文對上市公司財務(wù)困境的理解;通過解析上市公司發(fā)生財務(wù)困境的內(nèi)部和外部路徑,搭建了財務(wù)預(yù)警框架;在理解本文采用的長短期記憶神經(jīng)網(wǎng)絡(luò)（后文均用“LSTM神經(jīng)網(wǎng)絡(luò)”表示）的設(shè)計原理后,結(jié)合深度學(xué)習中的TensorFlow框架和Python3.6.4開發(fā)平臺,編程實現(xiàn)了應(yīng)用LSTM神經(jīng)網(wǎng)絡(luò)對相關(guān)數(shù)據(jù)的處理;剖析將LSTM神經(jīng)網(wǎng)絡(luò)應(yīng)用到我國上市公司財務(wù)預(yù)警研究中的優(yōu)勢。隨后在本文的核心章節(jié)中,充分考慮了影響企業(yè)財務(wù)狀況的內(nèi)部因素,建立了一個由二... 

【文章來源】：重慶理工大學(xué)重慶市

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【部分圖文】：

基于深層LSTM神經(jīng)網(wǎng)絡(luò)的財務(wù)預(yù)警模型空間結(jié)構(gòu)圖

5.基于深度學(xué)習的我國上市公司財務(wù)預(yù)警模型設(shè)計39圖5.3單步長維度T-2年的前七個指標的特征分布圖樣本特征分布圖可以更直觀地了解所采集樣本數(shù)據(jù)的值域，通過觀察每一個特征的分布曲線，可以從其波動中查詢到異常數(shù)據(jù)的存在。波動較為平緩的曲線表明數(shù)據(jù)的值域波動范圍不大，突兀的頂峰表明該值對應(yīng)的上市公司財務(wù)數(shù)據(jù)與大多數(shù)公司有較大差異，應(yīng)重點關(guān)注。由于LSTM神經(jīng)網(wǎng)絡(luò)層必須指定輸入的形狀，而且每個LSTM層的輸入必須是三維的。所以需要重新構(gòu)建輸入數(shù)據(jù)，將輸入數(shù)據(jù)重構(gòu)成【樣本，時間步長，特征】格式。接下來確定訓(xùn)練集和測試集，按訓(xùn)練集和測試集確定輸入變量和輸出變量，并按LSTM的輸入格式改造輸入變量。在上一節(jié)構(gòu)建的基于深層LSTM神經(jīng)網(wǎng)絡(luò)的財務(wù)預(yù)警模型中，4個LSTM層的隱藏層神經(jīng)元個數(shù)分別為50，512，512，2，輸出層有一個神經(jīng)元。損失函數(shù)采用平均絕對誤差MAE，即將預(yù)測值與實際值之差的絕對值進行加總，呈現(xiàn)了預(yù)測值的平均偏差幅度，不需要考量偏差的正負方向；采用自適應(yīng)矩估計Adam的隨機梯度下降做優(yōu)化，動態(tài)調(diào)整針對每個參數(shù)的學(xué)習速率；LSTM層采用sigmoid函數(shù)作為激活函數(shù)，學(xué)習率為0.01，迭代次數(shù)為200次，批處理為64個。為了比較不同維度的訓(xùn)練過程中損失函數(shù)和精度的變化，本文展示單步長維度T-2年和多步長維度T-2至T-3年的訓(xùn)練過程，具體如圖5.4和5.5所示：

單步長維度T-2年的訓(xùn)練過程

【參考文獻】：
期刊論文
[1]上市公司財務(wù)危機預(yù)測研究——基于Cox比例風險模型[J]. 鄧麗純,杜偉勇.  會計之友. 2020(04)
[2]基于XGBoost模型的企業(yè)財務(wù)危機預(yù)警研究[J]. 張培榮.  財會通訊. 2019(35)
[3]農(nóng)業(yè)上市公司的財務(wù)風險預(yù)警研究——基于因子分析法和聚類分析法[J]. 蘆笛,王冠華.  會計之友. 2019(24)
[4]基于數(shù)據(jù)挖掘的上市公司財務(wù)風險預(yù)警研究——來自京津冀上市公司的經(jīng)驗證據(jù)[J]. 張曉萍,張穎,張若望,劉虹雨,崔維康,尹航.  時代經(jīng)貿(mào). 2019(31)
[5]基于深度學(xué)習的上市公司財務(wù)風險預(yù)警研究[J]. 劉洪濤.  中國鄉(xiāng)鎮(zhèn)企業(yè)會計. 2019(09)
[6]基于深度學(xué)習LSTM神經(jīng)網(wǎng)絡(luò)的全球股票指數(shù)預(yù)測研究[J]. 楊青,王晨蔚.  統(tǒng)計研究. 2019(03)
[7]基于現(xiàn)金流量角度的財務(wù)預(yù)警模型研究——以房地產(chǎn)行業(yè)為例[J]. 鄧旭東,張瑜,徐文平.  會計之友. 2018(23)
[8]基于深度學(xué)習的上市公司財務(wù)風險預(yù)警模型研究[J]. 宋歌,馬濤.  價值工程. 2019(01)
[9]關(guān)于深度學(xué)習的綜述與討論[J]. 胡越,羅東陽,花奎,路海明,張學(xué)工.  智能系統(tǒng)學(xué)報. 2019(01)
[10]基于logistic回歸的制造業(yè)上市公司財務(wù)困境預(yù)警模型[J]. 康雨舟.  現(xiàn)代經(jīng)濟信息. 2018(15)

博士論文
[1]財務(wù)困境及其與資本結(jié)構(gòu)、公司治理結(jié)構(gòu)的關(guān)系[D]. 王志偉.復(fù)旦大學(xué) 2004



本文編號：3379051