縱觀前人關(guān)于財務(wù)預(yù)警的研究設(shè)計及成果積累,盡管在指標(biāo)體系設(shè)計、預(yù)警模型構(gòu)建等方面不斷推陳出新,但大多以實證的角度出發(fā)來追求高準(zhǔn)確率,與企業(yè)風(fēng)險管控的實際需求和應(yīng)用有所脫節(jié)�；谝陨纤伎�,本文以廣譽(yù)遠(yuǎn)為例,試圖在前人對于財務(wù)預(yù)警研究的基礎(chǔ)上切入同行業(yè)上市公司年報風(fēng)險披露的視角,對醫(yī)藥制造業(yè)所有上市公司年報風(fēng)險披露部分進(jìn)行文本挖掘,從管理層的角度來匯總同行業(yè)企業(yè)的高頻風(fēng)險點,并據(jù)此來設(shè)計預(yù)警指標(biāo)體系中非財務(wù)指標(biāo)的選取路徑、預(yù)警模型的二次驗證及廣譽(yù)遠(yuǎn)財務(wù)風(fēng)險的匹配篩查,以期將財務(wù)預(yù)警的研究效果落實在企業(yè)的實際應(yīng)用層面中。論文主要的工作內(nèi)容大致可分為以下幾個部分:首先,采用我國醫(yī)藥制造業(yè)全部上市公司作為研究樣本,選取近三年的若干財務(wù)指標(biāo)和非財務(wù)指標(biāo)來建立預(yù)警指標(biāo)體系。其中,關(guān)于財務(wù)指標(biāo)的選取沿用了前人的思路;在非財務(wù)指標(biāo)的選取中,使用基于Python編程語言的文本挖掘技術(shù)匯總了醫(yī)藥制造業(yè)全部上市公司年報風(fēng)險披露中的高頻詞,并據(jù)此作為非財務(wù)指標(biāo)的選取思路,以求更為貼近醫(yī)藥制造業(yè)的行業(yè)特征和實際需求。其次,使用matlab軟件搭建BP神經(jīng)網(wǎng)絡(luò)財務(wù)預(yù)警模型,使用SPSS軟件將所選的預(yù)警指標(biāo)降維成8個...

【文章頁數(shù)】：81 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖3.1風(fēng)險詞云圖

的文本源。接著，使用Python里的jieba擴(kuò)展庫，自動剔除掉文本里的若干副詞、介詞、連接詞、語氣詞等無明確意義的中文停用詞，以及文本中的標(biāo)點、數(shù)字等字符串，進(jìn)行初步的文本清洗。經(jīng)過初步的文本預(yù)處理，本文使用計算機(jī)語言Python中的jieba分詞包，編寫程序?qū)⒔?jīng)過處理后的風(fēng)險....

圖4.1BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

東華理工大學(xué)碩士學(xué)位論文28服了梯度下降算法收斂慢的缺陷，其優(yōu)點是所需的存儲量小，具有有限步收斂性，且具有較高的穩(wěn)定性（孫峰等，2018）[73]。因此本文選用trainscg作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)。⑥網(wǎng)絡(luò)參數(shù)設(shè)定。神經(jīng)網(wǎng)絡(luò)的算法設(shè)計是基于不斷的誤差反饋并加以修正的一個自我學(xué)習(xí)過....

圖4.2預(yù)警模型檢驗結(jié)果

財務(wù)預(yù)警模型的構(gòu)建29表4.5不同隱含層節(jié)點下的模型識別率Table4.5Modelrecognitionrateunderdifferenthiddenlayernodes隱含層節(jié)點數(shù)45678樣本識別率（%）76.582%78.433%76.916%77.562%73.497....

圖5.1共詞聚類樹狀圖

廣譽(yù)遠(yuǎn)財務(wù)預(yù)警與風(fēng)險篩查37圖5.1共詞聚類樹狀圖Figure5.1cowordclusteringtree

本文編號：3949604