證券市場是國民經(jīng)濟(jì)的重要組成部分,尤其是股票市場,被譽(yù)為宏觀經(jīng)濟(jì)的晴雨表,我國證券市場歷經(jīng)近20多年的發(fā)展,規(guī)模日益壯大,總市值高達(dá)3.71萬億美元,位居全球第四位。股票市場的投資、融資功能可以滿足投資者資本增值以及企業(yè)資本積累以利于長期經(jīng)營的需求。然而,由于上市公司經(jīng)營不善、流動(dòng)性不足等原因?qū)е缕湎萑胴?cái)務(wù)危機(jī),將對(duì)證券投資者、債權(quán)人的利益造成損害,不利于證券市場的穩(wěn)定性。根據(jù)上市公司公開披露的財(cái)務(wù)數(shù)據(jù),預(yù)先分析和預(yù)測其財(cái)務(wù)風(fēng)險(xiǎn)的大小,將對(duì)投資者起到警醒作用,優(yōu)化其投資決策,對(duì)證券市場投資者、債權(quán)人以及其他利益相關(guān)者具有重要意義,保障證券市場長期穩(wěn)定的運(yùn)行。本文在梳理已有預(yù)警模式的基礎(chǔ)上,提出一種將多個(gè)連續(xù)周期上市公司財(cái)務(wù)數(shù)據(jù)時(shí)序化、離散化,形成每個(gè)上市公司特有的企業(yè)時(shí)段基因的模型,通過動(dòng)態(tài)扭曲時(shí)間距離衡量基因之間的相似度,使用數(shù)據(jù)挖掘分類器進(jìn)行訓(xùn)練和分類達(dá)到預(yù)測上市公司財(cái)務(wù)狀況的目的。該模型主要包括三個(gè)方面:1)將連續(xù)年份的公司財(cái)務(wù)數(shù)據(jù)組合為時(shí)間序列,通過數(shù)據(jù)預(yù)處理抽象為企業(yè)時(shí)段基因;2)衡量時(shí)段基因之間的相似度,找出最佳的匹配模式;3)通過訓(xùn)練數(shù)據(jù)挖掘分類器,分析和預(yù)測時(shí)段基因所對(duì)應(yīng)的財(cái)務(wù)狀況。最后,利用近五年A股上市公司數(shù)據(jù)進(jìn)行了實(shí)證分析,結(jié)果顯示,時(shí)段基因財(cái)務(wù)預(yù)警方法能更好的體現(xiàn)財(cái)務(wù)危機(jī)發(fā)生時(shí)間上的連續(xù)性,上市公司之間的相似性,其預(yù)測較為準(zhǔn)確。
【學(xué)位單位】：天津大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2014
【中圖分類】：F832.51;F275
【部分圖文】：

據(jù)挖掘和機(jī)器學(xué)習(xí)的算法中，相似度和距離的度量是至關(guān)重要的，據(jù)挖掘的結(jié)果。同樣，如何定義和測量時(shí)段基因之間的距離是時(shí)段模型的關(guān)鍵之處。由于時(shí)段基因中攜帶有時(shí)間序列信息，用傳統(tǒng)的相似度，難以取得較好的效果。因此，本文中時(shí)段基因財(cái)務(wù)預(yù)警模識(shí)別領(lǐng)域被廣泛應(yīng)用的動(dòng)態(tài)扭曲時(shí)間距離算法，它能夠更加精確的數(shù)據(jù)的相似度，識(shí)別相似的模式。TW 理論序列相似度度量最常用的歐氏距離，歐氏距離簡單、快速，并且滿，然而它不能處理局部的時(shí)間彎曲。動(dòng)態(tài)扭曲時(shí)間距離（Dynamic，DTW）支持時(shí)間彎曲的經(jīng)典相似度度量算法，動(dòng)態(tài)扭曲時(shí)間距離間代價(jià)選擇彎曲路徑進(jìn)行匹配，對(duì)于時(shí)間序列發(fā)生彎曲后或者錯(cuò)位量有非常好的識(shí)別效果[56][57]。如圖 4-1 所示：

通過前面的系統(tǒng)分析與設(shè)計(jì)，對(duì)系統(tǒng)最基本的功能和技術(shù)架構(gòu)有了一定的了解。系統(tǒng)實(shí)施是具體編碼的過程，還包括系統(tǒng)測試的部分。下圖是系統(tǒng)的部分頁面展示。圖 5-1 是時(shí)段基因財(cái)務(wù)預(yù)警系統(tǒng)的主界面。

34圖 5-1 查看實(shí)驗(yàn)信息圖 5-2 是實(shí)驗(yàn)時(shí)選取公司的頁面，可以根據(jù) CSRC 行業(yè)分類、GICS 分類以及所在地區(qū)作為檢索條件，方便查詢和選取。圖 5-2 選取公司圖 5-3 是實(shí)驗(yàn)時(shí)選取指標(biāo)的界面，可以輸入指標(biāo)類型進(jìn)行檢索，方便查詢，查詢出的指標(biāo)顯示在左邊的框中，選取的指標(biāo)會(huì)在右邊的框中顯示。

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 崔曉莉;武磊;;上市公司財(cái)務(wù)預(yù)警模型研究綜述[J];現(xiàn)代商貿(mào)工業(yè);2013年24期

2 任芹玉;;基于多維度時(shí)段基因在財(cái)務(wù)預(yù)警中的應(yīng)用[J];信息技術(shù);2013年11期

3 陳學(xué)軍;;淺談企業(yè)如何實(shí)施財(cái)務(wù)預(yù)警分析[J];當(dāng)代經(jīng)濟(jì);2013年06期

4 陳乾;胡谷雨;;一種新的DTW最佳彎曲窗口學(xué)習(xí)方法[J];計(jì)算機(jī)科學(xué);2012年08期

5 朱淑琴;趙瑛;;DTW語音識(shí)別算法研究與分析[J];微計(jì)算機(jī)信息;2012年05期

6 吳占君;;時(shí)段基因模式的財(cái)務(wù)指標(biāo)分析與應(yīng)用[J];價(jià)值工程;2012年02期

7 侯居茌;梁瑩;任長志;;多變量連續(xù)屬性離散化方法[J];模式識(shí)別與人工智能;2011年06期

8 李正欣;張鳳鳴;李克武;;基于DTW的多元時(shí)間序列模式匹配方法[J];模式識(shí)別與人工智能;2011年03期

9 丁世飛;齊丙娟;譚紅艷;;支持向量機(jī)理論與算法研究綜述[J];電子科技大學(xué)學(xué)報(bào);2011年01期

10 王艷華;陳昌明;;制藥企業(yè)財(cái)務(wù)預(yù)警實(shí)證研究[J];經(jīng)濟(jì)研究導(dǎo)刊;2010年31期

相關(guān)博士學(xué)位論文 前5條

1 陳海燕;面板數(shù)據(jù)模型的檢驗(yàn)方法研究[D];天津大學(xué);2010年

2 董曉莉;時(shí)間序列數(shù)據(jù)挖掘相似性度量和周期模式挖掘研究[D];天津大學(xué);2007年

3 杜奕;時(shí)間序列挖掘相關(guān)算法研究及應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2007年

4 范昕煒;支持向量機(jī)算法的研究及其應(yīng)用[D];浙江大學(xué);2003年

5 張保穩(wěn);時(shí)間序列數(shù)據(jù)挖掘研究[D];西北工業(yè)大學(xué);2002年

相關(guān)碩士學(xué)位論文 前8條

1 朱磊;上市公司財(cái)務(wù)預(yù)警機(jī)制研究[D];黑龍江八一農(nóng)墾大學(xué);2013年

2 李友坤;BP神經(jīng)網(wǎng)絡(luò)的研究分析及改進(jìn)應(yīng)用[D];安徽理工大學(xué);2012年

3 吳占君;財(cái)務(wù)預(yù)警的時(shí)段基因模式方法研究[D];天津大學(xué);2012年

4 盧榮;基于動(dòng)態(tài)扭曲算法的時(shí)間序列部分周期模式挖掘研究[D];天津大學(xué);2009年

5 桑應(yīng)賓;基于K近鄰的分類算法研究[D];重慶大學(xué);2009年

6 湯巖;時(shí)間序列分析的研究與應(yīng)用[D];東北農(nóng)業(yè)大學(xué);2007年

7 吳昌友;神經(jīng)網(wǎng)絡(luò)的研究及應(yīng)用[D];東北農(nóng)業(yè)大學(xué);2007年

8 闕夏;連續(xù)屬性離散化方法研究[D];合肥工業(yè)大學(xué);2006年

本文編號(hào)：2820969