隨著我國(guó)經(jīng)濟(jì)的發(fā)展,上市公司數(shù)量在逐漸增多,同時(shí)也帶來(lái)了上市公司虧損占比逐漸增大的噩耗,所以建立企業(yè)財(cái)務(wù)預(yù)警模型對(duì)我國(guó)經(jīng)濟(jì)的穩(wěn)健發(fā)展有著重要意義。另外,如果能夠建立有效的企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型,企業(yè)就可以提前對(duì)自己財(cái)務(wù)狀況進(jìn)行評(píng)估,可以在危機(jī)爆發(fā)之前就及時(shí)采取有效措施來(lái)遏制財(cái)務(wù)狀況的惡化,極大的減小了破產(chǎn)的可能性,同時(shí)也幫助投資人和相關(guān)企業(yè)降低相關(guān)損失。因此,建立一個(gè)有效的企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型對(duì)企業(yè)、廣大投資者和我國(guó)經(jīng)濟(jì)市場(chǎng)都有著重要意義。為了建立上市公司企業(yè)危機(jī)預(yù)警模型,本文先對(duì)含有99個(gè)特征指標(biāo)的3372個(gè)A股上市公司的財(cái)務(wù)數(shù)據(jù)進(jìn)行初步的數(shù)據(jù)選取,剩余72個(gè)指標(biāo),然后依次進(jìn)行數(shù)據(jù)填充、數(shù)據(jù)歸一化和特征選擇。在數(shù)據(jù)填充過(guò)程中對(duì)比了常用的數(shù)據(jù)填充方法,選擇了填充后均方誤差值最小的隨機(jī)森林方法對(duì)整個(gè)數(shù)據(jù)進(jìn)行填充。特征選擇過(guò)程中先后使用顯著性檢驗(yàn)、基于AUC的隨機(jī)森林、Lasso方法,篩選出17個(gè)特征變量來(lái)建立后續(xù)模型。本文數(shù)據(jù)存在高度不平衡的問(wèn)題,為了構(gòu)建合理的A股上市企業(yè)財(cái)務(wù)預(yù)警模型,本文使用了解決數(shù)據(jù)不平衡問(wèn)題的SMOTE算法和平衡隨機(jī)森林算法,使用召回率、正判率、宏平均、F_... 

【文章來(lái)源】：北京工業(yè)大學(xué)北京市 211工程院校

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

意義相近指標(biāo)的相關(guān)系數(shù)矩陣熱力圖

第 3 章 數(shù)據(jù)處理與特征選擇性檢驗(yàn)除掉無(wú)法有效區(qū)分ST企業(yè)和非ST企業(yè)的變量，提高后續(xù)用顯著性檢驗(yàn)的方法。由于樣本分布不同，通常采用顯著本文先用 Python 的 scipy.stats.shapiro 模塊對(duì) ST 企業(yè)和非行正態(tài)分布檢驗(yàn)并畫(huà)出散點(diǎn)圖，散點(diǎn)圖結(jié)果見(jiàn)圖 3-3，由均在 0 附近，變量均不服從正態(tài)分布，所以本文使用tney U)[38]檢驗(yàn)方法的方法來(lái)對(duì)ST企業(yè)和非ST企業(yè)進(jìn)行

將每一次挑選剩下的 N-1 份數(shù)據(jù)作為訓(xùn)練集，對(duì)每一次的 N隨機(jī)森林模型的訓(xùn)練，在模型訓(xùn)練的過(guò)程中計(jì)算此次的 OOB-AUC選擇，挑選特征重要性排名前 K 的特征變量出來(lái)作為被選中的變個(gè)過(guò)程中進(jìn)行了 N 次模型的訓(xùn)練和變量選擇，將最優(yōu)的 OOB-AU次交叉驗(yàn)證的 AUC 值； m<M，返回第 2 步，否則結(jié)束循環(huán)。將在第 2 步中產(chǎn)生的交叉驗(yàn)均，并作為此次交叉驗(yàn)證的 AUC 值，記為 cv-AUC，可以衡量隨。整個(gè)過(guò)程一共進(jìn)行了 N M次，每個(gè)變量被選入模型的N M選中的次數(shù)。2）AUC-RF 特征選擇數(shù)據(jù)集進(jìn)行 AUC-RF 特征選擇，選取的步驟如下：利用隨機(jī)森林重要性度量的方法對(duì)指標(biāo)進(jìn)行初始排序。由于本文數(shù)所有的變量全部放上圖會(huì)展現(xiàn)不清晰，現(xiàn)在僅將重要性在前 20 的 3-4 中呈現(xiàn)出來(lái)。

【參考文獻(xiàn)】：
期刊論文
[1]我國(guó)上市公司財(cái)務(wù)困境的預(yù)測(cè)模型研究[J]. 吳世農(nóng),盧賢義.  經(jīng)濟(jì)研究. 2001(06)

博士論文
[1]中國(guó)股票市場(chǎng)分割與一體化演進(jìn)問(wèn)題研究[D]. 胡新明.華中科技大學(xué) 2007

碩士論文
[1]基于核參數(shù)優(yōu)化的SVM方法及其在股市中的應(yīng)用研究[D]. 陳曉燕.西安理工大學(xué) 2018
[2]基于集成算法的上市公司財(cái)務(wù)危機(jī)預(yù)警研究[D]. 史立新.暨南大學(xué) 2018
[3]Adaptive Boosting算法及組合分類(lèi)器的構(gòu)建研究[D]. 王玲娣.江南大學(xué) 2018
[4]Lasso及其改進(jìn)方法在變量選擇中的優(yōu)劣性研究[D]. 郝寬.哈爾濱工業(yè)大學(xué) 2018
[5]基于Boosting的集成樹(shù)算法研究與分析[D]. 連克強(qiáng).中國(guó)地質(zhì)大學(xué)(北京) 2018
[6]基于隨機(jī)森林的高維不平衡數(shù)據(jù)分類(lèi)方法研究[D]. 徐少成.太原理工大學(xué) 2018
[7]非均衡分類(lèi)的集成學(xué)習(xí)應(yīng)用研究[D]. 從威.南京信息工程大學(xué) 2017
[8]九種常用缺失值插補(bǔ)方法的比較[D]. 廖祥超.云南師范大學(xué) 2017
[9]基于多分類(lèi)器性能比較的企業(yè)財(cái)務(wù)預(yù)警研究[D]. 丘皓威.廣西大學(xué) 2016
[10]構(gòu)建上市公司財(cái)務(wù)危機(jī)預(yù)警模型的研究[D]. 常有霞.河北經(jīng)貿(mào)大學(xué) 2015



本文編號(hào)：3061980