本文關鍵詞：基于多分類器性能比較的企業(yè)財務預警研究

  更多相關文章： 財務預警 分類器 數(shù)據(jù)挖掘 模型性能

【摘要】：我國進入社會主義市場經(jīng)濟以來在給企業(yè)發(fā)展帶來無限機遇的同時,也不斷在強化企業(yè)間的競爭程度；上市公司進入資本市場后在獲得廣闊的發(fā)展空間的同時,自身也面臨著無盡的風險危機。這一系列的發(fā)展結果除了不斷增強企業(yè)管理者的管理難度外,更多的是給企業(yè)投資者、利益相關者帶來了不確定的風險與損失。市場經(jīng)濟對于企業(yè)管理者、投資者、利益相關者來說,是一把雙刃劍。在當今經(jīng)濟與金融震蕩發(fā)展的背景下,企業(yè)管理者、投資者、利益相關者準確識別市場風險,把握投資企業(yè)的財務狀況,及時作出正確的風險判斷及采取相對應的措施,顯得尤為重要。與此同時,數(shù)據(jù)挖掘方法在企業(yè)財務預警中的應用已經(jīng)成為了研究的熱點。本文以中國A股市場上的上市公司為研究樣本,結合數(shù)據(jù)挖掘技術中的多種分類器模型,開發(fā)出了以中國上市公司為例的多分類器財務預警分析流程。所做的主要工作如下描述：(1)在基于權責發(fā)生制與收付實現(xiàn)制的視角下,通過以權責發(fā)生制與收付實現(xiàn)制相結合的研究視角對以往的企業(yè)財務預警指標體系進行指標補充和重新整合,得出6維度36指標的企業(yè)財務預警體系。(2)在上述預警指標體系的基礎上針對中國上市公司樣本數(shù)據(jù)進行樣本設計,運用多個數(shù)據(jù)挖掘技術中的分類器算法,在樣本訓練集上建立了多分類器財務預警模型,如神經(jīng)網(wǎng)絡、C5.0、CHAID (C)、CR樹(R)、QUEST (Q)、Logistic、判別式、SVM、貝葉斯網(wǎng)絡和KNN預警模型等。(3)在樣本測試集上對多個分類器財務預警模型的預測準確度、曲線下方區(qū)域、訓練樣本精確性、模型提升度、最大利潤發(fā)生比例、最大利潤等模型性能指標進行了計算。(4)在多分類器預警模型建立了之后,運用收益(Gains)、響應(Response)、提升度(Lift)、利潤(Profit)、累計投資回報率(ROI-return on investment)這5個指標對各個分類器預警模型的性能進行分析。主要結論如下描述：(1)在企業(yè)財務預警指標體系中,影響企業(yè)在今后是否發(fā)生財務危機最重要的指標為每股凈資產、經(jīng)營現(xiàn)金流入占比、投資現(xiàn)金流入占比、經(jīng)營現(xiàn)金流入流出比、籌資現(xiàn)金流入流出比、每股經(jīng)營活動現(xiàn)金流量、凈資產收益率、應付賬款周轉率等這八個指標,所以企業(yè)在將來是否被ST不僅取決于自身盈利能力的因素,也取決于盈利質量和現(xiàn)金流能力的因素。(2)數(shù)據(jù)對預警模型的訓練結果具有決定性作用。重視研究過程的規(guī)范化比得出特殊性研究結論更為重要,需要建立財務預警研究與實踐的一般方法：即針對樣本數(shù)據(jù)的特殊性進行相應的樣本設計后,建立多財務預警模型,運用多項模型性能評價指標對多個財務預警模型進行性能評價,最后篩選出性能較好的財務預警模型進行預測結論分析。最后從實踐角度對企業(yè)投資者、管理者、企業(yè)利益相關者提出兩點建議：(1)對企業(yè)作出財務危機預警時,除了考察財務報表上的各項財務比率外,還需重點考察現(xiàn)金流量表中的各項財務指標,以權責制與收付制相結合的視角進行財務預警分析。(2)對企業(yè)作出財務危機預警時,需建立多分類器預警模型,運用多項模型性能評價指標對預警模型性能作出評價,從而選擇出優(yōu)秀的預警模型,充分利用模型方法提高預測效力。
【關鍵詞】：財務預警 分類器 數(shù)據(jù)挖掘 模型性能
【學位授予單位】：廣西大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：F275;F224
【目錄】：

• 摘要4-6
• Abstract6-12
• 第一章 緒論12-21
• 1.1 研究背景12-15
• 1.2 研究目的和意義15-16
• 1.2.1 研究目的15
• 1.2.2 研究意義15-16
• 1.3 研究對象界定16-19
• 1.3.1 財務危機界定16-18
• 1.3.2 財務預警界定18-19
• 1.4 研究框架及結構安排19-21
• 1.4.1 研究框架19-20
• 1.4.2 本文研究技術路線圖20-21
• 第二章 相關研究綜述21-33
• 2.1 財務預警指標選擇研究綜述21-24
• 2.1.1 國外相關研究21-22
• 2.1.2 國內相關研究22-24
• 2.2 財務預警模型選擇研究綜述24-31
• 2.2.1 財務危機預警研究現(xiàn)狀24-29
• 2.2.2 基于數(shù)據(jù)挖掘方法的財務預警研究現(xiàn)狀29-31
• 2.3 現(xiàn)有研究不足與本文研究創(chuàng)新31-33
• 2.3.1 現(xiàn)有研究不足31-32
• 2.3.2 本文創(chuàng)新之處32-33
• 第三章 財務預警指標選擇理論及預警框架搭建33-44
• 3.1 財務預警變量選擇理論33-38
• 3.1.1 財務預警指標選擇的前提條件33-34
• 3.1.2 基于財務視角的指標選擇理論34-36
• 3.1.3 基于收付實現(xiàn)制視角的指標選擇理論36-38
• 3.2 財務預警指標框架搭建38-44
• 3.2.1 指標框架搭建的基本原則38-39
• 3.2.2 變量框架體系的具體設計39-44
• 第四章 數(shù)據(jù)挖掘簡介及企業(yè)財務預警數(shù)據(jù)預處理44-54
• 4.1 數(shù)據(jù)挖掘簡介44-45
• 4.2 基于數(shù)據(jù)挖掘方法的財務預警應用過程45-48
• 4.2.1 明確問題45
• 4.2.2 數(shù)據(jù)收集45-46
• 4.2.3 數(shù)據(jù)預處理46
• 4.2.4 模型評估46-47
• 4.2.5 知識表現(xiàn)47-48
• 4.3 財務預警樣本設計與指標數(shù)據(jù)選取48-50
• 4.3.1 樣本設計48-49
• 4.3.2 數(shù)據(jù)選取49-50
• 4.4 財務預警樣本簡單描述性統(tǒng)計分析50-54
• 第五章 多分類算法的企業(yè)財務危機預警研究54-87
• 5.1 分類算法介紹54-67
• 5.1.1 決策樹(Decision Tree)54-56
• 5.1.2 人工神經(jīng)網(wǎng)絡(Artificial Neural Network,ANN)56-60
• 5.1.3 支持向量機(Support Vector Machine,SVM)60-63
• 5.1.4 貝葉斯網(wǎng)絡(Bayesian Network)63-66
• 5.1.5 K近鄰(k-Nearest Neighbour,KNN)66-67
• 5.1.6 本節(jié)小結67
• 5.2 分類算法的企業(yè)財務預警模型構建及其性能比較67-76
• 5.2.1 基于SPSS Modeler平臺預警模型構建67-69
• 5.2.2 各財務預警分類器算法性能比較69-76
• 5.3 分類器模型預測指標重要性結果匯總76-81
• 5.4 C5.0算法財務預警分類器結果匯總及結論分析81-87
• 5.4.1 結果匯總82-85
• 5.4.2 結論分析85-87
• 第六章 研究總結、建議與展望87-90
• 6.1 研究總結及相關建議87-89
• 6.1.1 研究總結87-88
• 6.1.2 相關建議88-89
• 6.2 研究展望89-90
• 參考文獻90-96
• 攻讀碩士學位期間發(fā)表論文情況96-97
• 后記97-98

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 葉強,鄒鵬,尚維;基于多分類器融合的客戶細分研究[J];管理科學;2004年02期

2 羅彬;邵培基;羅盡堯;劉獨玉;夏國恩;;基于多分類器動態(tài)集成的電信客戶流失預測[J];系統(tǒng)工程學報;2010年05期

3 琚春華;鄒江波;魏建良;張華;;基于情景特征的前饋動態(tài)集成分類器[J];管理工程學報;2013年04期

4 雷蕾,吳乃君,劉鵬,劉蘭娟;靈敏度分析:分類器中的缺失數(shù)據(jù)[J];管理學報;2005年S2期

5 孔志周;蔡自興;;多分類器融合框架下的模糊積分方法[J];統(tǒng)計與決策;2007年10期

6 王雙成;裴t(yī)q;畢玉江;;經(jīng)濟周期轉折點預測的動態(tài)貝葉斯網(wǎng)絡分類器模型[J];管理工程學報;2011年02期

7 黃敏;朱曉林;沈穎;童俊煒;吳海東;;硬幣自動分類器的研制[J];機電產品開發(fā)與創(chuàng)新;2013年06期

8 溫箐笛;;集成多分類器在客戶流失預測中的應用[J];科技資訊;2012年21期

9 宋磊;;基于SODM的支持向量機的多分類器融合算法[J];統(tǒng)計與決策;2011年17期

10 李子葉;王亞剛;郭菊娥;席酉民;;基于模糊集貼近度的文本信息分類器分辨率改進算法研究[J];管理工程學報;2009年01期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 王占一;徐蔚然;劉東鑫;郭軍;;一種基于兩級分類器的垃圾短信過濾方法[A];第五屆全國信息檢索學術會議論文集[C];2009年

2 翟靜;李海宏;唐常杰;陳敏敏;李智;;可驗證對象集分類器的再訓練演進[A];第十九屆全國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2002年

3 陳繼航;劉家鋒;趙巍;唐降龍;;聯(lián)機手寫識別筆段特征分類器的學習方法[A];黑龍江省計算機學會2009年學術交流年會論文集[C];2010年

4 穆明生;;基于特征集的多種分類器模型的在線筆跡認證[A];第十屆全國信號處理學術年會（CCSP-2001）論文集[C];2001年

5 彭濤;左萬利;赫楓齡;;基于鏈接上下文的分類器主題爬行技術(英文)[A];第二十三屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2006年

6 王嵐;陳珂;遲惠生;;基于多特征組合多分類器的方法用于“與文本無關”的說話人辨認[A];第四屆全國人機語音通訊學術會議論文集[C];1996年

7 謝秋玲;;應用于心電圖分類的KNN-SVM分類器研究[A];2006中國控制與決策學術年會論文集[C];2006年

8 胡瓊;汪榮貴;胡韋偉;孫見青;;基于級聯(lián)分類器的快速人臉檢測方法[A];計算機技術與應用進展·2007——全國第18屆計算機技術與應用（CACIS）學術會議論文集[C];2007年

9 李蘭春;王雙成;杜瑞杰;;認知結構評估的動態(tài)貝葉斯網(wǎng)絡分類器方法[A];2011年中國智能自動化學術會議論文集（第一分冊）[C];2011年

10 邵小健;段華;賀國平;;一種改進的最少核分類器[A];中國運籌學會第七屆學術交流會論文集（上卷）[C];2004年

中國重要報紙全文數(shù)據(jù)庫 前1條

1 黃明;精子分類器決定生男生女[N];廣東科技報;2000年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 張非;對抗逃避攻擊的防守策略研究[D];華南理工大學;2015年

2 張文博;多類別智能分類器方法研究[D];西安電子科技大學;2014年

3 許勁松;智能交通中目標檢測與分類關鍵技術研究[D];南京理工大學;2014年

4 余家林;普通場景視頻人臉檢測與識別的關鍵技術研究[D];浙江大學;2016年

5 趙作林;基于圖像分析的北京地區(qū)楊樹種類識別研究[D];北京林業(yè)大學;2015年

6 任亞峰;基于標注和未標注數(shù)椐的虛假評論識別研究[D];武漢大學;2015年

7 劉明;分類器組合技術研究及其在人機交互系統(tǒng)中的應用[D];北京交通大學;2008年

8 嚴志永;在劃分數(shù)據(jù)空間的視角下基于決策邊界的分類器研究[D];浙江大學;2011年

9 王U，

本文編號：797841