本文關(guān)鍵詞：基于多分類器性能比較的企業(yè)財(cái)務(wù)預(yù)警研究

  更多相關(guān)文章： 財(cái)務(wù)預(yù)警 分類器 數(shù)據(jù)挖掘 模型性能

【摘要】：我國(guó)進(jìn)入社會(huì)主義市場(chǎng)經(jīng)濟(jì)以來(lái)在給企業(yè)發(fā)展帶來(lái)無(wú)限機(jī)遇的同時(shí),也不斷在強(qiáng)化企業(yè)間的競(jìng)爭(zhēng)程度；上市公司進(jìn)入資本市場(chǎng)后在獲得廣闊的發(fā)展空間的同時(shí),自身也面臨著無(wú)盡的風(fēng)險(xiǎn)危機(jī)。這一系列的發(fā)展結(jié)果除了不斷增強(qiáng)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(guān)者帶來(lái)了不確定的風(fēng)險(xiǎn)與損失。市場(chǎng)經(jīng)濟(jì)對(duì)于企業(yè)管理者、投資者、利益相關(guān)者來(lái)說(shuō),是一把雙刃劍。在當(dāng)今經(jīng)濟(jì)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(guān)者準(zhǔn)確識(shí)別市場(chǎng)風(fēng)險(xiǎn),把握投資企業(yè)的財(cái)務(wù)狀況,及時(shí)作出正確的風(fēng)險(xiǎn)判斷及采取相對(duì)應(yīng)的措施,顯得尤為重要。與此同時(shí),數(shù)據(jù)挖掘方法在企業(yè)財(cái)務(wù)預(yù)警中的應(yīng)用已經(jīng)成為了研究的熱點(diǎn)。本文以中國(guó)A股市場(chǎng)上的上市公司為研究樣本,結(jié)合數(shù)據(jù)挖掘技術(shù)中的多種分類器模型,開發(fā)出了以中國(guó)上市公司為例的多分類器財(cái)務(wù)預(yù)警分析流程。所做的主要工作如下描述：(1)在基于權(quán)責(zé)發(fā)生制與收付實(shí)現(xiàn)制的視角下,通過(guò)以權(quán)責(zé)發(fā)生制與收付實(shí)現(xiàn)制相結(jié)合的研究視角對(duì)以往的企業(yè)財(cái)務(wù)預(yù)警指標(biāo)體系進(jìn)行指標(biāo)補(bǔ)充和重新整合,得出6維度36指標(biāo)的企業(yè)財(cái)務(wù)預(yù)警體系。(2)在上述預(yù)警指標(biāo)體系的基礎(chǔ)上針對(duì)中國(guó)上市公司樣本數(shù)據(jù)進(jìn)行樣本設(shè)計(jì),運(yùn)用多個(gè)數(shù)據(jù)挖掘技術(shù)中的分類器算法,在樣本訓(xùn)練集上建立了多分類器財(cái)務(wù)預(yù)警模型,如神經(jīng)網(wǎng)絡(luò)、C5.0、CHAID (C)、CR樹(R)、QUEST (Q)、Logistic、判別式、SVM、貝葉斯網(wǎng)絡(luò)和KNN預(yù)警模型等。(3)在樣本測(cè)試集上對(duì)多個(gè)分類器財(cái)務(wù)預(yù)警模型的預(yù)測(cè)準(zhǔn)確度、曲線下方區(qū)域、訓(xùn)練樣本精確性、模型提升度、最大利潤(rùn)發(fā)生比例、最大利潤(rùn)等模型性能指標(biāo)進(jìn)行了計(jì)算。(4)在多分類器預(yù)警模型建立了之后,運(yùn)用收益(Gains)、響應(yīng)(Response)、提升度(Lift)、利潤(rùn)(Profit)、累計(jì)投資回報(bào)率(ROI-return on investment)這5個(gè)指標(biāo)對(duì)各個(gè)分類器預(yù)警模型的性能進(jìn)行分析。主要結(jié)論如下描述：(1)在企業(yè)財(cái)務(wù)預(yù)警指標(biāo)體系中,影響企業(yè)在今后是否發(fā)生財(cái)務(wù)危機(jī)最重要的指標(biāo)為每股凈資產(chǎn)、經(jīng)營(yíng)現(xiàn)金流入占比、投資現(xiàn)金流入占比、經(jīng)營(yíng)現(xiàn)金流入流出比、籌資現(xiàn)金流入流出比、每股經(jīng)營(yíng)活動(dòng)現(xiàn)金流量、凈資產(chǎn)收益率、應(yīng)付賬款周轉(zhuǎn)率等這八個(gè)指標(biāo),所以企業(yè)在將來(lái)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(zhì)量和現(xiàn)金流能力的因素。(2)數(shù)據(jù)對(duì)預(yù)警模型的訓(xùn)練結(jié)果具有決定性作用。重視研究過(guò)程的規(guī)范化比得出特殊性研究結(jié)論更為重要,需要建立財(cái)務(wù)預(yù)警研究與實(shí)踐的一般方法：即針對(duì)樣本數(shù)據(jù)的特殊性進(jìn)行相應(yīng)的樣本設(shè)計(jì)后,建立多財(cái)務(wù)預(yù)警模型,運(yùn)用多項(xiàng)模型性能評(píng)價(jià)指標(biāo)對(duì)多個(gè)財(cái)務(wù)預(yù)警模型進(jìn)行性能評(píng)價(jià),最后篩選出性能較好的財(cái)務(wù)預(yù)警模型進(jìn)行預(yù)測(cè)結(jié)論分析。最后從實(shí)踐角度對(duì)企業(yè)投資者、管理者、企業(yè)利益相關(guān)者提出兩點(diǎn)建議：(1)對(duì)企業(yè)作出財(cái)務(wù)危機(jī)預(yù)警時(shí),除了考察財(cái)務(wù)報(bào)表上的各項(xiàng)財(cái)務(wù)比率外,還需重點(diǎn)考察現(xiàn)金流量表中的各項(xiàng)財(cái)務(wù)指標(biāo),以權(quán)責(zé)制與收付制相結(jié)合的視角進(jìn)行財(cái)務(wù)預(yù)警分析。(2)對(duì)企業(yè)作出財(cái)務(wù)危機(jī)預(yù)警時(shí),需建立多分類器預(yù)警模型,運(yùn)用多項(xiàng)模型性能評(píng)價(jià)指標(biāo)對(duì)預(yù)警模型性能作出評(píng)價(jià),從而選擇出優(yōu)秀的預(yù)警模型,充分利用模型方法提高預(yù)測(cè)效力。
【關(guān)鍵詞】：財(cái)務(wù)預(yù)警 分類器 數(shù)據(jù)挖掘 模型性能
【學(xué)位授予單位】：廣西大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：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(duì)象界定16-19
• 1.3.1 財(cái)務(wù)危機(jī)界定16-18
• 1.3.2 財(cái)務(wù)預(yù)警界定18-19
• 1.4 研究框架及結(jié)構(gòu)安排19-21
• 1.4.1 研究框架19-20
• 1.4.2 本文研究技術(shù)路線圖20-21
• 第二章 相關(guān)研究綜述21-33
• 2.1 財(cái)務(wù)預(yù)警指標(biāo)選擇研究綜述21-24
• 2.1.1 國(guó)外相關(guān)研究21-22
• 2.1.2 國(guó)內(nèi)相關(guān)研究22-24
• 2.2 財(cái)務(wù)預(yù)警模型選擇研究綜述24-31
• 2.2.1 財(cái)務(wù)危機(jī)預(yù)警研究現(xiàn)狀24-29
• 2.2.2 基于數(shù)據(jù)挖掘方法的財(cái)務(wù)預(yù)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(cái)務(wù)預(yù)警指標(biāo)選擇理論及預(yù)警框架搭建33-44
• 3.1 財(cái)務(wù)預(yù)警變量選擇理論33-38
• 3.1.1 財(cái)務(wù)預(yù)警指標(biāo)選擇的前提條件33-34
• 3.1.2 基于財(cái)務(wù)視角的指標(biāo)選擇理論34-36
• 3.1.3 基于收付實(shí)現(xiàn)制視角的指標(biāo)選擇理論36-38
• 3.2 財(cái)務(wù)預(yù)警指標(biāo)框架搭建38-44
• 3.2.1 指標(biāo)框架搭建的基本原則38-39
• 3.2.2 變量框架體系的具體設(shè)計(jì)39-44
• 第四章 數(shù)據(jù)挖掘簡(jiǎn)介及企業(yè)財(cái)務(wù)預(yù)警數(shù)據(jù)預(yù)處理44-54
• 4.1 數(shù)據(jù)挖掘簡(jiǎn)介44-45
• 4.2 基于數(shù)據(jù)挖掘方法的財(cái)務(wù)預(yù)警應(yīng)用過(guò)程45-48
• 4.2.1 明確問(wèn)題45
• 4.2.2 數(shù)據(jù)收集45-46
• 4.2.3 數(shù)據(jù)預(yù)處理46
• 4.2.4 模型評(píng)估46-47
• 4.2.5 知識(shí)表現(xiàn)47-48
• 4.3 財(cái)務(wù)預(yù)警樣本設(shè)計(jì)與指標(biāo)數(shù)據(jù)選取48-50
• 4.3.1 樣本設(shè)計(jì)48-49
• 4.3.2 數(shù)據(jù)選取49-50
• 4.4 財(cái)務(wù)預(yù)警樣本簡(jiǎn)單描述性統(tǒng)計(jì)分析50-54
• 第五章 多分類算法的企業(yè)財(cái)務(wù)危機(jī)預(yù)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(luò)(Artificial Neural Network,ANN)56-60
• 5.1.3 支持向量機(jī)(Support Vector Machine,SVM)60-63
• 5.1.4 貝葉斯網(wǎng)絡(luò)(Bayesian Network)63-66
• 5.1.5 K近鄰(k-Nearest Neighbour,KNN)66-67
• 5.1.6 本節(jié)小結(jié)67
• 5.2 分類算法的企業(yè)財(cái)務(wù)預(yù)警模型構(gòu)建及其性能比較67-76
• 5.2.1 基于SPSS Modeler平臺(tái)預(yù)警模型構(gòu)建67-69
• 5.2.2 各財(cái)務(wù)預(yù)警分類器算法性能比較69-76
• 5.3 分類器模型預(yù)測(cè)指標(biāo)重要性結(jié)果匯總76-81
• 5.4 C5.0算法財(cái)務(wù)預(yù)警分類器結(jié)果匯總及結(jié)論分析81-87
• 5.4.1 結(jié)果匯總82-85
• 5.4.2 結(jié)論分析85-87
• 第六章 研究總結(jié)、建議與展望87-90
• 6.1 研究總結(jié)及相關(guān)建議87-89
• 6.1.1 研究總結(jié)87-88
• 6.1.2 相關(guān)建議88-89
• 6.2 研究展望89-90
• 參考文獻(xiàn)90-96
• 攻讀碩士學(xué)位期間發(fā)表論文情況96-97
• 后記97-98

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

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

2 羅彬;邵培基;羅盡堯;劉獨(dú)玉;夏國(guó)恩;;基于多分類器動(dòng)態(tài)集成的電信客戶流失預(yù)測(cè)[J];系統(tǒng)工程學(xué)報(bào);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(dòng)態(tài)集成分類器[J];管理工程學(xué)報(bào);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(xué)報(bào);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(jì)與決策;2007年10期

6 王雙成;裴t(yī)q;畢玉江;;經(jīng)濟(jì)周期轉(zhuǎn)折點(diǎn)預(yù)測(cè)的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)分類器模型[J];管理工程學(xué)報(bào);2011年02期

7 黃敏;朱曉林;沈穎;童俊煒;吳海東;;硬幣自動(dòng)分類器的研制[J];機(jī)電產(chǎn)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(yù)測(cè)中的應(yīng)用[J];科技資訊;2012年21期

9 宋磊;;基于SODM的支持向量機(jī)的多分類器融合算法[J];統(tǒng)計(jì)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(jìn)算法研究[J];管理工程學(xué)報(bào);2009年01期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 王占一;徐蔚然;劉東鑫;郭軍;;一種基于兩級(jí)分類器的垃圾短信過(guò)濾方法[A];第五屆全國(guó)信息檢索學(xué)術(shù)會(huì)議論文集[C];2009年

2 翟靜;李海宏;唐常杰;陳敏敏;李智;;可驗(yàn)證對(duì)象集分類器的再訓(xùn)練演進(jìn)[A];第十九屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2002年

3 陳繼航;劉家鋒;趙巍;唐降龍;;聯(lián)機(jī)手寫識(shí)別筆段特征分類器的學(xué)習(xí)方法[A];黑龍江省計(jì)算機(jī)學(xué)會(huì)2009年學(xué)術(shù)交流年會(huì)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(rèn)證[A];第十屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2001）論文集[C];2001年

5 彭濤;左萬(wàn)利;赫楓齡;;基于鏈接上下文的分類器主題爬行技術(shù)(英文)[A];第二十三屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)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(wú)關(guān)”的說(shuō)話人辨認(rèn)[A];第四屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議論文集[C];1996年

7 謝秋玲;;應(yīng)用于心電圖分類的KNN-SVM分類器研究[A];2006中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2006年

8 胡瓊;汪榮貴;胡韋偉;孫見(jiàn)青;;基于級(jí)聯(lián)分類器的快速人臉檢測(cè)方法[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國(guó)第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2007年

9 李蘭春;王雙成;杜瑞杰;;認(rèn)知結(jié)構(gòu)評(píng)估的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)分類器方法[A];2011年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

10 邵小健;段華;賀國(guó)平;;一種改進(jìn)的最少核分類器[A];中國(guó)運(yùn)籌學(xué)會(huì)第七屆學(xué)術(shù)交流會(huì)論文集（上卷）[C];2004年

中國(guó)重要報(bào)紙全文數(shù)據(jù)庫(kù) 前1條

1 黃明;精子分類器決定生男生女[N];廣東科技報(bào);2000年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 張非;對(duì)抗逃避攻擊的防守策略研究[D];華南理工大學(xué);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(xué);2014年

3 許勁松;智能交通中目標(biāo)檢測(cè)與分類關(guān)鍵技術(shù)研究[D];南京理工大學(xué);2014年

4 余家林;普通場(chǎng)景視頻人臉檢測(cè)與識(shí)別的關(guān)鍵技術(shù)研究[D];浙江大學(xué);2016年

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

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

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

8 嚴(yán)志永;在劃分?jǐn)?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(xué);2011年

9 王U，

本文編號(hào)：797841