隨著我國(guó)經(jīng)濟(jì)的飛速發(fā)展,以上市公司為主的金融市場(chǎng)規(guī)模也在不斷增加。在金融市場(chǎng)的海洋中,暗礁無(wú)處不在,其中財(cái)務(wù)風(fēng)險(xiǎn)是上市公司不可避免的難題。當(dāng)公司陷入財(cái)務(wù)風(fēng)險(xiǎn)時(shí),不僅上市公司本身的價(jià)值會(huì)被削弱,還會(huì)對(duì)公司未來(lái)的發(fā)展前景產(chǎn)生較嚴(yán)重的影響。在此背景下,如何準(zhǔn)確預(yù)測(cè)財(cái)務(wù)風(fēng)險(xiǎn)是上市公司和投資者都十分關(guān)心的問(wèn)題,對(duì)于保障各方的利益,以及維護(hù)金融市場(chǎng)的穩(wěn)定具有重要意義。對(duì)上市公司來(lái)說(shuō),準(zhǔn)確預(yù)測(cè)財(cái)務(wù)風(fēng)險(xiǎn)可以避免陷入財(cái)務(wù)危機(jī),加強(qiáng)市場(chǎng)對(duì)公司的信心,促進(jìn)企業(yè)更加高速地發(fā)展。對(duì)投資者來(lái)說(shuō),上市公司的財(cái)務(wù)狀況直接關(guān)系到投資者的收益,如果能夠預(yù)測(cè)到公司未來(lái)的財(cái)務(wù)風(fēng)險(xiǎn),投資者就可以避免因上市公司陷入財(cái)務(wù)風(fēng)險(xiǎn)而導(dǎo)致自身過(guò)大的損失,及時(shí)止損。在財(cái)務(wù)會(huì)計(jì)領(lǐng)域,在財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)測(cè)上已經(jīng)做了許多工作。通常分析上市公司的三大財(cái)務(wù)報(bào)表中的重要財(cái)務(wù)指標(biāo)來(lái)反映一個(gè)企業(yè)是否陷入財(cái)務(wù)風(fēng)險(xiǎn),或者使用不同方法對(duì)各大財(cái)務(wù)指標(biāo)進(jìn)行處理,例如比率分析法等。用處理之后的財(cái)務(wù)指標(biāo)進(jìn)行預(yù)測(cè)分析,又或者使用財(cái)務(wù)指標(biāo)代入不同領(lǐng)域的方法模型中對(duì)財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè),例如SVM、決策樹(shù)等。但是在以往的論文中,大部分的工作主要是使用公司年度報(bào)告中的結(jié)構(gòu)化數(shù)據(jù)(即財(cái)務(wù)指標(biāo))來(lái)構(gòu)建上市企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)模型,我們分析認(rèn)為僅考慮財(cái)務(wù)指標(biāo)數(shù)據(jù)是不全面的,忽視了財(cái)務(wù)文本的作用,是不合理的,因?yàn)樨?cái)務(wù)文本中蘊(yùn)含大量未發(fā)掘的、對(duì)于預(yù)測(cè)財(cái)務(wù)風(fēng)險(xiǎn)有幫助的內(nèi)在信息。本論文投資方的視角去研究上市公司的財(cái)務(wù)風(fēng)險(xiǎn)模型。我們基于上市公司年報(bào)中的信息來(lái)預(yù)測(cè)公司的財(cái)務(wù)風(fēng)險(xiǎn)。具體來(lái)說(shuō),本文提取上市公司年報(bào)中的結(jié)構(gòu)化財(cái)務(wù)數(shù)據(jù)(以下簡(jiǎn)稱(chēng)財(cái)務(wù)數(shù)據(jù))和非結(jié)構(gòu)化財(cái)務(wù)文本(以下簡(jiǎn)稱(chēng)財(cái)務(wù)文本)來(lái)進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)。論文提出了三種模型,第一種模型使用財(cái)務(wù)數(shù)據(jù)分別采用CNN模型、SVM和XGBoost進(jìn)行建模,第二種模型使用財(cái)務(wù)文本采用LSTM+注意力機(jī)制進(jìn)行建模,第三種模型將財(cái)務(wù)數(shù)據(jù)與財(cái)務(wù)文本結(jié)合起來(lái)建模。在第三種模型中我們嘗試使用了兩種網(wǎng)絡(luò)結(jié)構(gòu),一種由CNN卷積神經(jīng)網(wǎng)絡(luò)和LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)組成,另一種由單隱層前饋神經(jīng)網(wǎng)絡(luò)和LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)組成。實(shí)驗(yàn)結(jié)果顯示,非結(jié)構(gòu)化財(cái)務(wù)文本中包含了重要信息,但是單獨(dú)使用財(cái)務(wù)文本來(lái)預(yù)測(cè)財(cái)務(wù)風(fēng)險(xiǎn)效果不佳,而在基于財(cái)務(wù)數(shù)據(jù)的模型中加入文本能顯著提高財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)的準(zhǔn)確性。此外,財(cái)務(wù)文本可以有多種方式與財(cái)務(wù)數(shù)據(jù)相結(jié)合,不同的結(jié)合方法,以及不同的財(cái)務(wù)數(shù)據(jù)特征提取方法都會(huì)對(duì)模型性能產(chǎn)生影響。本文的研究證實(shí)了上市公司報(bào)告中的文本具有重要的研究?jī)r(jià)值,對(duì)于財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)也提供了新的思路,研究成果對(duì)于投資者和企業(yè)管理者有重要的參考價(jià)值。
【學(xué)位單位】：江西財(cái)經(jīng)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2020
【中圖分類(lèi)】：F832.51;F275
【部分圖文】：

文本與財(cái)務(wù)數(shù)據(jù)相結(jié)合的上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)2十二大章節(jié)構(gòu)成。如圖1-1所示。圖1-1年報(bào)構(gòu)成年報(bào)中較為重要的章節(jié)有“第二節(jié)公司簡(jiǎn)介和主要財(cái)務(wù)指標(biāo)”、“第四節(jié)經(jīng)營(yíng)情況討論與分析”、“第五節(jié)重要事項(xiàng)”、“第十一節(jié)財(cái)務(wù)報(bào)告”等幾大章節(jié)。其中“第二節(jié)公司簡(jiǎn)介和主要財(cái)務(wù)指標(biāo)”主要是公司過(guò)去一年的財(cái)務(wù)報(bào)表數(shù)據(jù)的披露，用數(shù)據(jù)反映了過(guò)去一年公司的財(cái)務(wù)經(jīng)營(yíng)狀況�！暗谒墓�(jié)經(jīng)營(yíng)情況討論與分析”主要分析上市公司的經(jīng)營(yíng)情況、經(jīng)營(yíng)模式以及經(jīng)營(yíng)策略等，是對(duì)過(guò)去一年經(jīng)營(yíng)情況整體情況的匯報(bào)總結(jié)，以及對(duì)未來(lái)經(jīng)營(yíng)方向等方面的一個(gè)概述�！暗谖骞�(jié)重要事項(xiàng)”主要是反映過(guò)去一年上市公司需要特殊說(shuō)明的事項(xiàng)，主要包括：重大訴訟，公司、公司董事以及高級(jí)管理人員受處罰情況，股東變更，

文本與財(cái)務(wù)數(shù)據(jù)相結(jié)合的上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)102.1.1支持向量機(jī)支持向量機(jī)（SVM）模型是一種針對(duì)帶標(biāo)簽數(shù)據(jù)集可以被線性分開(kāi)所提出的分類(lèi)模型，即對(duì)已有類(lèi)別標(biāo)簽的數(shù)據(jù)進(jìn)行二分類(lèi)監(jiān)督學(xué)習(xí)（supervisedlearning）的廣義線性分類(lèi)器（generalizedlinearclassifier），其算法原理是依據(jù)有類(lèi)別標(biāo)簽的數(shù)據(jù)集來(lái)求解最大邊距超平面（maximum-marginhyperplane），從而以超平面為分割線，確立不同類(lèi)別的有效區(qū)域。SVM分類(lèi)中的其主要困難是確定能夠正確劃分帶分類(lèi)標(biāo)簽數(shù)據(jù)的幾何分離超平面。分類(lèi)的準(zhǔn)確率高低以及模型的好壞，取決于超平面的優(yōu)劣。如下圖2-1所示。圖2-1超平面劃分圖例如，假定現(xiàn)有數(shù)據(jù)集D={(1，1)，(2，2)，(31，3)，…，(，)}，∈{-1，1}，我們希望能在樣本空間找一個(gè)很好的區(qū)分平面，但是能將樣本區(qū)分的超平面并不是唯一的，如圖2-1所示，P1、P2、P3都能區(qū)分樣本。那么應(yīng)該取哪個(gè)呢？直觀的看，應(yīng)該尋找位于兩類(lèi)帶標(biāo)簽樣本“正中間”的劃分超平面。即P2，因?yàn)镻2對(duì)樣本數(shù)據(jù)局部擾動(dòng)的“容忍性”最好。例如，當(dāng)訓(xùn)練數(shù)據(jù)擁有噪聲時(shí)，P2所受的干擾最小，因?yàn)樗嚯x超平面兩邊的樣例的距離都相對(duì)較遠(yuǎn)。換句話說(shuō)，P2所產(chǎn)生的分類(lèi)結(jié)果是最好的。對(duì)未出現(xiàn)在訓(xùn)練集中的數(shù)據(jù)的泛化能力最強(qiáng)。在樣本空間，劃分樣本數(shù)據(jù)的超平面可以通過(guò)下列線性方程描述：+=0(2.1)

第二章相關(guān)理論與技術(shù)簡(jiǎn)介11其中=(1;2;3;…;)為法向量，決定了超平面的方向。為位移項(xiàng)，決定了超平面與原點(diǎn)的距離。很顯然，超平面可以由法向量與位移項(xiàng)確定。我們將超平面記為(，)，則樣本空間里面的樣本點(diǎn)到超平面(，)的距離可以有計(jì)算出來(lái)，即：=|+|‖‖(2.2)假設(shè)超平面(，)能將訓(xùn)練數(shù)據(jù)集進(jìn)行正確分類(lèi)，即對(duì)于(，)∈D，若=+1，則有+>0，若=-1，則有+<0，即：{+≥+1，=+1+≤1，=1(2.3)如圖2-2所示，距離超平面最近的一些訓(xùn)練數(shù)據(jù)點(diǎn)使式（2.3）等號(hào)成立。這些訓(xùn)練樣本點(diǎn)被稱(chēng)為“支持向量”（supportvector），兩個(gè)不同類(lèi)別的支持向量到超平面的距離之和為：=2‖‖(2.4)公式(2.4)被稱(chēng)為“間隔”（margin）。圖2-2支持向量的定義SVM模型就是想要去在數(shù)據(jù)空間中找出是所有數(shù)據(jù)能“最大間隔”的超平面(，)，換句話說(shuō)就是要找出能滿(mǎn)足式子（2.3）中的兩大約束條件和，使
【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 蔡秋童;何宗祥;;企業(yè)財(cái)務(wù)數(shù)據(jù)的決策模型分析[J];安徽師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年05期

2 謝德仁;林樂(lè);;管理層語(yǔ)調(diào)能預(yù)示公司未來(lái)業(yè)績(jī)嗎?——基于我國(guó)上市公司年度業(yè)績(jī)說(shuō)明會(huì)的文本分析[J];會(huì)計(jì)研究;2015年02期

3 劉丹;郭蕾;;A汽車(chē)股份有限公司財(cái)務(wù)報(bào)表分析[J];現(xiàn)代經(jīng)濟(jì)信息;2015年03期

4 李建平;李剛;豐吉闖;李銘祿;;證券公司整體風(fēng)險(xiǎn)的度量方法與實(shí)證[J];系統(tǒng)工程理論與實(shí)踐;2012年03期

5 包媚嬌;;新準(zhǔn)則下長(zhǎng)期資產(chǎn)減值不得轉(zhuǎn)回對(duì)ST公司的影響初探[J];現(xiàn)代經(jīng)濟(jì)(現(xiàn)代物業(yè)下半月刊);2008年11期

相關(guān)博士學(xué)位論文 前1條

1 劉赫;文本分類(lèi)中若干問(wèn)題研究[D];吉林大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 戴偉達(dá);基于全卷積神經(jīng)網(wǎng)絡(luò)的語(yǔ)義分割算法研究[D];南京郵電大學(xué);2019年

2 王霄;基于SVM的滬深300指數(shù)量化擇時(shí)策略實(shí)證研究[D];蘭州大學(xué);2019年

3 王靜;上市交通運(yùn)輸企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)研究[D];中國(guó)民航大學(xué);2019年

4 馬旭輝;基于機(jī)器學(xué)習(xí)的上市公司財(cái)務(wù)風(fēng)險(xiǎn)智能識(shí)別研究[D];南京大學(xué);2019年

5 葛丹妮;基于注意力機(jī)制的特征選擇：一種面向海量復(fù)雜數(shù)據(jù)的高效架構(gòu)[D];浙江理工大學(xué);2019年

6 賀琳;基于PCA-BP和SVM的上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)研究[D];西安工程大學(xué);2018年

7 劉陽(yáng);基于SVM的信息服務(wù)業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)研究[D];華中師范大學(xué);2017年

8 馮珍慧;基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)研究[D];東華大學(xué);2017年

9 羅旻婧;基于時(shí)間序列的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)研究[D];廣東財(cái)經(jīng)大學(xué);2016年

10 易可欣;基于貝葉斯網(wǎng)絡(luò)的信息產(chǎn)業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)研究[D];湖南大學(xué);2016年

本文編號(hào)：2887748