隨著經(jīng)濟全球化的快速發(fā)展,市場競爭日趨激烈,給企業(yè)帶來發(fā)展和機遇的同時,也帶來了大量的風(fēng)險和挑戰(zhàn)。及時發(fā)現(xiàn)企業(yè)自身可能存在的財務(wù)風(fēng)險,不僅能避免相關(guān)者的利益受損,也有利于宏觀經(jīng)濟的穩(wěn)定發(fā)展。研究人員在財務(wù)風(fēng)險預(yù)測方面構(gòu)建了大量相關(guān)模型,但這些方法較少考慮到財務(wù)數(shù)據(jù)非均衡的特性,使得少數(shù)類樣本的識別率較低,模型的分類性能較差。鑒于此,本文使用集成學(xué)習(xí)算法對非均衡的財務(wù)數(shù)據(jù)分類進行研究,補充優(yōu)化理論的同時,經(jīng)實證分析后還可以得到性能更好的分類模型,解決傳統(tǒng)模型未將財務(wù)數(shù)據(jù)作為非均衡數(shù)據(jù)處理而導(dǎo)致的分類不合理的問題。本文選取2014至2018年間被特別處理的124家制造業(yè)上市公司作為研究樣本,沒有按照傳統(tǒng)模型中1:1的比例選擇正常經(jīng)營的公司,而是基于前人研究的成果使用1:3的比例選擇了372家正常公司來增加原始數(shù)據(jù)集的真實性。從盈利能力、償債能力、成長能力、營運能力、現(xiàn)金流量、資本結(jié)構(gòu)、股權(quán)治理結(jié)構(gòu)、宏觀經(jīng)濟觀測指標(biāo)和影響制造業(yè)發(fā)展的重要因素中初步選出2大類8小類共28項比率指標(biāo)。本文主要針對非均衡財務(wù)數(shù)據(jù)分類指標(biāo)的選定和模型的構(gòu)建與評估兩個方面進行研究:（1）構(gòu)建分類指標(biāo)體系。在建立模型前... 

【文章來源】：山西大學(xué)山西省

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

006--2019年退市公司數(shù)量匯總

基于集成學(xué)習(xí)的非均衡財務(wù)數(shù)據(jù)的分類研究21.1.2研究意義基于理論層面，研究人員在財務(wù)風(fēng)險預(yù)測方面構(gòu)建了大量相關(guān)模型，但這些方法在實驗驗證中卻沒有充分考慮到數(shù)據(jù)的特性，使得少數(shù)類樣本的識別率較低，模型的分類性能較差�；谟脕磉M行分類的財務(wù)數(shù)據(jù)大多是非均衡的，因此需要構(gòu)建滿足數(shù)據(jù)特性的模型，補充優(yōu)化理論研究的同時，還可以得到性能更好的分類模型，解決傳統(tǒng)模型未將財務(wù)數(shù)據(jù)作為非均衡數(shù)據(jù)處理而導(dǎo)致的分類不合理的問題�；趯嵺`層面，企業(yè)能否正常平穩(wěn)運行、市場能否持續(xù)保持穩(wěn)定、國家能否保障金融安全，財務(wù)風(fēng)險預(yù)測都起到了至關(guān)重要的作用。隨著經(jīng)濟全球化的快速發(fā)展，市場競爭日趨激烈，給企業(yè)帶來發(fā)展和機遇的同時，也帶來了大量的風(fēng)險和挑戰(zhàn)。及時發(fā)現(xiàn)企業(yè)自身可能存在的財務(wù)風(fēng)險，不僅能避免相關(guān)者的利益受損，也有利于宏觀經(jīng)濟的穩(wěn)定發(fā)展。1.2研究思路和方法1.2.1研究思路圖1.2論文整體研究思路本文的研究思路包含三個階段：選題階段注重文獻資料的收集整理；準(zhǔn)備階段注重理論的學(xué)習(xí)和原始數(shù)據(jù)的收集；實證分析階段注重數(shù)據(jù)的分析和模型的建立。1.2.2研究方法本文在進行研究分析時主要用到了以下方法：第一，文獻分析研究法。本文在現(xiàn)有文獻的基礎(chǔ)上，總結(jié)了當(dāng)前非均衡數(shù)據(jù)分

第三章集成學(xué)習(xí)相關(guān)理論算法的介紹11第三章集成學(xué)習(xí)相關(guān)理論算法的介紹3.1集成學(xué)習(xí)聚合一組模型進行預(yù)測，得到的預(yù)測結(jié)果通常比單個模型的效果要好，這樣的一組模型稱為集成。這種組合技術(shù)，稱為集成學(xué)習(xí)。集成學(xué)習(xí)的優(yōu)勢在于即使每個分類器都是弱學(xué)習(xí)器，通過集成依然可以實現(xiàn)一個強學(xué)習(xí)器，克服單一分類器產(chǎn)生的弊端，提升整體算法的性能，且有較高的準(zhǔn)確率，這使得集成學(xué)習(xí)成為機器學(xué)習(xí)領(lǐng)域中較為熱門的學(xué)習(xí)方法。集成學(xué)習(xí)(EnsembleLearning)屬于有監(jiān)督學(xué)習(xí)，是一個戰(zhàn)略性地生成和組合多個模型以更好地解決特定機器學(xué)習(xí)問題的過程，以改善單個模型的性能和減少選擇效果不佳模型的可能性為目的。集成學(xué)習(xí)中使用平均(Averaging)和表決(Voting)的方式將不同的分類器結(jié)合在一起，其中Voting又可分為多數(shù)投票(MajorityVoting)和加權(quán)多數(shù)投票(WeightedMajorityVoting)，代表算法分別是隨機森林和Adaboost。集成學(xué)習(xí)算法能夠運行成功并且有效解決非均衡分類問題的關(guān)鍵在于，它能夠更正單一分類器所犯的錯誤，同時根據(jù)不同的分類器和數(shù)據(jù)類型，只需要選擇不同的超參數(shù)就可以提升模型性能。集成學(xué)習(xí)算法可分為袋裝法(Bagging)算法和提升法(Boosting)算法，如圖3.1所示。Bagging算法屬于并行算法，單一學(xué)習(xí)器之間沒有相關(guān)關(guān)系，能夠降低樣本方差。Boosting算法屬于串行算法，各學(xué)習(xí)器之間存在很強的相關(guān)關(guān)系，需要根據(jù)前一個模型的結(jié)果生成下一個模型。圖3.1集成學(xué)習(xí)算法分類


本文編號：3136701