基于改进RBF神经网络的上市公司财务危机预警研究
发布时间：2021-08-08 21:36
自上个世纪90年代起,财务危机预测一直是人们关注的话题,许多知名公司财务危机等金融丑闻频频曝光,使投资者信心受损,危害了资本市场的正常运转,产生了极大的负面影响。我国证券市场经过三十余年的发展,证券规模不断扩大,已经在国民经济体系中占据了非常关键的位置部分企业在不断扩张的同时,财务部分也隐藏了巨大风险。如果能够根据已有的财务数据,判断企业当前的财务状况,及早发现财务危机,不仅企业管理者可以及时发现并采取相应措施,投资者也可以调整投资战略,避免投资有财务危机风险的公司,减少自身损失。在这样的背景下,建立上市公司财务危机预警模型有着重要的意义。上市公司财务状况受到多方面因素影响,本文根据诸多影响因素选取20个指标,构建了上市公司财务预警指标体系。本次研究收集了2008年至2017年共计663家上市公司的有效财务数据,将公司种类分为ST企业、正常企业、取消ST企业,使用主成分分析方法对收集到的财务数据进行降维,为进一步预测企业财务危机困境,提出了基于K-means++和改进RBF神经网络的财务预测模型,并与BP神经网络和RBF神经网络计算结果进行对比分析。实证结果表明,采用K-means+-...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
RBF神经网络流程图
哈尔滨工业大学管理学硕士学位论文-37-神经网络预测结果如表4-9和图4-2所示，其中0、1、2、3、4、5类分别代表健康、良好、一般、轻度预警、中度预警、重度预警财务状况区间：表4-9图4-6K-means++-BP神经网络模型预测情况分类0123450110000001085026002006701727300099011480001030500080101误判数目800341739图4-2K-means++-BP神经网络混淆矩阵根据运算结果，K-means++-BP神经网络财务危机预警模型在健康区间、良好区间和一般区间不存在误判情况，误判率为0；在重度预警区间的误判情况最多，有39项错误判断，误判率为5.9%，在轻度预警区间的误判数目略少于中度预警区间，中度预警区间的误判数目为轻度预警区间误判数目的一半，误判率为2.6%。4.2.3基于K-means+-RBF神经网络模型的财务危机预测以上数据预处理和聚类为RBF神经网络预警模型的构造打下了良好的基础，根据收集到的数据集，从中随机抽取2/3作为学习对象，1/3作为测试对象进行运算。本次实验使用python进行。RBF神经输入节点数为经过数据清洗后形成的20个指标，输出节点个数为K-means++聚类形成的6类，根据经验公式：m=nl其中，m为隐藏节点数，n为输入节点数，l为输出节点数据此确定隐含层节点数为10。根据Smith[47]在提出的理论选择神经网络学习率，使用BGD算法对RBF神经
哈尔滨工业大学管理学硕士学位论文-38-网络优化。运行程序，RBF神经网络平均在800次学习后程序较为稳定，RBF神经网络对样本数据综合判断平均正确率为0.7960725075528701。损失函数变化如图4-3所示：图4-3K-means++-RBF神经网络损失函数变化情况神经网络预测结果如表4-10和图4-4所示：表4-10K-means++-RBF神经网络模型预测情况分类01234508900021013104040020080021103015085010480240790500217090误判数目111526214220图4-4K-means++-RBF神经网络混淆矩阵00.511.522.530100200300400500600700800900
【参考文献】：
期刊论文
[1]基于图结构扩散界面理论的财务预警模型[J]. 王成章,白晓明. 数理统计与管理. 2020(05)
[2]基于动态财务指标和反欺诈的财务危机预警[J]. 李辰杰. 计算机应用. 2019(S2)
[3]基于盈利质量的DANP变权财务预警模型[J]. 李慧,温素彬,焦然. 系统工程理论与实践. 2019(07)
[4]基于多维时间序列的建筑业上市公司信用风险研究[J]. 张洪祥,郑泽宇. 工程管理学报. 2018(03)
[5]基于惩罚组变量选择的COX财务危机预警模型[J]. 王小燕,袁欣. 系统工程. 2018(03)
[6]基于PCA-PSO-SVM的上市公司财务危机预警[J]. 刘玉敏,申李莹,任广乾. 管理现代化. 2017(03)
[7]制度情境与企业违规:基于跨国面板数据的实证研究[J]. 周俊. 外国经济与管理. 2017(03)
[8]宏观经济因素对公司资本结构影响的研究——兼论三种资本结构理论的关系[J]. 吕峻,石荣. 当代经济科学. 2014(06)
[9]我国行业风险的决定因素及传递机制研究——来自沪深300细分行业的经验证据[J]. 吴恒煜,胡锡亮,吕江林,聂富强. 当代经济科学. 2014(05)
[10]A股上市公司ST风险预警——基于KMV模型的大样本经验实证[J]. 陈延林,吴晓. 华南师范大学学报(社会科学版). 2014(04)
硕士论文
[1]我国中小企业上市公司财务危机预警方法研究及实现[D]. 刘艳.西南财经大学 2013
本文编号：3330720
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
RBF神经网络流程图
哈尔滨工业大学管理学硕士学位论文-37-神经网络预测结果如表4-9和图4-2所示，其中0、1、2、3、4、5类分别代表健康、良好、一般、轻度预警、中度预警、重度预警财务状况区间：表4-9图4-6K-means++-BP神经网络模型预测情况分类0123450110000001085026002006701727300099011480001030500080101误判数目800341739图4-2K-means++-BP神经网络混淆矩阵根据运算结果，K-means++-BP神经网络财务危机预警模型在健康区间、良好区间和一般区间不存在误判情况，误判率为0；在重度预警区间的误判情况最多，有39项错误判断，误判率为5.9%，在轻度预警区间的误判数目略少于中度预警区间，中度预警区间的误判数目为轻度预警区间误判数目的一半，误判率为2.6%。4.2.3基于K-means+-RBF神经网络模型的财务危机预测以上数据预处理和聚类为RBF神经网络预警模型的构造打下了良好的基础，根据收集到的数据集，从中随机抽取2/3作为学习对象，1/3作为测试对象进行运算。本次实验使用python进行。RBF神经输入节点数为经过数据清洗后形成的20个指标，输出节点个数为K-means++聚类形成的6类，根据经验公式：m=nl其中，m为隐藏节点数，n为输入节点数，l为输出节点数据此确定隐含层节点数为10。根据Smith[47]在提出的理论选择神经网络学习率，使用BGD算法对RBF神经
哈尔滨工业大学管理学硕士学位论文-38-网络优化。运行程序，RBF神经网络平均在800次学习后程序较为稳定，RBF神经网络对样本数据综合判断平均正确率为0.7960725075528701。损失函数变化如图4-3所示：图4-3K-means++-RBF神经网络损失函数变化情况神经网络预测结果如表4-10和图4-4所示：表4-10K-means++-RBF神经网络模型预测情况分类01234508900021013104040020080021103015085010480240790500217090误判数目111526214220图4-4K-means++-RBF神经网络混淆矩阵00.511.522.530100200300400500600700800900
【参考文献】：
期刊论文
[1]基于图结构扩散界面理论的财务预警模型[J]. 王成章,白晓明. 数理统计与管理. 2020(05)
[2]基于动态财务指标和反欺诈的财务危机预警[J]. 李辰杰. 计算机应用. 2019(S2)
[3]基于盈利质量的DANP变权财务预警模型[J]. 李慧,温素彬,焦然. 系统工程理论与实践. 2019(07)
[4]基于多维时间序列的建筑业上市公司信用风险研究[J]. 张洪祥,郑泽宇. 工程管理学报. 2018(03)
[5]基于惩罚组变量选择的COX财务危机预警模型[J]. 王小燕,袁欣. 系统工程. 2018(03)
[6]基于PCA-PSO-SVM的上市公司财务危机预警[J]. 刘玉敏,申李莹,任广乾. 管理现代化. 2017(03)
[7]制度情境与企业违规:基于跨国面板数据的实证研究[J]. 周俊. 外国经济与管理. 2017(03)
[8]宏观经济因素对公司资本结构影响的研究——兼论三种资本结构理论的关系[J]. 吕峻,石荣. 当代经济科学. 2014(06)
[9]我国行业风险的决定因素及传递机制研究——来自沪深300细分行业的经验证据[J]. 吴恒煜,胡锡亮,吕江林,聂富强. 当代经济科学. 2014(05)
[10]A股上市公司ST风险预警——基于KMV模型的大样本经验实证[J]. 陈延林,吴晓. 华南师范大学学报(社会科学版). 2014(04)
硕士论文
[1]我国中小企业上市公司财务危机预警方法研究及实现[D]. 刘艳.西南财经大学 2013
本文编号：3330720
本文链接：https://www.wllwen.com/guanlilunwen/bankxd/3330720.html
