基于深度学习的我国上市公司财务预警研究

发布时间：2021-09-02 12:55

　　上市公司作为实体经济的典型代表,一旦发生财务困境,不仅自身会遭受巨大损失,让投资者利益严重受损,甚至可能对整个平稳发展的经济社会造成巨大冲击。只有科学地展开对我国上市公司财务困境识别和预警的的研究,才能及时发现财务困境的诱因并采取有效的防范措施,避免造成不可挽回的损失。因此,寻求一种健康有效的财务困境预警方法,无论是对我国经济还是对上市公司发展而言,都意义重大。本文以规范的研究方法为主进行企业财务预警研究,尝试探讨企业财务困境预测的新方法。在回顾国内外学者有关财务预警的已有研究后,论述了财务预警的研究基础;通过剖析企业财务风险和财务困境之间的联系,界定了本文对上市公司财务困境的理解;通过解析上市公司发生财务困境的内部和外部路径,搭建了财务预警框架;在理解本文采用的长短期记忆神经网络（后文均用“LSTM神经网络”表示）的设计原理后,结合深度学习中的TensorFlow框架和Python3.6.4开发平台,编程实现了应用LSTM神经网络对相关数据的处理;剖析将LSTM神经网络应用到我国上市公司财务预警研究中的优势。随后在本文的核心章节中,充分考虑了影响企业财务状况的内部因素,建立了一个由二... 

【文章来源】：重庆理工大学重庆市

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

基于深层LSTM神经网络的财务预警模型空间结构图

5.基于深度学习的我国上市公司财务预警模型设计39图5.3单步长维度T-2年的前七个指标的特征分布图样本特征分布图可以更直观地了解所采集样本数据的值域，通过观察每一个特征的分布曲线，可以从其波动中查询到异常数据的存在。波动较为平缓的曲线表明数据的值域波动范围不大，突兀的顶峰表明该值对应的上市公司财务数据与大多数公司有较大差异，应重点关注。由于LSTM神经网络层必须指定输入的形状，而且每个LSTM层的输入必须是三维的。所以需要重新构建输入数据，将输入数据重构成【样本，时间步长，特征】格式。接下来确定训练集和测试集，按训练集和测试集确定输入变量和输出变量，并按LSTM的输入格式改造输入变量。在上一节构建的基于深层LSTM神经网络的财务预警模型中，4个LSTM层的隐藏层神经元个数分别为50，512，512，2，输出层有一个神经元。损失函数采用平均绝对误差MAE，即将预测值与实际值之差的绝对值进行加总，呈现了预测值的平均偏差幅度，不需要考量偏差的正负方向；采用自适应矩估计Adam的随机梯度下降做优化，动态调整针对每个参数的学习速率；LSTM层采用sigmoid函数作为激活函数，学习率为0.01，迭代次数为200次，批处理为64个。为了比较不同维度的训练过程中损失函数和精度的变化，本文展示单步长维度T-2年和多步长维度T-2至T-3年的训练过程，具体如图5.4和5.5所示：

单步长维度T-2年的训练过程

【参考文献】：
期刊论文
[1]上市公司财务危机预测研究——基于Cox比例风险模型[J]. 邓丽纯,杜伟勇.  会计之友. 2020(04)
[2]基于XGBoost模型的企业财务危机预警研究[J]. 张培荣.  财会通讯. 2019(35)
[3]农业上市公司的财务风险预警研究——基于因子分析法和聚类分析法[J]. 芦笛,王冠华.  会计之友. 2019(24)
[4]基于数据挖掘的上市公司财务风险预警研究——来自京津冀上市公司的经验证据[J]. 张晓萍,张颖,张若望,刘虹雨,崔维康,尹航.  时代经贸. 2019(31)
[5]基于深度学习的上市公司财务风险预警研究[J]. 刘洪涛.  中国乡镇企业会计. 2019(09)
[6]基于深度学习LSTM神经网络的全球股票指数预测研究[J]. 杨青,王晨蔚.  统计研究. 2019(03)
[7]基于现金流量角度的财务预警模型研究——以房地产行业为例[J]. 邓旭东,张瑜,徐文平.  会计之友. 2018(23)
[8]基于深度学习的上市公司财务风险预警模型研究[J]. 宋歌,马涛.  价值工程. 2019(01)
[9]关于深度学习的综述与讨论[J]. 胡越,罗东阳,花奎,路海明,张学工.  智能系统学报. 2019(01)
[10]基于logistic回归的制造业上市公司财务困境预警模型[J]. 康雨舟.  现代经济信息. 2018(15)

博士论文
[1]财务困境及其与资本结构、公司治理结构的关系[D]. 王志伟.复旦大学 2004



本文编号：3379051