基于机器学习和DEA方法的制造业上市公司财务危机预警模型研究

发布时间：2023-04-01 14:37

　　准确预警上市公司是否会陷入财务危机对于职业经理人、投资者和股东的决策至关重要,这不仅有利于公司管理层和股东及时发现处置并规避风险,同时可以让投资者理性选择、及时止损。大量研究结果表明影响财务危机预警模型性能最重要的两个因素是预警指标变量和预警模型算法,现在很多研究都致力于提出新颖的模型算法用以提升预警性能,很少有人分析预警指标对模型的影响,尤其是研究非财务指标对上市公司陷入财务危机的文献非常有限;公司财务危机预警模型通常选择各类财务比率指标作为预警变量,但是非财务因素可能包含着公司经营水平、财务状况的重要信息,一些非财务因素例如公司经营效率、治理结构、年报情感分析等对企业财务状况的影响都会有所体现。本文将会基于财务指标和非财务指标结合的视角,构建一个预测制造业上市公司财务状况的分析框架,分别检验了公司经营效率、治理结构、年报情感分析这类非财务指标对公司财务危机的解释力和识别力,同时基于不同机器学习算法和不同指标集构建了财务危机预警模型,并在测试数据集上验证了不同模型的预警性能;最后使用前向搜索算法将单模型进行融合,以降低不同指标和算法不一致带来的风险,结果表明融合模型能够进一步提升准确...

【文章页数】：88 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 研究方法及思路
        1.2.1 研究方法
        1.2.2 研究思路及框架
    1.3 本文的创新之处
第2章 文献综述
    2.1 财务危机判别标准
    2.2 财务危机预警指标
        2.2.1 财务因素指标
        2.2.2 非财务因素指标
    2.3 财务危机预警模型
        2.3.1 统计方法
        2.3.2 机器学习方法
    2.4 文献评述
第3章 研究方法
    3.1 数据包络分析理论
        3.1.1 DEA效率评价原理
        3.1.2 规模收益不变的CCR模型
        3.1.3 规模收益可变的BCC模型
        3.1.4 SBM-DEA模型
    3.2 机器学习理论
        3.2.1 支持向量机
        3.2.2 GBDT模型
        3.2.3 BPNN模型
    3.3 特征选择理论
    3.4 模型性能评估理论
第4章 样本筛选与指标体系构建
    4.1 样本筛选
        4.1.1 选择财务危机公司的标准
        4.1.2 匹配财务正常公司的标准
        4.1.3 样本选取的结果
    4.2 预警指标体系构建
        4.2.1 财务因素指标
        4.2.2 非财务因素指标
第5章 财务危机预警模型实证研究
    5.1 非平衡数据处理
    5.2 实证方法设计
    5.3 实证结果分析
        5.3.1 特征选择
        5.3.2 模型训练
        5.3.3 模型预测结果
        5.3.4 小结
    5.4 模型融合
第6章 结论与展望
    6.1 研究结论
    6.2 研究不足与展望
参考文献
附录
致谢



本文编号：3777319