基于支持向量机的我国制造业上市公司财务预警模型研究

发布时间：2017-07-14 02:16

  本文关键词：基于支持向量机的我国制造业上市公司财务预警模型研究

  更多相关文章： 制造业 财务预警 显著性检验 主成分分析 支持向量机

【摘要】：随着我国市场经济的迅速发展和资本市场的不断完善,我国上市公司不断发展壮大,然而,市场是复杂多变的,机遇与挑战并存,我国的上市公司也面临着新的挑战。制造业是国民经济的支柱产业,我国制造业上市公司占上市公司总数的比重在60%以上,对国民经济具有重大影响。然而,近年来我国制造业上市公司由于财务困难而被特殊处理的比比皆是,因此,研究制造业上市公司如何防范财务危机具有重要意义。本文首先对国内外学者在财务预警模型研究方面的取得的成果进行了回顾,对财务危机的定义和特征进行了阐述,界定了财务预警的定义、功能和步骤,从不同方面分析了我国制造业企业发生财务危机的原因。在此基础上,本文选取沪深两市A股主板2013年和2014年被ST或被*ST的制造业上市公司26家,按照资产规模相近原则,选择数目相同的财务正常制造业上市公司作为配对样本,将上市公司被特殊处理前两年的财务数据作为研究期间,选择36家公司的作为训练样本,16家公司作为测试样本。在财务预警指标体系方面,本文选择了从不同方面反映企业财务状况的21个财务指标。最后,本文以支持向量机算法为基础,构建了三种针对制造业上市公司的财务预警模型,主要内容包括:(1)鉴于不同财务指标对财务危机公司和非财务危机公司的区分能力不同,提出一种基于指标的显著性检验和支持向量机的财务预警模型。该模型通过对财务指标进行显著性检验,找出最能区分财务危机公司和非财务危机的财务指标,进而构建支持向量机模型。实验结果表明,该模型对16个测试样本全部判别准确,具有很高的判别准确率。(2)鉴于用于构建财务预警模型的财务指标较多,各指标间存在一定的相关性,直接用于建模影响模型的预测效果,本文将主成分分析方法和支持向量机相结合构建财务预警模型。该模型首先利用主成分分析方法,对财务指标进行主成分分析,进而构建支持向量机模型。通过实证分析表明,该方法的判别准确率为93.75%,可有效预测财务危机。(3)鉴于支持向量机模型的参数难以确定,提出一种基于粒子群算法优化支持向量机的财务预警模型。该模型利用粒子群算法对支持向量机的参数进行寻优,以提高支持向量机算法的预测能力。实验结果表明,该模型预测准确率为93.75%,适合用于制造业上市公司财务危机的预测。
【关键词】：制造业 财务预警 显著性检验 主成分分析 支持向量机
【学位授予单位】：吉林财经大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F406.7;F425
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 第1章 引言9-18
• 1.1 研究的背景和意义9-11
• 1.1.1 研究背景9-10
• 1.1.2 研究意义10-11
• 1.2 国内外研究文献综述11-15
• 1.2.1 国内研究文献综述11-13
• 1.2.2 国外研究文献综述13-15
• 1.3 论文的研究方法和研究内容15-18
• 1.3.1 研究方法15
• 1.3.2 研究内容15-16
• 1.3.3 研究框架16-18
• 第2章 财务危机预警概述及制造业上市公司财务危机原因分析18-24
• 2.1 财务危机18-19
• 2.1.1 财务危机的概念18-19
• 2.1.2 财务危机的特征19
• 2.2 财务预警19-21
• 2.2.1 财务预警的概念19-20
• 2.2.2 财务预警的功能20
• 2.2.3 财务预警的程序20-21
• 2.3 制造业上市企业财务危机原因分析21-24
• 第3章 支持向量机概述24-29
• 3.1 支持向量机的统计学基础24-25
• 3.1.1 VC维24
• 3.1.2 结构风险最小化原则24-25
• 3.2 线性支持向量机25-27
• 3.3 非线性支持向量机27-28
• 3.4 支持向量机算法的特点28-29
• 第4章 制造业上市公司研究样本的选择和指标体系的确定29-34
• 4.1 研究样本的选择29
• 4.1.1 样本公司的选择29
• 4.1.2 研究所属期间的选择29
• 4.2 财务预警指标的选择29-34
• 第5章 基于指标显著性检验和支持向量机的财务预警模型34-39
• 5.1 指标的显著性检验34-37
• 5.1.1 K-S正态分布检验34-35
• 5.1.2 独立样本T检验35-36
• 5.1.3 MANN-WHITNEY U检验36-37
• 5.2 支持向量机训练和预测结果37-39
• 第6章 基于主成分分析和支持向量机的财务预警模型39-46
• 6.1 主成分分析法概述39-41
• 6.1.1 主成分分析的基本原理39
• 6.1.2 主成分分析的步骤39-41
• 6.2 实证分析41-46
• 6.2.1 指标的主成分分析41-44
• 6.2.2 支持向量机的训练和预测44-46
• 第7章 基于粒子群优化支持向量机的财务预警模型46-50
• 7.1 粒子群算法概述46-47
• 7.1.1 粒子群算法基本原理46
• 7.1.2 粒子群算法的步骤46-47
• 7.2 实证分析47-50
• 第8章 结论和建议50-53
• 8.1 研究结论50
• 8.2 研究局限性及展望50-51
• 8.3 对策建议51-53
• 附录53-59
• 参考文献59-63
• 后记63

【相似文献】

中国期刊全文数据库 前10条

1 孙菁华,潘莉;企业运用财务预警模型的适用性[J];统计与决策;2005年18期

2 李晓明;;浅谈我国企业财务预警模型的建立[J];商业时代;2005年36期

3 李春华;李建华;;财务预警模型的八大研究趋势[J];财会月刊;2005年17期

4 吴曙霞;浅谈企业财务预警模型[J];技术经济与管理研究;2005年02期

5 何荣华;;财务预警模型——分析、比较、评价[J];会计之友;2006年08期

6 任忠奇;梁水源;;财务预警模型的局限及财务预警的实施途径[J];财会通讯(理财版);2006年11期

7 周骏;;我国企业在构建和使用财务预警模型中存在的问题及解决建议[J];经济师;2007年03期

8 孙金莉;;财务预警模型在我国的运用动态研究[J];太原城市职业技术学院学报;2007年04期

9 贺海燕;沈贞玮;;内部信息使用者视角的财务预警模型应用[J];时代经贸(中旬刊);2007年S9期

10 常艳;;我国上市公司财务预警模型的实证分析[J];金融经济;2008年02期

中国重要会议论文全文数据库 前6条

1 李洪伟;艾文国;陈叶飞;;基于模糊集的财务预警模型研究[A];中国会计学会高等工科院校分会2006年学术年会暨第十三届年会论文集[C];2006年

2 杜军;徐建;;基于神经网络的制造业上市公司财务预警模型研究[A];第七届（2012）中国管理学年会会计与财务分会场论文集（选编）[C];2012年

3 田青;王宝帅;;基于数据挖掘技术的上市公司财务预警模型的比较研究[A];第十二届中国管理科学学术年会论文集[C];2010年

4 宋力;李尧;;基于贝叶斯网络的上市公司财务预警模型[A];2006中国控制与决策学术年会论文集[C];2006年

5 吴娜;盖地;;上市公司资产结构与负债结构的财务预警模型研究[A];第六届（2011）中国管理学年会——会计与财务分会场论文集[C];2011年

6 张根明;向晓骥;王殊伟;;基于BP神经网络的上市公司财务预警研究[A];第八届中国管理科学学术年会论文集[C];2006年

中国硕士学位论文全文数据库 前10条

1 杨秀丽;基于灰色系统理论的JB公司财务预警模型研究[D];哈尔滨工业大学;2015年

2 李迪锋;基于SD的财务预警模型研究[D];北京化工大学;2015年

3 程俊敏;运用主成分分析的统计方法构建财务预警模型[D];东北大学;2014年

4 程林;我国房地产上市公司财务预警模型实证研究[D];广西师范大学;2015年

5 尹慧萍;区分度概念下动态财务预警模型的实证研究[D];太原理工大学;2016年

6 马明;我国制造业上市公司财务预警模型的实证研究[D];中国海洋大学;2014年

7 褚轩妤;ZGY公司财务预警模型的选择及应用研究[D];天津财经大学;2014年

8 代陈陈;基于EVA的上市公司财务预警研究[D];天津财经大学;2014年

9 朱涛;我国创业板上市公司财务预警模型研究[D];西南林业大学;2015年

10 汪政;上市公司财务预警模型的比较研究[D];合肥工业大学;2016年

，

本文编号：539289