基于SVC-Stacking集成学习的上市公司ST风险预警研究

发布时间：2024-06-30 19:03

　　上市公司因财务状况异常或其他情况异常而发生特别处理变动,是我国特有的ST制度。从理论上来说,ST制度向投资者警示了该类股票有较大风险,继续投资可能会面临巨大损失。然而在资产重组和壳资源炒作下,ST股却成为了热点板块。即便有极个别投机者从中获利,绝大部分跟风投资者往往损失惨重。为了加强保护投资者权益,严厉打击此类证券违法违规活动,证监会深化退市制度改革。随着注册制改革稳步推进,常态化退市机制逐步建立,资本市场优胜劣汰机制加速形成,投资者也重点关注着上市公司的ST风险。上市公司财务状况恶化往往是逐渐演变的过程,若能根据一些信息预测ST风险,或可减少投资的盲目性,或可调整公司经营决策避免ST发生。本文从保护投资者权益出发,提出构建集成模型预测上市公司面临的ST风险。常用的ST风险预警模型有判别分析模型、逻辑回归模型、机器学习模型以及神经网络模型。对比发现,判别分析模型虽然计算简便,但有着严格的假设条件。逻辑回归模型利用最大似然函数进行参数估计,因此对样本量有所要求。目前,机器学习和神经网络模型被广泛应用于无人驾驶、潜在犯罪预测、检测信用卡欺诈等多个领域,均有不错表现。因此,本文采用机器学习方...

【文章页数】：57 页

【学位级别】：硕士

【部分图文】：

图1.1本文研究思路

在文献梳理的基础上,本文总结了国内外ST风险预警模型的优势与不足。将沪深两市A股2018—2021年间150家首次发生特别处理变动的上市公司作为研究样本,450家正常上市公司作为对照样本,根据ST变动年份收集了提前期六年的相关数据,数据来源于CSMAR数据库。在筛选指标时,参考以....

图3.1Bagging

Bagging算法是Breiman在1996年提出的[49]。2001年Breiman又基于Bagging思想,将多个随机创建的决策树模型的输出组合起来生成最终输出,提出了随机森林算法,被誉为最好的算法之一[50]。Bagging算法的集成思想如图3.1所示。对于给定的样本数据集....

图3.2Boosting

目前集成学习作为最火爆的机器学习领域之一,1997年Schapire提出的Boosting算法证明了利用Boosting思想将弱学习器进行组合,可以大幅度提高模型的学习能力[51]。如图3.2所示,和Bagging算法有放回的平均抽样不同,Boosting在加入数据的过程中,通常....

图3.3Stacking

Stacking算法最早来源于Wolpert(1992)提出的堆叠泛化模型[52]。如图3.3所示,Stacking算法首先将数据集分为训练集和测试集,利用基模型对训练集数据进行训练,输出的训练值集合起来用作元模型的训练,测试集数据通过基模型得到新的测试集用于元模型的测试,最终得....

本文编号：3998945