基于多分类器性能比较的企业财务预警研究

发布时间：2017-09-05 12:02

  本文关键词：基于多分类器性能比较的企业财务预警研究

  更多相关文章： 财务预警 分类器 数据挖掘 模型性能

【摘要】：我国进入社会主义市场经济以来在给企业发展带来无限机遇的同时,也不断在强化企业间的竞争程度；上市公司进入资本市场后在获得广阔的发展空间的同时,自身也面临着无尽的风险危机。这一系列的发展结果除了不断增强企业管理者的管理难度外,更多的是给企业投资者、利益相关者带来了不确定的风险与损失。市场经济对于企业管理者、投资者、利益相关者来说,是一把双刃剑。在当今经济与金融震荡发展的背景下,企业管理者、投资者、利益相关者准确识别市场风险,把握投资企业的财务状况,及时作出正确的风险判断及采取相对应的措施,显得尤为重要。与此同时,数据挖掘方法在企业财务预警中的应用已经成为了研究的热点。本文以中国A股市场上的上市公司为研究样本,结合数据挖掘技术中的多种分类器模型,开发出了以中国上市公司为例的多分类器财务预警分析流程。所做的主要工作如下描述：(1)在基于权责发生制与收付实现制的视角下,通过以权责发生制与收付实现制相结合的研究视角对以往的企业财务预警指标体系进行指标补充和重新整合,得出6维度36指标的企业财务预警体系。(2)在上述预警指标体系的基础上针对中国上市公司样本数据进行样本设计,运用多个数据挖掘技术中的分类器算法,在样本训练集上建立了多分类器财务预警模型,如神经网络、C5.0、CHAID (C)、CR树(R)、QUEST (Q)、Logistic、判别式、SVM、贝叶斯网络和KNN预警模型等。(3)在样本测试集上对多个分类器财务预警模型的预测准确度、曲线下方区域、训练样本精确性、模型提升度、最大利润发生比例、最大利润等模型性能指标进行了计算。(4)在多分类器预警模型建立了之后,运用收益(Gains)、响应(Response)、提升度(Lift)、利润(Profit)、累计投资回报率(ROI-return on investment)这5个指标对各个分类器预警模型的性能进行分析。主要结论如下描述：(1)在企业财务预警指标体系中,影响企业在今后是否发生财务危机最重要的指标为每股净资产、经营现金流入占比、投资现金流入占比、经营现金流入流出比、筹资现金流入流出比、每股经营活动现金流量、净资产收益率、应付账款周转率等这八个指标,所以企业在将来是否被ST不仅取决于自身盈利能力的因素,也取决于盈利质量和现金流能力的因素。(2)数据对预警模型的训练结果具有决定性作用。重视研究过程的规范化比得出特殊性研究结论更为重要,需要建立财务预警研究与实践的一般方法：即针对样本数据的特殊性进行相应的样本设计后,建立多财务预警模型,运用多项模型性能评价指标对多个财务预警模型进行性能评价,最后筛选出性能较好的财务预警模型进行预测结论分析。最后从实践角度对企业投资者、管理者、企业利益相关者提出两点建议：(1)对企业作出财务危机预警时,除了考察财务报表上的各项财务比率外,还需重点考察现金流量表中的各项财务指标,以权责制与收付制相结合的视角进行财务预警分析。(2)对企业作出财务危机预警时,需建立多分类器预警模型,运用多项模型性能评价指标对预警模型性能作出评价,从而选择出优秀的预警模型,充分利用模型方法提高预测效力。
【关键词】：财务预警 分类器 数据挖掘 模型性能
【学位授予单位】：广西大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F275;F224
【目录】：

• 摘要4-6
• Abstract6-12
• 第一章 绪论12-21
• 1.1 研究背景12-15
• 1.2 研究目的和意义15-16
• 1.2.1 研究目的15
• 1.2.2 研究意义15-16
• 1.3 研究对象界定16-19
• 1.3.1 财务危机界定16-18
• 1.3.2 财务预警界定18-19
• 1.4 研究框架及结构安排19-21
• 1.4.1 研究框架19-20
• 1.4.2 本文研究技术路线图20-21
• 第二章 相关研究综述21-33
• 2.1 财务预警指标选择研究综述21-24
• 2.1.1 国外相关研究21-22
• 2.1.2 国内相关研究22-24
• 2.2 财务预警模型选择研究综述24-31
• 2.2.1 财务危机预警研究现状24-29
• 2.2.2 基于数据挖掘方法的财务预警研究现状29-31
• 2.3 现有研究不足与本文研究创新31-33
• 2.3.1 现有研究不足31-32
• 2.3.2 本文创新之处32-33
• 第三章 财务预警指标选择理论及预警框架搭建33-44
• 3.1 财务预警变量选择理论33-38
• 3.1.1 财务预警指标选择的前提条件33-34
• 3.1.2 基于财务视角的指标选择理论34-36
• 3.1.3 基于收付实现制视角的指标选择理论36-38
• 3.2 财务预警指标框架搭建38-44
• 3.2.1 指标框架搭建的基本原则38-39
• 3.2.2 变量框架体系的具体设计39-44
• 第四章 数据挖掘简介及企业财务预警数据预处理44-54
• 4.1 数据挖掘简介44-45
• 4.2 基于数据挖掘方法的财务预警应用过程45-48
• 4.2.1 明确问题45
• 4.2.2 数据收集45-46
• 4.2.3 数据预处理46
• 4.2.4 模型评估46-47
• 4.2.5 知识表现47-48
• 4.3 财务预警样本设计与指标数据选取48-50
• 4.3.1 样本设计48-49
• 4.3.2 数据选取49-50
• 4.4 财务预警样本简单描述性统计分析50-54
• 第五章 多分类算法的企业财务危机预警研究54-87
• 5.1 分类算法介绍54-67
• 5.1.1 决策树(Decision Tree)54-56
• 5.1.2 人工神经网络(Artificial Neural Network,ANN)56-60
• 5.1.3 支持向量机(Support Vector Machine,SVM)60-63
• 5.1.4 贝叶斯网络(Bayesian Network)63-66
• 5.1.5 K近邻(k-Nearest Neighbour,KNN)66-67
• 5.1.6 本节小结67
• 5.2 分类算法的企业财务预警模型构建及其性能比较67-76
• 5.2.1 基于SPSS Modeler平台预警模型构建67-69
• 5.2.2 各财务预警分类器算法性能比较69-76
• 5.3 分类器模型预测指标重要性结果汇总76-81
• 5.4 C5.0算法财务预警分类器结果汇总及结论分析81-87
• 5.4.1 结果汇总82-85
• 5.4.2 结论分析85-87
• 第六章 研究总结、建议与展望87-90
• 6.1 研究总结及相关建议87-89
• 6.1.1 研究总结87-88
• 6.1.2 相关建议88-89
• 6.2 研究展望89-90
• 参考文献90-96
• 攻读硕士学位期间发表论文情况96-97
• 后记97-98

【相似文献】

中国期刊全文数据库 前10条

1 叶强,邹鹏,尚维;基于多分类器融合的客户细分研究[J];管理科学;2004年02期

2 罗彬;邵培基;罗尽尧;刘独玉;夏国恩;;基于多分类器动态集成的电信客户流失预测[J];系统工程学报;2010年05期

3 琚春华;邹江波;魏建良;张华;;基于情景特征的前馈动态集成分类器[J];管理工程学报;2013年04期

4 雷蕾,吴乃君,刘鹏,刘兰娟;灵敏度分析:分类器中的缺失数据[J];管理学报;2005年S2期

5 孔志周;蔡自兴;;多分类器融合框架下的模糊积分方法[J];统计与决策;2007年10期

6 王双成;裴tq;毕玉江;;经济周期转折点预测的动态贝叶斯网络分类器模型[J];管理工程学报;2011年02期

7 黄敏;朱晓林;沈颖;童俊炜;吴海东;;硬币自动分类器的研制[J];机电产品开发与创新;2013年06期

8 温箐笛;;集成多分类器在客户流失预测中的应用[J];科技资讯;2012年21期

9 宋磊;;基于SODM的支持向量机的多分类器融合算法[J];统计与决策;2011年17期

10 李子叶;王亚刚;郭菊娥;席酉民;;基于模糊集贴近度的文本信息分类器分辨率改进算法研究[J];管理工程学报;2009年01期

中国重要会议论文全文数据库 前10条

1 王占一;徐蔚然;刘东鑫;郭军;;一种基于两级分类器的垃圾短信过滤方法[A];第五届全国信息检索学术会议论文集[C];2009年

2 翟静;李海宏;唐常杰;陈敏敏;李智;;可验证对象集分类器的再训练演进[A];第十九届全国数据库学术会议论文集（研究报告篇）[C];2002年

3 陈继航;刘家锋;赵巍;唐降龙;;联机手写识别笔段特征分类器的学习方法[A];黑龙江省计算机学会2009年学术交流年会论文集[C];2010年

4 穆明生;;基于特征集的多种分类器模型的在线笔迹认证[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

5 彭涛;左万利;赫枫龄;;基于链接上下文的分类器主题爬行技术(英文)[A];第二十三届中国数据库学术会议论文集（技术报告篇）[C];2006年

6 王岚;陈珂;迟惠生;;基于多特征组合多分类器的方法用于“与文本无关”的说话人辨认[A];第四届全国人机语音通讯学术会议论文集[C];1996年

7 谢秋玲;;应用于心电图分类的KNN-SVM分类器研究[A];2006中国控制与决策学术年会论文集[C];2006年

8 胡琼;汪荣贵;胡韦伟;孙见青;;基于级联分类器的快速人脸检测方法[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

9 李兰春;王双成;杜瑞杰;;认知结构评估的动态贝叶斯网络分类器方法[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

10 邵小健;段华;贺国平;;一种改进的最少核分类器[A];中国运筹学会第七届学术交流会论文集（上卷）[C];2004年

中国重要报纸全文数据库 前1条

1 黄明;精子分类器决定生男生女[N];广东科技报;2000年

中国博士学位论文全文数据库 前10条

1 张非;对抗逃避攻击的防守策略研究[D];华南理工大学;2015年

2 张文博;多类别智能分类器方法研究[D];西安电子科技大学;2014年

3 许劲松;智能交通中目标检测与分类关键技术研究[D];南京理工大学;2014年

4 余家林;普通场景视频人脸检测与识别的关键技术研究[D];浙江大学;2016年

5 赵作林;基于图像分析的北京地区杨树种类识别研究[D];北京林业大学;2015年

6 任亚峰;基于标注和未标注数椐的虚假评论识别研究[D];武汉大学;2015年

7 刘明;分类器组合技术研究及其在人机交互系统中的应用[D];北京交通大学;2008年

8 严志永;在划分数据空间的视角下基于决策边界的分类器研究[D];浙江大学;2011年

9 王U，

本文编号：797841