基于集成学习的非均衡财务数据的分类研究
发布时间：2021-04-14 04:55
随着经济全球化的快速发展,市场竞争日趋激烈,给企业带来发展和机遇的同时,也带来了大量的风险和挑战。及时发现企业自身可能存在的财务风险,不仅能避免相关者的利益受损,也有利于宏观经济的稳定发展。研究人员在财务风险预测方面构建了大量相关模型,但这些方法较少考虑到财务数据非均衡的特性,使得少数类样本的识别率较低,模型的分类性能较差。鉴于此,本文使用集成学习算法对非均衡的财务数据分类进行研究,补充优化理论的同时,经实证分析后还可以得到性能更好的分类模型,解决传统模型未将财务数据作为非均衡数据处理而导致的分类不合理的问题。本文选取2014至2018年间被特别处理的124家制造业上市公司作为研究样本,没有按照传统模型中1:1的比例选择正常经营的公司,而是基于前人研究的成果使用1:3的比例选择了372家正常公司来增加原始数据集的真实性。从盈利能力、偿债能力、成长能力、营运能力、现金流量、资本结构、股权治理结构、宏观经济观测指标和影响制造业发展的重要因素中初步选出2大类8小类共28项比率指标。本文主要针对非均衡财务数据分类指标的选定和模型的构建与评估两个方面进行研究:（1）构建分类指标体系。在建立模型前...
【文章来源】：山西大学山西省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
006--2019年退市公司数量汇总
基于集成学习的非均衡财务数据的分类研究21.1.2研究意义基于理论层面，研究人员在财务风险预测方面构建了大量相关模型，但这些方法在实验验证中却没有充分考虑到数据的特性，使得少数类样本的识别率较低，模型的分类性能较差。基于用来进行分类的财务数据大多是非均衡的，因此需要构建满足数据特性的模型，补充优化理论研究的同时，还可以得到性能更好的分类模型，解决传统模型未将财务数据作为非均衡数据处理而导致的分类不合理的问题。基于实践层面，企业能否正常平稳运行、市场能否持续保持稳定、国家能否保障金融安全，财务风险预测都起到了至关重要的作用。随着经济全球化的快速发展，市场竞争日趋激烈，给企业带来发展和机遇的同时，也带来了大量的风险和挑战。及时发现企业自身可能存在的财务风险，不仅能避免相关者的利益受损，也有利于宏观经济的稳定发展。1.2研究思路和方法1.2.1研究思路图1.2论文整体研究思路本文的研究思路包含三个阶段：选题阶段注重文献资料的收集整理；准备阶段注重理论的学习和原始数据的收集；实证分析阶段注重数据的分析和模型的建立。1.2.2研究方法本文在进行研究分析时主要用到了以下方法：第一，文献分析研究法。本文在现有文献的基础上，总结了当前非均衡数据分
第三章集成学习相关理论算法的介绍11第三章集成学习相关理论算法的介绍3.1集成学习聚合一组模型进行预测，得到的预测结果通常比单个模型的效果要好，这样的一组模型称为集成。这种组合技术，称为集成学习。集成学习的优势在于即使每个分类器都是弱学习器，通过集成依然可以实现一个强学习器，克服单一分类器产生的弊端，提升整体算法的性能，且有较高的准确率，这使得集成学习成为机器学习领域中较为热门的学习方法。集成学习(EnsembleLearning)属于有监督学习，是一个战略性地生成和组合多个模型以更好地解决特定机器学习问题的过程，以改善单个模型的性能和减少选择效果不佳模型的可能性为目的。集成学习中使用平均(Averaging)和表决(Voting)的方式将不同的分类器结合在一起，其中Voting又可分为多数投票(MajorityVoting)和加权多数投票(WeightedMajorityVoting)，代表算法分别是随机森林和Adaboost。集成学习算法能够运行成功并且有效解决非均衡分类问题的关键在于，它能够更正单一分类器所犯的错误，同时根据不同的分类器和数据类型，只需要选择不同的超参数就可以提升模型性能。集成学习算法可分为袋装法(Bagging)算法和提升法(Boosting)算法，如图3.1所示。Bagging算法属于并行算法，单一学习器之间没有相关关系，能够降低样本方差。Boosting算法属于串行算法，各学习器之间存在很强的相关关系，需要根据前一个模型的结果生成下一个模型。图3.1集成学习算法分类
本文编号：3136701
【文章来源】：山西大学山西省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
006--2019年退市公司数量汇总
基于集成学习的非均衡财务数据的分类研究21.1.2研究意义基于理论层面，研究人员在财务风险预测方面构建了大量相关模型，但这些方法在实验验证中却没有充分考虑到数据的特性，使得少数类样本的识别率较低，模型的分类性能较差。基于用来进行分类的财务数据大多是非均衡的，因此需要构建满足数据特性的模型，补充优化理论研究的同时，还可以得到性能更好的分类模型，解决传统模型未将财务数据作为非均衡数据处理而导致的分类不合理的问题。基于实践层面，企业能否正常平稳运行、市场能否持续保持稳定、国家能否保障金融安全，财务风险预测都起到了至关重要的作用。随着经济全球化的快速发展，市场竞争日趋激烈，给企业带来发展和机遇的同时，也带来了大量的风险和挑战。及时发现企业自身可能存在的财务风险，不仅能避免相关者的利益受损，也有利于宏观经济的稳定发展。1.2研究思路和方法1.2.1研究思路图1.2论文整体研究思路本文的研究思路包含三个阶段：选题阶段注重文献资料的收集整理；准备阶段注重理论的学习和原始数据的收集；实证分析阶段注重数据的分析和模型的建立。1.2.2研究方法本文在进行研究分析时主要用到了以下方法：第一，文献分析研究法。本文在现有文献的基础上，总结了当前非均衡数据分
第三章集成学习相关理论算法的介绍11第三章集成学习相关理论算法的介绍3.1集成学习聚合一组模型进行预测，得到的预测结果通常比单个模型的效果要好，这样的一组模型称为集成。这种组合技术，称为集成学习。集成学习的优势在于即使每个分类器都是弱学习器，通过集成依然可以实现一个强学习器，克服单一分类器产生的弊端，提升整体算法的性能，且有较高的准确率，这使得集成学习成为机器学习领域中较为热门的学习方法。集成学习(EnsembleLearning)属于有监督学习，是一个战略性地生成和组合多个模型以更好地解决特定机器学习问题的过程，以改善单个模型的性能和减少选择效果不佳模型的可能性为目的。集成学习中使用平均(Averaging)和表决(Voting)的方式将不同的分类器结合在一起，其中Voting又可分为多数投票(MajorityVoting)和加权多数投票(WeightedMajorityVoting)，代表算法分别是随机森林和Adaboost。集成学习算法能够运行成功并且有效解决非均衡分类问题的关键在于，它能够更正单一分类器所犯的错误，同时根据不同的分类器和数据类型，只需要选择不同的超参数就可以提升模型性能。集成学习算法可分为袋装法(Bagging)算法和提升法(Boosting)算法，如图3.1所示。Bagging算法属于并行算法，单一学习器之间没有相关关系，能够降低样本方差。Boosting算法属于串行算法，各学习器之间存在很强的相关关系，需要根据前一个模型的结果生成下一个模型。图3.1集成学习算法分类
本文编号：3136701
本文链接：https://www.wllwen.com/shoufeilunwen/jjglss/3136701.html
