基于RS-SVM数据挖掘技术的财务困境预测模型研究

论文摘要

财务困境预测是财务管理和投资管理领域的一个重要研究方向,因为企业的财务状况如何或是否将陷入财务困境状态既关系到企业本身的战略制订与调整,还关系到其债权人或投资方的利益。在中国资本市场蓬勃发展的今天,企业财务状况的判断和财务困境预测的研究尤其具有重要的理沦意义和现实意义。财务困境预测是通过对企业公丌对外发布的会计报表和国家发布的宏观经济一些指标的分析,应用科学的预测方法,对企业的总体财务状况进行判断,以预测其在未来一段时间内发生财务困境的概率。本文的目的是研究一般企业财务困境预测方法,旨在提出一个无企业规模限制、行业局限、股权结构等局限,可以广泛应用的财务困境预测方法。本文认为,企业财务困境的短期预测要提高其准确性,要求全面的预测指标体系。论文在多指标的数据挖掘的基础上,提取了对短期预测作用最大的指标体系,并应用所提出的RS.SVM预测方法,结合沪市和深市上市公司的数据,通过纯数理分析验证了本文提出的预测思路、预测指标体系和预测方法的可行性、并重建了数据挖掘提高结果可用性的方法,即应用元学习算法。本文的主要工作与创新性成果包括以下几个方面:首先,本文在国内外己有研究综合分析的基础上,认为企业财务困境的基本内涵是企业财务的一种不健康状态,其主要表现是不能履行到期财务义务或意味着将不能履行到期财务义务,企业将最终走向无能力持续经营或破产。其次,提出了企业财务困境的预测指标体系。本文认为,不同的原因对财务困境预示的提前期是不同的。因此在做财务困境预测就不可避免的引入所有可能的影响因素,比如公司治理理论指标体系、股权性质与结构指标体系、宏观经济指标体系等等。最后,提出了一种将粗糙集(RS)与支持向量机(SvM)集成的预测方法,该方法通过约简输入支持向量机的属性列而改进其预测精度。基于基准检验数据集的统计分析结果说明,所提出方法的预测精度明显优于一般的支持向量机和其它分类算法比如径向基网络(RBFnetwork)、J48、ADTree。短期预测的实证结果表明,该方法能够达到目前最好的短期预测精度。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 论文写作的背景
• 1.2 论文研究的问题和意义
• 1.2.1 论文研究的问题
• 1.2.2 论文研究的意义
• 1.3 国内外研究现状及发展趋势
• 1.3.1 财务困境理论研究现状
• 1.3.2 基于ANN 和决策树的数据挖掘的研究现状及发展趋势
• 1.4 论文的研究方法、总体结构和创新之处
• 1.4.1 论文的研究方法
• 1.4.2 论文的总体结构
• 1.4.3 论文的创新点
• 第二章 相关理论综述
• 2.1 数据挖掘理论
• 2.1.1 基本概念
• 2.1.2 数据挖掘分类、技术与过程
• 2.1.3 数据挖掘应用现状
• 2.2 粗糙集理论
• 2.2.1 粗糙集理论的基本概念
• 2.2.2 粗糙集理论的应用范例
• 2.2.3 实现方法探索
• 2.3 支持向量机（SVM）理论
• 2.3.1 支持向量机理论的原理
• 2.3.2 粗糙集理论对于改进支持向量机的贡献
• 第三章 决策表的约简
• 3.1 知识表达系统数据的一致性
• 3.2 一致决策表的约简
• 3.2.1 决策表的属性约简算法
• 3.2.2 值约简
• 第四章 基于粗糙集的支持向量机（RS-SVM）构建
• 4.1 支持向量机算法概述
• 4.1.1 支持向量机的训练算法
• 4.2 大样本集的预处理方法
• 4.3 算法的改进—NEW-RS-SVM
• 4.3.1 RS 知识约简方法
• 4.3.2 属性约简和重要度算法实现
• 第五章 基于粗糙集支持向量机财务困境预测模型获取与分析
• 5.1 财务困境预测的理论范畴
• 5.1.1 财务困境的定义
• 5.1.2 财务困境的研究目的与研究内容
• 5.2 财务困境上市公司样本设计
• 5.2.1 陷入财务困境上市公司的样本选择
• 5.2.2 配对的非ST 上市公司的样本选择
• 5.2.3 数据来源与研究假设
• 5.3 财务困境预测模型指标的筛选
• 5.3.1 选择变量
• 5.3.2 国内外变量的使用及基于挖掘的变量选取
• 5.3.3 统计回归下的指标筛选及缺陷
• 5.4 基于粗集的支持向量机财务困境预测模型获取
• 5.5 基于粗集的支持向量机财务困境预测模型比较分析
• 5.5.1 单数据集多算法比较
• 5.6 基于粗集的支持向量机财务困境预测模型评价与总结
• 第六章 模型的应用分析
• 6.1 模型的应用分析
• 6.2 研究展望
• 结论
• 致谢
• 参考文献
• 附录
• 个人简历、在学期间发表的学术论文及研究成果