基于特征提取与支持向量机的企业财务困境预测研究

论文摘要

在激烈的市场经济中,通过构造合理的财务困境预测模型,正确地预测企业财务困境,对于保护投资者和债权人的利益、经营者防范财务危机和政府管理部门监控上市公司及证券市场风险将具有重大的现实意义。统计学习理论是一种专门研究有限样本情况下机器学习规律的理论,追求在有限信息的条件下得到最优结果。支持向量机是在统计学习理论的基础上发展而来的一种新的机器学习方法,在解决有限样本、非线性及高维模式识别问题中表现出许多特有的优势。本文在回顾和总结大量国内外相关财务危机和破产预测研究文献的基础上,利用统计检验方法对国内和国外企业财务数据指标变量进行分析。本文采用数据挖掘领域的有效算法——支持向量机分类器作为建模方法,将独立成分分析方法作为特征选择工具引入到建立企业财务困境预测模型中,对企业财务数据中的财务指标比率进行有效选取,从而优化和提高基于支持向量机的财务困境预测模型的分类性能。通过对来源于国内外企业财务困境或破产数据样本的进行实证分析,并与其他方法比较实验结果,证实了通过独立成分分析方法与支持向量机分类器建立企业财务困境预测模型研究的有效性与实用性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题提出和研究意义
• 1.2 国内外研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 研究方法
• 1.4 论文结构安排
• 第二章 财务困境预测相关理论
• 2.1 财务困境的概念
• 2.2 相关预测模型的研究
• 2.2.1 多元判别分析法
• 2.2.2 Logistic回归分析法
• 2.2.3 神经网络模型
• 2.3 小结
• 第三章 支持向量机与特征选择算法
• 3.1 支持向量机基本理论
• 3.1.1 最优分类超平面
• 3.1.2 支持向量机理论
• 3.2 特征选择算法
• 3.2.1 特征选择概述
• 3.2.2 ICA算法
• 3.2.3 ICA特征选择算法
• 3.3 小结
• 第四章 财务困境预测模型实证研究
• 4.1 数据样本
• 4.2 数据样本的统计分析
• 4.2.1 Kolmogorov-Smimov适应性检验
• 4.2.2 Mann-Whitney U检验
• 4.2.3 KMO（Kaiser-Meyer-Olkin）因子分析
• 4.3 财务困境预测模型实证分析
• 4.3.1 ICA-SVM预测模型
• 4.3.2 GA-SVM预测模型
• 4.4 非平衡数据样本分类处理
• 4.5 实验结果分析
• 4.6 小结
• 第五章 结论与发展展望
• 5.1 研究结论
• 5.2 发展展望
• 参考文献
• 致谢
• 附录