基于遗传算法和神经网络的上市公司财务困境预测

针对上市公司财务困境预测问题,以中国制造业上市公司为研究对象,以财务状况异常而被特别处理作为上市公司陷入财务困境的标志,将股权结构和董、监事会状况指标加入到财务预警的指标体系中,应用遗传算法优化的BP神经网络算法,并对独立检验样本集进行预测,将预测结果同logistic方法、支持向量机方法和BP神经网络方法进行比较。结果表明,GA-BP神经网络方法在提前两年和三年预测中,总正确率分别达到91.25%和82.5%,优于其他方法,具有较大的应用价值。     

支持向量机（SVM）方法对财务危机的预警

上市公司是证券市场的基石，其行为的规范与否及其财务状况的好坏将直接影响到证券市场的发展和投资者的利益。而在市场经济条件下，每个企业绝对地防止财务失败是不现实的，在特定的条件下，总会有一些企业陷入财务失败的困境，然而人们面对这样的困境不是无能为力的，企业财务失败是可以提前预测的。本论文正是基于这样的思想，在总结国内外有关企业财务失败研究成果的基础上，论述了企业财务失败与破产、企业财务失败与ST的关系。在对企业财务失败预警的含义、功能及特征等进行了必的简单介绍之后便进入实证研究部分。实证研究部分主以我国深、沪两市96年前上市的260家A股公司为研究样本，采用2005年至2007年三年的实际财务数据的均值，运用支持向量机（SVM）方法，随机抽取其中的200家企业的数据建立判别模型，运用自身验证法对模型的稳定性加以分析，又运用外部数据法，使用剩余60家上市公司的数据对模型的预测能力进行了验证。结果表明：通过对21个变量指标进行分析，SVM的准确率很高，其预测的准确率为94％。而后对模型的可行性和有效性进行了验证，正确的判别率达到了91．6667％，结果表明模型是可行的。从而建立了判断上市公司财务危机的数学模型。     

基于小波神经网络的电价滚动预测模型

探讨了基于小波分析和神经网络的3种短期电价预测模型,比较了提前1步的滚动预测与提前N步的预测方法.采用预测误差概率分布作为预测误差的评价指标,并以美国加州电力市场的实际运行数据为基础,连续预测该市场1个月的电价.结果表明:提出的具有滚动预测概念的模型III具有良好的预测精度,其误差分布还显示出该模型具有较高的预测置信度.     

基于主成分分析的上市公司财务危机预警模型研究

建立了主成分分析预警模型,该模型可以用来对企业财务困境进行预测.经实证研究得出,该模型对检验样本的预测正确率为70%,说明主成分分析方法对上市公司的财务危机具有较好的预测效果.     

基于模糊物元方法的上市公司财务失败预测

基于财务失败预测概念的模糊性和评价指标的不相容性,以模糊物元分析为基础,将熵值理论与模糊集和贴近度相结合,建立了基于熵权与专家打分法所获权重的组合权重的模糊物元模型预测上市公司的财务失败,并以＊ST夏新为例进行实证研究,研究结果表明,运用模糊物元模型预测上市公司的财务失败,其方法是可行的,为上市公司的财务失败预测提供了一种新方法。     

浅谈企业财务预测管理体系

财务预测是财务管理的重要环节之一,也是财务管理的首要环节。在当前充满竞争、风险和战略发展的市场环境中,企业建立、健全财务预测管理体系是提高和优化管理水平、实现企业长期战略发展目标的保证,同时也为财务管理其他环节的正确性奠定基础。本论文主要包括三个部分。第一部分阐述了目前我国企业财务预测的特点和存在的问题;第二部分分析了如何构建企业财务预测管理体系;第三部分论述了设计切实有效的财务预测管理操作系统。     

基于随机森林的A股股票涨跌预测研究

针对传统预测模型易陷入过拟合、缺失数据敏感、计算量大等不足,利用随机森林算法的双重随机性、处理数据集优异等特点,对A股股票涨跌预测进行研究。首先运用相关性分析对初始指标体系进行一次Spearman和二次Pearson筛选,去除指标体系中的冗余指标。然后对随机森林的各项重要参数进行优化,并对优化后的模型采用重要性估计方法以提升训练模型精确度。通过不同指标体系的对比,验证实验过程的正确性。最后,对比不同建模方法的实证预测结果,表明随机森林模型比传统机器学习方法二元logistic回归在性能上更优越,具备较高的预测准确度。     

论财务预警指标体系的建立

企业财务风险预警指标是通过企业财务报表及相关资料的分析，将企业面临的危机情况预先告之于企业经营者和财务管理人员，以提早作好防范措施的财务分析系统。就建立企业财务预警指标体系的内容和遵循的原则进行了初步的探讨。     

乘积季节模型在储蓄存款预测中的应用

运用SPSS软件和SAS软件系统中的时间序列建模方法建立了我国城乡居民储蓄存款模型,并认为用最大似然估计法(ML)对结果进行短期预测,用无约束最小二乘估计法(ULS)对结果进行中长期预测,可得到较高的预测精度.     

基于聚类的科技经费决策分析模型

对申报项目企业的经费进行评价、监督和管理研究,通过挖掘科技部门积累的企业财务数据集,利用聚类对企业财务状况进行分析和整理得到财务状况分类模型,进而对分类后的企业进行财务风险预测,为决策者在科技项目中后期监督和管理提供支持.将聚类和财务预测模型引入到科技经费决策分析模型,得到前期财务状况分类和后期财务预测.结果表明,该科技经费决策分析模型预测准确率较高,是辅助科技管理部门决策的有效工具.     

基于主成分分析和粗径向基神经网络的财务预警模型研究

将主成分分析和径向基函数神经网络结合,以粗糙集作为预处理器进行指标约简,并以传统财务指标为基础,引入反映企业现实财务状况的现金流量指标,通过主成分分析提取指标和降维,利用径向基函数神经网络作为判别企业财务状态的工具,构建上市公司财务危机预警的RPR模型,实证研究结果证明了该模型具有较高的建模精度和泛化能力。     

基于Adaboost算法结合DEGWO-SVM的财务困境预测

针对支持向量机(SVM)在企业财务困境预测研究中存在参数选择困难、分类准确率低的问题,提出了一种新的Adaboost-DEGWO-SVM组合模型.首先,通过对2017年全部A股上市公司的财务数据进行数据预处理,提取1∶1的困境公司(ST)和正常公司组成建模数据集;然后,利用差分进化算法(DE)改进灰狼优化算法(GWO)来提高其全局搜索能力,以解决灰狼算法易陷入局部最优的问题,从而实现对SVM参数c和γ的寻优;最后,通过Adaboost算法提高了DEGWO-SVM模型的分类能力.实验结果表明,Adaboost-DEGWO-SVM组合预测模型具有明显的困境预测优势,与DEGWO-SVM相比,分类准确率提高了4.34%,Ⅰ类错误和Ⅱ类错误分别降低了0.043 5;与单一SVM相比,分类准确率提高了13.04%,Ⅰ类错误、Ⅱ类错误分别降低了0.130 4、0.130 5,是一种潜在的企业财务困境预测方法.     

基于VMDLSTNet的水质预测模型

针对水质时序预测中存在长期信息和短期信息混合导致预测精度低的问题,采用变分模态分解（Variational Mode Decomposition,VMD）和长短期时间序列网络（Long- and Short-term Time-series network,LSTNet）组合使用以期望解决该问题得出更准确的水质预测。LSTNet网络中使用卷积神经网络（Convolutional Neural Networks,CNN）提取短期局部水质信息,使用循环神经网络（Recurrent Neural Network,RNN）提取长期水质信息,并且通过Skip-RNN利用序列周期特性,提取更长期信息,同时模拟自回归（Autoregressive model,AR）,为水质预测增添线性成分来达到输出能够响应输入尺度变化的目的。采用珠江流域老口站隔日采样的溶解氧数据验证模型效果,结果表明,VMDLSTNet网络处理水质预测问题的能力,不仅优于传统的BP神经网络（Back Propagation Neural Network,BPNN）、支持回归机（Support Vector Regression,SVR）模型,而且优于深度学习中时域卷积网络（Temporal Convolutional Network,TCN）模型、门循环网络（Gate Recurrent Unit,GRU）、增加注意力机制的长短时记忆网络（Long Short-Term Memory Add Attention,LSTM-AT）模型,溶解氧的预测平均绝对误差（Mean Absolute Error,MAE）为0.0931,预测均方误差（Mean Square Error,MSE）为0.0146,预测均方根误差（Root Mean Square Error,RMSE）为0.1208,水质类别的预测准确率为95%。     

基于近邻成分分析的短期风电功率集成预测

针对短期风电功率预测关键气象因素影响程度的差异和单一模型预测精度不足的问题,提出一种基于近邻成分分析（neighborhood components analysis,NCA）特征加权和Stacking集成预测的短期风电功率预测模型。考虑气象特征对风电功率影响程度不同,利用NCA对气象特征进行加权,将加权特征作为模型输入,强化关键特征的影响程度;在此基础上,构建多个基预测器预测风电功率,并利用结合器将预测结果融合,建立Stacking集成预测模型。算例分析表明,以加权特征作为输入的Stacking集成预测模型具有更高的短期风电功率预测精度。     

Forecasting Financial Distress of Chinese High-tech Manufacturing Companies Based on a Hybrid Model of GA-SVM

Owing to the radical changing of Chinese economy, it is essential to build an effective financial distress prediction model. In this paper, we present a genetic algorithm (GA) approach for optimizing parameters of support vector machine (SVM). We validate the proposed model on datasets of Chinese high-tech manufacturing industry. Experimental results reveal that the proposed GA-SVM model can compare to and even outperform other exiting classifiers. Compared to grid-search algorithm, the proposed GA-based takes less time to optimize SVM parameter without degrading the prediction accuracy of SVM.     

基于双通道模型的航空发动机剩余寿命预测

针对现阶段航空发动机单一剩余使用寿命预测模型数据挖掘深度不足导致预测精度低的问题,提出一种双通道模型的预测方法。首先,构建双通道网络结构：通道一使用时间卷积网络,通过残差结构和空洞卷积使得网络具有更大的感受野和计算速度;通道二使用卷积长短时间记忆网络,提取多维时空特征,捕捉数据长期依赖关系。其次,利用多头注意力机制为双通道网络特征重新赋予权重。最后,将双通道网络进行特征融合输出,实现对航空发动机剩余寿命预测。使用涡扇发动机退化数据集进行实验验证,并与其它文献中提到的卷积双向长短时间记忆网络模型、多特征注意力模型、多头注意力模型、卷积门控单元循环神经网络模型进行对比。结果表明,所提模型在3种评价指标上均取得更好的表现,为航空发动机剩余寿命预测提供了一种新思路。     

融合注意力机制的煤层气产量动态预测

为了提升煤层气产量的预测精度,提出融合注意力(Attention)机制并结合卷积神经网络（convolutional neural networks,CNN）和长短期记忆神经网络（long short term memory,LSTM)的煤层气产量动态预测模型。利用随机森林变量筛选方法,确定井底流压、动液面高度、套压、冲次为排采过程中影响煤层气产量的主控因素;利用CNN信息提取优势,提取煤层气排采数据的特征向量,并将特征向量作为LSTM网络的输入;再将LSTM隐含层融合注意力机制提取重要信息权重,有效解决信息长期依赖性和信息丢失。实验结果表明：融合注意力机制的CNN-LSTM煤层气产量动态预测模型各方面均表现较优。具体表现为：1. 模型预测性能较好,利用不同模型对比预测,改进后的煤层气产量预测模型精度最高,比标准的LSTM预测精度提升了3%~4%;2. 泛化性能较优,预测同一区块不同生产天数的6口煤层气井产量时,预测60天日产气量的平均相对误差均小于5%,预测200天日产气量的平均相对误差均小于8%。     

短期风电功率CEEMDAN-SMA-LSSVM预测模型研究

为了提高风力发电功率预测的准确性,建立了基于CEEMDAN分解的SMA算法优化LSSVM的短期风电功率组合预测模型。首先,采用完全集合经验模态分解(CEEMDAN)对原始风电功率数据进行分解与重构。随后,为了进一步优化最小二乘向量支持机模型(LSSVM)的参数,引入了黏菌算法(SMA)优化,通过调整惩罚参数和核参数来提高模型性能,最后,构建多种对比模型对比分析表明CEEMDAN-SMA-LSSVM模型预测精度最高,预测结果更接近真实值。研究可用于风电场短期风电功率预测使用。     

基于主成分分析-相关向量机的高速公路路基沉降量预测

为解决高速公路路基沉降量难以获取的难题,提出一种基于主成分分析(principal compohent analysis,PCA)的相关向量机(relevance vector machine,RVM)路基沉降量预测方法。通过主成分分析法将多个易获取的土体常规物理参数降维成少数且独立的变量,借助相关向量机模型反映路基沉降量与4个主成分变量之间的非线性映射关系,建立基于PCA-RVM的高速公路路基沉降量预测模型。将该模型应用于工程实例,在同样学习样本情况下与4种神经网络预测模型对比分析,结果表明:PCA-RVM预测模型通过分析各因素的相关性与贡献率,将多个影响因素合理化为少数主成分变量,在信息筛选方面明显优于其余4种模型;各模型预测结果显示,在路基沉降量预测结果的相对误差及均方差方面,PCA-RVM预测模型均占据较大优势。PCA-RVM模型具有精度高、离散性小、可靠度高等优点,为高速公路路基沉降量预测提供了一种新方法。     

基于支持向量机的财务危机预警模型

首先利用因子分析、均值检验和相关性分析分别对财务指标和公司治理变量进行筛选,得到具有代表性的指标变量,然后利用支持向量机方法进行实证分析.研究结果表明,支持向量机模型对于企业破产风险有较强的预测能力.通过与财务指标下的模型结果进行比较,发现引入公司治理变量(流通股比例、第一大股东持股比例和股权集中度)后,模型的预测能力更强,该方法具有一定的实际应用价值.