遗传算法选择性集成多分类器的企业财务困境预测

为了更加有效地进行企业财务困境预测,本文提出了基于遗传算法选择性集成的多分类器系统。与事先静态给定系统内部基本分类器组成不同,该方法以组合系统预测准确率为优化目标,无需度量各基本分类器之间的差异性,可以动态挖掘最优组合系统。实证研究中以中国上市公司为研究对象,以10折交叉验证准确率作为评价标准,结果表明该方法显著优于全集成以及单分类器最优模型。     

基于多特征子集组合分类器的企业财务困境预测

为了更加有效地进行企业财务困境预测,利用t检验、单因素方差分析、逐步判别分析、逐步逻辑回归和邻域粗糙集5种特征提取方法,结合支持向量机、多元判别分析、Logistic回归、分类和回归树等多种分类学习算法构造备选基本分类器。在此基础上,提出了基于精度前向搜索和后剪枝的多特征子集组合分类器财务困境预测方法。该方法无需计算单分类器之间的差异性,首先以系统预测精度最大化为原则进行前向搜索,然后通过后剪枝策略选择精度最高或满意的系统作为最终结果。实证研究中以中国上市公司为研究对象,以十折交叉验证精度为评价标准,结果表明,该方法构建的组合系统的分类预测精度明显高于个体最优模型,最优组合系统和最简洁组合系统为财务困境预测提供了更多的灵活性。     

考虑财务报告中文本风险信息的财务困境预测

现有的财务困境预测研究大多忽略了公司在年度财务报告中以文本形式披露的风险信息,而相比于公司披露的其他类型的文本,这些风险信息能够更加直接和前瞻地反映公司经营中的潜在重要风险。创新性地引入财务报告中的文本风险信息进行财务困境预测,并构建了能够反映所披露的风险对公司产生影响的可能性的文本特征指标——风险可能性,而后采用机器学习方法构建预测模型。基于2006~2020年美国35706个上市公司年度样本的实证研究发现：在常用的财务及市场各类定量指标的基础上,融合财务报告中的文本风险信息能够显著提升公司财务困境的预测效果;相比于其他常用文本特征指标,本研究提出的风险可能性指标在财务困境预测中表现的重要度最高;定量指标的财务困境预测能力随着预测时间窗口的提前而明显下降,而文本风险信息的预测能力不仅没有下降,还呈现出了更为显著的提升效果。本研究可以帮助市场投资者、监管机构理解如何解读公司在财务报告中披露的文本风险信息,并为实现财务困境预测中融合文本信息提供了理论指导。     

时间序列判别分析技术和指数加权移动平均控制图模型在公司财务危机预警中的应用

经典的财务危机预警模型包括判别分析模型、logistic分析模型、神经网络模型、支持向量机模型、分类数模型等,这些经典模型最重要的缺陷是他们都是静态预测模型,都不能描述财务比率变量的时间序列特点;而且这些模型用来预测财务危机的数据都是单期的,没有考虑历史值对结果的影响.用时间序列判别分析的方法估计财务比率的演变过程;用在质量管理中经典的指数加权移动平均控制图模型构建公司财务危机的动态预测模型.实践表明预测效果良好.     

财务困境概率贝叶斯估计

通过财务困境概率估计模型建立一套企业财务风险预测系统,具有降低企业经营风险、投资风险以及防范金融危机的重要意义。现有的预测模型主要有:多元识别分析模型、Logit和Probit等统计回归模型以及人工神经网络预测模型。但以上模型均忽略了决策者个人经验、智慧以及信息优势对财务困境预测的重要作用。本文利用贝叶斯分析方法建立的概率估计模型,可以较好地解决这个问题,提高预测的针对性和准确性。     

上市公司财务困境预测模型比较研究

以中国上市公司为研究对象,以因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,采用交叉验证技术建立各种统计和神经网络模型,并在独立的预测样本集上进行比较.实验结果表明统计和神经网络模型都能有效地进行财务困境预测,对于提前两年预测,统计模型优于神经网络模型,而对于提前三年预测,神经网络模型优于统计模型.实验结果也表明了在与训练集同一财务年度区间内的测试集上不能正确估计模型的性能.     

企业财务困境修正Z模型的实证研究

针对奥特曼Z模型的不足之处进行了修正，寻找尽可能准确预测财务困境的模型，并选取我国上市公司中41家财务陷入困境的公司和41家财务正常的公司为样本，应用逐步回归分析法，研究了财务困境出现前2年这两类公司的20个财务指标，从中选定7个指标作为预测变量，主要采用Fisher判别分析和Logistic回归分析两种方法分别建立了财务困境预测模型。实证研究结果表明这2个模型与奥特曼的Z模型相比均有较好的预测效果，针对我国上市公司财务困境的预测准确度有显著提高。     

一种基于混合分类器的异常检测模型

针对网络的异常检测方法对未知攻击难以提供更多有用信息的缺点,提出一种基于分类器的异常检测模型。模型首先采用支持向量机对网络连接进行异常检测,然后将检测获得的异常作为输入进入聚类模块以得到其更多信息,其中聚类模块由自组织映射算法与信息获取算法共同完成。通过对检测到的异常进行信息获取的方法可以获得未知入侵的更多有价值的信息。最后应用kddcup99数据集进行仿真实验,实验结果表明,该检测模型具有较好的检测率和较低的误报率,并且该模型对于获得未知入侵的更多信息是有效的。     

基于多神经网络分类器的目标识别仿真实验研究

水下目标识别在国防及国民经济中具有重要的作用，为了提高神经网络分类器分类结果的有效性和可靠性，本文提出了一种利用多神经网络分类器输出向量来实现对各分类器进行加权的算法，舰船目标实测数据分类实验证明：基于该算法的多分类器融合技术能有效地提高目标识别的性能，同时选择适当的表决阈值又可提高分类结果的可靠性。因此，该算法在水下目标识别系统中具有一定的工程应用价值。     

多分类器融合的人脸识别与身份认证

人脸识别是生物特征识别技术中一个活跃的研究领域,取得了很多实践成果,但是单一分类器一般不能取得满意的识别率与身份认证效果。本文采用贝叶斯决策理论分析了常见的积、和、中值以及投票多分类器融合方法,并根据实际的选举情形,对投票法进行了2种改进。然后对协同人脸识别、特征脸法以及复合方法等人脸识别分类器进行决策层的融合,对ORL库中人脸识别仿真实验表明文中的多分类器融合的人脸识别方法具有较好的分类性能,对污损、低分辨率人脸图像具有可靠的识别率、鲁棒性强,而且应用于人脸身份认证中取得了较好的认证效果。     

基于改进SFAM多分类器的SLFS逼真度评估

持续载荷飞行模拟器(SLFS),是飞行模拟器从"无持续载荷模拟功能"到"有持续载荷模拟功能"的技术跃升,能够实现逼真的模拟实战飞行训练.因为有了持续载荷模拟功能,人体感知模拟环节提升到核心地位,逼真度评估方法必须与之相适应.利用数据挖掘中分类算法对模拟器的开环逼真度和闭环逼真度按不同权重进行层次评估.简化自适应谐振神经网络(SFAM)具有优良的分类性能和更快的收敛速度,但也存在当输入模式类属间差距较大时分类出错以及分类稳定性的缺陷.为了改善网络性能,采用自适应警戒参数的方法对网络进行优化;采用多SFAM分类器集成复合的方法克服分类缺陷.经试验,改进的多SFAM分类器在对影响持续载荷模拟飞行逼真度的各种因素分类过程中表现了较高的分类精度,是一种有效的适应持续载荷飞行模拟器的逼真度评估方法.     

财务指标与违约距离相融合的上市公司财务预警模型

违约距离是基于股票交易数据的信用风险度量指标，运用中国A股上市公司数据研究其在财务预警模型中的作用。研究结果表明，违约距离可提升财务预警模型的拟和优度和预测能力，但提升效果较为有限。     

基于多元判别分析和神经网络技术的公司财务困境预警

应用我国上市公司的财务报表数据，采用多元判别分析（MDA）技术和神经网络（ANN）技术对我国上市公司进行财务困境预警研究。实证结果显示这两种方法都具有较好的预测效果，其中ANN模型的短期预测效果优于MDA模型的预测效果，但无明显的优势。研究同时证明在现有会计制度和会计准则下。财务报表能提供预测财务困境的大量有用信息。财务危机有踪可寻。     

企业财务危机非线性组合预测方法及实证

针对组合预测比单项预测具有更高的预测精度,而线性组合预测方法在建模与预测方面存在着较大的局限性,提出了一种基于模糊神经网络的预测上市公司财务危机的非线性组合建模与预测方法,并给出了相应的混合学习算法。通过与多元线性回归模型、Fisher模型和Logistic回归模型的预测结果对比表明,该方法具有预测精度高、学习与泛化能力强和适应性广的优点。     

基于Kalman滤波的企业财务危机动态预警模型

基于Kalman滤波理论,考虑财务比率在时间序列上的趋势性和历史数据对结果的影响,构建了财务危机的动态预警模型。首先对动态系统的状态进行描述,建立目标的状态模型,该模型是以时间序列来描述的,此外还建立了财务危机预警的测量方程,利用状态空间法描述目标的状态和测量。然后对Kal-man滤波理论在财务危机预警中的适用性进行分析,利用Kalman滤波器对财务危机预警模型的状态进行Matlab程序计算。并且应用极大似然估计对模型进行参数辨识。采用英国和爱尔兰180家样本公司,5～10年时间序列的财务数据作实证研究,结果表明,由年度破产概率值输出的基于Kalman滤波的动态模型优于静态预测模型的新方法。     

上市公司复合财务系数

在构建上市公司财务评价指标体系的基础上,应用主成分分析方法对各财务指标进行综合,得到复合财务系数,从而为投资者提供了客观、合理的决策依据     

基于永续债置换及权益再融资的财务困境纾解方法

针对由流动性不足至清算价值为零所对应的财务困境情境,运用流动性指标与资产存量指标来设定财务困境阈值及破产阈值,综合采用永续债置换及权益再融资的施救策略,构建了该策略下的企业定价模型并进行了实证分析,验证了该综合施救策略的适用性。研究结果表明：适宜的综合采用永续债置换及权益再融资的施救策略有助于企业财务困境的有效纾解,主要依据为：通过债券到期期限的延长,可降低企业的当期还本付息压力,而永续债置换后企业短期流动性压力又得以进一步缓解;在企业资产价值处于一定范围的情境下,综合施救策略能够在确保企业债务价值不减的基础上,实现企业价值、权益价值的增加。     

财务困境分析中警兆指标的随机游动估计

警兆是警情爆发之前的先兆性指标,对其进行定量分析是财务困境分析中最为关键的一环。通过设定财务困境分析中警兆指标的上、下限,确定警兆指标变动的趋势,运用马尔可夫链进行随机游动估计,可以推导出分析时点警兆指标的恶化概率,并对其警情与警度作出分析,从而不但可以避免仅仅用警素指标建立模型进行财务困境预测的不足,而且使公司决策者能够有针对性地及早发现并排除分析指标所蕴涵的经营管理和财务风险,有效地防止风险恶化为财务困境的重要意义。     

支持向量机的时间序列回归与预测

详细分析了支持向量机用于时间序列预测的理论基础。采用支持向量机、RBF和Elman神经网络模型,对仿真时序和工程滑坡变形时序进行了回归与外延预测。结果表明,在噪声水平较低时,SVR回归效果稍好,Elman与RBF网络的稳健性相对较差;随着噪声水平增大,两种神经网络的回归精度迅速下降。对于外延预测,两种神经网络仅限于短期的非线性模拟,而泛化性能更好的SVR在短期具有比较理想的效果,在较长的时间区间里也具有较高的预测精度(7步预测准确度控制在83.5%以上)。