Box-Cox变换原理及其在财务比率正态分布中的作用

对上海深圳交易所1998～2002年1 100余家公司5 571份年报12个财务比率的综合研究揭示,绝大多数财务比率不服从正态分布且不易变换到接近正态.正态变换实证过程表明：原始财务比率数据经行业划分、剔除污染样本后再进行Box-Cox变换的的正态变换效率最高,可使绝大多数财务比率接近正态分布,但仍有少数比率无法正态化.     

财务比率分析中的局限性及其改进探讨

财务比率分析是财务报表分析中最基本的分析方法，因财务报表自身的缺陷和财务比率分析方法的不完善，决定了财务比率分析存在一定的局限性。这就影响了分析结果的准确性和有效性，容易对信息使用者造成误导，必须认识到比率分析中的不足并加以改进。     

浅析财务比率分析局限性及应对措施

财务比率是同一张财务报表的不同项目之间、不同类别之间,或在同一年度不同财务报表的有关项目之间,各会计要素的相互关系。财务比率是比较分析的结果,同时也是对公司财务报表进行更深层次的比较分析或因素分析的基础,对改进企业财务管理工作和优化经济决策及报表使用者决策提供重要的财务信息。但是财务比率也有其固有的局限性,需要进行调整修正,以利于综合客观的评价和剖析财务状况、经营成果和现金流量情况。     

中国上市公司财务预警问题的统计分析和定性分析

阐述了在市场经济条件下投资者如何正确分析上市公司的财务比率，正确预测企业财务危险的信息，通过SPSS统计软件进行因子分析和回归分析，得出投资者应重点关注的七大指标和一个预测营业利率的多元线性回归模型．指出在减少投资者的投资风险方面，定量分析与定性分析结合的重要性．     

财务困境公司破产清算和重组

我国对财务困境问题研究的比较少,并且大部分都集中在事前建立财务困境预测模型对公司出现的财务困境进行预测,而对事后发生财务困境公司的出路,即是进行破产清算还是重组几乎没有研究。因此本文对处于财务困境公司是进行破产清算还是重组进行研究。     

生产建设项目财务评价的计算机模拟

为解决生产性建设项目财务评价快速预测的问题,该文利用计算机模拟的基本原理,结合大量统计资料,建立了财务评价预测模型,并通过实例验证了其可行性.仿真结果证明平均财务内部收益率、平均投资回收期及平均财务净现值的绝对误差均满足要求.     

基于可变参数的道路交通事故动态灰色预测模型

以中国1990~2006年万车死亡率为研究对象,在固定参数动态灰色预测模型基础上,根据人口数量、机动车数量和公路里程优化参数P值,建立了可变参数动态灰色预测模型;分别运用固定参数动态灰色预测模型、可变参数动态灰色预测模型和基于三点平均技术的可变参数动态灰色预测模型进行预测,得到的平均相对误差分别为6.97%、5.67%和4.61%.研究结果表明:可变参数动态灰色预测模型优于固定参数动态灰色预测模型;基于三点平均技术的可变参数动态灰色预测模型可以进一步平滑预测结果,增加预测结果的可靠性.     

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.     

财务分析方法体系述评

财务分析既是企业对已完成的财务活动作出总结评价,又是企业进行财务预测、作出财务决策的前提。一般财务分析包括单项分析法(比率分析法、比较分析法、因素分析法等)和综合分析法(杜邦分析体系、沃尔比重分析等)。拟对这些方法进行评述,并对未来进行展望。     

无偏灰色预测模型在边坡变形预测中的应用

根据边坡位移监测信息,应用灰色系统预测模型,可以对边坡变形的发展进行预测.采用传统灰色预测模型和无偏灰色预测模型对边坡变形进行预测,预测结果表明,两种模型都是有效的,无偏灰色预测模型的精度更高.     

组合预测模型在地方财政收入预测中的应用

根据地方财政收入预测受到多因素影响和经济系统具有非线性本质的特点,针对现有预测方法的不足,提出了一种组合预测方法。该方法首先通过灰色关联分析确定影响地方财政收入的主要指标,然后用灰色预测模型分别对各指标进行预测,最后将各指标的预测值作为输入,相应的地方财政收入实际值作为输出,训练并建立神经网络模型。实例分析表明灰色关联分析排除了非主要指标的干扰,灰色预测模型提供了较完善的输入数据,神经网络模型考虑了各主要指标的关联关系。实验结果证实该方法在地方财政收入预测中是有效可行的。     

企业技术开发融资与金融风险

通过建立动态模型分析了企业借助金融中介进行技术开发融资时金融风险对技术进步和经济增长的影响，在引入加权金融相关比率的条件下，得出了经济系统中加权金融相关比率所必须满足的参数条件。结果表明经济系统中存在一个由技术水平、资本的产出弹性、社会储蓄率和与市场利率决定的安全上限，如果加权金融相关比率超过这一上限，则会产生较高的金融风险并导致金融危机。     

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。     

基于二次分解与LSTM的金融时间序列预测算法研究

现有结合特征提取与预测模型的方法不能准确把握金融时间序列的混沌性与交互性,导致预测精度不高。针对此问题,提出一种基于二次分解与长短期记忆(long short term memory, LSTM)网络的金融时间序列预测算法。使用变分模态分解方法与集成经验模态分解方法依次解析金融时间序列数据,得到能表达数据混沌性特征的模态;将模态信息输入到融合有因子分解机(factorization machine, FM)的长短期记忆网络模型中,融合获取到的长记忆性特征与交互性特征,进而预测最终的结果;选取沪深300指数的历史数据作为实验数据集,通过多组对比实验验证算法的有效性。实验结果表明,提出的算法可以有效提升模型的预测能力,同时表达金融时间序列的混沌性、长记忆性、交互性。     

区间型金融时间序列的长记忆性研究

研究金融时序的长记忆性能够帮助人们更加准确地刻画金融市场的特征,而在现有研究中,有关区间型金融时序长记忆性的研究很少。因此,考虑了区间型金融时序蕴含的长记忆性特征及其基于现有实值金融时序长记忆性建模的区间值时序预测模型,首先,将区间数表示成区间中心和区间半径的形式;然后分别对中心和半径序列进行长记忆性检验,并对具有长记忆性的序列进行组合预测;最后,以上证综指和深证综指的区间股指为实证对象进行验证。实证结果表明:上证综指的区间股指具有明显的长记忆性,且组合预测能够显著提高区间型金融时序的预测精度。     

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LASSO的企业财务危机预警与关键指标选择

将LASSO方法应用于财务危机预警的关键指标选择,并借助90家制造业上市公司的财务数据建立了基于LASSO方法的财务预警模型.提出的模型不仅实现了两个关键财务指标的自动选择,而且获得了较高的预测精度,这为企业纠正经营方向、改进经营决策和有效配置资源提供了可靠的依据.     

普通高等学校招生规模的预测方法

近年来,中国普通高等学校招生规模不断扩大,提高了高等教育的入学率,却增加了大学毕业生就业的压力。研究普通高等学校招生规模的预测方法对于合理地制定普通高等学校招生规模,实现高等教育可持续性发展是非常关键的。采用灰色系统方法和神经网络方法,结合1970—2009年全国普通高等学校招生人数的数据资料,建立了普通高等学校招生规模的灰色系统GM(1,1)模型和BP神经网络模型。对2种模型的模拟通过MATLAB平台实现。BP神经网络建模考虑了普通高等学校数、普通高等学校教职工人数、普通高中毕业人数以及国家财政教育经费投入4个影响因素。灰色系统GM(1,1)模型的精度为75.7%;BP神经网络模型的精度为95.4%。通过模拟分析可以得出:BP神经网络方法用于普通高等学校招生规模的预测是可行的。     

基于灰色-神经网络的核动力设备运行趋势预测

根据核电设备运行参数的历史数据,利用灰色系统GM（1,1）预测模型建立动态微分方程,并预测其发展趋势。如果原始数据序列呈线性变化且还原值序列的相对误差平方和较大,则用BP神经网络对GM（1,1）的预测结果进行修正,以提高预测精度。文中以二回路辐射剂量率的预测为例,对该方法进行了仿真实验验证。验证结果表明,用BP 神经网络对GM（1,1）的预测结果进行修正相比较GM（1,1）预测模型,预测精度得到了显著提高。