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。     

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。     

险境淘金:基于并购重组事件挖掘的财务脱困预测

针对我国上市企业财务困境预测问题,构造了一个多分类器集成学习模型,挖掘企业并购重组事件(mergers and acquisitions, M&A)以及年报中管理层讨论与分析(management discussion and analysis, MD&A),应用文本分析技术研究其能否提供增量信息,以及新特征的信息价值.研究结果表明,新模型在预测准确度(area under curve, AUC)与识别能力(true positive rate, TPR)上均显著优于基准模型;企业财务数据、M&A, MD&A等的多源异构特征,都帮助该模型获得更佳的预测效果;基于MD&A的文本情感挖掘发现,管理层语调越消极悲观,其企业越易于陷入财务困境;频繁发生M&A事件更易使企业趋于陷入财务困境; MD&A中语调夸大将不利于模型预测的准确性,但大规模M&A会削弱这种消极作用.     

基于流形学习的多核SVM财务预警方法研究

在进行财务困境预测时, 为了客观全面地反映企业的财务状况, 纳入较多的预警指标, 数据集维度将变得很大, 传统方法求解此类问题效果并不理想. 流形学习处理高维数据具有较好的降维效果,多核SVM对于分布不平坦的数据具有很好的分类性能. 基于此, 提出了“流形学习+多核SVM”的混合算法财务预警模型, 该模型适用于具有大量指标集的财务预警. 实验结果表明, 与传统预警方法相对比, 其具有更优的预测性能.     

基于多分类器动态集成的电信客户流失预测

本文提出了一种新的基于多分类器动态选择与优化集成的电信客户流失预测集成模型.首先使用K均值聚类算法对训练集样本进行分区;然后分别使用Naive-Bayes算法、多层感知机算法和J48算法构建各分区客户流失预测子分类器;最后对各分区子分类器进行线性集成,并使用人工蜂群算法优化其集成权重.当测试样本由聚类算法判断出其归属区域后,再分别使用分区子分类器进行预测,最后使用优化权重进行线性集成.实验结果表明:动态集成模型优于单模型;基于人工蜂群算法优化集成模型优于其它集成模型.     

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。     

基于动态组合残差修正的预测方法

本文建立了一种基于残差修正的组合预测方法,并基于该方法证明了针对多个单一的预测方法根据其在某个时间段的相对预测误差的大小选择组合选项可以进一步提高预测精度.提出了针对不同时间段可根据各种单项预测模型的相对预测误差的大小动态选取相对预测误差最小的两种模型构成组合残差来修正基本方法的预测误差,以提高预测精度.最后通过实际空调负荷预测对其进行了验证,结果表明这种动态组合残差修正的预测方法相对于基于多个固定单一预测方法的组合预测方法,可以进一步改善预测效果.     

基于CCF的单传感器辐射源识别方法

在论述了D-S证据理论在单传感器辐射源识别应用的基础上,提出了一种基于组合分类器信息融合(combining classifier fusion, CCF)的单传感器辐射源识别方法。该方法利用了两方面的知识,一是由组合分类器对样本数据分类能力表征的先验知识,二是由组合分类器对未知模式目标的分类能力表征的当前知识。基于先验知识对当前知识进行必要的实时性修正,在分类器融合输入级提高了当前知识的正确性。利用合适的组合算法,对分类器的输出级进行正确信息的有效提取,提高了单传感器辐射源识别的准确性。仿真结果表明了该方法的可行性及有效性。     

二阶非齐次序列的直接离散模型及灰色预测应用

本文不要白化微分方程和一次累加序列参与建模,提出了二阶非齐次序列的直接离散模型,研究了此模型的模拟预测公式及其性质.经实例验证该模型有可操作性,且有较高的模拟预测精度,同时由该模型递推形式的模拟预测公式出发,采用降阶(二阶降为一阶),化齐次(非齐次转化为齐次)等方法推导出了通项形式的模拟预测公式.该公式直观展示了适用本模型的序列基本形式:指数型序列、线性型序列、抛物线型序列、三次曲线型序列四类基本序列及两个不同底数的指数序列与线性序列三者的和差组合、一个指数序列与抛物线型序列的和差组合、一个指数序列与线性型序列的和差组合、线性型序列与指数型序列的乘积组合序列再与另一线性型序列的和差组合四类组合序列.从理论上证明了当序列严格遵循这些基本形式时,本模型能实现完全模拟,从而近似遵循这些基本形式时,必然有较高的模拟预测精度.