基于支持向量机的现金流时间序列预测分析.pdfVIP

理 论 研 究 —■—■■l●—■一 FI~IENDSOFACCOUNTING 基于支持向量机的现金流时间序列预测分析 刘洪久 胡彦蓉 ’ RiegRobe~ 马卫民 1．常熟理工学院 2．HochschuleAalen 3．同济大学 【摘 要】准确合理地预测现金流量是决策者面临的重要课题之一。文章通过采用支持向量机进行建模和仿真，利用滑动窗技术，对一 汽轿车的现金流量预测进行了实证研究。研究结果表明，支持向量机模型在小样本条件下具有较好的预测效果。模型的拟合和预测效果与 滑动窗发送器的尺寸和具体的权重函数选择有关。 【关键词】支持向量机 ；滑动窗；现金流预测 一 、 引酉 小分别用 和wr表示。为了研究在什么样的尺寸下，模型具 近年来，以BP神经网络为代表的智能算法在预测方面的应 有 良好的预测效果，需要确定合适的发送器尺寸，为此我们改 用越来越广泛，智能算法的优点在于，即使我们不清楚模型输入 变 从 1到8(wt=l，2，…，8)。接收器的大小为1(wr=1)(见 和输出之间确切的函数关系，依然可 以获得较好的预测效果，从 图 1)，因为模型的输出仅有一个结果。这样 。当我们同时滑动 而克服了传统时间序列预测方法(如时间序列平滑法和曲线趋势 发送器和接收器 的时候 ，就会得到模型的输入矩阵P(i，i) 预测法等)的不足。但BP神经网络有一定的局限性，如容易陷入 (i=1，2，…，wt；．_1，2，…，n— )和输出矩阵T(j)(j=1，2，…， 局部最优、样本数量不能太少等。由于我国企业经营的历史都比 n—w1)见公式(2)、(3)。 较短，现金流的历史样本数量较少，大部分属于小样本(时间序列 CF1 CF2 ··· CF 样本数据~300)。这导致 BP神经网络模型的应用效果不佳。 CF2CF3 … CF ， P(i，j)= (2) 作为一种新的智能算法，支持向量机(SVM)在解决小样本、 非线性及高维模式识别中表现出许多其他算法所不具备的特有 CFWC … C 1 优势，并且能够推广应用到函数逼近、多维分类与预测等各种问 T(j)=(C + CF … CF) (3) 题中。因此，本文采用支持 向量机模型，并结合滑动窗技术探索 P(i，i)和T(i)各 自被划分为训练数据和测试数据两组，每组 时间序列现金流预测的新方法。 训练和测试数据都包括P(i，j)和T(j)。例如，数据组 1由P(1，j) 和T(j)(j=1，…， )组成。测试数据组中包含三对输入和输出向 二、样本数据来源和滑动窗参数的确定 量用于检验模型的性能，训练数据组用来训练模型。 (一)样本数