【毕业设计.论文】基于支持向量机的上市公司财务困境预测.pdfVIP

基于支持向量机的上市公司财务困境预测 ●肖智李星 摘要：文章采用支持向量机(s、，M)来处理上市公司财务数据，与传统的方法相比较，有较好的范化能力，避免了传统 方法的不足，能较客观的对上市公司财务困境进行预测．事实证明本模型是有效的，能为投资人和债权人的决策提供有 力的支持。 关键词：支持向量机；财务困境；预测 一、引言 函数关系的逼近问题。利用支持向量机方法进行财务困境 预测首先要确定影响上市公司财务风险的影响因素，建立 一般认为财务困境预测的研究始于Beaver的单变量 分析方法．将财务危机的实证研究带入到预测的领域，并扩 指标．然后根据实际资料构造样本数据集，最后利用支持向 大了财务失败的定义．但该模型的预测能力因财务比率的 量机进行学习训练并根据训练结果对上市公司财务困境进 选取不同而效果相差太大．无法全面反映企业财务特征的 行预测。具体说来包括： 缺陷．决策者也很难根据模型结果制定正确的决策。针对单 (1)构造样本数据，在预测指标确定的基础上，财务困 变量方法的问题．Ahman使用多变量判断模型方法用于破境预测问题转化为n个输入和1个输出的支持向量机的函 产预测．把小同的财务指标融人到一个模型预测企业发生 数回归问题。选择适当的核函数并确定规范化参数C的值， 财务危机的可能性。神经网络模型具有较好的学习能力和 然后将学习样本和对应的函数代入分类函数。通过求解拉 预测能力．但依赖大样本．实用性较差。 格朗日优化方程，求出支持向量。 本文针对传统方法的不足．采用支持向量机来对上市 (2)写出最优分界面方程，从而由支持向量构建预测模 公司财务数据进行处理．事实证明此模型是有效的。对投资 型。 人和债权人决策提供了有力的支持。 f3)将未知类别样本代人最优分类面的分类函数进行 二、支持向量机算法原理 测评．得到+1或一1的数值。 支持向量机是一种基于结构风险最小化的新型机器学 习技术．具有很好的泛化能力。和神经网络方法类似，可以 支 逼近任意连续有界非线性函数．而且还具有神经网络所不 具有的许多优点。 上市公司的财务状况常常可以简单地划分为健康和不 良两类．这对应于数学上的二分模式分类问题。利用支持向 量机预测上市公司财务困境的基本思想可以用图1表示． o和e两种符号分别代表两类样本，记为X。，i=1，2，…n，n 图1最优超平面与支持向量 为样本维数；输出集为{+1，一1l。所谓最优分类就是寻找一个 表1选用的财务指标和计算公式 超平面将样本集中两类数据正确分割开。而且使分类间隔 序号 指标名称 计算公式 最大。在上市公司财务困境预测的意义上，即实现将不良与 X1 净资产收益率 主营业务利润，股东权益合计 健康两种财务风险状态实现最大区分。其中距离超平面最 X2 流动比率 流动资产合计／流动负债合计 近的样本称为支持向量。利用拉格朗日优化方法可以将这 X3 现金流动负债比率 货币资金／流动负债合计 个最优分类问题转化为不等式约束下二次函数最优化的问 X4 现金负债比率 货币资金／负债合计 题．存在唯一解。上述分类的最优超平面的分类函数为： X5 应收账款周转率 ’主营业务收人净额，应收账款 f(x)=sgn((埘’·省)+6木)哥伊(三(啦‰(麓·戈)+6宰)) X6 资产周转率 主营业务收入净额／资产总计 其中b·=_1w牛·(计K)为分类阈值，可以通过任