混合HOGA-SVM财务风险预警模型实证研究.pdfVIP

管理工程学报 Vol. 25 , No.2 ]oumal of Industrial EngineeringlEngineering Management 2011 年第2 期 混合 HOGA-SVM 财务风险预警模型实证研究 丁德臣 (山东财政学院，山东济南 250014 ) 摘要:目前涉及遗传算法与支持向安机相结合的预测模绍中，遗伶算法基本上采用的是标准x.法。但是在对 全局函数的优化中，叫般的遗传算法容易陷入局部最优，从而降低遗传算法收敛速度和搜索精度，进而影响财务 风险预警模型目的精度与速度。 j鼻子此，提出了总子混合会局优化」正义遗传算法(HOGA) 和久持向受机 (SVM) 的财务风险预警模型(HOGA-SVM) ，通过使用混合会局优化正交遗传算法追问支持向i:机来改进支持向i:机进 行财务风险预筝的效果。结果显示，提出的模型目不仅提高了财务风险预警的准确率和速度，而且模型的两类分-= 错误事(尤其是第…类分-=错误卒)相对其他模型也有了明显下降。未来的工作可以把模型的应用扩大到多分类 的财务风险预警问题中。 关键词:财务风险预警;混合会局优化正交遗传算法:支持向量机 中图分类号:归76.6 Jt献栋识码: A Jt l段编号: 1ω4-6侃2(2011 )02 -0037-09 o 51 窝 等方面[M410 这些研究表明 SVM 夜班化的表现方面是比 得上甚至超过了其它的分类方法如传统统计方法、案例推理 囱类国次贷危机引发的全球性金融危机使得企业财务 方法以及其他神经网络方法。 风险预警愈来愈成为实践和学术研究中一个道耍的课题。 目前，混合模型越来越成为研究的热点[13 -16] 。常用的 国外学者研究的企业财务风险预警模型基本可归为两大类: 传统统计模型、人工智能模型[8410 国内学者基本参考国外 混合模型之一是遗传算法。遗传算法被逐渐的连向其它人 工智能算法像神经网络和推理法等一起应用，遗传算法和支 学者的研究IS -7] 。统计模裂包括:线性判别分析(LDA) 、多 持向量机的结合问题研究也开始逐步得到重视。 Wu 等用实 变量判别分析(MDA) 、二次判别分析( QDA) 和逻辑回归和 值遗传算法优化交待向最机的参数来预测破产，在台湾金融 因子分析( FA) 等。人工智能模型包括:各类神经网络 危机预测上测试他们的模型，比较他们提出的 GA-SVMs 与 (NN) 、支持向最机(SVM) 和案例推理(CBR) 等。传统统计 多元统计(DA、logit 和 probit) 和人工智能(神经网络和支持 模型由于需要大盘的样本，放大大制约了它的有效运用，而 向量饥)等其他模型的准确性，发现遗传算法的支持向量机 人工智能的方法恰恰弥补了这个缺点，相对来讲具有更大的 模型预测准确度最好，这滋味着摸合实值与传统的遗传支持 实用价值[lAJO 其中，支持向量机可以看做是财务风险预警 向最机模型非常成功l 叫。 Boyacioglu 等对比分析土耳其储 的一种新思路。 Vapnik[8] 介绍的支持向最机使用一个线性