基于遗传算法同步优化方法在财务困境预警中应用.docVIP

基于遗传算法同步优化方法在财务困境预警中应用摘 要：传统的基于统计技术的变量筛选法不能保证财务困境预警模型的精度。本文提出了用遗传算法同时优化输入变量和支持向量机参数的方法。实证研究表明:该同步方法在降低变量维数的同时得到较好的预测精度，其得到的优化变量集也具有较强的经济含义。 关键词：同步优化；输入变量；支持向量机参数；财务困境预警 中图分类号：F275 文献标识码：A 文章编号：1003-5192(2009)01-0048-08 Application of A GA-Based Simultaneous Optimization Method in Financial Crisis Prediction SONG Xin-ping1,2, DING Yong-sheng2,3，4, ZENG Yue-ming2 （1. School of Business and Management, Jiangsu University, Zhenjiang 212013, China; 2.Glorious Sun School of Business and Management, Donghua University, Shanghai 200051, China; 3. College of Information Sciences and Technology, Donghua University, Shanghai 201620, China; 4. Engineering Research Center of Digitized Textile Fashion Technology, Ministry of Education, Donghua University, Shanghai 201620, China) Abstract:The variable selection method based on traditional statistical technique can not achieve high accuracy in financial distress prediction. Hence, a method based on genetic algorithm is proposed to optimize the input variables and parameters of support vector machine (SVM) simultaneously. The empirical result indicates that this proposed method can reduce the number of variables and achieve high prediction accuracy. Moreover, the variable subset extracted via this proposed method can be interpreted economically. Key words:simultaneous optimization; input variable; parameters of support vector machine; financial distress prediction 1 引言 企业陷入财务困境最终影响企业生存，并且要求利益相关者、社会和国家经济付出高额成本。因此，建立预警模型有效预测财务困境，对于投资决策、财务风险诊断、信用风险防范以及管理层监管都具有重要意义。 目前为止，国外对财务困境及破产的理论和实证研究较为全面和深入。而由于国内资本市场特殊性等诸多因素影响，对财务困境预测的研究与国外比有较大差距。财务困境的定量预警方法是财务困境预测研究的重要研究方面。多年来，研究者一直致力于寻找具有良好预测能力的方法，包括从最早的统计模型（多元判别分析，逻辑回归模型等）,到专家系统、神经网络、决策树、支持向量机等智能方法。基于这些方法的预警的本质是用分类器对财务困境和财务健康公司进行区分决策，或者对财务困境程度不同的公司判定成不同类别。从模式识别的角度看，基于分类原理的财务困境预测模型的精度不仅取决于分类器的性能，同时也取决于作为模型输入的变量指标。目前，已有不少国外破产预测研究就分类器的性能取得共识，一致认为支持向量机的分类精度不亚于或者甚至优于神经网络、决策树、案例推理等智能方法和统计方法［1］。然而, 由于财务困境的经济影响因素复杂众多，迄今尚缺乏财务困境预警指标选择的统一理论。不同研究者采用不同的变量组合，预测结果缺乏可比性，影响了