基于BPAdaboost的上市公司财务危机预警实证研究（经济毕业论文）.docVIP

基于BPAdaboost的上市公司财务危机预警实证研究（经济毕业论文） 文档信息 主题： 关于“金融或证券”中“金融资料”的参考范文。 属性： F-012C4H，doc格式，正文4107字。质优实惠，欢迎下载！ 适用： 作为文章写作的参考文献，解决如何写好实用应用文、正确编写文案格式、内容摘取等相关工作。 目录 TOC \o 1-9 \h \z \u 目录 1 正文 1 搞要 2 关键字：财务危机预警;Adaboost;BP神经网络 2 一、理论基础 2 （一）BP神经网络 2 （二）Adaboost与BP神经网络的结合 3 二、BP-Adaboost模型在财务危机预警中的应用 3 （一）指标筛选 3 （二）样本选择 4 （三）模型建立 5 （四）编程实现 7 三、实证结果分析 7 四、结论 7 参考文献： 8 论文原创声明（模板） 8 论文致谢（模板） 9 正文 基于BPAdaboost的上市公司财务危机预警实证研究（经济毕业论文） 搞要 摘要：文章提出了将Adaboost算法与BP神经网络相结合的方式构建模型，应用于我国上市公司财务危机预警的研究中，对60家ST和60家非ST的上市公司的财务数据进行实证检验。结果表明，Adaboost算法的引入，提高了神经网络的预测精度，具有较好的实际应用价值 关键字：财务危机预警;Adaboost;BP神经网络 财务危机是企业丧失偿还到期债务的能力，财务危机预警系统正是为预防上市公司财务危机而建立起来的一种机制，能实时对公司的生产经营过程和财务状况进行跟踪监控，及时地进行财务预警分析，发现财务状况异常的征兆并迅速报警，采取应对措施，从而避免或减少损失。因此，研究财务危机预警体系的构建具有非常重要的应用价值和现实意义。目前，国内外财务危机预警研究中采用的模型一般有单变量和多变量，而多变量模型危机预测的准确率更高。多变量模型中采用神经网络方式预测财务危机的准确率远远高于逻辑回归多元线性方式。本文将Adaboost与BP神经网络相结合来构建财务危机预警模型，从而优化神经网络模型，提高其预测精度。 一、理论基础 （一）BP神经网络 人工神经网络（Artificial Neural Network，缩写为ANN），神经网络的特点是信息的分布式存储、大规模并行处理、自学习、自组织和自适应性及较强的容错性。该方法是把预警指标作为神经网络的输入变量，采用训练样本集对神经网络进行不断的训练，从而保证输入值与目标值间误差最小。神经网络克服了传统统计方法对自变量服从统计特征，自变量与因变量间存在线性函数关系等的限制，因此选择的样本更具代表性，构建的模型具有更强的泛化能力。 BP（Back Propagation）网络，是一种按误差逆传播算法训练的多层前馈网络，BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。因此，BP神经网络应用到财务危机预警中时，并不需要明确自变量与因变量之间的关系。只要对输出期望值进行定义，输入训练样本集数据，神经网络会通过自身的自适应能力和学习能力进行模型的训练，当输出与期望输出的误差函数取得极小值时就实现了对输入和输出之间函数关系的拟合，预警模型也由此建立。然后再用测试样本集进行仿真，得出未来的财务状况优劣的二值判断。 （二）Adaboost与BP神经网络的结合 Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器（弱分类器），然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。BP-Adaboost模型，即把BP神经网络作为弱分类器，反复训练BP神经网络预测样本输出，通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器，从而提高BP神经网络的预测精度。 二、BP-Adaboost模型在财务危机预警中的应用 （一）指标筛选 选取能够反映公司特征的预警指标是构建科学有效的财务危机预警模型的首要条件。为了能够准确地对公司财务危机进行预测，选取的指标必须涵盖公司的各个方面。本文在借鉴国内外学者研究成果的基础上，选取企业偿债能力、盈利能力、现金能力、营运能力和成长能力等方面的财务指标。此外，还选择了审计报告类型、独立董事比例等方面的非财务指标，共选取25个指标作为研究初始变量来构建上市公司财务危机预警的指标体系。所选取的指标为X1总资产报酬率、X2净资产收益率、X3销售净利率、X4净资产获现率、X5每股收益、X6每股净资产、X7销售现金比率、X8每股经营现金净流量、X9总资产获现率、X10资产负债率、X11流动比率、X12现金负债总额比、X13现金流动负债比、X14现金流量利息保障倍数、X15应收账款