浅析向量基于不平衡支持向量机上市公司财务预警系统

论文导读：优于其他策略的特质。由于企业财务数据中高维、非线性等特点严重影响着预警系统的准确性，所以将支持向量机算法运用到企业财务危机预警模型中，利用其在处理小样本、非线性、高维数据等方面的优异特质来提升模型精度，会为企业进行财务预警提供一个具有参考价值的策略。本论文首先介绍了选题的背景和作用，回顾了国内外的探讨近
摘要：企业在存活和进展的历程中，要面对各种风险，应对财务危机。特别是2008年全球金融危机的爆发以及当前欧美经济增速乏力，造成我国企业破产的情况屡见不鲜。所以，在当前的经济背景下，对企业的财务情况进行预警显得尤为重要，构建一种财务危机预警系统已经成为我国企业的迫切需求。目前，我国财务危机预警的相关探讨还处于起步阶段，大量的实证探讨还是借鉴国外的一些传统策略。近年来，机器学习是人工智能与方式识别领域探讨的重要内容。以统计学习论述为基础而进展起来的机器学习策略——支持向量机，已经成为机器学习界的探讨热点，并在很多领域取得了成功的运用，其在处理小样本、非线性、高维数据等方面已经体现出优于其他策略的特质。由于企业财务数据中高维、非线性等特点严重影响着预警系统的准确性，所以将支持向量机算法运用到企业财务危机预警模型中，利用其在处理小样本、非线性、高维数据等方面的优异特质来提升模型精度，会为企业进行财务预警提供一个具有参考价值的策略。本论文首先介绍了选题的背景和作用，回顾了国内外的探讨近况；其次详细阐述了企业财务预警系统的基本论述和概念，确定了财务预警模型的样本数据和预警变量，分别利用归一化和主成分浅析法对预警变量进行相应的预处理；然后采取标准C-SVM构建企业财务预警模型；针对当样本数据不平衡时,标准C-SVM模型的预测具有倾向性缺陷，分别以算法和数据两个层面改善支持向量机算法，对于标准C-SVM模型，通过设置不同的惩罚参数，采取Biased-SVM进行算法改善，对于不平衡数据集，利用OTE策略生成出新样本，使不同类别的数据趋于平衡，以而提升分类器精度；最后对各种预警模型进行训练和预测效果检验。实证结果显示：本论文改善的OTE-Biased-SVM财务预警模型的训练效果比较理想，对上市公司的财务预警准确率可以达到84%。关键词：财务危机论文财务预警论文支持向量机论文不平衡数据论文OTE算法论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要4-5
Abstract5-9
第1章 绪论9-14

1.1 探讨背景和作用9-11

1.1 探讨背景9-10

1.2 探讨作用10-11

1.2 国内外探讨近况11-13

1.2.1 国外探讨近况11-12

1.2.2 国内探讨近况12-13

1.3 本论文主要探讨内容13-14

第2章 企业财务预警系统综述14-18

2.1 财务危机的基本概念及产生理由14-15

2.

1.1 财务危机的基本概念14

2.

1.2 财务危机的产生理由14-15

2.2 财务预警系统的概念和策略15-17

2.1 财务预警系统的概念15

2.2 财务预警系统的策略15-17

2.3 财务危机预警步骤17-18

第3章 样本数据和预警变量的选取18-24

3.1 样本数据的选取18-19

3.

1.1 样本数据的来源18

3.

1.2 样本的具体选取18-19

3.2 预警变量的选取19-24
3.

2.1 预警变量的选取原则19-20

3.

2.2 预警变量的初选20

3.

2.3 预警变量的预处理20-24

第4章 标准 SVM 财务预警模型24-31

4.1 SVM 概述24-28

4.

1.1 基本概念24-25

4.

1.2 硬间隔线性支持向量机25-26

4.

1.3 软间隔线性支持向量机26

4.

1.4 软间隔非线性支持向量机26-28

4.2 C-SVM 财务预警模型28

4.3 数值实验28-31

第5章 不平衡 SVM 财务预警模型31-38

5.1 Biased-SVM 模型31-33

5.

1.1 Biased-SVM 模型惩罚参数的选择31-32

5.

1.2 Biased-SVM 财务预警模型32

5.

1.3 数值实验32-33

5.2 OTE-Biased-SVM 模型33-36
5.

2.1 OTE 策略对 Biased-SVM 模型的优化33-34

5.

2.2 OTE-Biased-SVM 财务预警模型34

5.

2.3 数值实验34-36

5.3 三种模型分类结果比较浅析36-38
第6章 结论和展望38-39
参考文献39-41
附录41-45
作者介绍及在学期间所取得的科研成果45-46
致谢46