论文部分内容阅读
自奥特曼对财务困境展开开创性研究以来，对财务困境预测的研究已经相对成熟，但是财务困境预测以公司是否被ST作为预测标准，这难免给人一种为时已晚的感觉。鉴于此，有学者初步提出财务业绩预测并进行了相关研究。财务业绩预测仍然处于一个起步阶段，它通过预测公司未来业绩的变动情况，为利益相关者提供决策所需信息。本文的研究目的就是希望在以往研究的基础上提出一种适用于制造业业绩预测的方法，向利益相关者提供公司发展趋势的信息，从而有利于他们做出科学的决策。本文共分为六个部分：第一部分，对研究背景、研究意义以及相关参考文献进行了阐述。第二部分，介绍了文章研究的理论基础，主要包括统计学习理论和支持向量机相关理论。第三部分，介绍了预测指标的选取以及预处理，本文主要选取了能够反映公司偿债能力、获利能力、营运能力、成长能力以及现金流量能力的24个指标，将这24个指标依次进行正态分布检验、显著性差异检验以及因子分析处理之后，共提取出2个公因子作为模型的输入变量。第四部分，是文章的实证研究部分，作者尝试性的选择半年度作为预测期间，初始选取了2010年制造业642家上市公司，经过剔除被ST的公司以及业绩增减幅度小于50%的公司，最终经过处理后的研究样本数量为264家（其中132家业绩上升的公司，132家业绩下降的公司），将这264家样本分成训练集和样本集，其中训练样本88家（44家业绩上升公司，44家业绩下降公司），测试样本44家（22家业绩上升的公司，22家业绩下降的公司），分别构建Logit回归模型以及LS-SVM模型，并将两种模型的预测结果进行了比较。第五部分，主要是将LS-SVM模型加以应用的案例分析。第六部分是文章的结论以及不足。本文在财务业绩预测过程中引入最小二乘支持向量机，并采用半年度数据进行预测，最终构建的LS-SVM模型的预测准确率高于Logit回归模型的预测准确率。本文的主要创新点包括以下两点：第一，将最小二乘支持向量机应用于财务业绩预测。通过研究发现基于最小二乘支持向量机的财务业绩预测模型判断准确率为64.8%，模型预测准确率比Logit回归模型的预测准确率略高。第二，文章的研究视角方面，文章主要进行半年度业绩预测。文章在进行研究时主要采用的是半年度数据，这就为财务业绩预测提供了一定的及时性。