论文部分内容阅读
上世纪90年代中后期以来,在全球资本市场迅速膨胀以及网上交易日益盛行的背景下,能够第一时间预测公司财务危机对于投资人避免投资风险和管理者获得决策依据都具有至关重要的意义,因此财务预警已经是管理领域的研究热点。数据挖掘作为一种高效的财务预警方法,其自身仍处于快速发展阶段,将新的思想结合进数据挖掘方法并应用于财务预警就是本文的研究内容。本文提出几种新的基于模糊集或粗糙集的数据挖掘方法,并使用这些方法对我国上市公司进行了预警研究,主要包括以下工作:分析了目前广泛应用的传统神经网络方法在财务预警时存在的局限,提出了基于粗糙集属性约简的模糊神经网络预警模型。该模型用粗糙集算法先对输入数据信息进行预处理来发现问题所隐藏的概略化规则,将其作为模糊神经网络预警模型的前端,根据处理后的信息结构和规则确定模糊神经网络预警模型的结构和使用的训练数据。并且收集了2005、2006年发生了财务危机的中国上市公司前3年的数据,还根据配对原则收集了相同数量的财务正常公司的数据,使用2005年公司的数据作为训练数据,2006年公司的数据作为测试数据测试了模型,得到了良好的结果。提出了两种聚类方法,一种是基于粒子群优化的模糊聚类算法,一种是基于粗糙集的K-means聚类算法。前者可以改进传统模糊聚类算法收敛到局部最小和对噪声数据敏感的缺点,后者可以得到一种不同于传统算法的聚类结果,这种结果将样本数据分为上近似集和下近似集,有利于进一步分析。还讨论了传统聚类算法极少被应用于财务预警的原因,使用粗糙集提取数据指标、将输入数据模糊化再利用前面提出的两种聚类方法建立了新的财务预警模型。为把聚类算法引入财务预警研究领域提供了一种新的尝试。分析了支持向量机的在财务预警中的应用并指出在选取财务指标和财务数据方面存在需要专家判别的领域知识。将一种双向加权模糊支持向量机引入财务预警,提出由模糊综合评判法来决定每个输入数据的隶属度,将定性与定量的分析方法结合起来形成一种新的预警模型。实验证明结合专家的知识确实可以提高模型的预测能力。最后总结了三种方法各自的优缺点,指出三种方法分别是从数据挖掘的三种角度对分类问题进行研究,可以对财务预警提供多方面的决策依据。