论文部分内容阅读
企业在生存和发展的过程中,要面临各种风险,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,对企业的财务状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研究还处于起步阶段,大量的实证研究还是借鉴国外的一些传统方法。近年来,机器学习是人工智能与模式识别领域研究的重要内容。以统计学习理论为基础而发展起来的机器学习方法——支持向量机,已经成为机器学习界的研究热点,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表现出优于其他方法的特质。由于企业财务数据中高维、非线性等特征严重影响着预警系统的准确性,所以将支持向量机算法应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高模型精度,会为企业进行财务预警提供一个具有参考价值的方法。本文首先介绍了选题的背景和意义,回顾了国内外的研究现状;其次详细阐述了企业财务预警系统的基本理论和概念,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分析法对预警变量进行相应的预处理;然后采用标准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,分别从算法和数据两个层面改进支持向量机算法,对于标准C-SVM模型,通过设置不同的惩罚参数,采用Biased-SVM进行算法改进,对于不平衡数据集,利用SMOTE方法生成出新样本,使不同类别的数据趋于平衡,从而提高分类器精度;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:本文改进的SMOTE-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%。