论文部分内容阅读
该文系统研究了神经网络技术在中国信用风险分析中的应用,建立了4种不同的神经网络信用评价模型:多层感知器(MLP)、BP算法网络、径向基函数网络(RBFN)、概率神经网络(PNN),同时采用两种线性判别分析法:一种是利用SPSS统计软件对数据样本进行判别分析(称为LDA*),一种是利用原始数据推导建立线性判别分析模型,然后根据模型计算得到的结果对数据样本进行判别分析(称为LDA方法),然后利用这6种方法分别对中国2000年106家上市公司及2000年96家上市公司分别进行两类模式及三类模式分类,同时探讨了这6种方法的模式分类能力及其预警能力.该文具体做了如下几个工作:第一章阐述了研究信用风险分析方法的必要性,分析了中国上市公司财务状况发生危机的现状与原因,阐明了对中国上市公司进行信用评级的重要性,给出了分析与评价上市公司财务状况好坏常用的财务指标,介绍了国内外在信用风险分析领域常用的三种方法:参数统计方法、非参数统计方法和神经网络方法,并详细介绍了各种方法的研究背景.第二章详细介绍了判别分析法的判别原理,推导并建立了线性判别分析模型.利用LDA及LDA*两种不同的方法分别对中国2000年106家上市公司及2000年96家上市公司分别进行两类模式分类及三类模式分类.第三章利用MLP原理建立了两类模式信用评价模型及三类模式信用评价模型,构造了这两种模型的网络结构.利用这两种信用评价模型分别对中国2000年106家上市公司及2000年96家上市公司分别进行两类模式分类及三类模式分类.第四章建立了基于BP算法的两类模式信用评价模型及三类模式信用评价模型,构造了这两种模型的网络结构.利用这两种模型分析对中国2000年106家上市公司及2000年96家上市公司分别进行两类模式分类及三类模式分类.对于这两种不同的模型分类,给出了BP算法关于其训练样本、测试样本及其总体样本的总误判率及分类正确率.第五章建立了RBF网络信用评价模型,构造了RBF网络结构.利用这种模型分别对中国2000年106家上市公司及2000年96家上市公司分别进行两类模式分类及三类模式分类.对于这两种不同的模式分类,给出了RBF关于其训练样本、测试样本及其叫体样本的总误判率及分类正确率.第六章介绍了PNN方法及其分类机理,构造了分别适合于进行两类模式分类及三类模式分类的PNN网络结构.然后利用这两种网络结构,分别用来对中国2000年106家上市公司及2000年96家上市公司分别进行两类模式分类及三类模式分类.对于这两种不同的模式分类,给出了PNN关于其训练样本、测试样本及其总体样本的总误判率及分类正确率.第七章主要做了三个工作:一是对神经网络方法和统计分类方法的比较研究进行了综述;二是将本文研究的6种方法:LDA*、LDA、MLP、BP、RBF及PNN的分类能力进行了比较;三是将这6种方法应用到中国2001年公布的13家预亏公司进行了预警实证分析,并比较了它们的预警能力.