论文部分内容阅读
建立财务预警系统的目的就是为了预防公司财务系统在运行的时候和正常目标产生偏差而建立的系统,它具有预测和针对性等特点。它通过公司的各项指标综合评价并预测公司财务状况、发展趋势和变化,为决策者科学决策提供了有力的支持。
人工神经网络的发展已经有几十年了。不仅神经网络的理论得到了很大的发展,而且相关的神经网络应用成果也日益丰富。神经网络今后发展的一个方向是将其成功地应用于各个领域,发挥其信息处理的能力,扩展其应用范围。
本文以上市公司为研究对象,对财务预警理论和模型进行了研究和探讨。本文首先对课题研究领域的国内外文献进行整理并进行总结,对财务预警相关技术的发展做了简要分析。其次阐述了分类器的原理和方法,并介绍了分类器集合的两种最流行的算法Adaboost和Bagging,分析各自的优缺点。选用BP神经网络作为组合分类器的基分类器,神经网络集成提出的主要目的是为了解决单个网络存在的问题,并给出了具体的原理和算法,对财务预警过程做了系统的阐述。
针对选定的学习算法,对选取的1350家上市公司的财务数据进行相应的处理,并选用财务数据中十项能够比较全面反映公司财务状况的指标。研究BP单分类器在不同参数下的性能差异和Adaboost强学习算法下组合分类器的性能差异,实验结果证明:组合分类预测模型与传统的单分类模型相比,具有较强的优越性,可以有效的提高精确度。
仿真实验的结果对减少公司发生财务危机的风险,提供了一种可借鉴的方法和措施。