亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于PSO-SVM 的多分類財(cái)務(wù)預(yù)警模型

        2013-12-23 06:27:18吳翎燕
        關(guān)鍵詞:財(cái)務(wù)狀況預(yù)警向量

        吳翎燕,韓 華,唐 菲

        (武漢理工大學(xué) 理學(xué)院,湖北 武漢430070)

        隨著上市公司財(cái)務(wù)狀況對(duì)金融機(jī)構(gòu)的決策與收益影響越來越大,公司財(cái)務(wù)困境預(yù)測(cè)研究正成為一個(gè)熱點(diǎn)問題,因此建立一個(gè)合理的財(cái)務(wù)困境預(yù)測(cè)模型成為解決該問題的關(guān)鍵。目前,關(guān)于企業(yè)財(cái)務(wù)狀況的分類研究,大多局限于分析企業(yè)是否陷入財(cái)務(wù)困境(或財(cái)務(wù)破產(chǎn))的相關(guān)問題,將企業(yè)僅僅分為處于財(cái)務(wù)困境和非財(cái)務(wù)困境兩類。現(xiàn)有文獻(xiàn)所采用的財(cái)務(wù)危機(jī)預(yù)測(cè)模型大部分也面臨模型的樣本外預(yù)測(cè)能力不強(qiáng)的問題。支持向量機(jī)由VAPNIK 首先提出,主要用于模式分類和非線性回歸[1]。支持向量機(jī)最基本的理論是針對(duì)二分類問題,但是在實(shí)際應(yīng)用中涉及的一般是多分類問題。近年來,許多學(xué)者致力于研究SVM 多分類算法,將其運(yùn)用到實(shí)際問題中并取得了良好的效果。章智儒[2]將SVM 多分類應(yīng)用到紋理圖像分類中,證實(shí)其分類效果較傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型有一定優(yōu)勢(shì)。應(yīng)偉[3]提出了一種改進(jìn)的支持向量機(jī)的多類文本分類方法。目前國(guó)內(nèi)外也致力于將SVM 應(yīng)用于財(cái)務(wù)危機(jī)預(yù)測(cè)中,張?jiān)谛竦龋?]采集了大量的公司樣本進(jìn)行建模和檢驗(yàn),用實(shí)驗(yàn)證明SVM 能夠有效地預(yù)測(cè)企業(yè)財(cái)務(wù)是否將發(fā)生危機(jī)。蔣艷霞等[5]建立了基于集成支持向量機(jī)的企業(yè)財(cái)務(wù)業(yè)績(jī)分類模型。上述研究結(jié)果證明了SVM模型在預(yù)測(cè)企業(yè)財(cái)務(wù)危機(jī)問題上的適用性及可行性,但均針對(duì)財(cái)務(wù)二分類問題。

        筆者嘗試建立支持向量機(jī)多分類財(cái)務(wù)預(yù)警模型,將上市公司財(cái)務(wù)狀況分為良好、危機(jī)、預(yù)警3類。以中國(guó)證監(jiān)會(huì)2010 年度披露的被ST、* ST的各50 家上市公司及按照公司樣本配對(duì)原則選取的100 家財(cái)務(wù)良好公司前3 年(即從2007 年末開始)的財(cái)務(wù)報(bào)表數(shù)據(jù)構(gòu)建模型,對(duì)預(yù)警指標(biāo)特征集及核函數(shù)參數(shù)分別采用主成分分析法和粒子群算法(PSO)同時(shí)進(jìn)行優(yōu)化,將訓(xùn)練好的PSO-SVM 多分類模型用于公司財(cái)務(wù)狀況的分類。為比較模型的預(yù)測(cè)效果,將測(cè)試結(jié)果準(zhǔn)確率與傳統(tǒng)的SVM 及判別分析(MDA)模型進(jìn)行對(duì)比。

        1 原理與方法

        1.1 支持向量機(jī)

        支持向量機(jī)主要是針對(duì)兩類分類問題尋找一個(gè)滿足分類要求的最優(yōu)超平面,使得這個(gè)分類超平面在保證分類精度的同時(shí),能夠使兩側(cè)的分類間隔最大化。假設(shè)線性可分情況下的訓(xùn)練樣本集為(xi,yi),i=1,2,…,l,x∈Rd,y∈{-1,+1}(x為財(cái)務(wù)業(yè)績(jī)影響因素,y 為財(cái)務(wù)狀況類別標(biāo)簽)。分類問題可描述為yi(w·x +b)-1≥0,其中w為可調(diào)權(quán)值向量,b 為偏置,分類間隔為M =2/‖w‖。因此,最優(yōu)分類面問題可以表示為如下的約束優(yōu)化問題[6]:

        引入松弛變量ξi,上述的優(yōu)化問題就轉(zhuǎn)化為如下的凸二次規(guī)劃問題:

        以上只適用于樣本嚴(yán)格線性可分的情況。在非線性條件下,SVM 通過恰當(dāng)?shù)暮撕瘮?shù)將樣本集映射到高維空間,實(shí)現(xiàn)樣本集的項(xiàng)在高維空間中線性可分。在最優(yōu)分類面中采用核函數(shù)可以實(shí)現(xiàn)某種非線性變換后的線性分類,而計(jì)算的復(fù)雜度并沒有增加,此時(shí)可得:

        以上模型只能將樣本分為簡(jiǎn)單的兩類,而實(shí)際生活中,往往要求將樣本進(jìn)行更細(xì)致的分類,如何將支持向量機(jī)的二元分類有效地?cái)U(kuò)展到多元分類一直是人工智能領(lǐng)域的一個(gè)熱點(diǎn)問題。目前,常用的構(gòu)造SVM 多分類算法有一對(duì)一、一對(duì)多、決策二叉樹、決策導(dǎo)向無環(huán)圖和糾錯(cuò)輸出編碼等。由于一對(duì)一方法在處理較少分類樣本時(shí)訓(xùn)練時(shí)間較短,故采用該方法建立SVM 多分類模型,其原理是:在k 類訓(xùn)練樣本中構(gòu)造所有可能的兩類分類器,每個(gè)分類器僅在k 類中的兩類訓(xùn)練樣本上訓(xùn)練,故共構(gòu)造N=k(k-1)/2 個(gè)分類器,對(duì)N 個(gè)分類器的結(jié)果進(jìn)行投票,如果某個(gè)二分類器的輸出結(jié)果為i 類,則i 類得票數(shù)加1,如果輸出結(jié)果為j 類,則j 類得票數(shù)加1,最后統(tǒng)計(jì)得票最多的類別,分類的結(jié)果就是該類別。

        1.2 粒子群算法

        PSO 是一種基于迭代的優(yōu)化工具。系統(tǒng)初始化為一組隨機(jī)粒子(隨機(jī)解),通過迭代搜尋最優(yōu)值。在每一次迭代中,粒子通過跟蹤兩個(gè)極值來更新自己。一個(gè)極值是粒子本身所找到的最優(yōu)解,該極值為個(gè)體極值pid;另一個(gè)極值是整個(gè)種群目前找到的最優(yōu)解,該極值為全局極值pgd。找到這兩個(gè)極值時(shí),粒子速度和位置分別為[7]:

        式中:c1、c2為學(xué)習(xí)因子,通常c1、c2∈[0,4];r1、r2為介于[0,1]之間的隨機(jī)數(shù);xid(t)為第i 個(gè)粒子的當(dāng)前位置;vid為第i 個(gè)粒子的當(dāng)前速度。

        2 PSO-SVM 多分類財(cái)務(wù)預(yù)警模型的建立

        2.1 模型的結(jié)構(gòu)設(shè)計(jì)

        模型建立包括訓(xùn)練和測(cè)試兩個(gè)過程,經(jīng)過訓(xùn)練和測(cè)試的模型具有良好的識(shí)別能力,可預(yù)測(cè)公司未來的財(cái)務(wù)狀況。模型建立的第一步是要建立訓(xùn)練樣本和測(cè)試樣本,然后對(duì)特征向量數(shù)據(jù)進(jìn)行預(yù)處理,利用PSO 優(yōu)化SVM 參數(shù),接著輸入訓(xùn)練樣本對(duì)模式分類器進(jìn)行訓(xùn)練,訓(xùn)練結(jié)束后,輸入測(cè)試樣本來驗(yàn)證訓(xùn)練的結(jié)果。通過測(cè)試后的模式分類器方可用來預(yù)測(cè),只有模式分類器的分類準(zhǔn)確率較高才能證明該模型設(shè)計(jì)成功。

        2.2 輸入特征向量和輸出標(biāo)簽的確定

        建立財(cái)務(wù)預(yù)警模型的目的,是希望根據(jù)以往財(cái)務(wù)數(shù)據(jù)來發(fā)現(xiàn)可能導(dǎo)致公司陷入財(cái)務(wù)困境的因素,進(jìn)而采取相應(yīng)的財(cái)務(wù)政策提前預(yù)防。通過實(shí)際調(diào)研和梳理文獻(xiàn)發(fā)現(xiàn),影響企業(yè)財(cái)務(wù)狀況的最主要因素有反映公司盈利能力、營(yíng)運(yùn)能力、股東獲利能力、償債能力和發(fā)展能力的22 個(gè)指標(biāo),其中盈利能力包括營(yíng)業(yè)毛利率、總資產(chǎn)凈利潤(rùn)率、流動(dòng)資產(chǎn)凈利潤(rùn)率、固定資產(chǎn)凈利潤(rùn)率、銷售凈利率和資產(chǎn)報(bào)酬率;營(yíng)運(yùn)能力包括總資產(chǎn)周轉(zhuǎn)率、存貨周轉(zhuǎn)率、流動(dòng)資產(chǎn)周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率和固定資產(chǎn)周轉(zhuǎn)率;償債能力包括流動(dòng)比率、速動(dòng)比率、現(xiàn)金比率、資產(chǎn)負(fù)債比率、權(quán)益對(duì)負(fù)債比率和流動(dòng)資產(chǎn)比率;股東獲利能力包括每股收益和每股凈資產(chǎn);發(fā)展能力包括總資產(chǎn)增長(zhǎng)率、固定資產(chǎn)增長(zhǎng)率和營(yíng)業(yè)收入增長(zhǎng)率。輸出標(biāo)簽分別設(shè)置為1、2、3,其中1 為該公司財(cái)務(wù)狀況良好,2 為危機(jī),3 為預(yù)警。

        2.3 SVM 核函數(shù)的選擇及PSO 參數(shù)尋優(yōu)

        SVM 分類性能受核函數(shù)及本身參數(shù)的影響。但VAPNIK 等在研究中發(fā)現(xiàn),對(duì)于同一組數(shù)據(jù)選擇不同的核函數(shù),其訓(xùn)練效果雖有影響但不明顯。對(duì)訓(xùn)練效果影響最大的是相關(guān)參數(shù)的選擇,如多項(xiàng)式核函數(shù)中的階次d,徑向基核函數(shù)的參數(shù)σ,Sigmoid 核函數(shù)的參數(shù)d′。實(shí)驗(yàn)表明,徑向基(RBF)核函數(shù)具有良好的性能和較強(qiáng)的SVM 學(xué)習(xí)能力,筆者也將采用RBF 核(K(x,x′)=exp(-‖x-x′‖2/σ2))。此外,在確定的特征子空間中,控制對(duì)錯(cuò)分樣本懲罰程度的可調(diào)參數(shù)C(懲罰因子)也是一個(gè)非常重要的影響因素,C 的取值小表示對(duì)經(jīng)驗(yàn)誤差的懲罰小,學(xué)習(xí)機(jī)器的復(fù)雜度小而經(jīng)驗(yàn)風(fēng)險(xiǎn)值較大;而過高的C 會(huì)導(dǎo)致“過學(xué)習(xí)”狀態(tài)發(fā)生,即訓(xùn)練集分類準(zhǔn)確率很高而測(cè)試機(jī)分類準(zhǔn)確率很低。因此,選好核函數(shù)的參數(shù)至關(guān)重要。

        筆者采用粒子群優(yōu)化算法來解決SVM 核函數(shù)的參數(shù)優(yōu)化問題。與其他優(yōu)化算法相比,PSO算法不僅具有全局尋優(yōu)能力,而且參數(shù)少,容易實(shí)現(xiàn)。粒子群算法的基本思想是將優(yōu)化問題的每一個(gè)解稱為粒子,定義一個(gè)適應(yīng)值函數(shù)來衡量每個(gè)粒子的優(yōu)越程度。每個(gè)粒子根據(jù)自己和其他粒子的“飛行經(jīng)驗(yàn)”,達(dá)到從全空間搜索最優(yōu)解的目的。1 個(gè)粒子的位置對(duì)應(yīng)1 個(gè)指標(biāo)集,提取該指標(biāo)集對(duì)應(yīng)的數(shù)據(jù),并分為訓(xùn)練樣本和測(cè)試樣本。用訓(xùn)練樣本訓(xùn)練SVM,并用檢驗(yàn)樣本對(duì)訓(xùn)練好的SVM 進(jìn)行檢驗(yàn),所得錯(cuò)判率即為該粒子的適應(yīng)度[8-9]。利用PSO 優(yōu)化SVM 參數(shù)(C,g)的具體過程如下:

        (1)初始化粒子群;

        (2)計(jì)算每一個(gè)粒子的適應(yīng)度;

        (3)選出當(dāng)前粒子群中適應(yīng)度最低的粒子,將其當(dāng)前適應(yīng)度與全局最優(yōu)值作比較,若前者小于后者,則更新gbest;

        (4)更新粒子群;

        (5)判斷是否滿足終止條件,若是,則輸出最優(yōu)解;若否,則跳轉(zhuǎn)至步驟(2)。

        2.4 SVM 多分類模型的建立

        設(shè)有n 個(gè)同類企業(yè),l 個(gè)財(cái)務(wù)危機(jī)預(yù)警指標(biāo),建立多分類SVM(以三分類為例)財(cái)務(wù)預(yù)警模型步驟如下:

        (1)對(duì)財(cái)務(wù)危機(jī)預(yù)警指標(biāo)數(shù)據(jù)進(jìn)行線性壓縮處理,使其在[0,1]區(qū)間內(nèi)。這樣一方面可避免數(shù)據(jù)域中出現(xiàn)數(shù)值過大的數(shù)據(jù),另一方面也可使支持向量機(jī)的歸類計(jì)算量相對(duì)減少。

        (2)對(duì)輸出作如下規(guī)定:若財(cái)務(wù)狀況正常,則輸出為1;若財(cái)務(wù)狀況有不良跡象,存在危機(jī),則輸出為2;若財(cái)務(wù)狀況明顯惡化,提出預(yù)警,則輸出為3。

        (3)每?jī)深悢?shù)據(jù)構(gòu)成一個(gè)樣本集,構(gòu)建二元支持向量機(jī)進(jìn)行訓(xùn)練,確定出最優(yōu)分類函數(shù)。

        (4)得到3 個(gè)最優(yōu)分類函數(shù)。將預(yù)測(cè)樣本危機(jī)預(yù)警指標(biāo)按照訓(xùn)練樣本的線性映射規(guī)則進(jìn)行預(yù)處理后分別代入其中,按照一對(duì)一投票法,以得票數(shù)最多的類別為其最終屬類。

        3 實(shí)證研究

        3.1 研究樣本

        筆者將國(guó)內(nèi)學(xué)者對(duì)財(cái)務(wù)危機(jī)公司常用的界定范圍進(jìn)行推廣,將因財(cái)務(wù)狀況異常而被特別處理(ST)的上市公司定義為財(cái)務(wù)危機(jī)公司,將面臨退市風(fēng)險(xiǎn)警示(* ST)的上市公司定義為預(yù)警公司。研究樣本為滬深兩市2010 年被ST,* ST 的上市公司,并按照以下原則剔除不符合要求的部分樣本:①因自然災(zāi)害、重大事故等被特別處理的公司,這樣的公司屬于“出現(xiàn)其他異常狀況”,不屬于界定的財(cái)務(wù)出現(xiàn)異常的公司;②指標(biāo)數(shù)據(jù)存在異常的公司,這樣的公司與其他公司同一指標(biāo)數(shù)據(jù)存在巨大差異,影響預(yù)測(cè)的效果;③數(shù)據(jù)缺失和被注冊(cè)會(huì)計(jì)師出具無法表示肯定意見或否定意見的公司[10-11]。選擇其財(cái)務(wù)危機(jī)發(fā)生前3 年(即從2007 年末開始)的報(bào)表數(shù)據(jù)構(gòu)建模型,并在同行業(yè)業(yè)績(jī)良好的上市公司中按照1∶1∶2的配對(duì)原則選擇資產(chǎn)規(guī)模與ST、* ST 公司最相近的公司(即業(yè)績(jī)良好的公司數(shù)目為ST、* ST 數(shù)目的2 倍)。據(jù)此,筆者確定了200 家上市公司作為研究樣本,其中ST 公司50 家,* ST 公司50 家,正常公司100 家。實(shí)證研究中所有數(shù)據(jù)均取自深圳國(guó)泰君安公司CISMA 數(shù)據(jù)庫(kù)中上市公司公開披露的年度財(cái)務(wù)報(bào)表。

        3.2 輸入特征的主成分提取

        由于反映上市公司財(cái)務(wù)狀況的各項(xiàng)指標(biāo)之間具有很強(qiáng)的相關(guān)性,且采用22 維向量直接作為模式分類器的輸入向量,可能會(huì)降低模型的分類效果和泛化能力。因此要對(duì)這22 維特征向量進(jìn)一步降維,使樣本集能夠最大限度地分散。這個(gè)過程在模式識(shí)別系統(tǒng)中被稱為特征提取。主成分分析是一種線性降維的方法,通過找出綜合因子來替代原來眾多的特征,使這些綜合因子盡可能多地反映原來多個(gè)特征的信息,且彼此之間互不相關(guān),從而達(dá)到簡(jiǎn)化的目的[12-13]。實(shí)證表明,將主成分分析方法用于SVM 分類中輸入特征的再提取是可行的,也是必要的。

        利用SPSS 軟件得出財(cái)務(wù)指標(biāo)的KMO 測(cè)度為0.607,大于0.5,因此適合進(jìn)行主成分分析。表1 為主成分分析的方差貢獻(xiàn)率,貢獻(xiàn)率越大,該成分就相對(duì)越重要。由表1 可知,7 個(gè)主成分的累計(jì)方差貢獻(xiàn)率為85.006%,基本包含了22 個(gè)財(cái)務(wù)指標(biāo)的信息,能夠較好地解釋公司的財(cái)務(wù)能力。

        表1 特征值和累計(jì)方差貢獻(xiàn)率

        根據(jù)提取的7 個(gè)主成分對(duì)應(yīng)的特征值組成的特征矩陣,可以得到200 家公司的7 個(gè)主成分指標(biāo)的綜合值,并以此代替原始數(shù)據(jù)作為模型的輸入樣本。

        3.3 結(jié)果比較與分析

        以每組數(shù)據(jù)的前50% 作為訓(xùn)練樣本,其余50%為測(cè)試樣本,采用PSO-SVM 構(gòu)造財(cái)務(wù)預(yù)警模型。PSO 種群規(guī)模為20,最大迭代次數(shù)為200,通過PSO-SVM 模型對(duì)特征集和核函數(shù)參數(shù)同時(shí)進(jìn)行優(yōu)化,參數(shù)尋優(yōu)的適應(yīng)度與迭代次數(shù)的關(guān)系如圖1 所示。PSO-SVM 模型對(duì)核函數(shù)參數(shù)的優(yōu)化及對(duì)測(cè)試集的預(yù)測(cè)結(jié)果為:

        cbest=61.975 8,gbest=6.912 5;適應(yīng)度約為82%。

        圖1 PSO 尋找最佳參數(shù)的適應(yīng)度

        實(shí)際研究結(jié)果表明,對(duì)于測(cè)試樣本中的100家上市公司,PSO-SVM 模型的誤判總數(shù)為18家,其中,將1 類正常公司誤判為2 類(ST)公司的1 家,1 類公司誤判為3 類(* ST)公司的1 家;將2 類公司誤判為1 類公司的2 家,2 類公司誤判為3 類公司的3 家;將3 類公司誤判為1 類公司的5 家,3 類公司誤判為2 類公司的6 家。

        為比較PSO-SVM 分類模型的分類效果和泛化能力,采用相同的訓(xùn)練和測(cè)試樣本,運(yùn)用統(tǒng)計(jì)學(xué)中的Fisher 判別分析及傳統(tǒng)的SVM 模型進(jìn)行對(duì)比試驗(yàn)[14]。判別分析采用經(jīng)典的多元統(tǒng)計(jì)方法,其主要思想是在分類確定的條件下,建立一個(gè)或多個(gè)判別函數(shù),用研究對(duì)象的各種特征值確定判別函數(shù)中的待定系數(shù),并計(jì)算判別指標(biāo),據(jù)此即可確定某一樣本屬于哪一類,判別系數(shù)矩陣如表2 所示。

        表2 分類函數(shù)系數(shù)矩陣

        利用表2 中分類函數(shù)系數(shù),便可得到3 個(gè)Fisher 分類函數(shù),進(jìn)而直接對(duì)樣本判別歸類。由判別結(jié)果可知誤判公司總數(shù)為32 家,模型誤差遠(yuǎn)遠(yuǎn)高于PSO-SVM 模型。

        通過對(duì)比可知,PSO-SVM 模型較傳統(tǒng)的SVM 模型具有明顯的優(yōu)勢(shì),利用PSO 算法自動(dòng)優(yōu)化選擇特征子集和核函數(shù),使模型的預(yù)測(cè)準(zhǔn)確率有明顯的提高。同時(shí)由于PSO 算法不僅具有全局尋優(yōu)能力,而且參數(shù)少,因此模型的訓(xùn)練速度并無明顯減慢。表3 為3 種模型錯(cuò)誤分類的樣本數(shù),其中1-2 代表1 類樣本被誤判為2 類。通過對(duì)比可知,對(duì)上市公司進(jìn)行財(cái)務(wù)危機(jī)預(yù)測(cè),PSO-SVM 模型表現(xiàn)出良好的預(yù)測(cè)能力。同時(shí)可以發(fā)現(xiàn),模型對(duì)1 類樣本(業(yè)績(jī)良好的公司)的預(yù)測(cè)較準(zhǔn)確,對(duì)2、3 類樣本(危機(jī)公司、預(yù)警公司)判別能力相對(duì)較差,由此可知,正常公司的財(cái)務(wù)狀況明顯優(yōu)于ST、* ST公司,而ST、* ST 公司在財(cái)務(wù)方面區(qū)別相對(duì)較小,區(qū)分這兩類公司應(yīng)考慮其他因素的影響。

        表3 各模型錯(cuò)誤分類樣本數(shù)

        4 結(jié)論

        公司的財(cái)務(wù)業(yè)績(jī)受多種因素的影響,且作用機(jī)制也非常復(fù)雜,運(yùn)用傳統(tǒng)的財(cái)務(wù)預(yù)測(cè)方法很難取得較高的預(yù)測(cè)精度。筆者構(gòu)建了一個(gè)基于PSO-SVM 的多分類財(cái)務(wù)預(yù)警模型,利用PSO 算法尋找模型的最優(yōu)參數(shù),實(shí)證結(jié)果表明,該模型與SVM 及判別分析模型相比,預(yù)測(cè)精度有一定的提高,故可運(yùn)用該模型預(yù)測(cè)上市公司未來的財(cái)務(wù)狀況是否將被執(zhí)行特別處理,對(duì)公司管理層及投資者都具有重要的現(xiàn)實(shí)意義。但該模型也有一定的局限性,如模型的預(yù)測(cè)準(zhǔn)確率還不夠高,仍有提升的空間;財(cái)務(wù)指標(biāo)的選取具有一定的主觀性等。在以后的研究中將不斷地改進(jìn)和完善。

        [1] VAPNIK V N.The nature of statistical learning theory[M].New York:Springer-Verlag,1995:65-98.

        [2] 章智儒.SVM 在圖像分類中的應(yīng)用[J].信息技術(shù),2009(8):133-136.

        [3] 應(yīng)偉.一種基于改進(jìn)的支持向量機(jī)的多類文本分類方法[J].計(jì)算機(jī)工程,2006,32(16):74-76.

        [4] 張?jiān)谛?,宋杰鯤. 一種基于支持向量機(jī)的企業(yè)財(cái)務(wù)危機(jī)預(yù)警新模型[J].中國(guó)石油大學(xué)學(xué)報(bào):自然科學(xué)版,2006,30(4):92-96.

        [5] 蔣艷霞,徐程. 基于集成支持向量機(jī)的企業(yè)財(cái)務(wù)業(yè)績(jī)分類模型研究[J]. 中國(guó)管理科學(xué),2009,17(2):42-51.

        [6] 吳冬梅,朱俊. 基于支持向量機(jī)的財(cái)務(wù)危機(jī)預(yù)警模型[J]. 東北大學(xué)學(xué)報(bào):自然科學(xué)版,2010,31(4):601-604.

        [7] 鄧乃揚(yáng),田英杰. 支持向量機(jī):理論、算法與拓展[M].北京:科學(xué)出版社,2009:78-103.

        [8] 路志英,李艷英.粒子群算法優(yōu)化RBF-SVM 沙塵暴預(yù)報(bào)模型參數(shù)[J].天津大學(xué)學(xué)報(bào),2008,41(4):413-418.

        [9] 呂長(zhǎng)江,趙巖.上市公司財(cái)務(wù)狀況分類研究[J]. 會(huì)計(jì)研究,2004(11):53-61.

        [10] 彭靜,彭勇.基于粒子算法和支持向量機(jī)的財(cái)務(wù)危機(jī)預(yù)警模型[J].上海交通大學(xué)學(xué)報(bào),2008,42(4):615-620.

        [11] 胡達(dá)沙,王坤華.基于支持向量機(jī)的集團(tuán)信用風(fēng)險(xiǎn)預(yù)警研究[J].管理學(xué)報(bào),2008,4(5):588-592.

        [12] 奉國(guó)和. SVM 分類核函數(shù)及參數(shù)選擇比較[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(3):123-125.

        [13] 丁德臣.混合HOGA-SVM 財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型實(shí)證研究[J].管理工程學(xué)報(bào),2011,25(2):37-44.

        [14] 王強(qiáng),陳歡歡,王珽.一種基于多分類支持向量機(jī)的故障診斷算法[J]. 電機(jī)與控制學(xué)報(bào),2009,13(2):302-306.

        猜你喜歡
        財(cái)務(wù)狀況預(yù)警向量
        向量的分解
        聚焦“向量與三角”創(chuàng)新題
        法國(guó)發(fā)布高溫預(yù)警 嚴(yán)陣以待備戰(zhàn)“史上最熱周”
        新常態(tài)下房地產(chǎn)企業(yè)財(cái)務(wù)狀況分析及應(yīng)對(duì)措施
        比率分析公司財(cái)務(wù)狀況——以步步高及永輝超市為例
        園林有害生物預(yù)警與可持續(xù)控制
        向量垂直在解析幾何中的應(yīng)用
        機(jī)載預(yù)警雷達(dá)對(duì)IFF 的干擾分析
        向量五種“變身” 玩轉(zhuǎn)圓錐曲線
        基于財(cái)務(wù)報(bào)表分析看企業(yè)財(cái)務(wù)狀況及其發(fā)展前景——以寧夏某公司為例
        激情影院内射美女| 手机在线播放成人av| 亚洲婷婷久悠悠色悠在线播放| 狠狠人妻久久久久久综合蜜桃 | 久久国产A∨一二三| 亚洲啪啪色婷婷一区二区| 欧美精品欧美人与动人物牲交| 熟女人妇交换俱乐部| 国产精品99精品一区二区三区∴| 偷拍与自偷拍亚洲精品| 天堂网站一区二区三区| 亚洲综合精品伊人久久| 久久人人做人人妻人人玩精| 东京热日本道免费高清| 四虎影在永久在线观看| 麻豆一区二区99久久久久| 精品国产品欧美日产在线| 少妇人妻av一区二区三区| 色偷偷888欧美精品久久久 | 无码一区二区三区中文字幕| 亚洲成色在线综合网站| 欧美片欧美日韩国产综合片| 校园春色日韩高清一区二区| 欧美又大又色又爽aaaa片| 亚洲一区二区综合色精品| 午夜精品一区二区三区视频免费看| 精品国产一区二区三区三| 国产麻豆精品一区| 91久久国产自产拍夜夜嗨| 丝袜美腿在线观看视频| 黄桃av无码免费一区二区三区| 自拍偷自拍亚洲精品播放| 国产自产21区激情综合一区| 精品人妻久久一区二区三区| 欧美xxxx色视频在线观看 | 亚洲愉拍自拍视频一区| 蜜桃尤物在线视频免费看| 欧美交换配乱吟粗大25p| 国产精品久久中文字幕第一页 | 亚洲中文字幕高清av| 国产av无码专区亚洲av毛网站|