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

        ?

        基于機(jī)器學(xué)習(xí)方法的上市公司財務(wù)預(yù)警模型對比研究

        2020-06-04 09:07:51李星辰王青龍林國慶
        商場現(xiàn)代化 2020年7期
        關(guān)鍵詞:機(jī)器學(xué)習(xí)

        李星辰 王青龍 林國慶

        摘 要:當(dāng)前我國上市公司信息披露仍存在著許多不規(guī)范的現(xiàn)象,個別上市公司在面臨財務(wù)危機(jī)時,粉飾其財務(wù)風(fēng)險,進(jìn)行財務(wù)造假。本文利用上市超過3年的A股共3002家上市公司的財務(wù)數(shù)據(jù),通過對ST、*ST和10家2019年退市的公司樣本分析,根據(jù)不同的時間窗口,構(gòu)建了財務(wù)預(yù)警因子庫,共96個因子。分別采用機(jī)器學(xué)習(xí)中的邏輯斯蒂回歸、支持向量機(jī)、決策樹模型對因子數(shù)據(jù)進(jìn)行訓(xùn)練。將數(shù)據(jù)集分為訓(xùn)練集和測試集,用訓(xùn)練集訓(xùn)練模型,并將模型應(yīng)用在測試集中進(jìn)行預(yù)測。結(jié)果如下:(1)三種模型均有較好的預(yù)測能力,其準(zhǔn)確率都在94%以上;(2)決策樹模型的預(yù)測效果最佳,支持向量機(jī)模型次之,邏輯斯蒂回歸模型的預(yù)測效果最差;(3)三種模型都存在將較多的財務(wù)預(yù)警公司預(yù)測為正常公司的情況。本文通過將三種模型進(jìn)行對比分析,以尋找更加優(yōu)質(zhì)的財務(wù)預(yù)警模型,來更好地幫助企業(yè)識別財務(wù)風(fēng)險。

        關(guān)鍵詞:財務(wù)預(yù)警;機(jī)器學(xué)習(xí);邏輯回歸模型;支持向量機(jī)模型;決策樹模型

        引言:目前,我國宏觀經(jīng)濟(jì)正面臨著下行壓力,許多企業(yè)在大形勢下都面臨著融資困難和財務(wù)風(fēng)險暴露的問題,目前我國上市公司信息披露仍存在著許多不規(guī)范的現(xiàn)象,因此,識別可能進(jìn)行財務(wù)造假的公司,有助于幫助投資者合理投資,更有利于維護(hù)經(jīng)濟(jì)社會的健康良性發(fā)展。

        由于企業(yè)財務(wù)風(fēng)險暴露是有征兆的,所以企業(yè)的財務(wù)危機(jī)是可以預(yù)測的,因此本文基于大數(shù)據(jù)和機(jī)器學(xué)習(xí)方法,構(gòu)建識別上市公司財務(wù)造假的三種不同的財務(wù)預(yù)警模型,通過對比分析得出更有價值的財務(wù)預(yù)警模型,這能幫助企業(yè)識別財務(wù)風(fēng)險,有助于實(shí)現(xiàn)財務(wù)狀況的良性循環(huán),具有巨大的應(yīng)用價值。

        一、數(shù)據(jù)處理與因子庫構(gòu)建

        1.數(shù)據(jù)來源

        本文樣本公司的相關(guān)財務(wù)數(shù)據(jù)主要來自銳思RESSET數(shù)據(jù)庫以及同花順金融數(shù)據(jù)庫。我們選取了3002家A股上市公司以及10家2019年退市的上市公司的相關(guān)數(shù)據(jù)作為樣本,考慮到上市不滿三年的公司,業(yè)績變動幅度可能相對較大且業(yè)績表現(xiàn)不夠穩(wěn)定,因此將其剔除。

        2.構(gòu)造因子庫

        根據(jù)國內(nèi)外已有的關(guān)于上市公司財務(wù)造假的相關(guān)研究成果,結(jié)合定性分析和定量分析,從企業(yè)的償債能力、營運(yùn)能力、盈利能力以及其他能力等四方面,提取出30個相關(guān)財務(wù)指標(biāo)作為可提取因子。由于對出現(xiàn)風(fēng)險暴露或者已退市的上市公司來說,出現(xiàn)財務(wù)問題年度的前三年是公司財務(wù)狀況發(fā)生變化的重要轉(zhuǎn)折點(diǎn),因此我們選取了最近3年-5年的上市公司年度數(shù)據(jù),將選取的財務(wù)指標(biāo)進(jìn)行不同年度的處理,最終形成了包含96個可提取因子的因子庫。

        二、模型構(gòu)建

        根據(jù)現(xiàn)有研究,國內(nèi)學(xué)者建立的財務(wù)預(yù)警模型較多,不同模型具有其自身優(yōu)缺點(diǎn),其中利用邏輯斯蒂回歸、支持向量機(jī)和決策樹方法的研究受到較多關(guān)注,因此本文選擇這三種模型進(jìn)行對比分析。

        1.邏輯斯蒂回歸模型

        (1)模型概述

        邏輯斯蒂回歸(LR)是在進(jìn)行數(shù)據(jù)挖掘時經(jīng)常使用的一種分類模型,該方法的基本原理為:在線性回歸的基礎(chǔ)之上,與sigmoid函數(shù)兩者相結(jié)合,利用極大似然函數(shù)估計回歸參數(shù)w和b,公式如下所示:

        (2)模型的計算和結(jié)果分析

        本論文通過Matlab中的機(jī)器學(xué)習(xí)工具箱求解。LR模型所得結(jié)果的準(zhǔn)確率如下表所示:

        由上表可知,LR模型在訓(xùn)練集和測試集中所得的準(zhǔn)確率分別是94.8%和92.38%。

        訓(xùn)練集和測試集的混淆矩陣如下表所示。

        由上表4可知,LR模型在全樣本中的準(zhǔn)確率為94.39%,精確度為38.58%,召回率為32.67%,F(xiàn)值為35.38%。由此可知,召回率并不高,其判斷的精確度為35.38%,相對較低。從總體結(jié)果看,無論是訓(xùn)練集還是測試集準(zhǔn)確率都在92%以上,體現(xiàn)出較好的總體準(zhǔn)確率,該模型對發(fā)生財務(wù)預(yù)警的公司預(yù)測結(jié)果則較差,而對未發(fā)生財務(wù)預(yù)警的公司預(yù)測較準(zhǔn)確。

        2.支持向量機(jī)模型

        (1)模型概述

        支持向量機(jī)(SVM)是一類按監(jiān)督學(xué)習(xí)方式對數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器,其決策邊界是對學(xué)習(xí)樣本求解的最大邊距超平面。支持向量機(jī)屬于有監(jiān)督學(xué)習(xí)模型可以用于數(shù)據(jù)的分析、分類、回歸以及檢測異常值。

        (2)模型的計算和結(jié)果分析

        SVM模型所得結(jié)果的準(zhǔn)確率如下表所示:

        由上表5可知,SVM模型在訓(xùn)練集和測試集中所得的準(zhǔn)確率分別是95.72%和93.55%。與LR模型的準(zhǔn)確率相近。

        由表7可知,SVM模型在全樣本中的準(zhǔn)確率為95.35%,精確度為59.26%,召回率為21.33%,F(xiàn)值為31.37%。由此可知,比LR模型召回率低11.34%,其判斷的精確度為59.26%,相對LR模型較高。

        3.決策樹模型

        (1)模型概述

        決策樹是在進(jìn)行數(shù)據(jù)挖掘時經(jīng)常使用的分類和預(yù)測方法,該方法的基本原理為:根據(jù)算法規(guī)定的分類條件對整體數(shù)據(jù)進(jìn)行分類,產(chǎn)生一個決策節(jié)點(diǎn),仍然按照該算法規(guī)則分類,在下一個決策節(jié)點(diǎn)重復(fù)上述操作,運(yùn)算到無法繼續(xù)分類為止。而對于Boosted Tree算法為,每添加一次樹,即為學(xué)習(xí)一個新的目標(biāo)函數(shù),在這棵樹上尋找最佳節(jié)點(diǎn)進(jìn)行特征分裂。

        (2)模型的計算和結(jié)果分析

        由上表可知,Boosted Tree模型在訓(xùn)練集和測試集中所得的準(zhǔn)確率分別是96.32%和95.51%。在三個模型中的準(zhǔn)確率最高。

        由上表可知,Boosted Tree模型在全樣本中的準(zhǔn)確率為96.18%,精確度為68.82%,召回率為42.67%,F(xiàn)值為52.68%。

        三、總結(jié)

        本論文針對上市公司的財務(wù)預(yù)警問題,構(gòu)建因子庫,分別采用了機(jī)器學(xué)習(xí)中的邏輯斯蒂回歸法、支持向量機(jī)方法和決策樹方法,對訓(xùn)練集進(jìn)行了分類,并用測試集進(jìn)行預(yù)測,結(jié)果對比如下表所示。

        由上表可知,三種模型具有較高的準(zhǔn)確率,均在94%以上,其中Boosted Tree準(zhǔn)確率最高;精確度則差距較大,Boosted Tree模型最高;同時Boosted Tree模型具有高達(dá)42.67%的召回率。從上表的結(jié)果對比可以看出,盡管三種模型都對財務(wù)預(yù)警問題具有相當(dāng)?shù)念A(yù)測能力,但上述三種模型預(yù)測能力由優(yōu)到劣依次為:決策樹模型、支持向量機(jī)模型、邏輯斯蒂回歸模型。因此通過本文論述研究,認(rèn)為決策樹模型對公司進(jìn)行財務(wù)預(yù)警是較好的選擇。但是本文還有改進(jìn)之處,一方面由于部分上市公司的財務(wù)數(shù)據(jù)不夠真實(shí),另一方面可能來自數(shù)據(jù)的滯后性,致使對財務(wù)造假公司預(yù)測效果精確度有所不足,針對這一問題筆者將會進(jìn)一步改進(jìn)。

        參考文獻(xiàn):

        [1]張玲玲.A股上市公司財務(wù)預(yù)警模型對比研究——基于logistic回歸和BP神經(jīng)網(wǎng)絡(luò)模型[J].環(huán)渤海經(jīng)濟(jì)瞭望,2019(09):165-166.

        [2]田珅,陳文熙.房地產(chǎn)退市風(fēng)險企業(yè)財務(wù)預(yù)警研究——基于主成分分析與logistic模型對比[J].沈陽建筑大學(xué)學(xué)報(社會科學(xué)版),2019,21(04):376-381.

        [3]姚欣.Z模型在我國上市公司財務(wù)風(fēng)險預(yù)警中的適用性研究[J].會計師,2019(13):22-23.

        [4]徐碧瑩,程昔武.基于Logistic回歸模型的建筑業(yè)上市公司財務(wù)風(fēng)險預(yù)警分析[J].景德鎮(zhèn)學(xué)院學(xué)報,2019,34(03):1-4.

        [5]王元月,景在倫,劉偉.KMV模型在漁業(yè)上市公司財務(wù)預(yù)警中的運(yùn)用——以獐子島為例[J].中國漁業(yè)經(jīng)濟(jì),2019,37(03):56-61.

        [6]鄭玉玉.“互聯(lián)網(wǎng)+”背景下ZA信息技術(shù)公司財務(wù)風(fēng)險預(yù)警研究[D].東華理工大學(xué),2019.

        [7]胥光華.基于機(jī)器學(xué)習(xí)構(gòu)建的公司財務(wù)預(yù)警系統(tǒng)研究[D].廈門大學(xué),2014.

        [8]王媛媛.基于因子分析與支持向量機(jī)的上市公司財務(wù)危機(jī)預(yù)警研究[D].西安電子科技大學(xué),2012.

        [9]梁小紅.財務(wù)危機(jī)預(yù)警的SVMs模型研究——基于我國制造業(yè)上市公司經(jīng)驗(yàn)數(shù)據(jù)[J].福建論壇(人文社會科學(xué)版),2011(12):37-41.

        [10]劉彥文.上市公司財務(wù)危機(jī)預(yù)警模型研究[D].大連理工大學(xué),2009.

        作者簡介:李星辰(1998- ),天津科技大學(xué)本科生,主要研究方向:產(chǎn)業(yè)金融、國民經(jīng)濟(jì);王青龍(1998- ),天津科技大學(xué)本科生,主要研究方向:計算數(shù)學(xué)與數(shù)據(jù)分析;林國慶(1997- ),天津科技大學(xué)本科生,主要研究方向:數(shù)據(jù)挖掘

        猜你喜歡
        機(jī)器學(xué)習(xí)
        基于詞典與機(jī)器學(xué)習(xí)的中文微博情感分析
        基于網(wǎng)絡(luò)搜索數(shù)據(jù)的平遙旅游客流量預(yù)測分析
        時代金融(2016年27期)2016-11-25 17:51:36
        前綴字母為特征在維吾爾語文本情感分類中的研究
        下一代廣播電視網(wǎng)中“人工智能”的應(yīng)用
        活力(2016年8期)2016-11-12 17:30:08
        基于支持向量機(jī)的金融數(shù)據(jù)分析研究
        基于Spark的大數(shù)據(jù)計算模型
        基于樸素貝葉斯算法的垃圾短信智能識別系統(tǒng)
        基于圖的半監(jiān)督學(xué)習(xí)方法綜述
        機(jī)器學(xué)習(xí)理論在高中自主學(xué)習(xí)中的應(yīng)用
        極限學(xué)習(xí)機(jī)在圖像分割中的應(yīng)用
        免费国产在线精品一区| 97国产精品麻豆性色| 国产精品自拍视频免费观看 | 无套熟女av呻吟在线观看| 精精国产xxxx视频在线播放| 北条麻妃在线视频观看| 国产不卡一区在线视频| 日本av天堂一区二区三区| 中文字幕日本人妻久久久免费 | 国产自拍精品在线视频| 久久无码高潮喷水抽搐| 桃花色综合影院| 亚洲福利天堂网福利在线观看| 国产精品国产三级国a| 中文无码人妻有码人妻中文字幕| 午夜成人精品福利网站在线观看| 视频国产精品| 偷拍偷窥在线精品视频| 无码人妻一区二区三区免费看| 亚洲av无码专区在线电影| 91青青草久久| 日日麻批免费高清视频| 国产超碰女人任你爽| 国产女人成人精品视频| 亚洲人妖女同在线播放| 日本最新一区二区三区视频观看| 国语精品一区二区三区| AV教师一区高清| 国产精品亚洲一区二区三区久久| 97久人人做人人妻人人玩精品| 免费男人下部进女人下部视频| 亚洲av综合色区在线观看| 亚洲美女毛片在线视频| 国产特级毛片aaaaaa| 国产精品一区二区av片| 在线观看国产激情免费视频| 国产成人小视频| 亚洲另类激情综合偷自拍图| 国产精品一区二区久久精品蜜臀 | 一区二区三区精品亚洲视频| 亚洲成a人v欧美综合天堂|