企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)智能預(yù)測實(shí)證研究——以中國旅游與酒店業(yè)為例.pdf

1、企業(yè)財(cái)務(wù)分析對現(xiàn)代企業(yè)管理決策有著深遠(yuǎn)的影響且起著不可忽視的作用。財(cái)務(wù)狀況關(guān)乎企業(yè)生死存亡，是企業(yè)的生命線，快捷高效的財(cái)務(wù)分析能為企業(yè)投資者、經(jīng)營者、債權(quán)人等組織和個(gè)人去了解和評價(jià)企業(yè)狀況以及未來發(fā)展?jié)摿μ峁┛煽繙?zhǔn)確的決策信息支持。隨著人工智能等高新技術(shù)的發(fā)展，財(cái)務(wù)分析人工智能化決策支持系統(tǒng)已經(jīng)越來越受到學(xué)術(shù)界和管理界的重視，并得到了不斷地改進(jìn)和提高。高效準(zhǔn)確的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測能夠幫助企業(yè)較早預(yù)知未來可能面臨的財(cái)務(wù)風(fēng)險(xiǎn)，便于及早發(fā)現(xiàn)問題，采

2、取有效措施規(guī)避風(fēng)險(xiǎn)或最大限度降低損失。然而，現(xiàn)有成熟的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測研究大多都是建立在均衡數(shù)據(jù)集的基礎(chǔ)之上進(jìn)行的，圍繞非均衡數(shù)據(jù)集分類問題的研究還不夠成熟和完善，還有待進(jìn)一步地研究。
　　本文從總體來上說主要采用了多種學(xué)科相互交叉融合的研究方法，將違約風(fēng)險(xiǎn)管理理論、財(cái)務(wù)指標(biāo)分析理論、數(shù)據(jù)挖掘原理、預(yù)測決策理論、計(jì)算機(jī)技術(shù)、多分類器集成技術(shù)、多種企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警技術(shù)以及統(tǒng)計(jì)抽樣等關(guān)鍵理論、方法和技術(shù)進(jìn)行有機(jī)集成，以中國旅游與酒店業(yè)為例

3、，對企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)智能預(yù)測展開系統(tǒng)性的研究。為解決有限知識非均衡環(huán)境下旅游和酒店業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測問題，本文進(jìn)行了如下相關(guān)研究。
　　首先，為了解決傳統(tǒng)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測模型在非均衡小樣本數(shù)據(jù)集方面對少數(shù)類樣本風(fēng)險(xiǎn)分類預(yù)測不理想的問題，本文主要提出了一種由近鄰三角區(qū)合成的少數(shù)類過采樣技術(shù)(NT-SMOTE)。通過引入近鄰三角區(qū)隨機(jī)采樣思想進(jìn)一步完善改進(jìn)傳統(tǒng)的SMOTE非均衡處理方法來增加少數(shù)類數(shù)據(jù)樣本，這樣就能很輕松的使得非均衡問題轉(zhuǎn)化成均衡

4、問題，從而克服通常情況下產(chǎn)生的基于非均衡數(shù)據(jù)集的分類器風(fēng)險(xiǎn)預(yù)測結(jié)果不是非常理想的難題。在實(shí)證研究中，利用數(shù)據(jù)挖掘原理的相關(guān)知識，對搜集的旅游與酒店業(yè)上市公司的財(cái)務(wù)樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，剔除空值的樣本或財(cái)務(wù)指標(biāo)，清理得到純凈的數(shù)據(jù)集并對數(shù)據(jù)集進(jìn)行顯著性檢驗(yàn)和多重共線性檢驗(yàn)，剔除不顯著或冗余的各類財(cái)務(wù)數(shù)據(jù)指標(biāo)，利用NT-SMOTE非均衡數(shù)據(jù)處理方法極力擴(kuò)充少數(shù)類樣本使其輕松轉(zhuǎn)化為均衡數(shù)據(jù)集的預(yù)測問題，進(jìn)而利用較為成熟的財(cái)務(wù)風(fēng)險(xiǎn)分類預(yù)測模型

5、(MDA、Logit、Probit、DT、LSVM和MCF)對中國旅游與酒店業(yè)進(jìn)行風(fēng)險(xiǎn)預(yù)測，以便提高預(yù)測的準(zhǔn)確性。這個(gè)基于非均衡改進(jìn)方法的財(cái)務(wù)風(fēng)險(xiǎn)分類預(yù)測模型能夠有效地解決傳統(tǒng)分類器在非均衡小樣本數(shù)據(jù)集風(fēng)險(xiǎn)預(yù)測方面預(yù)測效果不佳的難題。
　　其次，為了能夠進(jìn)一步提升傳統(tǒng)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測分類器的穩(wěn)定性，本文采用傳統(tǒng)的Bagging集成方法對上述分類器進(jìn)行改進(jìn)得到集成分類器風(fēng)險(xiǎn)分類預(yù)測模型(BMDA、BLogit、BProbit、BDT

6、、BLSVM、BMCF)，最終的結(jié)果是在很大程度上有效提高了傳統(tǒng)分類器的分類預(yù)測性能以及增強(qiáng)了它們的穩(wěn)定性。
　　再者，為了提高我國旅游與酒店業(yè)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)分類預(yù)測的準(zhǔn)確性，本文在前文的基礎(chǔ)上，構(gòu)架了基于異類數(shù)據(jù)挖掘技術(shù)的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測方法體系，主要包括數(shù)據(jù)預(yù)處理層、改進(jìn)近鄰三角區(qū)增量層、異類近鄰抽取層、案例推理預(yù)測層，用以改進(jìn)傳統(tǒng)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測方法，得到新的風(fēng)險(xiǎn)分類預(yù)測模型(HDMMDA、HDMLogit、HDMProbit、

7、HDMDT、HDMLSVM、HDMMCF、HDMBMDA、HDMBLogit、HDMBProbit、HDMBDT、HDMBLSVM、HDMBMCF）。結(jié)果表明，基于異類數(shù)據(jù)挖掘的案例推理方法與前文方法相比有著顯著的優(yōu)越性，提高了財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測模型的分類性能，可有助于降低中國旅游與酒店業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)發(fā)生的概率。
　　最后，為了進(jìn)一步有效改進(jìn)傳統(tǒng)的風(fēng)險(xiǎn)分類預(yù)測方法的性能，提高其預(yù)測效率與效果，本文在前文基礎(chǔ)上，構(gòu)架了基于案例復(fù)用的案

8、例推理方法的多模型企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)分類預(yù)測體系，主要包括數(shù)據(jù)預(yù)處理層、改進(jìn)近鄰三角區(qū)增量層、非均衡近鄰抽取層、案例復(fù)用預(yù)測，用以改進(jìn)傳統(tǒng)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測方法，得到新的預(yù)測模型（RMDA、RLogit、RProbit、RDT、RLSVM、RMCF、RBMDA、RBLogit、RBProbit、RBDT、RBLSVM、RBMCF）。結(jié)果表明，與前文方法相比，基于案例復(fù)用的案例推理方法在風(fēng)險(xiǎn)預(yù)測性能方面有著一定的顯著優(yōu)越性，同樣有助于降低中國旅游與