基于過欠重抽樣的類別非平衡SVM財(cái)務(wù)困境預(yù)測(cè)研究.pdf

1、人類社會(huì)的發(fā)展基于最基本的社會(huì)組織——企業(yè)，而公司財(cái)務(wù)則融通于企業(yè)的每個(gè)方面，是企業(yè)經(jīng)營(yíng)成果與真實(shí)財(cái)務(wù)狀況的最直接反映，所以對(duì)于現(xiàn)代企業(yè)來說，對(duì)公司財(cái)務(wù)的掌控就是對(duì)于自身發(fā)展的掌控。尤其是在當(dāng)下經(jīng)濟(jì)周期處于波谷階段、整個(gè)市場(chǎng)壞境不利的情況下，企業(yè)的發(fā)展不夠穩(wěn)定，對(duì)于企業(yè)財(cái)務(wù)困境的預(yù)警更加必要。隨著大數(shù)據(jù)時(shí)代的全面推移，數(shù)據(jù)挖掘已然被應(yīng)用到各個(gè)領(lǐng)域，加上中國(guó)金融市場(chǎng)日益規(guī)范化的趨勢(shì)，人工智能方法預(yù)測(cè)企業(yè)財(cái)務(wù)困境已成為當(dāng)下研究的熱點(diǎn)之一。<

2、br>　　盡管國(guó)內(nèi)外有許多的學(xué)者在財(cái)務(wù)困境預(yù)測(cè)領(lǐng)域提出了大量的人工智能預(yù)測(cè)方法，并且逐步形成完善的理論體系，但是大多數(shù)的研究都是基于財(cái)務(wù)困境類別平衡的角度，這顯然是不符合實(shí)際要求的。基于中國(guó)資本市場(chǎng)的實(shí)際情況與前人的論證，本文選取基于類別非平衡的視角進(jìn)行財(cái)務(wù)困境預(yù)測(cè)研究。通過對(duì)以往文獻(xiàn)的閱讀分析，本文從實(shí)證數(shù)據(jù)角度，算法角度以及評(píng)價(jià)標(biāo)準(zhǔn)角度對(duì)基本分類器SVM進(jìn)行改進(jìn)，并對(duì)比單一分類器SVM以及所構(gòu)建模型之間橫向?qū)Ρ?，發(fā)現(xiàn)本文所構(gòu)建的模型

3、對(duì)類別非平衡的財(cái)務(wù)困境預(yù)測(cè)有效果。
　　在理論研究中，本文以學(xué)習(xí)性能較強(qiáng)的分類器SVM為核心算法。在數(shù)據(jù)層面，主要運(yùn)用了SMOTE過采樣技術(shù)，Tome Links欠采樣技術(shù)，并融合過欠重抽樣方法。在算法改進(jìn)角度，運(yùn)用了Bagging集成技術(shù)融合SVM和Adaboost集成技術(shù)融合SVM。在評(píng)價(jià)標(biāo)準(zhǔn)層面，本文采用類別非平衡分類判別常用的評(píng)價(jià)準(zhǔn)則G值和F值指標(biāo)。本文對(duì)比分析并改進(jìn)的主要模型有基于數(shù)據(jù)層面的SMOTE+SVM，Tome

4、Links+SVM，SMOTE+Tome Links+SVM;基于算法層面改進(jìn)的模型Bagging+SVM，Adaboost+SVM;基于數(shù)據(jù)層面和算法層面改進(jìn)的模型SMOTE+Bagging+SVM，SMOTE+Adaboost+SVM，SMOTE+Tome Links+Bagging+SVM，SMOTE+Tome Links+Adaboost+SVM。
　　在實(shí)證研究中，本文收集了上交所與深交所2003年至2012年間373家

5、ST公司被ST前的第二年財(cái)務(wù)數(shù)據(jù)，并根據(jù)行業(yè)相同資產(chǎn)規(guī)模相近的原則以1∶3的比例配比1119家非ST公司的財(cái)務(wù)數(shù)據(jù)作為原始樣本集。并對(duì)該原始數(shù)據(jù)集通過獨(dú)立樣本T檢驗(yàn)、逐步判別分析和多重共線性檢驗(yàn)等統(tǒng)計(jì)方法進(jìn)行預(yù)處理，得到實(shí)驗(yàn)用初始數(shù)據(jù)集，再通過Matlab軟件對(duì)本文分析的模型進(jìn)行仿真建模，得到實(shí)證結(jié)果。對(duì)比分析，無論是從數(shù)據(jù)層面改進(jìn)還是從算法層面改進(jìn)的SVM模型判別準(zhǔn)確率都遠(yuǎn)優(yōu)于單一的SVM模型;單獨(dú)結(jié)合抽樣技術(shù)時(shí)，SMOTE+SVM遠(yuǎn)

6、優(yōu)于Tome Links+SVM，SMOTE過抽樣技術(shù)為準(zhǔn)確率帶了極大的提高;單獨(dú)結(jié)合集成方法，Adaboost+SVM遠(yuǎn)優(yōu)于Bagging+SVM，說明在類別非平衡的時(shí)候即使是結(jié)合學(xué)習(xí)能力較強(qiáng)的分類器，Adaboost集成也有較強(qiáng)的效果;過欠重抽樣集成多SVM集成時(shí)，SMOTE+Tome Links+Bagging+SVM優(yōu)于SMOTE+Bagging+SVM、SMOTE+Adaboost+SVM、SMOTE+Tome Links+A