上市公司財(cái)務(wù)困境預(yù)測(cè)新方法研究——基于Boosting等集體學(xué)習(xí)方法的實(shí)證分析.pdf

1、現(xiàn)代企業(yè)由于面臨日益激烈的競(jìng)爭(zhēng)，其內(nèi)外各種不確定性因素的增多，使陷入財(cái)務(wù)困境進(jìn)而喪失生存能力的機(jī)會(huì)越來(lái)越大。因此，亟需借助定量化的預(yù)測(cè)模型對(duì)其財(cái)務(wù)狀況進(jìn)行監(jiān)控和預(yù)警，為其的經(jīng)營(yíng)管理決策提供科學(xué)和準(zhǔn)確的依據(jù)。事實(shí)上，進(jìn)行財(cái)務(wù)困境預(yù)測(cè)不僅有利于企業(yè)，也有利于投資者、債權(quán)人以及各類(lèi)利益相關(guān)者，對(duì)整個(gè)國(guó)民經(jīng)濟(jì)的健康發(fā)展也有重要意義。
　　在參考了大量國(guó)內(nèi)外文獻(xiàn)的基礎(chǔ)上，本文對(duì)上市公司財(cái)務(wù)困境概念進(jìn)行界定，對(duì)財(cái)務(wù)困境預(yù)測(cè)在國(guó)內(nèi)外的研究現(xiàn)狀進(jìn)

2、行總結(jié)。目前，雖然傳統(tǒng)的線(xiàn)性判定方法已經(jīng)逐漸被國(guó)內(nèi)外學(xué)者所摒棄，取而代之的是假設(shè)條件更為寬泛的非線(xiàn)性模型或模型組合，但并不等于說(shuō)這些模型不存在問(wèn)題。學(xué)者們大量使用的神經(jīng)網(wǎng)絡(luò)、決策樹(shù)等模型缺乏穩(wěn)定性，很容易產(chǎn)生過(guò)度擬合;支持向量機(jī)方法雖然比較穩(wěn)定，但它具有非常依賴(lài)于其核函數(shù)以及參數(shù)選擇的特點(diǎn)，選擇不同的方案可能會(huì)導(dǎo)致預(yù)測(cè)結(jié)果大相徑庭。為解決這些問(wèn)題，本文采用屬于集體學(xué)習(xí)的Boosting、 Bagging以及BagBoost等方法進(jìn)行應(yīng)用

3、創(chuàng)新，通過(guò)集體學(xué)習(xí)的決策方式在很大程度上避免了單一模型的不穩(wěn)定，同時(shí)也不需要進(jìn)行復(fù)雜的參數(shù)設(shè)置就能達(dá)到良好的預(yù)測(cè)效果。目前，這些方法在財(cái)務(wù)困境預(yù)測(cè)領(lǐng)域內(nèi)還較少出現(xiàn)。
　　在對(duì)集體學(xué)習(xí)中的Boosting和Bagging的算法及相關(guān)理論進(jìn)行總結(jié)的基礎(chǔ)上，本文的創(chuàng)新主要體現(xiàn)在:首先，通過(guò)引入BagBoost，并對(duì)其進(jìn)行改造，將其中的LogitBoost替換為更為穩(wěn)健的Gentle AdaBoost，從中衍生出BagGBoost算法。實(shí)

4、際分析過(guò)程表明，無(wú)論是否進(jìn)行變量篩選，BagGBoost的效果均勝過(guò)原來(lái)的BagBoost，預(yù)測(cè)效果表現(xiàn)出穩(wěn)健而優(yōu)良，總體上勝過(guò)普通的Boosting及Bagging方法。
　　其次，本文還以遺傳算法為框架，結(jié)合隨機(jī)森林的OOB誤差和精英染色體投票，對(duì)初始變量進(jìn)行篩選，并將這種變量篩選與另外一種變量篩選的結(jié)果進(jìn)行對(duì)比，也將兩種變量篩選的結(jié)果與不進(jìn)行變量篩選的結(jié)果進(jìn)行了比較。實(shí)證結(jié)果表明，遺傳算法篩選變量的方法稍勝一籌，而且，變量篩