支持向量機(jī)和決策樹算法在財(cái)務(wù)失敗預(yù)測中的應(yīng)用研究.pdf

1、財(cái)務(wù)失敗預(yù)測是金融領(lǐng)域一個(gè)重要的研究課題.自上世紀(jì)60年代以來,隨著企業(yè)破產(chǎn)問題的日益嚴(yán)重,各國學(xué)者紛紛嘗試通過定量分析對企業(yè)破產(chǎn)做出預(yù)測,從多元判別分析等線性預(yù)測模型,到以神經(jīng)網(wǎng)絡(luò)為代表的各種非參數(shù)預(yù)測模型,研究成果層出不窮.目前,國內(nèi)對公司財(cái)務(wù)失敗預(yù)測的研究處于起步階段,主要以借鑒國外傳統(tǒng)統(tǒng)計(jì)模型為主.隨著市場經(jīng)濟(jì)體制的不斷發(fā)展和完善,如何對企業(yè)財(cái)務(wù)失敗做出準(zhǔn)確的預(yù)測,成為金融界、企業(yè)界和政府管理結(jié)構(gòu)迫切需要解決的問題.該文以國內(nèi)上

2、市公司為研究對象,將因財(cái)務(wù)狀況異常而被特別處理(ST)作為企業(yè)發(fā)生財(cái)務(wù)失敗的標(biāo)記,利用支持向量機(jī)和決策樹分類算法,進(jìn)行財(cái)務(wù)失敗預(yù)測模型的構(gòu)建.支持向量機(jī)是統(tǒng)計(jì)學(xué)習(xí)理論的新發(fā)展,與神經(jīng)網(wǎng)絡(luò)相比,它較好地解決了局部極小、過擬合等問題,具有堅(jiān)實(shí)的理論基礎(chǔ).針對財(cái)務(wù)失敗預(yù)測問題,論文首先選擇了有較強(qiáng)說服力的研究樣本,在進(jìn)行有效的特征選擇后,利用支持向量機(jī)算法,建立了財(cái)務(wù)失敗預(yù)測模型.實(shí)驗(yàn)表明,該模型比Logistic、神經(jīng)網(wǎng)絡(luò)等模型有更高的預(yù)測

3、精度.決策樹是一種通過歸納學(xué)習(xí)來發(fā)現(xiàn)訓(xùn)練集中分類知識的機(jī)器學(xué)習(xí)方法,具有速度快、精度高、生成的模式簡單等特點(diǎn).針對財(cái)務(wù)指標(biāo)均為連續(xù)數(shù)值的特性,進(jìn)行了連續(xù)屬性離散化的研究,改進(jìn)了一種RCAT算法;對多種離散化方法進(jìn)行了比較,得到了復(fù)雜度低、解釋性強(qiáng)的決策樹.進(jìn)而,創(chuàng)造性地將多種基于不同離散化策略生成的決策樹進(jìn)行了集成,得到了具有更高分類精度的集成分類器.以多區(qū)間離散化方法構(gòu)建的決策樹在財(cái)務(wù)失敗預(yù)測實(shí)驗(yàn)中,同樣得到了較好的效果.同時(shí),結(jié)合財(cái)