基于隨機(jī)森林的制造業(yè)上市公司財(cái)務(wù)預(yù)警模型研究.pdf

1、隨著市場(chǎng)競(jìng)爭(zhēng)的日趨激烈,公司出現(xiàn)財(cái)務(wù)危機(jī)的風(fēng)險(xiǎn)也逐漸加大。對(duì)于公司的經(jīng)營(yíng)者、投資者、債權(quán)人等利益相關(guān)者來說,能否有效地預(yù)測(cè)財(cái)務(wù)危機(jī)是他們最為關(guān)注的問題之一。財(cái)務(wù)危機(jī)預(yù)警已有八十多年的歷史,大致經(jīng)歷了統(tǒng)計(jì)分析和數(shù)據(jù)挖掘兩個(gè)階段。近年來,基于人工智能的支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)在財(cái)務(wù)預(yù)警領(lǐng)域得到了廣泛的應(yīng)用,有效地提高了預(yù)警效率。但由于財(cái)務(wù)預(yù)警問題的不平衡性,以及數(shù)據(jù)噪聲和分布的復(fù)雜性等問題,使得這些方法難以達(dá)到令人滿意的結(jié)果。此外,這些方法

2、對(duì)模型的解釋能力不足,使模型的可信度大大降低。鑒于此,本文引入一種組合分類算法——隨機(jī)森林,該算法具有較好的噪聲魯棒性和泛化能力,且能很好地處理不平衡分類問題;同時(shí)該算法計(jì)算變量重要性的功能和提供的偏相關(guān)函數(shù)對(duì)于模型的理解有一定的幫助。
　　本文首先回顧并總結(jié)了前人的研究成果,接著詳細(xì)介紹了隨機(jī)森林算法的原理和它的應(yīng)用及研究現(xiàn)狀。在此基礎(chǔ)上本文按照數(shù)據(jù)挖掘項(xiàng)目流程對(duì)制造業(yè)上市公司的財(cái)務(wù)預(yù)警問題進(jìn)行研究,大致分為數(shù)據(jù)準(zhǔn)備和模型構(gòu)建與

3、評(píng)估兩個(gè)階段。在數(shù)據(jù)準(zhǔn)備階段討論了樣本和指標(biāo)的選取原則,通過描述性的統(tǒng)計(jì)分析探索數(shù)據(jù)的分布,并對(duì)指標(biāo)異常值進(jìn)行了歸約;接著利用隨機(jī)森林產(chǎn)生的相似度矩陣診斷數(shù)據(jù)中的異常樣本并予以剔除,然后利用隨機(jī)森林對(duì)每個(gè)指標(biāo)進(jìn)行重要性評(píng)估,篩選出對(duì)財(cái)務(wù)預(yù)警模型貢獻(xiàn)最大的指標(biāo)組合,并將該組合與傳統(tǒng)指標(biāo)篩選方法得到的指標(biāo)組合進(jìn)行比較,實(shí)驗(yàn)證明隨機(jī)森林篩選出來的最優(yōu)指標(biāo)組合更有利于模型性能的提高。
　　在模型構(gòu)建與評(píng)估階段,首先介紹了隨機(jī)森林兩大參數(shù)的

4、優(yōu)選方法,接著就隨機(jī)森林的容噪性進(jìn)行了數(shù)據(jù)實(shí)驗(yàn),結(jié)果證明了其良好的噪聲魯棒性;然后針對(duì)財(cái)務(wù)預(yù)警問題的不平衡性,介紹了基于數(shù)據(jù)層面的過采樣和欠采樣方法與基于算法層面的平衡隨機(jī)森林和投票閾值調(diào)整隨機(jī)森林,實(shí)驗(yàn)比較表明基于投票閾值調(diào)整的隨機(jī)森林表現(xiàn)最優(yōu);接著引入誤判成本函數(shù),比較了隨機(jī)森林、支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)三類模型的性能,實(shí)驗(yàn)結(jié)果表明隨機(jī)森林的誤判成本最低;最后利用偏相關(guān)函數(shù)對(duì)基于隨機(jī)森林的制造業(yè)上市公司財(cái)務(wù)預(yù)警模型進(jìn)行解釋,并給出一