卢慕超[1]2017年在《基于深度置信网络的商业银行信用风险预测实证研究》文中认为信用风险是巴塞尔委员会定义的商业银行信用风险、市场风险、操作风险叁大风险之首,是现代商业银行面临的最重要的风险,也是导致商业银行破产的最常见的原因之一。2008年美国金融危机以及近几年我国商业银行不良资产迅速增长,都警示我们要时刻注意信用风险。提升信用风险度量和预警水平是提高风险防控能力的主要手段。2011年,中国银监会基于巴塞尔III出台了《中国银行业实施新监管标准指导意见》以及《商业银行资本管理办法(试行)》,规定达到条件的商业银行可以采用内评法计算风险加权资产,这就需要商业银行准确度量信用风险。目前国内信用风险管理度量预测研究方兴未艾,但由于诸多条件限制,商业银行信用风险度量能力距离国际发达国家还有不少差距。这些因素都迫切需要提升商业银行信用风险度量和预测研究水平。本文旨在学习借鉴国内外信用风险度量和预警的先进模型和最新的人工智能技术,结合我国国情,建立适合商业银行实际的信用风险度量实现系统。本文分别从理论和实践、技术和业务等多纬度展开研究,全面梳理信用风险预警系统、度量模型、实现工具,研究其基本理论和核心思想。在对我国股份制商业银行资产质量快速下滑的主因进行实证分析的基础上,基于信息爆炸时代大数据挖掘的特点,指出人工智能是提升信用风险度量能力的有力工具。本文在深入研究深度置信网络(Deep Belief Network,DBN)算法基础上,为使受限波尔兹曼机(Restricted Boltzman Machine,RBM)的在解决有监督学习问题时,充分挖掘标签数据特征,提出了基于分类分区受限波尔兹曼机的深度置信网络。为受限波尔兹曼机的隐含层单元参数增加分类分区惩罚项,惩罚项向量基于训练样本的标签值生成,服从高斯分布。该向量在系统初始化时确定,在训练过程中保持不变,每次训练根据标签分类决定所使用的惩罚向量。深度置信网络的第二阶段系统调优时取消惩罚项。增加分类分区惩罚项,可以增大训练时权重的不确定性,且根据标签分类不同,有倾向性的改变权重值的影响。改进后的算法对于阻止过拟合和学习不足有非常优异的效果。本文基于单户企业财务数据,建立了财务危机预警模型。基于大数据挖掘理念,针对人工智能系统与传统统计分类模型的区别,本文确定选取较大量的财务指标作为研究对象,将企业盈利与否作为预测的目标,建立基于分类分区受限波尔兹曼机深度置信网络的实证研究系统。对时间节点T的前叁年(T-1、T-2、T-3)叁个时间节点进行预测实证研究,叁个节点的第一类(危机)预测准确率分别为90.28%、88.24%h和84.20%。对样本量较少的第一类样本的分类准确率高于样本量较大的第二类样本的分类准确率。与相关工作相比预测准确率相对较高,也验证了改进后的算法对小样本数据的学习能力大幅提升。该实证研究初步搭建起商业银行信用风险单户财务危机预警系统框架,具有较高的实用价值。针对输入样本相同,输出为不同连续变量的多任务预测问题,提出了层次贝叶斯深度置信网络算法,提升有监督学习预测能力。本文利用A股上市公司财务报表进行了实证研究,预测的财务报表绝对误差较小,可信度较高,在具体指标预测上取得较大突破。有助于商业银行及其他机构预测企业未来经营状况,为各专业领域专家的分析提供可靠的数据依据。本研究成果,也可为其他度量模型提供可靠的中间数据,提高预测深度。本文研究的结论可以使商业银行系统开发人员根据自有数据对模型再次进行加工调整,经过简单的个性化改造后直接建立自有风险预警系统,应用于本行的管理实践。本文力图从金融机构经营实际需求出发,坚持理论与实践相结合,使科技真正成为促进经济发展的源动力。
张志恒[2]2003年在《基于粗糙集理论的企业财务危机预测模型及实证研究》文中进行了进一步梳理国内外许多研究得出的结论已经表明，财务数据和财务指标可用于预测企业的财务危机或破产风险。在财务危机预测领域，就研究方法而言，已经趋于稳定，近几年来始终没有重大的突破，相关的研究只是从技术细节上不断的完备，目前仍然存在着一些问题，如：预测变量的选择、多重共线性等问题，始终没有得到有效的解决。要有效的解决现存问题需要在预测方法上有比较大的突破。国内的相关研究方法基本与国外接轨，创新之处非常有限。本文将粗糙集理论和信息熵概念引入财务危机预测领域，建立一种基于粗糙集理论的企业财务危机预测模型，试图一定程度避免相关问题的产生。在预测变量的选择上，首先采用统计方法进行财务指标的初步筛选，然后设计出一个基于信息熵的属性约简算法对财务指标进行进一步筛选，以确定进入模型的变量。通过计算条件属性和决策属性的依赖度来确定条件属性的重要程度，对其进行归一化处理后即得到预测变量的权系数，进而确定综合预测模型。本文的检验方法与以往的研究不同，采用两步检验的方式说明模型的预测效果。首先采用小样本进行检验，然后采集尽可能多的样本再次对模型进行检验，以说明预测模型的稳定性。在每一步检验的同时，又选取常用的Fisher判别方法与本模型进行了预测效果的对比分析。实证结果表明，本文建立的模型效果很好，采用相同的财务信息，其预测效果优于Fisher模型。在发生财务危机（ST）前一年，采用小样本检验,其正确判别率达到了100％；采用大样本检验，选取了878家上市公司数据，误判数只有9个。即使是发生ST的前四年，采用小样本检验，其误判率只有21％；随机选取273家公司进行大样本检验，其误判数也只有22个。论文主要包括五个部分：第一部分主要介绍了论文的研究背景和国内外研究现状；第二部分介绍了传统财务危机预测模型并对其进行了评析；第叁部分介绍了粗糙集理论和信息熵的相关概念；第四部分建立了基于粗糙集的预测模型，重点介绍了基于信息熵的预测变量筛选算法。第五部分对模型进行了实证分析。
王敏[3]2011年在《基于粗糙集和支持向量机的财务危机预警模型研究》文中研究表明财务危机(也称为财务困境)是当前我国企业所面临的重要问题之一。建立一个有效的、切实可行的财务危机预警系统,化解财务危机带来的不良影响,是关系到企业生存与发展刻不容缓的财务管理研究课题之一。本研究将粗糙集和支持向量机理论这两大国际研究热点结合在一起,提出基于粗糙集和支持向量机的上市公司财务危机预警模型,对今后债券市场各参与者的投资实践和政府的宏观监控具有重要的现实意义。本文的主要研究内容如下：首先,在分析前人研究经验与不足的基础上,提出本文关于财务危机概念的界定标准；论述基于现金流量指标的财务危机预警指标体系的优点,提出本文的财务危机预警指标变量体系。其次,通过对粗糙集理论的研究,说明了粗糙集理论在处理不确定性、模糊性知识的优越性。使用粗糙集约简可以简化输入向量,实现降维的目的,有效的规避了指标选择上的主观性和盲目性。最后,系统地介绍了统计学习理论与支持向量机,然后在此基础上对支持向量机在财务危机预警领域中的应用作了广泛深入的研究,建立了基于粗糙集和支持向量机理论的上市公司财务危机预警模型——RS-SVM模型。在分析预测的同时,设计了利用RS-SVM模型进行上市公司财务危机预警的具体流程。实验结果表明,应用RS-SVM模型进行上市公司财务危机预警是有效可行的,并且,与传统的人工神经网络模型和统计分析模型相比,该模型具有更高的精度和更好的训练性能,从而为我国上市公司财务危机预警领域提供了一条新的途径。
李婷婷[4]2017年在《基于人工智能方法的中小企业财务危机预警研究》文中进行了进一步梳理2016年12月11日,中国加入WTO满15周年,在这15年的经济发展浪潮中,中国一跃成为世界第二大经济体。企业是国民经济发展的命脉,“十叁五”规划已经迈出了第一步,在响应“十叁五”经济保持中高速增长规划目标中,中小企业扮演的角色愈发不可忽视。近年来,国家大力倡导普惠金融,成立中小企业融资担保公司,以扶持和鼓励中小企业发展。在政策支持环境下,我国中小企业发展势头迅猛。与此同时,我国中小企业存在着市场竞争激烈、财务风险管理能力不足、公司治理结构不完善等一系列问题。近年来,国际金融危机等风险事件的发生极大地冲击了我国实体经济,并导致大量中小企业走向破产。显然,缺乏风险防范意识和有效的财务危机预警机制是中小企业破产现象频发的重要原因之一。事实上,中小企业财务危机的形成不仅受到财务因素的影响,经理人执业能力欠缺和公司治理机制不健全等因素也不可忽视。在后金融危机时代市场运行风险依然显着的现实背景下,中小企业如何能够在复杂的生存环境中抵御风险、防患于未然,成为学术界与实务界共同关注的重点命题。基于此,本文围绕“中小企业财务危机预警研究”这一主题,选取2005-2015年间中小板上市企业作为研究样本,综合运用中小企业的财务与非财务数据,构建中小企业人工智能财务危机预警系统,帮助中小企业提早发现经营管理活动中存在的异常,及时应对市场风险。拟解决的关键问题有四个:第一,困境样本的选取;第二,配对样本的选择;第叁,预警指标的筛选;第四,预警模型的构建。针对以上四个关键问题,本文基于人工智能方法,构建了中小企业财务预警系统,并采用十折交叉验证方法进行稳健性检验,获得的主要研究成果和创新概括如下:1、考虑到中小板上市企业中被ST的企业较少,因此本文在选取困境样本时不仅考虑了ST或ST*企业,还将连续两年内只发生过一次年度末亏损,但在两年内各个季度净利润率平均值小于零的企业纳入样本考虑范围。2、在对困境样本进行健康样本匹配时,本文考虑了两组配对标准,即“行业相同,资产规模相近”和“行业相同,员工人数相近”。实证研究结果表明,“资产规模”比“员工人数”更能有效衡量企业规模,作为企业规模的代理变量。3、基于中小企业特点,在建立预警指标体系时,本文不仅考虑了财务指标,同时包括了公司治理指标。研究表明,在中小企业财务危机预警指标体系中融入公司治理变量可以对模型预测效果起到正向促进作用。4、本文采用粗糙集方法对初选指标体系进行特征选择后得到预警指标体系,在此基础上构建C4.5、Bayesnet、RF、ANN等人工智能模型,并引入了十折交叉验证方法作为预警效果评价的稳健性检验准则。为了检验人工智能方法的有效性,本文还建立了基于粗糙集方法的Logistic模型,实证结果表明,粗糙集方法能够有效选取关键预警指标,且人工智能方法具有较高的预警准确率。总体来看,本文综合考虑财务指标、公司治理指标,基于人工智能方法构建了有效的中小企业财务危机预警模型。研究结果对于管控中小企业运营风险、促进中小企业可持续发展具有重要的意义。
牛晓晨[5]2015年在《基于神经网络模型的上市公司财务预警研究》文中研究指明企业的财务状况是企业经营业绩的体现，对企业财务状况进行监测和预警、协助管理者及早发现财务风险、避免出现危机的可能性，已经成为理论与实践探索的热点。基于神经网络方法具有较强的学习能力和容错性，同时对研究样本没有假设要求，适用性强的特点，本文采用了神经网络模型作为企业财务预警的方法。本文共六章，第一章绪论，叙述了企业财务预警研究的背景及意义。第二章相关文献综述，主要对国内外利用神经网络模型进行财务预警的文献进行归纳总结，为后文的研究奠定基础。第叁章概念界定与样本选择，明确界定了本文中财务危机的概念并确定了研究样本及期间。第四章财务预警指标筛选分析，首先确定了初选的财务预警指标，在此基础上为了合理确定神经网络模型的输入节点，提高模型预测的准确性，本文在研究中分别利用统计方法及粗糙集理论对初选的财务预警指标进行筛选。第五章财务预警模型的构建及实证分析，依据第四章选取的财务预警指标分别构建神经网络预警模型，并对不同的模型结果进行比较分析。第六章是结论。本文以财务预警指标的选取为出发点，分别利用了统计方法及粗糙集理论对预警指标进行筛选，以此改进神经网络模型的输入节点。通过实证证明了在财务预警研究中，对预警指标进行适当的预处理会提高神经网络模型预测的准确性。同时本文通过对比不同的预警指标约简方法，得到利用粗糙集理论对指标进行约简预测准确性优于传统统计方法，证明了粗糙集理论和神经网络模型相结合的有效性。
高淑芳[6]2008年在《基于粗糙集—神经网络的财务危机预警系统研究》文中研究指明本文研究的主要目的是论证基于粗糙集和神经网络的预警模型来进行财务危机预警的可行性和有效性。首先利用粗糙集的约简技术知识对上市公司的财务数据进行属性约简,然后利用改进的BP算法即添加了动量添加法和自适应参数调整法的神经网络算法训练网络,并检验模型的预警效果并结合包钢稀土对上市公司财务危机预警进行案例分析,文章最后对构建预警系统过程中所应当注意的问题进行了深入的思考。首先,当今时代不确定性的经营环境和风险因素使企业面临着更为激烈的竞争和严峻挑战,财务危机预警成为研究的热点。总的说来,目前财务危机预警的研究主要有单变量分析、多元线性分析、Logistic回归分析法以及类神经网络模型四种方法。其次,随着粗糙集和神经网络技术的出现和发展,财务危机的动态预警研究已成为可能和发展趋势。正是基于这一现状,本文根据我国证券市场和上市公司的现状,在借鉴国内外学者研究成果的基础上,以沪深两市的A股上市公司为样本进行实证研究,构建了适合我国国情的粗糙集神经网络财务危机预警模型,样本的检验结果显示模型具有一定的有效性和可行性。再次,构造粗糙集神经网络财务危机预警模型的思路主要是,首先利用粗糙集的约简技术知识对公司的财务指标进行属性约简,简化预警指标,然后再利用神经网络的学习功能训练网络,从而预测检验样本企业的危机状况。最后,本文的预警研究主要利用了粗糙集和神经网络的相关技术,采用了SPSS、Rosetta和Matlab等工程软件进行有关数据的分析和处理。
刘菁菁[7]2009年在《基于粗糙集理论的商业银行信贷风险评估》文中提出现阶段,我国金融体系仍以银行业为主导,信贷业务作为银行主要收入来源的同时,与之相应的信贷风险也成为其面临的首要风险。因此,如何有效地控制银行信贷风险、提高信贷资产质量,已成为我国银行业界和学术界探讨的一个重要课题。粗糙集理论作为一种处理不完整、不精确数据的有效方法,在数据挖掘领域无疑大有用武之地。粗糙集从提出以来在各个领域取得了成功的应用,它在理论上有着深远的意义,正以巨大的潜力吸引着世界上许多专家学者的注意,特别是把粗糙集应用到信贷风险评估中,无疑是一种新的挑战。本文将粗糙集理论应用于信贷风险评估当中,采用定性分析与定量分析相结合的方法,结合我国商业银行的现实环境,进行分析论证。本文的主要工作成果:首先,研究内容和方法上将粗糙集与传统银行的信贷风险相结合,为信贷风险分类的定量化发展提供一定的依据,从而弱化信贷分类定性化标准带来的分类主观性,从而使得商业银行信贷风险预警体系更加地全面,更加具有实践意义。其次,指标的筛选上借鉴以往国内外的研究成果和银行的操作实践,将选取财务和非财务指标,整个指标体系包含定量指标和定性指标,实现了定量分析和定性分析相结合。文章将采用粗糙集理论强大的数据处理功能及属性约简功能对传统财务指标和非财务指标进行筛选,实现了原有指标体系基础上的合理删除和增加,使指标体系更为合理。再次,设计并实现了一个基于粗糙集理论的信贷风险评估模型。模型建立步骤分为假设、指标选择、数据预处理、数据约简、风险评估规则生成和规则检验六步组成部分。最后,本文将模型应用于企业信贷风险评估和个人消费信贷风险评估进行实证研究。实证结果显示,本文提出的基于粗糙集理论的信贷风险评估模型具有良好的预警能力,总的预警准确率均在90%以上,可为银行的信贷决策提供参考。
夏冬艳[8]2007年在《基于RS和Markov链的财务危机预警研究》文中研究表明任何事物的发展都要经历一个过程,企业陷入财务危机,也有先兆。凡事“预则立”这是古训,同样也适用于今天的企业运作。建立财务危机预警,对于企业来说,可以及早识别引发财务危机的因素,进而采取有效的防范措施;对于投资者而言,使投资者和债权人可依据这种信号及时转移投资、管理应收账款及作出信贷决策;对于审计、法律人员来说,可以据此更为准确地对上市公司经营情况作出判断,避免因未能准确批露而招致的法律诉讼。另外,从以往的研究中,我们也不难看出建立财务预警能够起到很好的规避风险和化解风险的作用。但是,目前我国财务预警的实证研究,仍多采取国外的研究思路,借用国外的预警模型,这显然是不合理的,原因在于我国的企业毕竟不是外国企业,而且已有研究中也缺乏对具体行业财务指标的区分。本文选定制造业的上市公司为样本,首先利用粗集(RS)的主要功能——属性约简,来对造成企业陷入财务危机的诸多指标进行分析,删去冗余指标,找出主要影响指标,建立财务预警的指标体系;然后利用马尔可夫链的概率转移矩阵和状态分布理论,对主要预警指标的预警能力进行比较,计算各指标的预警能力系数;进而构建一个开放式的、动态性的财务预警模型,并用该模型对样本和一具体企业进行预测,验证了模型的有效性;最后给出了一些财务危机的防范措施。
冯征[9]2007年在《数据挖掘方法在财务预警中的应用研究》文中研究说明上世纪90年代中后期以来,在全球资本市场迅速膨胀以及网上交易日益盛行的背景下,能够第一时间预测公司财务危机对于投资人避免投资风险和管理者获得决策依据都具有至关重要的意义,因此财务预警已经是管理领域的研究热点。数据挖掘作为一种高效的财务预警方法,其自身仍处于快速发展阶段,将新的思想结合进数据挖掘方法并应用于财务预警就是本文的研究内容。本文提出几种新的基于模糊集或粗糙集的数据挖掘方法,并使用这些方法对我国上市公司进行了预警研究,主要包括以下工作:分析了目前广泛应用的传统神经网络方法在财务预警时存在的局限,提出了基于粗糙集属性约简的模糊神经网络预警模型。该模型用粗糙集算法先对输入数据信息进行预处理来发现问题所隐藏的概略化规则,将其作为模糊神经网络预警模型的前端,根据处理后的信息结构和规则确定模糊神经网络预警模型的结构和使用的训练数据。并且收集了2005、2006年发生了财务危机的中国上市公司前3年的数据,还根据配对原则收集了相同数量的财务正常公司的数据,使用2005年公司的数据作为训练数据,2006年公司的数据作为测试数据测试了模型,得到了良好的结果。提出了两种聚类方法,一种是基于粒子群优化的模糊聚类算法,一种是基于粗糙集的K-means聚类算法。前者可以改进传统模糊聚类算法收敛到局部最小和对噪声数据敏感的缺点,后者可以得到一种不同于传统算法的聚类结果,这种结果将样本数据分为上近似集和下近似集,有利于进一步分析。还讨论了传统聚类算法极少被应用于财务预警的原因,使用粗糙集提取数据指标、将输入数据模糊化再利用前面提出的两种聚类方法建立了新的财务预警模型。为把聚类算法引入财务预警研究领域提供了一种新的尝试。分析了支持向量机的在财务预警中的应用并指出在选取财务指标和财务数据方面存在需要专家判别的领域知识。将一种双向加权模糊支持向量机引入财务预警,提出由模糊综合评判法来决定每个输入数据的隶属度,将定性与定量的分析方法结合起来形成一种新的预警模型。实验证明结合专家的知识确实可以提高模型的预测能力。最后总结了叁种方法各自的优缺点,指出叁种方法分别是从数据挖掘的叁种角度对分类问题进行研究,可以对财务预警提供多方面的决策依据。
张建华[10]2012年在《基于邻域粗糙集和粒子群优化BP网络的上市企业财务预警研究》文中指出2011年资本市场的萎靡表现，令众多上市公司资金需求大幅增加，融资难度增大，企业陷入财务困境的风险越来越高。因此，在现实经济形势下，对财务预警的理论和实践进行进一步研究，构建合乎我国国情的上市企业财务危机预警模型是十分必要的。企业的经营状况正常与否是可以通过财务报表以及各项财务指标的变化反映出来的，同时在21世纪的今天，越来越多的非财务因素对企业的继续发展也起到了不可忽视的作用，因此我们需要对这些指标进行时刻监测，采用可行的技术方法根据指标的变化来对企业的运营状况进行预测，这对上市公司自身、投资者、资本市场和其他利益相关者都具有十分重要的意义。基于此，本文在进行财务预警研究时主要集中在叁个方面：第一，在所构建的企业财务预警指标体系中不仅包含传统的财务指标，还将部分非财务指标纳入到了体系之中；第二，为解决经典粗糙集理论在处理数值型数据上的不足，本文将邻域粗糙集引入财务研究领域，通过多次实验选取合适邻域半径，对指标进行属性约简；第叁，本文还运用粒子群算法来弥补BP神经网络算法的部分缺陷，对其进行优化，由此构建了基于邻域粗糙集和粒子群优化神经网络的企业财务预警模型，以实现对上市企业财务状况的预警。本文的主要研究过程如下：首先，对国内外财务预警研究领域的现状进行了解分析，总结其中关于指标选取和模型研究的各种方法。其次，系统地介绍了本文中将要运用的邻域粗糙集理论、粒子群算法和BP神经网络算法，并对邻域粗糙集和经典粗糙集进行了比较分析，构建了粒子群优化BP神经网络的模型。第叁，根据各项指标选取原则，提供了初始指标，然后分别运用经典粗糙集和邻域粗糙集模型对指标进行了属性约简，构建了上市企业财务预警指标体系。最后，根据新建的上市企业财务预警指标体系，运用训练样本数据对基于粒子群优化BP神经网络的模型进行训练，最后用测试样本数据来考察模型的预警性能，并且将预测结果与经典粗糙集-BP神经网络模型、邻域粗糙集-神经网络模型的预测结果进行比较，得出本文采用邻域粗糙集替代经典粗糙集、利用粒子群优化BP神经网络是有效可行的，并且预测精度也比较高，这也为研究企业财务预警提供另外一种新的研究方法。
参考文献：
[1]. 基于深度置信网络的商业银行信用风险预测实证研究[D]. 卢慕超. 太原理工大学. 2017
[2]. 基于粗糙集理论的企业财务危机预测模型及实证研究[D]. 张志恒. 重庆大学. 2003
[3]. 基于粗糙集和支持向量机的财务危机预警模型研究[D]. 王敏. 西安电子科技大学. 2011
[4]. 基于人工智能方法的中小企业财务危机预警研究[D]. 李婷婷. 山西大学. 2017
[5]. 基于神经网络模型的上市公司财务预警研究[D]. 牛晓晨. 北京理工大学. 2015
[6]. 基于粗糙集—神经网络的财务危机预警系统研究[D]. 高淑芳. 燕山大学. 2008
[7]. 基于粗糙集理论的商业银行信贷风险评估[D]. 刘菁菁. 湖南科技大学. 2009
[8]. 基于RS和Markov链的财务危机预警研究[D]. 夏冬艳. 河北工程大学. 2007
[9]. 数据挖掘方法在财务预警中的应用研究[D]. 冯征. 天津大学. 2007
[10]. 基于邻域粗糙集和粒子群优化BP网络的上市企业财务预警研究[D]. 张建华. 山东财经大学. 2012
标签：企业经济论文; 粗糙集论文; 人工智能论文; 信用风险论文; 预测模型论文; 神经网络模型论文; 财务预警论文; 分类数据论文; 企业财务论文; 财务预测论文; 财务指标论文;