基于BP-Adaboost和Logistic模型的制造業(yè)上市公司財務風險預警研究.pdf

1、伴隨中國經濟的快速發(fā)展和資本市場的進一步對外開放,中國證劵市場已經成為數千家上市公司的主要融資平臺,隨著市場競爭的日趨激烈以及金融市場潛在風險的疊加,深滬兩市每年都有部分上市公司的股票交易因其自身財務狀況或其它異常而被證監(jiān)會進行特別處理或停止上市,因此準確及時地衡量各上市公司的財務風險狀況具有重要的現實意義。本文通過借鑒和學習發(fā)達資本市場先進的財務風險預警評估方法,構建了一個能適應我國證劵市場發(fā)展情況的財務危機預警系統(tǒng),研究實踐表明該系

2、統(tǒng)具有較好的預測效果,不僅能夠對我國上市公司財務風險情況進行有效地預警分析,而且對于研究我國上市公司財務風險的度量和預警機制也具有一定的理論意義。
　　國內外已有學者從人工神經網絡模型和Logistic回歸模型出發(fā)建立了財務風險預警系統(tǒng)并取得了較好的研究成果,但現有神經網絡模型的預測效果存在著一定的不穩(wěn)定性,針對這一問題本文從人工神經網絡出發(fā),通過采用能夠將任意弱學習器進行組合改進為強學習器的Adaboost算法與神經網絡技術結合

3、構建預警模型的方法來研究我國上市公司財務預警狀況。本文構建的BP_Adaboost模型本質上是把BP神經網絡作為弱分類器,通過反復訓練BP神經網絡、預測樣本輸出并結合Adaboost算法來得到由神經網絡弱分類器組成的強分類器,最終利用該分類器進行預警分析及研究。
　　本文首先選取了CCER數據庫中制造業(yè)上市公司所有關鍵財務指標數據,通過顯著性分析和因子分析篩選出了9個關鍵指標變量,并以2011年因財務異常被 ST處理的94家制造業(yè)

4、上市公司和同行業(yè)的94家正常公司作為研究樣本,搜集其2008,2009兩年的財務數據,合計196個樣本空間,并使用Adaboost算法構建BP神經網絡模型和Logistic回歸模型這兩種方法對這些財務數據進行預警研究分析,研究過程和研究結果表明,BP_Adaboost模型在上市公司財務預警研究中是可行的且預測效果顯著優(yōu)于Logistic回歸模型,因而在實際應用中具有較好的研究及應用前景。最后,針對研究中發(fā)現的問題并結合模型的研究結論對制