您的位置: turnitin查重官网> 会计 >> 成本会计 >神经网络基于BPAdaboost和Logistic模型制造业上市公司财务风险预警

神经网络基于BPAdaboost和Logistic模型制造业上市公司财务风险预警

收藏本文 2024-04-22 点赞:21021 浏览:87173 作者:网友投稿原创标记本站原创

摘要:伴随中国经济的快速进展和资本市场的进一步对外开放,中国证劵市场已经成为数千家上市公司的主要融资平台,随着市场竞争的日趋激烈以及金融市场潜在风险的叠加,深沪两市每年都有部分上市公司的股票交易因其自身财务情况或其它异常而被证监会进行特别处理或停止上市,由此准确及时地衡量各上市公司的财务风险情况具有重要的现实作用。本论文通过借鉴和学习发达资本市场先进的财务风险预警评估策略,构建了一个能适应我国证劵市场进展情况的财务危机预警系统,探讨实践表明该系统具有较好的预测效果,不仅能够对我国上市公司财务风险情况进行有效地预警浅析,而且对于探讨我国上市公司财务风险的度量和预警机制也具有一定的论述作用。国内外已有学者以人工神经网络模型和Logistic回归模型出发建立了财务风险预警系统并取得了较好的探讨成果,但现有神经网络模型的预测效果有着着一定的不稳定性,针对这一不论文以人工神经网络出发,通过采取能够将任意弱学习器进行组合改善为强学习器的Adaboost算法与神经网络技术结合构建预警模型的策略来探讨我国上市公司财务预警情况。本论文构建的BP_Adaboost模型本质上是把BP神经网络作为弱分类器,通过反复训练BP神经网络、预测样本输出并结合Adaboost算法来得到由神经网络弱分类器组成的强分类器,最终利用该分类器进行预警浅析及探讨。本论文首先选取了CCER数据库中制造业上市公司所有关键财务指标数据,通过显著性浅析和因子浅析筛选出了9个关键指标变量,并以2011年因财务异常被ST处理的94家制造业上市公司和同行业的94家正常公司作为探讨样本,搜集其2008,2009两年的财务数据,合计196个样本空间,并利用Adaboost算法构建BP神经网络模型和Logistic回归模型这两种策略对这些财务数据进行预警探讨浅析,探讨历程和探讨结果表明,BP_Adaboost模型在上市公司财务预警探讨中是可行的且预测效果显著优于Logistic回归模型,因而在实际运用中具有较好的探讨及运用前景。最后,针对探讨中发现的不足并结合模型的探讨结论对制造业上市公司有着的不足提出了政策倡议。关键词:财务风险预警论文人工神经网络论文Adaboost算法论文Logistics回归模型论文

    摘要3-4

    Abstract4-8

    1 绪论8-15

    1.1 选题背景、探讨内容及作用8-10

    1.1.1 选题背景8

    1.1.2 探讨内容和目的8-9

    1.1.3 探讨作用9-10

    1.2 国内外相关探讨10-14

    1.2.1 国外探讨近况10-12

    1.2.2 国内探讨近况12-14

    1.3 本论文探讨策略和探讨结构14-15

    1.3.1 探讨策略14

    1.3.2 本论文探讨结构14-15

    2 上市公司财务风险预警论述15-21

    2.1 财务风险相关概念内涵15-18

    2.1.1 财务风险的含义15-16

    2.1.2 上市公司财务风险的原因16-17

    2.1.3 上市公司财务风险的危机的概述17-18

    2.1.4 财务风险与财务危机的关联18

    2.1.5 上市公司财务危机的界定18

    2.2 财务预警18-21

    2.2.1 财务预警的功能18-19

    2.2.2 财务预警论述19-21

    3 上市公司财务风险预警模型的建立21-29

    3.1 预警模型的设计概述21-22

    3.2 模型的设计中需要用到的技术22-29

    3.2.1 非参数检验22-23

    3.2.2 因子浅析23-24

    3.2.3 Adaboost 算法24-25

    3.2.4 BP_Adaboost 模型25-26

    3.2.5 Logistic 回归模型26-29

    4 制造业企业的概念和进展特点29-32

    4.1 制造业企业概念29

    4.2 制造业企业的进展近况29-30

    4.3 制造业企业的财务风险影响30-32

    4.3.1 财务风险的内部因素30-31

    4.3.2 财务风险的外部因素31-32

    5 制造业上市公司财务风险预警模型探讨32-49

    5.1 样本数据的选取32-33

    5.1.1 样本数据来源32

    5.1.2 样本指标值得选取32

    5.1.3 样本数据选取32-33

    5.2 数据显著性浅析和因子浅析33-36

    5.2.1 数据显著性浅析33-34

    5.2.2 数据因子浅析34-36

    5.3 BP_Adaboost 模型的建立与浅析36-42

    5.3.1 数据集的选择36

    5.3.2 弱分类器学习分类36-37

    5.3.3 强分类器训练样本分类结果统计37

    5.3.4 强分类器测试样本分类结果统计37-38

    5.3.5 BP_Adaboost 模型的预警结果的浅析38-42

    5.4 多元逻辑回归 Logistic 模型的建立与浅析42-49

    5.4.1 参数设置42

    5.4.2 模型建立42-45

    5.4.3 模型检验45-48

    5.4.4 模型结果浅析48-49

    6 探讨结论及倡议49-54

    6.1 探讨结论49-50

    6.2 针对上市公司财务风险的倡议50-51

    6.3 本论文探讨成果51-52

    6.4 革新不足与探讨展望52-54

    6.4.1 探讨革新52

    6.4.2 探讨不足52

    6.4.3 探讨展望52-54

copyright 2003-2024 Copyright©2020 Powered by 网络信息技术有限公司 备案号: 粤2017400971号