基于過欠重抽樣的類別非平衡SVM財務困境預測研究.pdf

1、人類社會的發(fā)展基于最基本的社會組織——企業(yè)，而公司財務則融通于企業(yè)的每個方面，是企業(yè)經(jīng)營成果與真實財務狀況的最直接反映，所以對于現(xiàn)代企業(yè)來說，對公司財務的掌控就是對于自身發(fā)展的掌控。尤其是在當下經(jīng)濟周期處于波谷階段、整個市場壞境不利的情況下，企業(yè)的發(fā)展不夠穩(wěn)定，對于企業(yè)財務困境的預警更加必要。隨著大數(shù)據(jù)時代的全面推移，數(shù)據(jù)挖掘已然被應用到各個領域，加上中國金融市場日益規(guī)范化的趨勢，人工智能方法預測企業(yè)財務困境已成為當下研究的熱點之一。<

2、br>　　盡管國內(nèi)外有許多的學者在財務困境預測領域提出了大量的人工智能預測方法，并且逐步形成完善的理論體系，但是大多數(shù)的研究都是基于財務困境類別平衡的角度，這顯然是不符合實際要求的。基于中國資本市場的實際情況與前人的論證，本文選取基于類別非平衡的視角進行財務困境預測研究。通過對以往文獻的閱讀分析，本文從實證數(shù)據(jù)角度，算法角度以及評價標準角度對基本分類器SVM進行改進，并對比單一分類器SVM以及所構(gòu)建模型之間橫向?qū)Ρ龋l(fā)現(xiàn)本文所構(gòu)建的模型

3、對類別非平衡的財務困境預測有效果。
　　在理論研究中，本文以學習性能較強的分類器SVM為核心算法。在數(shù)據(jù)層面，主要運用了SMOTE過采樣技術，Tome Links欠采樣技術，并融合過欠重抽樣方法。在算法改進角度，運用了Bagging集成技術融合SVM和Adaboost集成技術融合SVM。在評價標準層面，本文采用類別非平衡分類判別常用的評價準則G值和F值指標。本文對比分析并改進的主要模型有基于數(shù)據(jù)層面的SMOTE+SVM，Tome

4、Links+SVM，SMOTE+Tome Links+SVM;基于算法層面改進的模型Bagging+SVM，Adaboost+SVM;基于數(shù)據(jù)層面和算法層面改進的模型SMOTE+Bagging+SVM，SMOTE+Adaboost+SVM，SMOTE+Tome Links+Bagging+SVM，SMOTE+Tome Links+Adaboost+SVM。
　　在實證研究中，本文收集了上交所與深交所2003年至2012年間373家

5、ST公司被ST前的第二年財務數(shù)據(jù)，并根據(jù)行業(yè)相同資產(chǎn)規(guī)模相近的原則以1∶3的比例配比1119家非ST公司的財務數(shù)據(jù)作為原始樣本集。并對該原始數(shù)據(jù)集通過獨立樣本T檢驗、逐步判別分析和多重共線性檢驗等統(tǒng)計方法進行預處理，得到實驗用初始數(shù)據(jù)集，再通過Matlab軟件對本文分析的模型進行仿真建模，得到實證結(jié)果。對比分析，無論是從數(shù)據(jù)層面改進還是從算法層面改進的SVM模型判別準確率都遠優(yōu)于單一的SVM模型;單獨結(jié)合抽樣技術時，SMOTE+SVM遠

6、優(yōu)于Tome Links+SVM，SMOTE過抽樣技術為準確率帶了極大的提高;單獨結(jié)合集成方法，Adaboost+SVM遠優(yōu)于Bagging+SVM，說明在類別非平衡的時候即使是結(jié)合學習能力較強的分類器，Adaboost集成也有較強的效果;過欠重抽樣集成多SVM集成時，SMOTE+Tome Links+Bagging+SVM優(yōu)于SMOTE+Bagging+SVM、SMOTE+Adaboost+SVM、SMOTE+Tome Links+A