论文部分内容阅读
制造业作为中国实体经济的重要部分之一,对中国的经济起到了关键的支撑作用,但近年来,国内外严峻的经济环境使我国制造业面临着巨大挑战和前所未有的压力,导致制造业企业极易陷入资金困境,出现信用风险。只有对制造行业企业进行准确的信用风险预测,才能对制造业的信用风险进行有效的防范与应对,从而维护行业及金融市场的安全,促进社会经济的和谐稳定,这既是新形势下企业相关部门及金融支持机构面临的重要任务,也是学术界关注的热点问题。迄今为止,已有诸多学者运用多种预警模型对信用风险预警进行了研究,其中SVM模型由于具有优越的预警性能得到学者们的青睐,被广泛运用于信用风险预警研究中,但传统的SVM模型的预测性能极易受非均衡样本问题和参数选取的影响,因此,本论文在引入了人工智能预警模型SVM模型对我国制造业上市公司进行信用风险预警的同时,使用SMOTE非均衡样本处理方法解决非均衡样本问题,并结合FOA参数寻优方法进行参数优化,基于此,构建了适合中国制造业上市公司信用风险预警的改进SVM模型,即FOA-SMOTE-SVM信用风险预警模型,并通过实证研究证明FOA-SMOTE-SVM模型在信用风险预警方面的优异性。本论文的主要研究内容如下:1.对非均衡样本问题的研究。信用风险研究的样本一般是非均衡的,而传统的SVM模型实现预测准确的一个重要前提是不同类别样本的数量相同,否则就会导致预测的结果倾向于多数类的样本,进而影响整体预测结果,因此代入SMOTE方法解决非均衡样本问题,实证结果表明SMOTE算法在解决SVM模型的非均衡样本问题时有显著成效,且能够有效提升SVM模型的信用风险预测准确性。2.对参数寻优问题的研究。在利用SVM建模的过程中,核参数和惩罚参数的选取对模型的预测准确性有直接的影响,应采取何种方法寻找有效的SVM模型参数至关重要,FOA算法的运行只需要控制4个参数,相较于其他的参数优化方法适应能力更强、搜索效率更高,因此,本论文采用FOA算法选取SVM模型的参数,实证结果表明代入FOA算法的FOA-SMOTE-SVM信用风险预警模型有着较好的预测性能。3.传统SVM信用风险预警模型与基于FOA-SMOTE-SVM的信用风险预警模型的预测性能的研究。通过实证研究结果表明,各核函数下SVM都有严重的第Ⅱ类错误,无法准确地预测信用风险样本,传统SVM预警模型无法有效的对信用风险进行预测;而FOA-SMOTE-SVM信用风险预警模型普遍具有较好的预测性能,且泛化性能好、稳定性高。4.对不同核函数下的SVM模型进行研究。本论文分别对不同核函数下的传统SVM模型和FOA-SMOTE-SVM模型进行了对比分析发现,在不同核函数下的传统SVM模型的预测精度和第Ⅰ、Ⅱ类错误差异不大,而不同核函数下的FOA-SMOTE-SVM模型的预测性能差异也并不显著,证明核函数的改变对于SVM模型的预测性能并没有较大影响。5.将基于FOA-SMOTE-SVM的信用风险预警模型和基于FOA-SMOTE-BP、基于FOA-SMOTE-Logit的信用风险预警模型的预测性能进行对比研究。实证结果表明,基于FOA-SMOTE-SVM的信用风险预警模型相较于FOA-SMOTE-BP和FOA-SMOTE-Logit信用风险预警模型的预测性能更好,基于FOA-SMOTE-SVM的信用风险预警模型是防范和应对信用风险的最优操作工具。通过以上的实证研究,本论文认为基于FOA-SMOTE-SVM的中国制造业信用风险预警模型能够为企业与投资主体提供防范及应对信用风险的有效方法与工具。对于制造企业自身而言,通过使用FOA-SMOTE-SVM信用风险模型能够准确对信用风险进行预测,及时制定并实施抵御信用风险的对策和措施,保证企业的健康平稳运营;对投资主体而言,能运用FOA-SMOTE-SVM信用风险模型提前捕捉信用风险的信号,调整投资策略,有效进行资产管理以避免资产损失。