论文部分内容阅读
随着我国经济的快速发展,证券市场与经济市场也呈现出一片繁荣景象。企业为了扩大规模,提高社会影响力与竞争能力,纷纷选择上市。然而,经济市场的蓬勃发展必然伴随着市场环境的复杂多变,上市公司在抓住机遇的同时也伴随着许多挑战。为了保障企业的稳定发展,降低破产的可能性,在企业的生产经营过程中随时对财务风险进行评估与控制是十分重要的一个环节。因此,如何建立一套有效的体系对财务风险进行评估,成为了企业管理工作中的一个重要问题。本文选取了沪深两市的部分高新技术产业上市公司作为研究对象,在国内外学者对财务风险研究的基础上,结合高新技术产业的行业特点,初步选出了25项可有效评价风险状况的财务指标,并利用显著性检验筛选了17项能够显著区分企业财务风险与非财务风险的指标变量。为了进一步减少数据冗余和提高预测准确率,利用核主成分分析(KPCA)对这17项财务指标进行特征提取,最后得到累计贡献率90%以上的12个主成分。结合模糊理论与支持向量机原理,构建了基于KNN模糊隶属度的模糊支持向量机(FSVM)预警模型。并在二分类的基础上提出了FSVM多分类财务风险预警模型。为了进一步提高模型的预测准确率,利用遗传算法(GA)、粒子群算法(PSO)、模拟退火粒子群算法(SAPSO)分别对FSVM模型中的惩罚参数和核函数参数进行优化。将经过预处理的财务数据依次输入四种预警模型,通过四种模型的实证研究,结果显示出SAPSO-FSVM模型对财务数据具有较好地分类效果。最终本论文提出了SAPSO-FSVM上市公司财务风险预警模型。主要研究内容包括:(1)对财务风险预警样本进行预处理研究。通过主观意识和借鉴前人经验初步选取的财务指标之间存在极大的差异,直接输入预警模型不仅会增加模型的运行时间还会降低模型的预测准确率。本文采用显著性检验对初选指标进行筛选,选出17项可以显著区分财务风险状况的指标。在保证数据信息完整性的情况下,对这17项指标进行KPCA特征提取,降低数据冗余,得到最后输入模型的实验数据集。(2)在支持向量机的基础上,结合模糊理论和K近邻算法,构建了基于KNN模糊隶属度的FSVM财务风险预警模型。考虑到惩罚参数与核函数参数对FSVM模型预警效果的影响,结合GA、PSO、SAPSO的寻优特点,分别对FSVM模型参数进行最优化选择,最终建立了FSVM、GA-FSVM,PSO-FSVM、SAPSO-FSVM四种上市公司财务风险预警模型。(3)将经过预处理的样本数据集输入四种预警模型进行实证研究,实验结果表明,SAPSO-FSVM对财务风险的预测准确率为79.29%,优于其他三种模型,适合将其作为高新技术产业上市公司对财务风险进行预测评估的参考依据。