基于過欠重抽樣的類別非平衡SVM財務(wù)困境預(yù)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(wù)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(wù)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(wù)的掌控就是對于自身發(fā)展的掌控。尤其是在當(dāng)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(wù)困境的預(yù)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(yīng)用到各個領(lǐng)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(yù)測企業(yè)財務(wù)困境已成為當(dāng)下研究的熱點之一。<

2、br>　　盡管國內(nèi)外有許多的學(xué)者在財務(wù)困境預(yù)測領(lǐng)域提出了大量的人工智能預(yù)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(wù)困境類別平衡的角度，這顯然是不符合實際要求的?；谥袊Y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(wù)困境預(yù)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(biāo)準(zhǔn)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?，發(fā)現(xiàn)本文所構(gòu)建的模型

3、對類別非平衡的財務(wù)困境預(yù)測有效果。
　　在理論研究中，本文以學(xué)習(xí)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(shù)，Tome Links欠采樣技術(shù)，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(shù)融合SVM和Adaboost集成技術(shù)融合SVM。在評價標(biāo)準(zhǔn)層面，本文采用類別非平衡分類判別常用的評價準(zhǔn)則G值和F值指標(biāo)。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(wù)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(wù)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(yù)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(zhǔn)確率都遠(yuǎn)優(yōu)于單一的SVM模型;單獨結(jié)合抽樣技術(shù)時，SMOTE+SVM遠(yuǎn)

6、優(yōu)于Tome Links+SVM，SMOTE過抽樣技術(shù)為準(zhǔn)確率帶了極大的提高;單獨結(jié)合集成方法，Adaboost+SVM遠(yuǎn)優(yōu)于Bagging+SVM，說明在類別非平衡的時候即使是結(jié)合學(xué)習(xí)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