上市公司財務(wù)困境預(yù)測新方法研究——基于Boosting等集體學(xué)習(xí)方法的實證分析.pdf

1、現(xiàn)代企業(yè)由于面臨日益激烈的競爭，其內(nèi)外各種不確定性因素的增多，使陷入財務(wù)困境進而喪失生存能力的機會越來越大。因此，亟需借助定量化的預(yù)測模型對其財務(wù)狀況進行監(jiān)控和預(yù)警，為其的經(jīng)營管理決策提供科學(xué)和準(zhǔn)確的依據(jù)。事實上，進行財務(wù)困境預(yù)測不僅有利于企業(yè)，也有利于投資者、債權(quán)人以及各類利益相關(guān)者，對整個國民經(jīng)濟的健康發(fā)展也有重要意義。
　　在參考了大量國內(nèi)外文獻的基礎(chǔ)上，本文對上市公司財務(wù)困境概念進行界定，對財務(wù)困境預(yù)測在國內(nèi)外的研究現(xiàn)狀進

2、行總結(jié)。目前，雖然傳統(tǒng)的線性判定方法已經(jīng)逐漸被國內(nèi)外學(xué)者所摒棄，取而代之的是假設(shè)條件更為寬泛的非線性模型或模型組合，但并不等于說這些模型不存在問題。學(xué)者們大量使用的神經(jīng)網(wǎng)絡(luò)、決策樹等模型缺乏穩(wěn)定性，很容易產(chǎn)生過度擬合;支持向量機方法雖然比較穩(wěn)定，但它具有非常依賴于其核函數(shù)以及參數(shù)選擇的特點，選擇不同的方案可能會導(dǎo)致預(yù)測結(jié)果大相徑庭。為解決這些問題，本文采用屬于集體學(xué)習(xí)的Boosting、 Bagging以及BagBoost等方法進行應(yīng)用

3、創(chuàng)新，通過集體學(xué)習(xí)的決策方式在很大程度上避免了單一模型的不穩(wěn)定，同時也不需要進行復(fù)雜的參數(shù)設(shè)置就能達到良好的預(yù)測效果。目前，這些方法在財務(wù)困境預(yù)測領(lǐng)域內(nèi)還較少出現(xiàn)。
　　在對集體學(xué)習(xí)中的Boosting和Bagging的算法及相關(guān)理論進行總結(jié)的基礎(chǔ)上，本文的創(chuàng)新主要體現(xiàn)在:首先，通過引入BagBoost，并對其進行改造，將其中的LogitBoost替換為更為穩(wěn)健的Gentle AdaBoost，從中衍生出BagGBoost算法。實

4、際分析過程表明，無論是否進行變量篩選，BagGBoost的效果均勝過原來的BagBoost，預(yù)測效果表現(xiàn)出穩(wěn)健而優(yōu)良，總體上勝過普通的Boosting及Bagging方法。
　　其次，本文還以遺傳算法為框架，結(jié)合隨機森林的OOB誤差和精英染色體投票，對初始變量進行篩選，并將這種變量篩選與另外一種變量篩選的結(jié)果進行對比，也將兩種變量篩選的結(jié)果與不進行變量篩選的結(jié)果進行了比較。實證結(jié)果表明，遺傳算法篩選變量的方法稍勝一籌，而且，變量篩