基于bp_adaboost算法的上市公司财务预警研究

《基于bp_adaboost算法的上市公司财务预警研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于BP_Adaboost算法的上市公司财务预警研究　　一、引言　　随着财政部等五部委制定的《企业内部控制基本规范》、《企业内部控制配套指引》在上海证券交易所、深圳证券交易所主板上市公司施行，标志着适应我国企业实际情况、融合国际先进经验的中国企业内部控制规范体系基本建成并开始实施。在企业内部控制活动中，财务预警可以通过多种分析方法，利用企业过去的财务指标及非财务指标，对企业的经营活动、财务活动进行预测，并在危机发生之前向企业经营者发出警告，督促企业管理当局采取有效措施，避免潜在的风险演变成损失，起到未雨绸

2、缪的作用；而且，作为企业经营预警系统的重要子系统，也可为企业纠正经营方向、改进经营决策和有效配置资源提供可靠依据。随着当前市场环境越来越复杂，企业在经营活动中面临的风险和不确定性日趋增多，准确的财务预警机制就显得越来越重要。本文试图通过BP神经网络Adaboost算法，引入强分类器，验证公司财务预警的可行性，为上市公司的财务预警工作提供依据。　　二、文献综述　　（一）国外文献关于财务预警研究，国外学者建立了许多财务危机预警预测计量模型，主要集中于统计分析类和数据挖掘类两方面，包括单变量预警法、多元线性判别

3、法、Logit回归模型、神经网络判别法。　　例如WilliamBeaver首先运用统计方法提出了单一变量模型，利用5个财务比率预测公司财务危机，发现使用债务保障率，即现金流量/总负债这一财务比率来预测企业失败的效果最优。EdwardI.Altman运用多元统计分析中的差异分析方法，对1946～1965年间申请美国破产保护的33家破产企业和33家正常经营企业的财务数据采用配对抽样法，建立以财务比率为基础的预测企业破产的多元变量财务预警模型。Ohlson分析了1970～1976年间破产的105家公司和208家

4、正常公司组成的非配对样本，发现通过公司规模、资本结构、业绩和当前的变现能力进行财务危机的预测准确率达到96.12%。　　（二）国内文献在中国的研究中，陈静（1999）以1998年的27家ST公司和对应的27家非ST公司，使用了1995～1997年的财务报表数据，进行了单变量分析，发现在负债比率、流动比率、总资产收益率、净资产收益率4个财务指标中，流动比率与负债比率的误判率最低。　　苗润生（2003）采用多元差别分析方法（MultipleDiscriminateAnalysis，MDA）得到判断函数，建立预

5、警系统模型。杨淑娥和王乐平（2007）在前期研究的基础上引入面板数据，以T-2、T-3期财务数据组合的面板数据作为研究样本，构建BP神经网络模型对上市公司的财务状况进行预测。　　随着人工智能机器学习算法和仿真技术的发展，邓庆彪和文辉（2011）采用径向基神经网络模型从偿付能力、盈利能力、成长能力三个角度对非寿险公司财务预警进行研究。周辉仁、唐万生和任仙玲（2010）利用巧妙设计的递阶遗传算法能够把网络的结构和权重同时通过训练确定，提出一种基于递阶遗传算法和BP神经网络的财务预警模型。张友棠和黄阳（2011

6、）利用系统动力学原理构建企业财务预警控制模型，将行业环境风险与企业财务风险的互动关系充分表现在“风险地图”中。并通过仿真技术演绎财务预警与风险控制的有机结合，完善行业环境风险的识别方法。杨海江、魏秋萍和张景肖（2011）将Adaboost组合算法应用于信用评分模型中的分类问题，以解决不平衡分类问题，实证结果表明，基于改进的Adaboost算法的信用评分模型可以有效降低由于模型错判而导致的损失。　　Adaboost算法的核心思想是寻找若干个识别率不高的弱分类算法，并将这些算法进行组合提升为识别率高的强分类算

7、法。组合分类器的应用，克服了单一分类器的诸多缺点，如对样本的敏感性、难以提高分类精度等等，因此，本文提出将BP神经网络与Adaboost强分类器算法结合，提高上市公司财务预警的准确度，强化上市公司内部控制和风险管理能力。　　三、研究设计　　（一）样本选取与数据来源本文将“ST”作为上市公司发生财务危机的标志，行业不同表现出财务特征的差异性，在一定程度上也影响了财务预警的精确度。因此，本文随机选取制造业2010年92家上市公司的t-2年的数据为训练样本，其中包括46家正常企业和46家ST公司；2011年44

8、家上市公司t-2年的数据为测试样本，包括22家正常企业和22家ST公司。样本数据均来于聚源数据库。　　（二）研究方法本文选取财务及非财务指标，利用因子分析法通过SPSS软件先对所有指标进行筛选，取特征值较大的部分指标作为公司危机预警方法的最终评价指标。再将这些指标输入BP_Adaboost模型得到财务状况的结果，具体流程处理如图上所示。　　算法步骤如下：　　步骤1：数据选择和网络初始化。从样本空间中随机选择m组训练数据，初始化