基于bp-adaboost和logistic模型制造业上市公司财务风险预警地研究

《基于bp-adaboost和logistic模型制造业上市公司财务风险预警地研究》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、独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文作者签名：签字日期：年月日学位论文版权使用授权书本学位论文作者完全了解江西师范大学研究生院有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权江西师范大学研究生院可以将学位论文的全部或部分内容编入有关数据库进行

2、检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。（保密的学位论文在解密后适用本授权书）学位论文作者签名：导师签名：签字日期：年月日签字日期：年月日摘要伴随中国经济的快速发展和资本市场的进一步对外开放，中国证劵市场已经成为数千家上市公司的主要融资平台，随着市场竞争的日趋激烈以及金融市场潜在风险的叠加，深沪两市每年都有部分上市公司的股票交易因其自身财务状况或其它异常而被证监会进行特别处理或停止上市，因此准确及时地衡量各上市公司的财务风险状况具有重要的现实意义。本文通过借鉴和学习发达资本市场先进的财务风险预警评估方法，构建了一个能适应我国证劵市场发展情况的财务危机预警系统，研究

3、实践表明该系统具有较好的预测效果，不仅能够对我国上市公司财务风险情况进行有效地预警分析，而且对于研究我国上市公司财务风险的度量和预警机制也具有一定的理论意义。国内外已有学者从人工神经网络模型和Logistic回归模型出发建立了财务风险预警系统并取得了较好的研究成果，但现有神经网络模型的预测效果存在着一定的不稳定性，针对这一问题本文从人工神经网络出发，通过采用能够将任意弱学习器进行组合改进为强学习器的Adaboost算法与神经网络技术结合构建预警模型的方法来研究我国上市公司财务预警状况。本文构建的BP_Adaboost模型本质上是把BP神经网络作为弱分类器，通过反复训练BP神经网络、预

4、测样本输出并结合Adaboost算法来得到由神经网络弱分类器组成的强分类器，最终利用该分类器进行预警分析及研究。本文首先选取了CCER数据库中制造业上市公司所有关键财务指标数据，通过显著性分析和因子分析筛选出了9个关键指标变量，并以2011年因财务异常被ST处理的94家制造业上市公司和同行业的94家正常公司作为研究样本，搜集其2008,2009两年的财务数据，合计196个样本空间，并使用Adaboost算法构建BP神经网络模型和Logistic回归模型这两种方法对这些财务数据进行预警研究分析，研究过程和研究结果表明，BP_Adaboost模型在上市公司财务预警研究中是可行的且预测效果

5、显著优于Logistic回归模型，因而在实际应用中具有较好的研究及应用前景。最后，针对研究中发现的问题并结合模型的研究结论对制造业上市公司存在的问题提出了政策建议。关键词：财务风险预警；人工神经网络；Adaboost算法；Logistics回归模型IAbstractAlongwiththerapiddevelopmentofChina'seconomyandthefurtheropeningofthecapitalmarket,Chinafinancialmarkethasbecomethemainfinancingplatformofthousandscompanieswhichw

6、aslistedontheboard,alongwithincreasinglyfiercecompetitionoffinancialmarketsandsuperpositionofvariouspotentialrisksoffinancialmarkets,everyyearonShenzhenstockmarketandShanghaistockmarkettherearesomepartofcompaniesbeingpunishedbyCSRCforspecialtreatmentorstoplistedprocessingwiththeirownfinancialsi

7、tuationorotherabnormalcondition,sohowtomeasurethefinancialriskoflistedcompanyaccuratelyandtimelyhaveanimportantpracticalsignificance,Inthisarticlewethroughtolearnfromtheadvancedpre-warningevaluationtechnologyandmethodofdevelopedca