基于概率神经网络的财务危机预警模型研究

《基于概率神经网络的财务危机预警模型研究》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、桂林理工大学硕士学位论文基于概率神经网络的财务危机预警模型研究姓名：韩信申请学位级别：硕士专业：企业管理指导教师：蒋太才201204摘要财务危机一直以来都是企业最关注的问题之一，它直接影响到企业的生存。因此，不论是企业管理者，还是股东、债权人都非常关注这一问题。随着市场经济的发展，市场竞争会越来越激烈，公司面临的压力也会越来越大，从而也会越来越关注自身的财务状况。因此，企业急需一种科学的、有效的财务危机预警方法来提前预测财务危机，从而及时采取行动来避免走入困境。财务危机预警作为财务管理的一个重要研究方向，一直以来都倍受各

2、专家学者们的关注，也产生了不少优秀的理论方法。从单变量判别分析到多变量判别分析，再到Logistic回归分析、神经网络模型，财务危机预警的方法随着时代的变迁而不断的优化。概率神经网络作为神经网络中的一种新的算法，越来越受到学者们的关注。概率神经网络具有传统前馈神经网络所不能比拟的计算速度以及更新能力，并且只要样本数量足够，就可以解决任何复杂的分类决策问题。与传统神经网络即能做类别预测又能做数值预测不同，概率神经网络是一种专门的类别预测网络。概率神经网络是在贝叶斯决策理论的基础之上发展而来的，具有深厚的理论基础，可靠性非常

3、高。本文分析了概率神经网络应用于财务危机预警问题的可行性，并且使用该方法建立了财务危机预警模型。最后，本文选用了沪深两市92家样本公司进行了实证分析，验证了该方法的可行性和准确度。本文不仅提出了建立财务危机预警模型的新方法，而且还对财务危机企业的界定提出了新的看法。在以往的研究中，大部分学者都是把企业被特别处理作为发生财务危机的标志来进行实证分析的。但是，在研究证交所关于特别处理的规定后发现，上市公司被特别处理的原因不仅有发生了财务危机，还有其他的非财务危机的原因。因此，本文把上市公司发生财务危机的标志界定为因为财务危机

4、问题而不是其他问题被特别处理。此外，本文还提出了将上市公司的特殊财务分析指标引入到财务危机预警指标体系的构建中。本文对采用这些指标的原因作出了分析，并且在实证分析中对比了采用这些指标前后的判定效果。结果表明，在财务危机预警指标体系中引入上市公司特殊财务分析指标以后可以较大的提高判定的准确率。关键词：财务危机预警，概率神经网络，上市公司特殊财务分析指标AbstractFinancialdistressisoneofthemostimportantthingsthatacorporationcaresbecauseofitd

5、irectlyaffectthesurvivalofacompany．Sowhateverthemanagerofthecompanyortheshareholderofthecompanyandthecreditorofthecompanyarefocusonthisproblem．Withthedevelopmentofthemarketeconomy,thecompetitionwillbemoreserious，andthepressureofthecompanywillbelargerandlarger．Acc

6、ordingly,theresearchoffinancialdistresspredictionwillbemoreimportant．CorporationsneedascientificmethodtopredictthefinancialdistressSOthattheyCandosomethingbeforethefinancialdistresscomes．Asoneofthemajorresearchareaofthefinancialmanagement，financialdistresspredict

7、ionisthefocusofmanyscholars，andtherearemanyexcellentmethods．Aftertheintroductionofsomeoutstandingthesis，thispapersummarizessomemostimportantmethods．Methodsoffinancialdistresspredictionhavechangedmanytimesandbecomesmoreandmoreexactly．Probabilisticneuralnetworkison

8、eofthelatesttypesoftheneuralnetworks．PNNisfasterthenthetraditionalneuralnetwork，anditCanupdateeasierthanthetraditionalneuralnetworks．Ifthereareenoughsamples，n州