基于ga-svm的企业财务困境预测

《基于ga-svm的企业财务困境预测》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、第34卷第7期计算机工程2008年4月Vol.34No.7ComputerEngineeringApril2008·人工智能及识别技术·文章编号：1000—3428(2008)07—0223—03文献标识码：A中图分类号：TP18基于GA-SVM的企业财务困境预测岑涌，钟萍，罗林开（厦门大学信息科学与技术学院，厦门361005）摘要：通过遗传算法结合支持向量机算法中期望风险边界，对我国上市公司财务数据进行特征提取，并优化构造广义最优分类超平面，从而获得具有较好整体预测性能的联合模型。数值实验表明，该方法可以降低特征空间维数，具有较好的分类准确率。实证结果表明，GA-SVM联合预测模

2、型具有可靠的预测财务困境能力，有着良好的应用前景。关键词：遗传算法；支持向量机；财务困境；特征提取PredictionFinancialDistressofFirmsBasedonGA-SVMCENYong,ZHONGPing,LUOLin-kai（SchoolofInformationScienceandTechnology,XiamenUniversity,Xiamen361005）【Abstract】Thispaperusesgeneticalgorithmandsupportvectormachinetosetupahybridmodeloffinancialdistres

3、spredictioninChineselistedfirms.Numericalsimulationshowsthattheproposedmethodcanreducethedimensionofthefeaturespace,andhashighercorrectclassificationrate.Astheresult,theproposedGA-SVMhybridmodelhasreliablefinancialdistresspredictionability,andithasagoodapplicationprospectinthisarea.【Keywords】g

4、eneticalgorithm;supportvectormachine;financialdistress;featureselection财务困境又称财务危机，最严重的财务困境是企业破产。支持向量。在式(1)中，b和ai为决定超平面的参数。企业因财务困境导致破产实际上是一种违约行为，所以财务考虑线性不可分的情形，在高维情形下的式(1)的表达困境又可称为违约风险或信用风险。有效的财务困境预测，式为N对于保护投资者和债权人的利益和经营者防范财务危机，及Ys=ignyK((∑αxx,)+b)（2）iiii=1银行评估企业贷款信用风险，都具有十分重要的意义。因此，支持向量分类机应用是通

5、过执行线性约束的二次规划找财务困境预测一直是学术界和金融实业界的一个研究热点。到支持向量和决策参数b和α。针对可分的情形，在式(1)目前，财务危机预测的主流方法是分类，即根据企业的财务i中的α为下边界0。在不可分的情形下，SVM能利用放置上历史状况（主要是财务比率），将其分为正常和陷入困境两类。i支持向量机(SupportVectorMachine,SVM)是在统计学习理边界C到系数αi添加到下边界来泛化。论的基础上发展起来的一种新的机器学习方法。它基于结构2GA-SVM联合模型风险最小化原则，尽量提高学习机的泛化能力，具有良好的2.1遗传算法推广性能和较好的分类精确性。另外，支持

6、向量机算法是一特征提取是机器学习领域里一项复杂的复合性工作，同个凸优化问题，局部最优解一定是全局最优解，这些特点都时又与实际问题具有很高的相关性。遗传算法(Genetic是包括神经元网络在内的其他算法所不具备的。近来在金融Algorithm,GA)是一类具有较强鲁棒性的优化算法，借鉴生领域得到了应用[1]，并取得不错的效果。本文利用结合遗传物的自然选择和遗传进化机制，是一种全局自适应概率搜索算法的支持向量机算法[2]，尝试对中国上市公司中被特别处算法。它使用群体搜索技术，通过对当前群体施加选择、交理(ST)界定陷入财务困境公司，采用其相关的财务报表数据，叉、变异等一系列遗传操作，从

7、而产生出新一代群体，并逐进行特征提取，并运用于财务困境的预测，从而获得精度更步使群体进化到包含或接近最优解的状态。隐含并行性和全高的预测模型。局搜索性是遗传算法的两大显著特征。2.2GA-SVM联合模型1支持向量机对于每一个分类器f的目标就是最小化所有可能模式在支持向量机产生的二元分类器，称为最佳分类超平面，不清楚分布函数P(x,y)情况下的期望风险：通过非线性映射将输入向量映射到高维特征空间中。R[]fy=∫A(,,())d(,)xxxfyΡ（3）nXY×定义带有标