欢迎来到天天文库
浏览记录
ID:34002666
大小:1.14 MB
页数:43页
时间:2019-03-03
《基于bp_adaboost模型上市公司财务危机预警的研究》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库。
1、厦门大学学位论文著作权使用声明本人完全了解厦门大学有关保留、使用学位论文的规定。厦门大学有权保留并向国家主管部门或其指定机构送交论文的纸质版和电子版,有权将学位论文用于非赢利目的的少量复制并允许论文进入学校图书馆被查阅,有权将学位论文的内容编入有关数据库进行检索,有权将学位论文的标题和摘要汇编出版。保密的学位论文在解密后适用本规定。本学位论文属于1、保密(),在年解密后适用本授权书。2、不保密(扔作者签名:似影研日期:声l箩年箩月J7日导师签名:々署t立//日期:柚眄年箩月,7日中文摘要随着2014
2、年以来政府出台降准降息等一系列的政策,证券市场一直处于红红火火,蓬勃发展的态势。街头巷尾,泡茶的阿伯,打麻将的阿嫡,配钥匙的阿叔都在谈论股票。上市公司面对如此繁盛的市场,既是机遇,也是挑战。如果上市公司的财务出现危机,那么对于公司自身、证券市场、乃至整个社会经济都会造成一定的影响,因此对上市公司而言,及时构建一个高效的财务预警系统,尤为重要。本文将上市公司的财务危机界定为因连续两年经营亏损而其股票交易被经证监会公布特别处理的,运用人工智能的方法,通过分析第仃一3)年的公司公布的财务报表中的数据,来预
3、测第T年时该公司是否发生财务危机,从而提前预警。本文用BP—Adaboost模型构建关于A股上市公司财务危机预警模型。Adaboost是集成算法的一种,它通过加权组合基分类器,突出被判错样本的权重,从而提高模型的精度。本文选取的基分类器是BP神经网络,是由于它具有较强的自主学习的优点。在实证分析中,本文根据2014年被证监会特别处理的股票数据(数据来源锐思数据库肿哪.resset.cn),选取2011年A股的上市公司,以1:3=财务危机:财务正常的比例选择样本数据,运用R软件,进行训练学习,从而预测
4、2014年上市公司是否会出现财务危机。并且对比分析由BP神经网络建立的财务危机预警模型与通过BPAdab00st建立的财务预警模型这两个模型。实验结果表明,BPAdab00st的财务危机预警预测结果精度高,模型可以用于实际的检验预测,给上市公司管理者以及其他利益相关者一定的警示作用,更好地应对公司面临的各种挑战。关键词:财务预警;BP神经网络;AdaboostAbstractSince2014thegover工lIllentpublishdsomePoliciesbesidescuttingRRR,
5、thestockmarkethastakenonaJlairofprosperity.Nomatterwhenandwhere,everyonetall【saboutthestocks.Insuchaprosperousmarket,the1istedcompaniesaLref如inggreatopportunitiesandatthesametimeaccompaniedbyseVerechaHenges.Ifthelistedcompaniesfacefinancialcrisis,it而11
6、putcertaine能ctonthecompanyitself,thesecuritiesm盯ket,aIldeventheentiresocialeconoⅡ1y.Therefore,itisofcruciaLlimportancetoestablishane行ectivefinaIlciallw盯ningsystem.Thisp印erdefinesthefinancialcrisisasannouncedbythesecuritie8regulatoryCommissioninthecaseo
7、fspecialtreatment.Bythemethodofa.rti6cialintelligence,a11alysisingT一3yearsoffinancialdatatopredictTyearsifthe1istedcompaniedisin6nanciallcrisis.This盯ticleisbalsedontheBPAdaboostmodeltoestablishthefinancialearlywarningof1istedcompanies.AdaLboostisa1(ind
8、ofenseⅡ1blele盯ning,whichgeneratesasequenceofhypothesesandconlbinesthemwithWeights,whichcanbereg缸dedasanadditive.ThealgorithmtakeBPneuralnetWorkasbaselearningalgorithmssinceBPneuralnetworkhasagoodautonomic1earIlingskiu.Intheempiric出study
此文档下载收益归作者所有