中小板企业财务危机预警模型的实证研究

《中小板企业财务危机预警模型的实证研究》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、分类号学号M201174031学校代码10487密级硕士学位论文中小板企业财务危机预警模型的实证研究学位申请人：蔡建龙学科专业：金融学指导教师：周云答辩日期：2013年10月1万方数据AThesisSubmittedinPartialFulfillmentoftheRequirementsfortheDegreeofMasterofEconomicsTheEmpiricalStudyaboutFinancialCrisisEarlyWarningModelforTheSMEsCandidate:CaiJianlongMajor:FinanceSupervisor:ZhouY

2、unHuazhongUniversityofScienceandTechnologyWuhan,Hubei430074,P.R.ChinaOCT,2013万方数据独创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除文中已经标明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名：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学校有关保留、使用学位论文的规定，即：学校有权保留并向国家有

3、关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。保密□，在年解密后适用本授权书。本论文属于不保密□。（请在以上方框内打“√”）学位论文作者签名：指导教师签名：日期：年月日日期：年月日万方数据华中科技大学硕士学位论文摘要在未来，中小企业将成为中国A股市场的主力军，所以无论对中小企业投资者而言，还是对中小企业自身而言，财务危机预警都至关重要：对于中小企业投资者而言，及时了解中小企业财务状况恶化，可以防止投资者投资财务状况的企业，避免投资

4、损失；而对于中小企业而言，及时了解自身的财务恶化，及时采取补救措施，对企业的生存发展意义重大。本文总体思路和以往财务危机研究相似，总体上也是财务定量化的模型来预测财务危机，但是在模型的解释变量选择上，我们采取了定性和人工神经网络定量相结合的方法，来选择解释变量。最后又根据分类的思想有进一步缩小了解释变量的范围。最后将选择的解释变量应用于LOGIT模型，进行实证检验和预测。结果证明无论是实证方面还是预测方面，我们设计的模型都比较适合于中小板市场上的企业。关键词：中小企业财务危机，危机预警模型，定性分析，人工神经网络，危机预测I万方数据华中科技大学硕士学位论文ABSTRACTI

5、nthefuture,SMEswillbecomethemainparticipatorsofChina'sA-sharemarket,sonomatterSMEinvestorsortheSMEsthemselves,thefinancialcrisisearlywarningiscrucial:Forsmallandmediuminvestors，understandingthedeterioratingfinancialpositionofSMEsearlycanpreventinvestingtheenterprisewhosefinancingsituationi

6、sdeterioratingandavoidinvestmentlosses;inotherside,forSMEstokeepabreastoftheirfinancialdeteriorationcanenforcetheenterprisetotaketimelyremedialmeasuresandit’sofgreatsignificanceforthesurvivalanddevelopmentofenterprises.Thegeneralideaofthefinancialcrisisinthispaperissimilarwiththepreviousst

7、udies,butitalsotookthefinancialquantitativemodeltopredictthefinancialcrisisonthewhole,butfortheexplanatoryvariablesselectioninthemodel,wetookacombinedmethodtoselectexplanatoryvariableswhichcontainsthequalitativemethodandquantitativeartificialneuralnetworkmetho