基于遗传算法的企业财务危机预测特征选择研究

《基于遗传算法的企业财务危机预测特征选择研究》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、硕士学位论文基于遗传算法的企业财务危机预测特征选择研究RESEARCHONGENETICALGORITHM-BASEDFEATURESELECTIONFORPREDICTIONOFENTERPRISEFINANCIALCRISIS刘媛媛哈尔滨工业大学2016年6月国内图书分类号：C931.6学校代码：10213国际图书分类号：330.1密级：公开硕士学位论文基于遗传算法的企业财务危机预测特征选择研究硕士研究生：刘媛媛导师：吴冲教授申请学位：管理学硕士学科：管理科学与工程所在单位：管理学院答辩日期：2016年6月授予学位单位：哈尔滨工业大学ClassifiedInde

2、x:C931.6U.D.C:330.1DissertationfortheMasterDegreeinManagementRESEARCHONGENETICALGORITHM-BASEDFEATURESELECTIONFORPREDICTIONOFENTERPRISEFINANCIALCRISISCandidate：LIUYuanyuanSupervisor：Prof.WUChongAcademicDegreeAppliedfor：MasterofManagementManagementScience&Speciality：EngineeringAffiliatio

3、n：SchoolofManagementDateofDefence：June,2016Degree-Conferring-Institution：HarbinInstituteofTechnology哈尔滨工业大学管理学硕士学位论文摘要随着全球一体化进程的快速发展，内外部环境存在着很多的不确定因素，企业面临的危机和考验日益严峻。所以，企业相互之间的竞争越来越大，企业及时地进行财务危机预测非常重要。然而，随着信息技术的发展，许多行业包括金融行业产生并积累了大量的数据。数据量的庞大和数据特征的高维度给数据处理带来很多麻烦，因此，数据的降维在各行业的数据处理之中显得愈发重

4、要。所以，找到一个合理可行的数据特征选择方法，选出最优特征组合，对于企业财务危机的预测有很大益处。本文将遗传算法用于特征选择模型中，采取混合式特征选择方法，即先进行过滤式选择，再进行封装式选择。其中过滤式选择方法中，本文采用信息增益和相关系数双准则选择模型，得到初步筛选的特征集。然后本文采用遗传算法进行组合优化，筛选出预测效果最好的特征组合。遗传算法优化过程中，本文采用BP人工神经网络作为预测准确率的评价函数，使用MATLAB作为建模工具，建立了基于遗传算法的混合式特征选择的改进模型。本文将国内深市和沪市上市的304家企业2014年的财务数据作为实验数据，将该数据用

5、于上述模型中，最终选择出国内上市企业财务危机预测的最优特征组合，并得到其预测准确率，验证了该模型的有效性。然后，将本文提出的特征选择模型与一般的特征选择模型进行实证对比，验证本文模型的优化性。最后，本文使用优化后的最优特征组合对国内上市企业2015年数据做分析，预测出2017年企业财务状况。本文的研究提出了一个新的特征选择模型，并验证了有效性和优化性，对以后的企业财务危机数据处理提供了一个新的特征选择方法。本文对企业财务危机预测模型进行了优化，更有利于企业对于自身发展防患于未然，更有利于投资者和债权人对于企业的发展进行预测和评判。关键词：财务危机预测；特征选择；遗传

6、算法-I-哈尔滨工业大学管理学硕士学位论文AbstractWiththerapiddevelopmentofglobalintegration,therearemanyinternalandexternalenvironmentofuncertainfactors,leadingtomoreandmorecrisisandchallengesthatenterprisesfact.Therefore,enterprisefinancialcrisispredictionisparticularlyimportantinatimelymannerasthecompet

7、itionbetweenenterprisesisbecomingfiercer.However,withthedevelopmentofinformationtechnology,manyindustriesincludingfinanceindustryhaveproducedandaccumulatedalargeamountofdata.Ahugeamountofdataandhighdimensionofdatahavecausedalotoftroublefordataprocessing,thereductionofdatadimensionind