基于支持向量机的中小上市公司财务评价模型构建_高爱霞.pdf

《基于支持向量机的中小上市公司财务评价模型构建_高爱霞.pdf》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2期总第124期山东财政学院学报No．2Vol．1242013年3月JOURNALOFSHANDONGUNIVERSITYOFFINANCEMar2013基于支持向量机的中小上市公司财务评价模型构建12高爱霞，周英洪(1．山东财经大学东方学院，山东泰安271000;2．山东省交通干部学校培训科，山东济南250031)摘要:科学有效地对公司的财务状况进行评价，不仅对公司财务危机预防具有重要作用，对促进资本市场更好更快发展也至关重要。基于人工神经网络和支持向量机的思想，以我国2009年276家中小上市公司的财务数据作为输入特征向量，建立中小上市公司财务评价模型，使用该模型分析的结果与

2、样本企业实际情况相符，表明该模型有效性较高。关键词:中小上市公司;支持向量机;财务评价模型中图分类号:F234．3文献标识码:A文章编号:1008－2670(2013)02－0098－06一、引言［1］财务评价是公司财务管理的重要环节。科学有效地对公司的财务状况进行评价，不仅对公司财务危机预防有很重要的作用，对于促进资本市场更好更快发展也至关重要。因此，对公司财务状况的评价研究一直是学术研究的热点。传统的公司财务状况评价方法有单变量模型、Z－SCOR多元判别模型、AZETA模型、Y分数模型、ARCH自回归异方差模型、ARMA自回归滑动平均模型、线性判定分析、多元线性回归分析、灰色［

3、2］［1］关联预测及马尔科夫琏等预测模型。阎娟娟等人、李云飞等人都指出，财务状况评价从本质上来讲是一个非线性问题，而这些传统的评价方法多是直接或间接依赖于线性函数来建立模型，往往不能拟和复杂的实际财务数据。相比传统的研究方法，人工智能方法在处理非线性复杂问题时，克服了传统模型依赖线性函数［3］建立模型的缺陷，提高了模型的精度，其中应用最为广泛的是人工神经网络方法，如吴德胜等人、杨淑娥等［4］［5］［6］［7］［8］人、Pendharkar、Back等人、Yang等人、Zhang等人都各自采用不同的人工神经网络模型对企业的财务状况进行评价，并与传统的线性模型方法得出的结果进行了对比，

4、证明人工神经网络方法在精度上优于传统的线性方法。［9］但是，沈明华等人发现，传统人工神经网络方法在财务分析应用中也是有缺陷的，存在网络结构难于［1］确定、过学习或欠学习以及局部极小等问题。李云飞等人将人工神经网络方法的缺陷归纳为:结构设计没有固定的模式，缺乏严格理论依据的设计程序;要求训练样本足够多;只能保证对有限个样本的误差达到极小，网络推广能力较差;学习训练过程常常陷入局部极小点，无法保证训练效果等。收稿日期:2012－10－16基金项目:泰安市科技发展研究计划项目“科技型中小企业产业集聚与融资环境研究”(20061042)。作者简介:高爱霞，女，山东菏泽人，山东财经大学东方学

5、院工商管理系讲师，研究方向:企业管理;周英洪，女，山东荣成人，山东省交通干部学校培训科高级讲师，研究方向:经济管理心理。98第2期高爱霞，周英洪:基于支持向量机的中小上市公司财务评价模型构建近年来，伴随着智能算法的发展，将支持向量机(SupportVectorMachine，缩写为SVM)引入企业财务评价［1］模型中受到学术界的关注。李云飞等人认为支持向量机能够克服人工神经网络方法的诸多缺陷，将实际问题通过高维空间转化，在高维的特征空间利用线性分类完成低维空间中的非线性分类任务，解决了维数灾［1］难，并具有很好的推广能力，提高了运算速度。阎娟娟等人采用SVM构建的财务评价模型对20

6、01年至2004年280家上市公司(其中包括140家ST公司)的财务报表数据进行实证分析，并与反向传播(BackProp-agation，缩写为BP)神经网络方法进行了比较，结果表明在分类能力和预测能力上，SVM模型的精度都高于［10］BP神经网络方法。周晓斌等人采用主成分分析和支持向量机理论相结合的方法对沪深两市2003至2005年60家上市公司的财务状况进行了评价，获得了较满意的结果，提出可以用支持向量机评价上市公司的财务［1］状况。李云飞等人采用遗传算法+支持向量机(GA－SVM)方法建立上市公司财务评价模型，并运用该模型对沪深两市2007年至2009年度120家A股上市公司

7、的财务状况进行了评价，结果验证了该模型的有效［11］性。何晓庆等人则是结合主成分分析法和支持向量机构建评价模型，对我国2003年至2004年140家A股上市公司的财务状况进行了评价，结果也表明基于支持向量机的财务评价模型在推广能力方面同样有着较为理想的精度。支持向量机(SVM)是Cortes和Vapnik于1995年在VC维理论和结构风险最小原理基础上提出的一种机器学习方法，它在解决有限样本、高维模式识别、非线性等复杂问题中表现出许多特有的优势，目前SVM已被［12］