企业财务预警pca—svm模型研究

《企业财务预警pca—svm模型研究》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、企业财务预警PCA—SVM模型研究企业财务预警PCASVM模型研究　随着我国社会经济发展脚步的不断加快，提高企业财务管理效率也成为了诸多企业所面临的一项重大课题。传统财务预警包括一元判别法和多元判别法，虽然这些预警模型都能够在一定程度上满足企业财务的管理需求，但同时也存在着一些有待解决的问题，比如说线性判别的局限性、网络推广能力不高等。为此，本文介绍了一种基于主成分分析和支撑向量机相结合的企业财务预警模型，以此来更好的对企业财务预警模型进行完善，促进企业的可持续发展。　　1、企业财务预警概述　　所谓财务预警，主要是指根据企业所提供的财务报表以及其他会计资料，利用金融、

2、企业管理、市场营销等理论，对企业当前的经营状况和财务活动等工作进行全面、系统的分析预测，从而通过预测结果来发现企业发展过程中所面临的风险，并根据企业发展的实际情况，采取相应的措施规避风险，以此来避免这些风险发生而给企业带来的经济损失。就以往企业财务预警的分类来看，主要包括两种类型，即一元判别法和多元判别法。其中，一元判别法又称单变量模型，这种财务预警模型是以某个单项指标作为评判标准的预警模型，虽然能够在某些方法将企业的经营状况和财务活动反映出来，但由于评判标准存在片面性，因此，并不能全面的将财务特征的缺陷表现出来。多元判别法的出现将一元判别法的缺点进行的有效弥补，该预

3、警模型主要是通过多元线性判别式产生判别分，并通过判别分来对企业的经营状况和财务活动进行全面分析、预测，从而得到最为全面的预测结果。但无论是一元判别法还是多元判别法，都无法突破线性判别方法的局限性，从而导致无法进行动态学习和调整。　　为了更好的对企业财务预警模型进行完善，专家尝试将神经网络应用到预警模型中。所谓神经网络，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。但是，这种方法需要大量的样本数据作为基础，一旦样本数据的数量达不到要求，那么就会直接影响到神

4、经网络的推广能力。近年来，神经网络在企业财务预警中的应用越来越广泛，如何将其在财务预警中的作用充分发挥出来也成为了专家所面临的重大课题。　　2、企业财务预警PCASVM模型构建与研究思路　　本文所介绍的PCASVM模型的构建大致可以分为两个部分，即对数据进行主成分分析和利用SVM进行分类。其中，对数据进行主成分分析主要是在诸多变量中选取几个最具代表性、信息含量最丰富的变量作为主成分，然后对其进行分析并形成样本数据，这样做是为了尽可能减少数据分析时的复杂操作，从而将大量的数据简单化，从而为接下来的数据处理工作奠定基础。利用SVM进行分类实质上是一种统计学习方法，这种方法

5、最适合小样本问题，是将空间中不可分问题通过非线性高换映射到高维线性可分的特征空间，并在此基础上进行分类。　　3、实证研究及分析　　为了更好的对财务预警PCASVM模型进行研究，本文选取了15家公司3年的财务报表和相关的会计资料作为基础数据，这些公司均为房地产公司，所要证实的内容主要包括2点：一是财务报表可以确保一定的真实性；二是以原始数据为主，可以尽可能避免不同分析方法所产生的误差。　　3.1、原始比率变量分析　　首先，提取主成分实现维数压缩，减小各输入值之间的相关性，在对15家公司的财务报告进行分析之后，发现整体原始数据上存在较大的冗余性，可以进行简化。同时，流动比

6、率与速动比率之间存在较强的相关性，其他的几项指标之间也都存在着较大的相关性，比如说总资产周转率、净资产收益率和成本费用利润率等。相比之下，也有一些相关性比较弱的指标，比如说股东权益比率、存货周转率以及流动资产周转率等。　　3.2、主成分选择及解释　　表1所介绍的是主成分的特征值和贡献率，如果想要对表1中的5个主成分因子进行解释，就必须利用原始的财务数据，换句话说，原始数据域主成分因子之间存在着必然的联系。其中，主成分1需要由股东权益比率、主营业务利润率、成本费用利润率、净资产收益率以及总资产收益率解释；主成分2需要由流动比率、速动比率、资产负债率和负债权益比率解释；主

7、成分3需要由负债权益比率、固定资产周转率和总资产周转率解释；主成分4需要由现金比率和主营业务毛利率解释；主成分5需要由应收账款周转率解释。　　3.3、建立模型识别部分　　从上文的分析我们已经得到了5个典型的数据样本，我们将主成分1到主成分5作为输入，以SVM作为模式识别工具。在实际操作中，我们以软件Maltalb6.5作为主要软件，采用SMO训练算法，结合DDAG实现多类划分。通过该实验的设计和实施，我们完成了两种分类，即二类划分和三类划分，划分的具体结果如表2和表3所示：　　从表2我们能够看出，正常类样本100%正确识别，关注类样本100%正确识别