考虑公司信息披露情绪的欧式脆弱期权定价

从公司信息披露的角度来看,定量数据直观地反映了公司的经营和财务状况,而描述性的非结构文本信息是对定量数据的有效补充。本文从公司年报中挖掘信用违约文本信息,构建语调变量情绪指标,以调控脆弱期权的违约临界值,改进经典的Klein欧式脆弱期权定价模型。研究表明:随着语调变量指标的增大,欧式看涨看跌期权价格呈递减趋势,且指标越接近1,期权价格递减速度越快,说明期权价格对负向情绪更加敏感,符合金融市场实际情况。此外,应用研究发现不考虑情绪指标的Klein模型倾向于低估期权价格,考虑公司信息披露情绪的脆弱期权定价模型能更准确地分析财务困境对信用风险的影响,结果更贴近实际情况。     

基于XGBoost的上市企业财务违约预测研究

公司年度报告中的管理层讨论与分析部分是企业信息披露的重要组成.构建表面情感语调STONE和隐含违约倾向IPD两个文本特征指标对年报中管理层讨论与分析的定性文本数据进行量化,并提出了一种基于XGBoost的上市公司财务违约预测模型,该方法对上市公司财务违约实现了较好的预测效果.根据特征重要性排序对特征与财务违约之间的关系进行挖掘,进一步利用敏感性分析验证了表面情感语调和隐含违约倾向指标的有效性.     

我国电力上市公司社会责任报告及环境绩效信息披露研究

规模大、盈利能力较强、国资委所属及深交所上市电力企业倾向于发布社会责任报告,上市年限对企业是否发布社会责任报告无明显影响。23家发布报告的企业环境绩效指标披露状况不理想,量化的环境绩效信息披露指数均较低,指标披露得较少,且倾向于披露积极信息,披露内容和方式都不利于信息使用者对其环境绩效进行客观评估和比较。资产规模大、盈利能力强、中央企业及深交所上市企业倾向于披露较多环境绩效信息。     

基于SVM的沪深300股指期货量化交易策略

基于支持向量机(svm)理论建立沪深300股指期货量化交易模型,与传统对期货价格走势进行绝对预测的回归预测方法不同,模型利用支持向量机在处理非线性系统中的分类优势,将价格未来变化的趋势转化为交易信号,把一个复杂的时间序列回归预测问题转化为二分类问题.接着,把价量信息和技术指标分别作为输入向量,再引入止损机制,在动态预测模型上构建量化交易策略.采用历史数据对策略进行回测仿真,实证结果表明,价量信息交易策略表现要好于技术指标交易策略,量化交易模型总体取得了较好的盈利效果.     

基于比例优势模型的上市公司财务困境预测研究

在激烈的市场竞争中,现代企业非常关注风险管理,注重防范与控制风险,而风险管理的关键是预测与控制财务风险。生存分析模型能动态地预测风险事件发生的概率,本文精比例优势模型应用干我国上市公司财务困境预测,根据边际似然与ALASSO变量选择程序,确定了影响财务风险的主要因素,获得模型参数估计,考察了比例优势模型财务困境预测判断能力,比较了Cox模型和比例优势模型这两种生存模型的财务风险预测效果。结果表明,比例优势模型能展现企业财务困境的发展过程,具有较好的财务困境预测能力。     

财务舞弊侦测——以中国上市公司为例研究

会计师事务所的独立性在世界范围内遭到了不同程度的质疑。本文搜集了1998-2009年间受到证监会处罚并经三大权威报纸披露的31家舞弊公司的信息,将其作为舞弊研究样本,另外整理了同行业同年度财务状况良好的31家非舞弊公司的信息,将其作为对照样本。通过归纳我国上市公司财务舞弊的具体特征,本文选取了与企业经营有关的相关财务指标和公司治理指标作为解释变量,采用逐步向前的多元逻辑回归法构建财务舞弊侦测模型,经验证,该模型侦测准确度为73.8%。     

集成随机森林和支持向量机的商业银行财务困境预测研究

提出了一种基于随机森林和支持向量机的集成模型来预测商业银行财务困境.结果表明,一方面,与多层感知神经网络相比,支持向量机可以更有效地作为集成学习模型的基分类器,虽然多层感知器神经网络在以往的研究中更多地被用于基分类器.另一方面,与现有的bagging、dagging、multiboost、adaboosting、random subspace等集成学习算法相比,该模型的预测性能明显提高.另一个关键发现是,利用银行业、宏观经济状况和国际金融风险变量补充银行层面的脆弱性,可以显著提高模型在商业银行财务困境预测中的表现.     

基于Adaboost和正则化ELM的混合金融时间序列预测模型及其应用

为提高金融时间序列的预测精度,本文提出了基于MODWT、MCP变量选择方法和RELM_Adaboost的混合预测模型。该模型由三步构成:第一步,收集特征变量,包括MODWT分解得到的特征变量以及常用的技术指标;第二步,利用MCP惩罚方法从上述特征变量中选取重要的作为输入变量;第三步,利用Mnet惩罚正则化ELM,将RELM视作弱预测器,然后用Adaboost算法生成强预测器进行预测。实证结果显示:第一,经过MCP方法的筛选,最终的输入变量中不仅包含常用技术指标,还有小波分解所得的变量。第二,混合预测模型RELM_Adaboost有良好的泛化误差表现。本文提出的模型在量化交易时代具有良好的应用前景。     

考虑集团化经营特征的企业财务困境风险预警研究

企业的集团化经营特征将会对财务困境风险产生重要的影响.在分析集团化经营企业财务风险特征的基础上,考虑集团内部交叉持股复杂度、关联交易程度和相互担保程度对集团化经营企业财务状况的影响,使用KMV模型计算集团化经营企业的违约距离,构建了全新的集团化经营企业财务困境预警的评价体系.并运用Logistic回归模型对集团化经营企业财务困境进行预警.实证结果表明该指标体系与模型具有可行性和有效性.     

信息披露扭曲下企业债券违约风险量化研究

信息披露的真实性会直接影响到投资者对企业债券违约风险自々判断。利用信息噪声的偏倚性捕获财务报告信息中对资产价值的故意扭曲,推导了信息偏误下资产价值的条件分布、违约概率和信用价差的解析表达式.数值分析表明当资产价值遭到不同方向的扭曲时,信息噪声与违约概率会表现出不同的变动关系。实证检验表明该模型可以较为准确的刻画财务信息扭曲造成的债券违约风险和信用价差的变化规律。该模型为理解债券违约风险和财务报告信息扭曲之间的关系提供了新的启发,可以帮助债券投资者在信息披露问题比较严重的市场环境中评估违约风险。     

基于自组织映射和模糊隶属度的财务危机预警研究

良好的财务危机预警模型能够有效监控企业运营情况,避免企业倒闭或被重组的悲剧发生。本文结合自组织映射模型和模糊C均值的模糊隶属度,构造模糊自组织映射模型,并应用到财务危机预警中。该模型将模糊隶属度带入到学习率函数中,在计算过程中自动更新获胜节点邻域范围,并在迭代过程中采用批学习算法,提高预测精度、稳定输出结果。对沪深两市上市公司的财务指标进行实证研究,通过与传统预警模型对比,得出模糊自组织映射模型在财务危机预警方面具有更优越的预测性能。     

Random effects logistic regression model for default prediction of technology credit guarantee fund

Korean government has been funding the small and medium enterprises (SME) with superior technology based on scorecard. However high default rate of funded SMEs has been reported. In order to effectively manage such governmental fund, it is important to develop accurate scoring model for SMEs. In this paper, we provide a random effects logistic regression model to predict the default of funded SMEs based on both financial and non-financial factors. Advantage of such a random effects model lies in the ability of accommodating not only the individual characteristics of each SME but also the uncertainty that cannot be explained by such individual factors. It is expected that our study can contribute to effective management of government funds by proposing the prediction models for defaults of funded SMEs.     

企业财务危机预警Rough-Fuzzy-ANN模型的建立及应用

本文提出了一种基于粗糙一模糊神经网络（Rough-Fuzzy-ANN）的企业财务危机建模和预测新方法，并给出了相应的算法，在通过以我国上市公司财务数据为基础进行的实证分析之后，结果表明，Fuzzy-Rough-ANN模型具有预测精度高。学习和泛化能力强，适应性广的优点；同时有效、可行，为企业财务危机的动态预警提供了一条新的途径。     

基于改进粒子群算法的模糊聚类-概率神经网络模型的企业财务危机预警模型研究

为了充分发挥概率神经网络在企业财务危机预警中的作用,克服概率神经网络平滑参数难以确定和空间复杂度高的不足,本文提出一类新的参数动态调整的粒子群算法优化概率神经网络的平滑参数,进而采用改进粒子群算法优化初始隶属度矩阵的模糊聚类方法实现对样本的选择,解决了概率神经网络平滑参数的确定及空间结构复杂的问题。提出了基于改进粒子群算法的模糊聚类-概率神经网络企业财务危机预警模型,并以我国上市公司作为研究对象进行了实证研究。结果表明,经过模糊聚类和改进粒子群算法优化的概率神经网络具有更优的预测性能,并在企业财务危机长期预警方面具有一定效用。     

基于内容分析法的智力资本报表(InCaS)与中国企业的适配问题研究

作为一种战略管理工具,智力资本报表(InCaS)已经广泛用于欧洲企业.但这种工具是否适用于中国企业?为了探讨这一问题,通过分析InCaS的运行机制和InCaS在欧洲的最佳应用实践,得出其适用的边界条件.在这种边界条件之下,选取204家中国的上市公司,在对其进行行业、规模和生命周期阶段分类的基础之上,运用内容分析法对204家企业的年报进行分析.进而探讨不同行业、规模和生命周期阶段的企业在智力资本披露方面的现状和差异.对比InCaS在欧洲的应用情况探讨InCaS与中国企业的适配问题.     

Prediction of financial distress: An empirical study of listed Chinese companies using data mining

The deterioration in profitability of listed companies not only threatens the interests of the enterprise and internal staff, but also makes investors face significant financial loss. It is important to establish an effective early warning system for prediction of financial crisis for better corporate governance. This paper studies the phenomenon of financial distress for 107 Chinese companies that received the label ‘special treatment’ from 2001 to 2008 by the Shanghai Stock Exchange and the Shenzhen Stock Exchange. We use data mining techniques to build financial distress warning models based on 31 financial indicators and three different time windows by comparing these 107 firms to a control group of firms. We observe that the performance of neural networks is more accurate than other classifiers, such as decision trees and support vector machines, as well as an ensemble of multiple classifiers combined using majority voting. An important contribution of the paper is to discover that financial indicators, such as net profit margin of total assets, return on total assets, earnings per share, and cash flow per share, play an important role in prediction of deterioration in profitability. This paper provides a suitable method for prediction of financial distress for listed companies in China.     

Mixtures of biased sentiment analysers

Modelling bias is an important consideration when dealing with inexpert annotations. We are concerned with training a classifier to perform sentiment analysis on news media articles, some of which have been manually annotated by volunteers. The classifier is trained on the words in the articles and then applied to non-annotated articles. In previous work we found that a joint estimation of the annotator biases and the classifier parameters performed better than estimation of the biases followed by training of the classifier. An important question follows from this result: can the annotators be usefully clustered into either predetermined or data-driven clusters, based on their biases? If so, such a clustering could be used to select, drop or otherwise categorise the annotators in a crowdsourcing task. This paper presents work on fitting a finite mixture model to the annotators’ bias. We develop a model and an algorithm and demonstrate its properties on simulated data. We then demonstrate the clustering that exists in our motivating dataset, namely the analysis of potentially economically relevant news articles from Irish online news sources.     

基于财务状况多分类的上市公司财务危机预警

目前的财务危机预警模型大多局限于二分类研究,而公司陷入财务危机往往会经历一个逐步衰败的过程,简单的二分类有时会掩盖某些上市公司财务状况逐渐变差的事实.为了更准确地判断公司的财务状况,将公司分为财务稳定公司、潜在危机公司、财务危机公司和破产公司四类,运用t-2年的财务数据构建了有序多分类logistic回归模型.实证结果表明,模型的预测能力较好,误判成本较低,能提供更加准确的信息.     

基于遗传算法和熵的缩减记忆式LS-SVM财务困境预测模型研究

为了提高财务困境预测的正确率,减少模型的训练样本数和训练时间,在传统支持向量机(SVM)预测模型的基础上,将遗传算法、信息熵和缩减记忆算法应用于最小二乘支持向量机(LS-SVM),提出了一种基于遗传算法和信息熵的缩减记忆式最小二乘支持向量机预测模型。并独立推导出了适合财务困境预测这一离散序列的熵以及支持向量机核函数的表达式,同时,给出了这一改进模型的实现步骤。实验结果表明,该模型无论是预测正确率,还是训练样本的数量和训练时间,都显著优于最小二乘支持向量机以及传统支持向量机模型。