财务危机预测主要方法比较研究

本文以我国沪深A股上市公司为研究对象,将被特别处理的ST公司视为财务危机公司,使用多种方法建立了财务危机预测模型,并对各模型的预测准确率、优缺点进行了对比,结果表明,人工智能方法预测准确率更高,遗传算法模型成为最优预测模型。     

三种生成神经网络拓扑结构的方法在股票、商品价格预测中的应用及结果比较

对比了三种不同神经网络模型的生成方式:传统神经网络生成模型,遗传算法训练神经网络模型,以及在第二种方式训练参数的基础上,再使用传统神经网络优化生成模型.论文使用上述三种方法对代表性股票和商品价格进行拟合并预测,通过预测结果准确性和稳定性的比较发现:引入遗传算法后的神经网络在样本内的拟合误差有所降低,而第三种方法在样本外有最低的预测误差和最优稳定性.     

考虑社会效益的电网最优投资组合模型研究

电网投资项目资金需求量大,但是资金总额有限。电网项目具有公共物品属性,单个项目的效益难以度量,缺乏一个合理有效的标准对项目进行评价,从而导致很难在有资金约束的情况下确定电网投资组合。因此迫切需要建立科学的最优投资组合模型,实现电网项目在投资分配上的最优安排。本文在电网投资经济效益分析的前提下,综合考虑电网建设项目的社会性和可靠性,并给出最优投资组合模型。通过算法比较,确定了使用遗传算法的合理性,并用遗传算法进行了实证分析,证明本文开发的模型可用于电网建设项目的投资优化分析,可为电网公司提供投资决策支持。     

基于遗传算法的物流配送车辆调度问题研究

研究使用遗传算法求解物流配送组织过程中车辆调度问题 .通过把时间窗约束和车辆容量约束转嫁到最小费用目标函数中去 ,建立适合于遗传算法的车辆调度模型 .阐述放回式随机复制算子和适应度函数 ,设计描述行驶线路的染色体结构、初始群体生成方法、独特的交叉算子和交换变异算子 ,构造完整的遗传算法 .并给出算例 ,验证调度模型和遗传算法 .     

基于遗传算法的公交智能调度与优化——以南岳衡山景区为例

南岳衡山(以下简称南岳)以“外秀于林,内秀于文”驰名中外,作为风景名胜区近几年游客人数不断攀升。本文利用遗传算法对景区内公交线路的调度模型进行求解。首先,根据景区现有的公共交通资源和旅客的出行规律,构建了以旅游公交营运成本、游客等待成本和游客流失成本三方面优化目标的模型;然后,使用线性加权方法实现对旅客与营运公司双方利益兼顾,进一步完善模型;最后,利用Matlab对实地调研数据的车辆调度方案求解。表明该模型改善了南岳景区旅游交通,满足游客的合理需求,提升了旅游公司经营策略,真正成为“寿岳独秀”的知名品牌。     

基于遗传算法的灰色Elman神经网络预测模型及其应用

针对少数据、贫信息、非线性、动态性的时间序列,采用遗传算法对Elman神经网络的初始权值进行优化以避免陷入局部最小值.建立灰色GM(1,n)模型对其进行预测,使用优化后的神经网络对预测结果进行修正.通过实例拟合、预测,对比灰色GM(1,n)模型、灰色神经网络模型和基于遗传算法的灰色神经网络模型结果,验证预测模型的有效性.结果表明,基于遗传算法的灰色Elman神经网络预测模型能够扩大搜索范围,稳定网络结构,提高解的精度.     

含有模糊决策的线性分布式多目标规划

针对实际问题中决策变量通常是模糊的情况,讨论具有块角结构的含有模糊决策的线性分式多目标规划模型。使用α－水平集,建立了对应的α－多目标规划模型。为解决这类问题,设计了基于模糊模拟的遗传算法。数值例子表明,遗传算法很好地解决了这个问题。     

基于遗传算法的神经网络参数优化研究

神经网络和遗传算法是软计算领域中最重要的方法.采用MATLAB的神经网络工具箱和遗传算法工具,研究二者的结合使用,对两个工具箱的基本应用以及将二者结合的相关技术都作了介绍,并应用实例进行了分析研究,提出了使用遗传算法优化神经网络参数的不同结论,对于如何有效使用遗传算法优化神经网络具有一定的借鉴作用.     

公司创业投资的薪酬激励问题分析

公司创业投资的财务收益和战略收益取决于投资企业和公司创投家的投入。本文运用博弈模型分析了公司创业投资的薪酬激励问题,结果表明:薪酬激励对公司创投家的努力程度具有正面影响,而对投资企业的支持力度具有负面影响。投资企业和公司创投家的能力与薪酬激励强度分别呈反向和正向关系,与对方的努力(支持)呈反向关系。项目战略利益与薪酬激励的关系则取决于投资企业和公司创投家能力的相对强弱。在此基础上,本文尝试为研究和实践提出相关建议。     

大型煤炭企业供应链多目标优化研究

在构建大型煤炭企业供应链结构的基础上,分析了煤炭供应链不确定性的因素,进而建立了大型煤炭企业供应链系统的多目标优化模型,模型以利润最大化和客户满意度最大化为目标;而且设计了广义遗传算法求解非线性多目标决策模型,并证实广义遗传算法比传统的遗传算法在求解供应链问题上更具优势.最后通过实证得出结论,模型符合大型煤炭企业实际情况.     

Modeling international investment decisions for financial holding companies

This research analyzes the internationalization process model developed by Johanson and Vahlne and derives two integer programming investment decision models that consider the risk attitudes of investment firms. Johanson and Vahlne’s model provides a starting point for building a model that suits the investment approach and decision making process of financial holding companies. In practice, when firms make an international investment decision, there is a need for a model that can generate outputs based on financial measures such as profit, investment returns, and tolerable levels of risk. Thus, in this paper, Johanson and Vahlne’s concepts are studied and financial managers are interviewed to derive models that match the investment decision procedures of the firms. The model helps firms manage the risks of their investments and derive accurate investment strategies based on investment objectives and constraints.     

上市公司财务危机预警的实证研究

以是否被特别处理为财务危机标志,利用我国上市公司近几年的年报财务数据,选取了财务危机和健康企业各50家作为开发样本.首先研究了开发样本财务指标的数据特征和财务危机出现前3年内这两类企业的财务指标的显著性差异,其后利用因子分析法筛选了8个指标作为建立模型的自变量,运用Logistic模型构建了上市公司财务危机预测模型,并对估计样本的40家企业进行了检验.实证分析结果表明:其一,我国上市公司财务比率不服从正态分布;其二,尽管我国资本市场的会计数据质量不尽人意,但财务数据仍具有一定的信息含量;其三,利用开发样本构建的Logistic模型在财务危机发生前1年和前2年有比较高回判准确率,估计样本在财务危机发生前1年和前2年有比较高的预测准确率.     

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。     

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.     

多层感知器信用评模型及预警研究

本文利用多层感知器 ( MLP)原理建立神经网络信用评价模型 ,用来对我国 2 0 0 0年 1 0 6家上市公司进行信用评级 ,并进一步对我国 2 0 0 1年公布的 1 3家预亏公司进行预警研究 .按照各上市公司的经营状况分为“好”、“差”两类 ,每一类由 5 3家上市公司构成数据样本 .对于每一家上市公司 ,主要考虑其经营状况的四个财务指标 :每股收益 ,每股净资产 ,净资产收益率和每股现金流量 .仿真结果表明 ,本文所建立的神经网络信用评价模型有很高的分类准确率 ,达到 98.1 1 % .又由于该信用评价模型有很强的适应能力 ,故可以进一步用来对企业的财务危机进行预警研究 .预警实证分析表明 ,该信用评价模型对我国 2 0 0 1年公布的 1 3家预亏公司进行预警分析 ,预警准确率达到 1 0 0 % .此外 ,文中还给出 MLP网络模型的学习算法和步骤     

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。     

A hybrid genetic model for the prediction of corporate failure

This study examines the potential of a neural network (NN) model, whose inputs and structure are automatically selected by means of a genetic algorithm (GA), for the prediction of corporate failure using information drawn from financial statements. The results of this model are compared with those of a linear discriminant analysis (LDA) model. Data from a matched sample of 178 publicly quoted, failed and non-failed, US firms, drawn from the period 1991 to 2000 is used to train and test the models. The best evolved neural network correctly classified 86.7 (76.6)% of the firms in the training set, one (three) year(s) prior to failure, and 80.7 (66.0)% in the out-of-sample validation set. The LDA model correctly categorised 81.7 (75.0)% and 76.0 (64.7)% respectively. The results provide support for a hypothesis that corporate failure can be anticipated, and that a hybrid GA/NN model can outperform an LDA model in this domain.MSC codes: 62M45, 68W10, 90B50, 91C20     

基于BP神经网络模型与DEA模型的中国上市公司利润操纵研究

本文从CCER数据库中的上市公司违法违规数据库取得2006-2009年利润操纵上市公司样本,根据上市公司关键财务数据,构建配对样品组。文章运用粗糙集简化利润操纵的识别指标,通过蒙特卡洛模拟,提出基于BP神经网络模型的中国上市公司利润操纵的识别模型。本研究还引入DEA效率指标,建立改进的中国上市公司利润操纵识别模型,有效降低模型的第二类错误,从而将模型的正判率从71.43%提高到85.71%。