分布式L_(1/2)正则化

研究数据集被分割并存储于不同处理器时的特征提取和变量选择问题,其中处理器通过某种网络结构相互连接.提出分布式L_(1/2)正则化方法,基于ADMM算法给出分布式L_(1/2)正则化算法,证明了算法的收敛性.算法通过相邻处理器之间完成信息交互,其变量选择结果与数据集不分割时利用L_(1/2)正则化相同.实验表明,所提出的新算法有效、实用,适合于分布式存储数据处理.     

基于函数型数据的系数正则化回归的收敛速度

本文研究了基于函数型输入和₁-正则化的最小二乘回归问题的推广性能.利用基于Rademacher平均的分析技术,获得了学习速度的估计,推广了已有的欧式空间有限维输入结果.     

基于时间相依Cox回归的动态财务预警模型及实证

本文以中小企业为研究对象,从偿债能力、盈利能力等财务因素,加之公司治理、宏观环境等非财务因素出发,利用共线性检验和时间相依Cox回归构建动态财务预警模型,并与经典的Cox模型、logit模型进行对比分析。本研究的特色有二:一是通过时间相依Cox回归模型,构建随时间而变化的预警指标数据与财务危机之间的函数关系。利用偏似然估计、Breslow估计量分别拟合回归系数和基准危险强度,构建财务预警模型,预测企业在未来一段时间内每个时间点上的财务危机概率。相比于基于传统Cox模型的预警研究仅用一期的截面数据建模,本研究考虑了预警指标的动态变化对财务风险的影响,涵盖了更多的历史信息,达到提高预警精度的目的。二是考虑第一类错误“危机企业判为正常”与第二类错误“正常企业判为危机”给投资者造成的损失差异,衡量预警的“错误成本”,以错误成本最低为目标,反推出财务正常和财务危机之间的预警阈值,实现了对财务危机发生与否的提前预警功能。经过实证,本研究的财务预警模型精度较高,尤其对财务危机企业的正确识别率达到75%。相较于传统的Cox回归、logit模型,危机企业的正确识别率更高、错误成本更低。盈利能力、公司治理水平是对企业财务风险影响最为显著的因素。     

基于误判代价加权的Logistic财务预警模型研究

1:1样本配比的财务预警模型的系数和概率估计是有偏的,全市场公司的样本数据又高度不平衡.为克服两类样本不平衡给预警模型带来的影响,引入公司误判代价分析,以ST公司误判代价为权重,通过最小化加权的对数似然损失函数,建立误判代价加权的Logistic回归财务预警模型.实证结果表明,误判代价加权的Logistic回归模型具有较好的预警效果,2007年的训练样本上正常公司和ST公司的识别率为89.43%和93.33%,2008年测试样本上两类公司的识别率分别为:92.1%和95.83%.     

偏最小二乘回归的贝叶斯正则化神经网络集成模型在证券分析预测中的应用

神经网络集成技术能有效地提高神经网络的预测精度和泛化能力,已经成为机器学习和神经计算领域的一个研究热点.利用Bagging技术和不同的神经网络算法生成集成个体,并用偏最小二乘回归方法从中提取集成因子,再利用贝叶斯正则化神经网络对其集成,以此建立上证指数预测模型.通过上证指数开、收盘价进行实例分析,计算结果表明该方法预测精度高、稳定性好.     

弱(L1,L2)-BLD映射的正则性

本文首先将文[1]中的BLD映射推广为弱(L1,L2)-BLD映射,并证明了如下正则性结果存在两个可积指数p1=p1(n,L1,L2)＜n＜q1=q1(n,L1,L2),使得对任意弱(L1,L2)-BLD映射,∈W1(Ω,Rn),都有,∈(Ω,Rn),即,为(L1,L2)-BLD映射.     

正则化回归算法的快速学习率

本文讨论了再生核Hilbert 空间上一类广泛的正则化回归算法的学习率问题. 在分析算法的样本误差时, 我们利用了一种复加权的经验过程, 保证了方差与惩罚泛函同时被阈值控制, 从而避免了繁琐的迭代过程. 本文得到了比之前文献结果更为快速的学习率.     

不平衡数据的企业财务预警模型研究

在股票市场中,由于被评为"ST"的公司数量远远少于普通的公司,所以用于训练财务预警模型的数据有着严重的不平衡性。而一般的分类模型如logistic回归等并不具备处理不平衡数据的能力。本文应用加权L1正则化支持向量机(w-L1SVM)构建一个可以处理不平衡数据的财务预警模型:一方面,w-L1SVM通过对两类样本的损失函数进行加权处理,有效地解决了样本不平衡性带来的预测精度问题;另一方面,w-L1SVM通过引入LASSO罚,使得模型在训练的过程中可以直接进行特征选择。通过数值模拟,本文验证了w-L1SVM在非平衡数据分类问题中的预测和特征选择表现。在实证研究中,本文针对我国股票市场机械、设备、仪表板块中的上市公司构建了一个基于w-L1SVM的财务预警模型,结果显示基于w-L1SVM的财务预警模型可以有效选择重要的财务指标并预测被评为"ST"的公司,并且其预测效果显著优于非加权的传统模型,这充分说明了w-L1SVM在财务预警问题中的适用性。     

因子分析和Logistic回归在农业上市公司财务预警中的联合运用

在普遍采用的盈利能力、偿债能力、经營能力和发展能力四个主要方面财务指标的基础上,新加入了利润质量指标和市场估值两类指标,采用2007-2018年沪深农业上市公司的数据为样本,联合运用因子分析法和二元logistic回归法重新构建农业上市公司财务风险预警模型,结果表明,该模型具有较高的拟合精度和判别能力。     

基于Logistic回归的水质预测研究

在环境系统评价中,水环境质量等级评价是其中十分重要的工作.鉴于对水环境研究中,水质级别为分类变量不能利用传统回归方法分析的特征,基于logistic回归方法建立了一种水质级别预测模型.利用长江流域的水质监测数据,将logistic回归应用于水质数据分析,进行水质建模,对水质级别做出预测.研究结果表明利用logistic回归进行水质分析,具有良好的拟合和预测效果.     

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.     

基于子空间多核学习的企业财务困境预测方法

财务指标的异构性是影响企业财务困境预测精度的重要因素,现有多核学习方法能够用于解决异构数据学习问题。本文首先介绍了子空间多核学习财务困境预测理论框架,在此基础上根据子空间学习的最大化方差准则、类别可分性最大化准则、非线性子空间映射原理,提出了三种子空间多核学习方法,分别为最大化方差投影子空间多核学习、类别可分性最大化子空间多核学习、非线性子空间多核学习。利用采集的我国上市公司数据进行实验,对比所提出的方法同现有代表性财务困境预测方法,并对实验结果进行分析。实验结果表明,本文提出的子空间多核学习财务困境预测框架行之有效,该框架下所构造的子空间多核学习预测方法能够有效地提升财务困境预测精度。     

Automatic Response Category Combination in Multinomial Logistic Regression

We propose a penalized likelihood method that simultaneously fits the multinomial logistic regression model and combines subsets of the response categories. The penalty is nondifferentiable when pairs of columns in the optimization variable are equal. This encourages pairwise equality of these columns in the estimator, which corresponds to response category combination. We use an alternating direction method of multipliers algorithm to compute the estimator and we discuss the algorithm’s convergence. Prediction and model selection are also addressed. Supplemental materials for this article are available online.     

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。     

基于文本信息的上市中小企业财务困境预测研究

本文通过网络爬虫获取上市中小企业相关的文本信息,包括以年报为代表的信息披露报告和互联网新闻媒体报道的文本内容,采用词袋方法基于不同特征词词表对这些文本内容进行了量化分析,并以财务变量模型为基础对文本信息量化指标在财务困境预测中的作用进行了实证检验,结果表明由信息披露报告构建的管理层语调变量以及由新闻媒体报道构建的报道倾向变量、负面报道比例变量确实可以提高财务困境模型的拟合度和预测能力,而且在对不同类型文本信息的分析应有不同的侧重点。尽管本文针对的是上市中小企业,但并未考虑市场交易信息,因而可以推广到未上市交易的中小企业。     

基于面板logit模型的上市公司财务困境预测

目前关于财务困境预测的研究大多是局限于截面数据的静态计量和统计模型,忽视了公司的财务状况是不断变化的事实.为了揭示公司财务状况的变化过程,利用面板数据建立了panel logit概率模型.研究结果表明,panel logit模型在预测准确度方面优于普通的logit模型.     

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。