基于概率神经网络的欺诈性财务报告的识别研究

本文探索概率神经网络PNNs(Probabilistic Neural Networks)在构建欺诈性财务报告识别模型方面的有效性,重点探讨了PNN模型变量的选择及平滑参数的确定问题,同时将所提出模型的性能和人工神经网络(ANNs)、logit回归模型的性能进行了比较.结果证明,PNN模型具有很高的预测力,并发现该模型的性能优于ANN模型以及logit回归模型.     

企业财务危机预测的贝叶斯模型研究

本文探讨商业银行如何利用贝叶斯分类技术构建企业客户财务危机预测模型。本文使用财务比率作为评价企业绩效的特征属性,并考察两个不同的贝叶斯模型在估计企业客户发生财务危机的后验概率方面的有效性。一个比较简单但有较多的假设,即朴素贝叶斯模型;另一个某种程度上更为复杂但有更少的假设,即组合属性贝叶斯模型。研究发现,与朴素贝叶斯模型相比,由于组合属性贝叶斯模型更好地反映了变量之间潜在的联合分布,因此它能在历史数据支持下估计所要求的概率并做出更精确的预测。所提出的模型可以作为辅助银行审核者做出正确而快速决策的有用工具。