基于时间序列的多分类器集成财务困境预测动态建模研究

摘要

自改革开放以来，中国经济经历了三十余年的高速发展并取得了丰硕的成果。但是自2008年全球性金融危机以来，我国经济增速逐渐开始放缓，经济下行的压力持续增加。在经济大环境出现变化的同时，不少企业也承受着巨大的压力，许多企业由于管理不善逐渐陷入财务困境之中，严重者甚至不得不申请破产。同时，企业所面临的压力在一定程度上也会转嫁到银行业当中，企业陷入财务困境无法如期偿还贷款，会导致银行坏账的增加，给整个国民经济系统正常健康地运行埋下巨大隐患。面对这样的情况，企业除了在经营管理环节精益求精之外，建立一套完善、高效、准确的财务困境预测系统也变得十分必要。而银行系统，也需要一套完善的企业财务困境预测系统来帮助其在发放贷款时科学决策，筛除有可能陷入财务困境的企业，保护银行自身资产安全。然而，大部分研究建立在静态数据样本之上，而基于静态样本建立的分类模型，其分类效果可能由于在动态数据流中随着时间推进的过程中产生概念漂移现象而降低。
　　在此背景下，本文通过大量的文献阅读，对前人的研究成果进行了归纳，总结了面向数据流概念漂移的财务困境预测方法，并提出了可能的改进方法。在此基础上，本研究构建了三种面向动态数据流结合时序赋权原理与多分类器集成方法的财务困境预测模型，即基于多分类器混合的数据批集成赋权方法、基于Adaboost迭代算法与时序赋权Boost迭代算法的双专家投票算法以及基于时序赋权的AdaBoost-SVM算法。同时以沪深两市上市公司作为研究对象，收集时间区间在2003-2012年因连续两个会计年度亏损或每股净资产低于股票面值而被特别处理（ST)的466家企业作为陷入财务困境企业的样本。遵循行业同、规模近的原则，又收集了相应的466家正常企业与之相对，建立最终的样本集合，以真实数据进行检验，证明三种基于时序赋权的多分类器集成模型，在针对动态数据流进行预测时，效果均明显优于传统的预测SVM预测模型。

目录

摘要

一、绪论

(一)研究背景

(二)研究意义

1．理论意义

2．现实意义

(三)文献综述

1．财务困境预测研究综述

2．概念漂移研究综述

(四)研究目标及主要工作

(五)本文技术路线

(六)本文创新之处

二、财务困境理论基础

(一)财务困境的界定

1．国外学者对于财务困境界定的研究

2．国内学者对于财务困境界定的研究

3．本文对于财务困境界定的观点

(二)财务困境的成因

1．内部原因

2．外部原因

(三)财务困境概念漂移成因

1．企业生命周期变化形成的概念漂移

2．动态数据流引起的概念漂移

三、基于时序赋权的多分类器集成财务困境预测建模

(一)模型理论准备

1．时序赋权模型

2．单分类器模型原理

3．Adaboost集成算法基础

(二)基于多分类器混合的数据批集成赋权方法

1．适应性时序赋权集成方法

2．基于多分类器混合的数据批集成赋权方法

3．IBW-CC算法分析

(三)基于Adaboost迭代算法与时序赋权Boost迭代算法的双专家投票算法

1．DEVE-AT算法简介

2．DEVE-AT模型构建

3．DEVE-AT算法分析

(四)基于时序赋权的AdaBoost-SVM算法

1．ADASVM-TW算法简介

2．ADASVM-TW模型构建

3．ADASVM-TW算法分析

四、实证研究

(一)研究方案设计

(二)样本搜集与指标筛选

1．财务样本搜集

2．样本概念漂移检测

3．数据预处理与指标筛选

(三)参数设置

1．迭代次数的确定

2．阈值c确定

3．参数λ值确定

(四)实验结果分析

1．总体结果分析

2．改进结果分析

五、研究总结与展望

(一)本文结论

(二)研究不足和展望

参考文献

攻读学位期间取得的研究成果

致谢

声明