基于PSO和SVM的上市公司财务危机预警研究

摘要

加入WTO后，随着市场的逐步开放和竞争的加剧，我国企业外部环境正在发生一系列深刻的变化，给企业带来大量机遇的同时也放大了企业发生财务危机的风险。在我国，随着大量国企和私企的上市，上市公司日渐成为中国经济的主体和最具代表性的部分。因此，针对我国上市公司的情况，加强财务危机预警的理论和实证研究是非常重要和紧迫的。首先，对财务危机预警研究作了回顾和总结，重点介绍了各种常见的模型和方法；接着，详细介绍了支持向量机方法和粒子群算法；然后本文提出了一种将经过改进的粒子群(PSO)算法和支持向量机(SVM)相结合的算法，以选择最优的指标集并用于财务危机预警。并将此算法应用于上市公司的最新数据，检验模型提前3年的预警效果，最后与已有的主成分分析(PCA)方法与SVM相结合的模型进行对比，结果证明了PSO-SVM模型的合理性和优越性。

目录

图序、表序

1第一章绪论

1.1研究背景和意义

1.2研究思路

1.3本文结构和主要的创新点

2第二章财务危机预警研究综述

2.1财务危机的定义

2.2财务危机预警

2.3财务危机预警的主要方法

2.3.1定性研究方法

2.3.2定量研究方法

2.4国内研究现状

3第三章统计学习理论与支持向量机

3.1统计学习理论

3.1.1基于数据的机器学习

3.1.2经验风险最小化(ERM)原则

3.1.3复杂性与泛化能力

3.1.4统计学习理论的核心内容

3.2支持向量机

3.2 1支持向量机的发展历史和现状

3.2.2支持向量机的基本思想

3.2.3支持向量机的基本方法

3.2.4小结

4第四章群智能与粒子群优化算法

4.1群智能

4.2基本粒子群算法

4.2.1基本原理

4.2.2算法流程

4.2.3参数分析

4.3粒子群算法的发展与改进

4.3.1局部版PSO算法

4.3 2自适应PSO算法

4.3.3杂交PSO算法

4.3 4协同PSO算法

4.3 5离散PSO算法

5第五章基于PSO和SVM的上市公司财务危机预警模型

5.1模型的构建

5.1.1基本思想

5.1.2若干重要步骤详述

5.1.3算法流程

5.2实证研究

5.2.1研究样本的选择

5.2.2备选指标

5.2.3数据预处理

5.2.4实验的设计和实现

5.2.5实验结果及分析

6第六章结论和展望

6.1工作总结

6.2研究展望

7参考文献

8附录

9攻读学位期间发表论文情况

10致谢