基于特征筛选和代价敏感学习的财务预警研究

摘要

构建准确的财务预警模型可帮助企业有效防范财务困境的发生,而该领域中普遍存在的特征冗余和数据分布不平衡问题会使传统模型的准确度降低甚至失效.文章在双重显著性检验和主成分降维的基础上,将错分代价分别引入机器学习中的逻辑回归、支持向量机和决策树算法以构建代价敏感模型,并以我国沪深A股制造业上市公司为对象进行实证研究,结果表明代价敏感模型可显著提高财务困境公司的分类准确率,其中的代价敏感支持向量机性能最优.