基于RS-SVM数据挖掘技术的财务困境预测模型研究

【摘要】： 财务困境预测是财务管理和投资管理领域的一个重要研究方向,因为企业的财务状况如何或是否将陷入财务困境状态既关系到企业本身的战略制订与调整,还关系到其债权人或投资方的利益。在中国资本市场蓬勃发展的今天,企业财务状况的判断和财务困境预测的研究尤其具有重要的理沦意义和现实意义。财务困境预测是通过对企业公丌对外发布的会计报表和国家发布的宏观经济一些指标的分析,应用科学的预测方法,对企业的总体财务状况进行判断,以预测其在未来一段时间内发生财务困境的概率。本文的目的是研究一般企业财务困境预测方法,旨在提出一个无企业规模限制、行业局限、股权结构等局限,可以广泛应用的财务困境预测方法。本文认为,企业财务困境的短期预测要提高其准确性,要求全面的预测指标体系。论文在多指标的数据挖掘的基础上,提取了对短期预测作用最大的指标体系,并应用所提出的RS.SVM预测方法,结合沪市和深市上市公司的数据,通过纯数理分析验证了本文提出的预测思路、预测指标体系和预测方法的可行性、并重建了数据挖掘提高结果可用性的方法,即应用元学习算法。本文的主要工作与创新性成果包括以下几个方面:首先,本文在国内外己有研究综合分析的基础上,认为企业财务困境的基本内涵是企业财务的一种不健康状态,其主要表现是不能履行到期财务义务或意味着将不能履行到期财务义务,企业将最终走向无能力持续经营或破产。其次,提出了企业财务困境的预测指标体系。本文认为,不同的原因对财务困境预示的提前期是不同的。因此在做财务困境预测就不可避免的引入所有可能的影响因素,比如公司治理理论指标体系、股权性质与结构指标体系、宏观经济指标体系等等。最后,提出了一种将粗糙集(RS)与支持向量机(SvM)集成的预测方法,该方法通过约简输入支持向量机的属性列而改进其预测精度。基于基准检验数据集的统计分析结果说明,所提出方法的预测精度明显优于一般的支持向量机和其它分类算法比如径向基网络(RBFnetwork)、J48、ADTree。短期预测的实证结果表明,该方法能够达到目前最好的短期预测精度。