基于bp_adaboost强分类器的公司财务预警信息建模资料.doc

第 1页第一章引言 课题背景 Adaboost 算法的思想是合并多个“弱”分类器的输出以产生有效分类。其主要步骤为:首先给出弱学习算法和样本空间( x,y ) ,从样本空间中找出 m组训练数据,每组训练数据的权重都是 1/m 。然后用弱学习算法迭代运算 T次,每次运算后都按照分类结果更新训练数据权重分布,对于分类失败的训练个体赋予较大权重,下一次迭代运算时更加关注这些训练个体。弱分类器通过反复迭代得到一个分类函数序列 f 1,f 2,…f T,每个分类函数赋予一个权重,分类结果越好的函数,其对应权重越大。T次迭代之后,最终强分类函数 F由弱分类函数加权得到。 BP_Adaboost 模型即把 BP 神经网络作为弱分类器,反复训练 BP 神经网络预测样本输出,通过 Adaboost 算法得到多个 BP 神经网络弱分类器组成的强分类器。公司财务预警系统是为了防止公司财务系统运行偏离预期目标而建立的报警系统,具有针对性和预测性等特点。它通过公司的各项指标综合评价并预测公司财务状况、发展趋势和变化,为决策者科学决策提供智力支持。财务危机预警指标体系中的指标可分为表内信息指标、盈利能力指标、成长能力指标、线性流量指标和表外信息质指标六大指标,每项大指标又分为若干小指标,如盈利能力指标又可分为净资产收益率、总资产报酬率、每股收益、主营业务利润率和成本费用利润率等。在用于公司财务预警预测时,如果对所有指标都进行评价后综合,模型过于复杂,并且各指标间相关性较强,因此在模型建立前需要筛选指标。本文所构建的组合 BP 神经网络其网络部分由三层神经元构成,如图 1-1 所示: 第 2页图 1-1 网络结构图指标筛选分为显著性分析和因子分析两步。显著性分析通过 T 检验方法分析 ST 公司和非 ST 公司,在财务指标中找出差别较大、能够明显区分两类公司的财务指标。因子分析在显著性分析基础上对筛选出来的指标计算主成分特征值,从中找出特征值大的指标作为公司危机预警方法的最终评价指标。最终找出成分费用利润率、资产营运能力、公司总资产、总资产增长率、流动比率、营业现金流量、审计意见类型、每股收益、存货周转率和资产负债率十项指标作为评价指标。该十项指标能够全面地反映出公司的财务状况。随着我国经济环境日益市场化、国际化,公司所面临的财务风险也与日俱增,因财务风险导致经营困境甚至破产清算的公司数量也不断增多,公司特别是上市集团的各利益相关者对财务风险日益关注,相应地开始利用一些经济、财务指标来预测、评价财务危机,发出预警信号。这些预测、评价指标目前大多还是以资产负债表和损益表中的财务比率为主,由于受到公司会计政策和人为因素的影响,指标信息往往会失真,导致在运用其进行财务预警时出现钝化现象,即有警不报或无警乱报的指标不灵敏状态。比如净资产收益率、总资产报酬率、销售利润率和每股收益等。由于公司有灵活选择会计政策的权利,使得公司在会计利润的计算过程中存在着诸如折旧方法选择、存货计价方法、间接费用分配方法、成本计算法和会计估计等大量人为因素的影响。而现有财务预警指标体系中的盈利能力主要是以“会计利润”为核心的一系列比率,上述原因使得该类指标易被操纵、虚报或瞒报,不利于真实反映公司盈利水平及收益质量。第 3页其次,虽然公司绩效评价比财务预警较早的被运用于公司管理实践,目前财务预警的指标也较多地来自于企业绩效评价,然而二者强调的对象不是相同的,前者强调盈利,追求的是“会计利润最大化”,而后者强调的是预警,关注的是“有保障的财务安全”。同时,实践也证明了有利润的年份不一定有足够的现金来偿付债务,即使是利润丰厚的公司也常常会发现缺乏现金来偿还到期债务,如果这种现金匮乏不是临时性的,而是由于公司自身结构或战略决策的失误造成的,则公司面临财务危机将是个不争的事实。另一方面,目前的预警模型的构造上也存在不足。公司财务状况的诊断是对多维财务指标的考察。一般的神经网络虽然具有能够并行计算、多层反馈、自适应学习,但其运行具有黑箱性、需要大量训练样本、训练速度慢等缺点, 相对于普通多元判别分析手段其判别准确率并没有明显改善。因此,我们必须寻找新的预警指标及算法模型,来发现公司的真实运营状况,以防范财务危机的发生。基于 BP_Adaboost 模型的公司财务预警算法流程如图 1-2 所示: 数据样本预处理 BP 网络 1 BP 网络 2 BP 网络 3 BP 网络 n 判决策略判断结果图 1-2 算法流程 相关概念在国内外学者针对公司财务危机所作的各种相关研究当中,本文发现主要集中在三个方面:一是关于财务危机概念的界定;二是关于财务危机预警指标的选取;三是如何界定财务危机是进行上市公司财务危机预警研究的首要问题, 学术界对此有不同的看法。国外大多数的研究将公司在破产法下提出申请破