基于SMOTE-随机森林的互联网金融公司财务风险预警模型.doc

基于SMOTE-随机森林的互联网金融公司财务风险预警模型


该论文来源于网络，本站转载的论文均是优质论文，供学习和研究使用，文中立场与本网站无关，版权和著作权归原作者所有，如有不愿意被转载的情况，请通知我们删除已转载的信息，如果需要分享，请保留本段说明。
　　摘 要：以我国的互联网金融上市公司为研究样本，在目前国内外对于企业财务风险预警研究的基础上，结合互联网金融公司的特点，利用SMOTE算法并与随机森林相结合，建立互联网金融公司的财务风险预警模型。研究表明，随机森林预警模型有着稳定的识别精度和较好的预测性能，因此具有广泛的实践价值。
　　关键词：SMOTE算法;随机森林;财务风险预警
　　中图分类号：F832 文献标志码：A 文章编号：1673-291X（2020）33-0079-02
　　引言
　　近些年来，随着网络的蓬勃发展，现代社会已经变成一个信息社会。相对于传统的企业，中国的互联网金融企业以其迅速、灵活以及个性化的特点迅速发展。但一方面，互联网金融企业在面对风险时，处理风险的时间也大大缩短。另一方面，互联网金融公司发展时间较短，相关部门的监管机制也不够完善，公司出现财务风险会对整个互联网金融行业造成严重的不良影响，有的甚至可能对整个社会造成不利影响。因此，相关监管部门应该对企业进行评级，对于有财务风险的企业加强监管，以减少上述问题的出现。
　　本文首先运用SMOTE算法对原始数据进行平衡处理，然后通过随机森林算法进行财务风险预警模型的建立。试验结果表明，本文的方法可以有效解决ST公司样本过少所导致的数据不平衡问题，从而使互联网金融公司存在的财务风险能够被及时预警，尤其是在对ST公司的风险预警上。本文旨在使预警模型可以为更多的企业服务，也为监管部门提供有效的参考数据。
　　一、互联网金融公司财务风险预警模型的构建
　　。原始数据集的平衡程度对随机森林模型的预测准确度具有较大的影响，而SMOTE算法能够对原始数据集进行平衡，从而提高随机森林的分类精准度。因此，将SMOTE算法与随机森林相结合可以充分发挥两者的优势，达到更准确的预测效果。故本文拟利用SMOTE-随机森林模型对互联网金融公司的财务风险状况进行预测研究，具体的财务风险预警过程（如图1所示）。
　　。本文选取包含3家ST公司和60家正常经营的共计63家互联网金融上市公司作为研究对象，以63家互联网金融公司2017—2019年每个季度的财务数据作为研究样本，经删除部分缺失值后，共得到752组数据，其中ST公司32组，正常公司720组。ST公司是指，因公司连续两年亏损而被证交所特别处理的公司，可以视为有较高的财务风险（锐思数据库）。
　　。本文在选取财务指标时，首先参考了赵囡等人的研究，在该论文中的18个指标已经通过显著性检验;然后考虑杨淑娥和王乐平选取的23个财务指标;最后，结合随机森林自身的算法特性。本文最终采用七大类共计27个财务指标作为研究变量，这27个财务指标分别体现了互联网金融公司的每股指标、营运能力、盈利能力、偿债能力、现金流量、资本结构和成长能力，可以充分反映互联网金融公