基于pso优化svm制造业公司财务风险预警研究

《基于pso优化svm制造业公司财务风险预警研究》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、基于PSO优化SVM制造业公司财务风险预警研究　　　　【摘要】制造业公司是我国市场经济的重要组成部分，判别分析制造业公司的财务风险对于进一步促进制造业实体经济健康发展具有重要现实意义。适当选取2013―2015年制造业公司为样本，利用SPSS统计软件运用主成分分析方法（PCA）对制造业公司的财务指标进行了筛选，再利用MATLAB软件借助粒子群算法（PSO）对支持向量机参数进行优选，构建了基于PSO-LIBSVM模型的公司财务风险预警模型。实证分析表明，该模型可以对制造业公司财务风险进行较为准确的度量，是将人工智能算法运用到经济管理领域的有效尝试，对分析公司财务风险具有一定的现

2、实指导意义。下载论文网　　【关键词】财务风险；主成分分析；支持向量机；粒子群算法　　【中图分类号】F270【文献标识码】A【文章编号】1004-5937（2017）14-0052-05　　制造业公司是我国市场经济的重要组成部分，为我国社会主义市场经济的繁荣发展起到了至关重要的作用。根据国家统计局公布的最新统计数据，2016年11月的制造业采购经理指数（PMI）为%，比上月上升个百分点，延续上行走势，升至两年来的高点。但是，企业生产经营中仍存在一些困难，企业的各项经营活动、投资活动和筹资活动都会引发企业的财务风险[1]。因此，公司需要加强对企业财务风险的分析和管理，建立有效的财

3、务风险控制机制，从而实现持续经营，营造百年老店。所以，如何判别并改善制造业公司的财务风险，对于进一步促进制造业实体经济健康发展具有重要现实意义。　　本文基于粒子群算法（PSO）优化支持向量机（SVM）模型的公司财务风险实证研究，以二元分类为例，选取36家制造业公司为研究样本，并将其划分为训练样本和检验样本，每个子样本根据配比方案分为金融危机公司（ST和*ST）和非金融危机公司（非ST和*ST），运用主成分分析法对36家制造业公司的6大类13个不同方面的财务指标进行综合评价，通过引入支持向量机（SVM），沿袭LIBSVM工具箱对制造业公司的财务风险进行判别，最后利用粒子群算法（

4、PSO）对支持向量机（SVM）参数进行优化，从而实现对制造业公司财务风险的度量，这有助于制造业公司制定更加有效的财务决策，以降低财务危机发生的概率，促进其自身的可持续发展。　　一、指标体系构建　　（一）样本的选取　　通过参照国内外相关学者的文献研究，采用Zavagren提出的正常组与违约者2：1的配比方案，从数据可得性和真实性考虑，选取上海证券交易所和深圳证券交易所中符合证监会《上市公司行业分类指引》（2012年版）的2013―2015年36家制造业上市公司为研究样本[2]。样本数据主要来自上海证券交易所、深圳证券交易所、各上市公司年报、WIND数据库、国泰安数据库以及金融界

5、网站。　　行业选择：因为行业不同，其生产特点和生产周期不同，财务指标也会存在较大差异，为保证判别模型的准确性和实用性，选择制造业上市公司为研究样本。　　金融危机公司（ST和*ST）：在t年因“财务状况异常”被特殊处理的上市公司，同时确保可以获得（T-2）财务报表数据。　　非金融危机公司（非ST和*ST）：在为金融危机公司（ST和*ST）选择相应的非金融危机公司（非ST和*ST）时，要求根据中国证监会行业分类（2012年版）的制造业行业代码进行匹配，保证金融危机公司（ST和*ST）和非金融危机公司（非ST和*ST）的行业相同或相似。同时确保相匹配的金融危机公司（ST和*ST）和

6、非金融危机公司（非ST和*ST）的财务数据来源于同一个会计年度。　　组间数量分布：选取上海证券交易所和深圳证券交易所中金融危机公司（ST和*ST）12家和非金融危机公司（非ST和*ST）24家，样本总量合计36家公司2013―2015年的财务数据，具体见表1。　　为进行财务风险的有效判别分析，将上述36家制造业上市公司样本分为两个子样本，即训练样本和检验样本。考虑到金融危机公司（ST和*ST）和非金融危机公司（非ST和*ST）的?务数据配比，对两个子样本的比例进行了适当分配，其中训练样本包括16家非金融危机公司（非ST和*ST）以及与之相配对的8家金融危机公司（ST和*ST）

7、，检验样本包括8家非金融危机公司（非ST和*ST）以及与之相配对的4家金融危机公司（ST和*ST）。　　（二）指标的选取　　广泛参考以往国内外相关研究、企业财务特点以及衡量风险的方法[3]，选取6大类13个不同方面的财务指标，用来衡量企业的偿债能力、盈利能力、营运能力、发展能力、风险水平及现金流分析[4]，具体见表2。　　二、实证研究　　（一）主成分分析　　为减少多重共线性对模型准确性造成的影响[5]，就选取的36家制造业上市公司2013―2015年的6大类13个财务指标进行正向转换和标准化，采用KMO