基于隨機(jī)森林的上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警分析-閱讀頁(yè)
2025-07-03 19:00本頁(yè)面
【正文】 T71第二類：比率加權(quán)：工業(yè)正常18012第一類：ST33918第二類：比率加權(quán)：流通正常178113第一類：ST20633第二類：比率加權(quán)：生產(chǎn)、生活服務(wù)部門正常7927第一類：ST13041第二類：比率加權(quán)：教科文正常7837第一類：ST12917第二類：比率加權(quán)：從隨機(jī)森林預(yù)測(cè)結(jié)果上來(lái)看精度有所下降，然而值得注意的是在行業(yè)分類之后各類別的樣本數(shù)量已經(jīng)較少，與最初使用的大樣本比較下會(huì)有精度的下降。為了讓劃分行業(yè)后的預(yù)測(cè)結(jié)果具有可比性，我們從未分行業(yè)的總體樣本中分層抽取了同等數(shù)量的樣本（600個(gè)）建立隨機(jī)森林，結(jié)果如下表10：表10 同等樣本下的不分行業(yè)隨機(jī)森林預(yù)測(cè)誤差 實(shí)際 預(yù)測(cè)正常ST比率分類誤差正常151922第一類：ST206103第二類：比率加權(quán)：結(jié)果顯示，同等樣本數(shù)量下，分行業(yè)的隨機(jī)森林模型預(yù)測(cè)誤差明顯比不分行業(yè)的隨機(jī)森林預(yù)測(cè)誤差小。預(yù)測(cè)精度提高意味著這種人為的分類在本質(zhì)上增加了有助于分類的信息量，能保證隨機(jī)森林更能在具有行業(yè)特點(diǎn)的數(shù)據(jù)中利用對(duì)分類有價(jià)值的信息。五、 局限性及改進(jìn)措施本文所研究的財(cái)務(wù)危機(jī)預(yù)警的方法需要大量各類數(shù)據(jù)，而實(shí)際數(shù)據(jù)的不平衡性導(dǎo)致了分類效果的局限性。本文沒(méi)有考慮數(shù)據(jù)缺失下的分類技術(shù)，實(shí)際上隨機(jī)森林可以處理數(shù)據(jù)缺失問(wèn)題。六、 結(jié)論在第一部分，本文提出了上市公司財(cái)務(wù)危機(jī)預(yù)警的重要性，并認(rèn)為中國(guó)上市公司是否被ST是財(cái)務(wù)危機(jī)的標(biāo)志?？紤]到不同財(cái)務(wù)指標(biāo)的解釋能力，借助于杜邦分析系統(tǒng)的思路，我們將指標(biāo)分為一級(jí)指標(biāo)和二級(jí)指標(biāo)，二種指標(biāo)同時(shí)納入隨機(jī)森林模型。本文又提出：數(shù)據(jù)可以分為兩類，那么也有兩類分類誤差：將未來(lái)被ST的公司分類成運(yùn)營(yíng)正常的公司；將運(yùn)營(yíng)正常的公司分類成未來(lái)被ST的公司。結(jié)論顯示：隨機(jī)森林算法的精度比前人研究得出的結(jié)論要高，實(shí)際解釋能力也強(qiáng)。結(jié)論顯示：應(yīng)收賬款周運(yùn)轉(zhuǎn)率、beta系數(shù)等對(duì)分類貢獻(xiàn)較大；市凈率等對(duì)分類貢獻(xiàn)較小。在靈敏度分析中，本文考慮了如何選取兩類誤差的重要性程度，即各自權(quán)重。但是無(wú)論RAR（衡量風(fēng)險(xiǎn)厭惡\喜好的變量）如何變化，利益相關(guān)者接受的分類誤差都位于兩類誤差之間。本文研究發(fā)現(xiàn)訓(xùn)練集合樣本量固定的條件下，兩種分類誤差存在此消彼長(zhǎng)的趨勢(shì)，此為模型固有的缺陷，即在數(shù)據(jù)有限性的條件下，無(wú)法獲得更高的精度。我們對(duì)重復(fù)抽樣（復(fù)制少數(shù)類樣本的方法）和不重復(fù)抽樣（多數(shù)類不放回抽樣）進(jìn)行了比較分析，發(fā)現(xiàn)對(duì)某一分類數(shù)據(jù)重復(fù)抽樣、不重復(fù)抽樣的方法都能提高分類精度。經(jīng)過(guò)分析，我們認(rèn)為：重復(fù)抽樣雖然能強(qiáng)化少數(shù)類數(shù)據(jù)的信息，但是沒(méi)有提供或創(chuàng)造新的少數(shù)類信息，而不重復(fù)抽樣在本質(zhì)上提供了更多的分類信息，更能提高分類的精度。鑒于行業(yè)的差異性，在第二部分中無(wú)差別的將不同行業(yè)的兩類數(shù)據(jù)納入考慮是值得改進(jìn)的。在相同的抽樣比、樣本量下，我們發(fā)現(xiàn)：劃分行業(yè)以后對(duì)不同行業(yè)分別使用隨機(jī)森林算法，得出的分類精度要優(yōu)于不劃分行業(yè)的隨機(jī)森林算法。參考文獻(xiàn)[1] 陳靜. 上市公司財(cái)務(wù)惡化預(yù)測(cè)的實(shí)證分析[J]. 《會(huì)計(jì)研究》,1999年第4期[2] 劉艷麗. 隨機(jī)森林綜述. 南開大學(xué)碩士論文[3] 周兵，張軍. 上市公司財(cái)務(wù)狀況惡化的預(yù)警模型分析[J].《 華東經(jīng)濟(jì)管理》,2002年第16期[4] 章之旺. 上市公司財(cái)務(wù)困境成本的定量分析[J]. 《財(cái)經(jīng)理論與實(shí)踐（雙月刊）》,2004年第15期[5] 馬景義，謝邦昌. 用于分類的隨機(jī)森林和Bagging分類樹比較. 統(tǒng)計(jì)與信息論壇，第25卷第10期[6] 王克敏,姬美光. 公司ST 成因與預(yù)警研究基于財(cái)務(wù)與非財(cái)務(wù)指標(biāo)的比較分析[7] 陳曉，陳治鴻. 中國(guó)上市公司財(cái)務(wù)困境預(yù)測(cè)[J]. 《中國(guó)會(huì)計(jì)與財(cái)務(wù)研究》，2000 年第3 期[8] 張玲. 財(cái)務(wù)危機(jī)預(yù)警分析判別模型[J]. 《數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究》，2000年第3期[9] 姜國(guó)華,王漢生. 財(cái)務(wù)報(bào)表分析與上市公司ST預(yù)測(cè)的研究,《審計(jì)研究》，2004 年6 期[10] 吳世農(nóng)、盧賢義：我國(guó)上市公司財(cái)務(wù)困境的預(yù)測(cè)模型研究，《經(jīng)濟(jì)研究》，2001 第6 期[11] Altman, ., 1968, Financial Ratios, Discriminant Analysis and Prediction ofCorporate Bankruptcy, Journal of Finance 9,589609.[12] Beaver, W. H., 1966, Financial Ratios as Predictors of Failure, Journal ofAccounting Research 4, 71102.[13] Ohlson, ., 1980, Financial Ratios and the Probabilistic Prediction ofBankruptcy, Journal of Accounting Research 19,109131.[14] Fitzpatrick, ., 1932, A Comparison of Ratios of Successful Industrial[15] Enterprises with Those of Failed Firms, Certified Public Accountant 2,589605,656662.[16] Breiman L. Bagging Preditors [J]. Machine Learning, 1996,24(2).[17] Dietterich T. An Experimental Comparison of Three Methods for Constructing Ensembles of Decision Trees:Bagging,[18] Boosting and Randomization [J]. Machine Learning, 2000,40(2).[19] Ho T K. The Random Subspace Method for Constructing Decision Forests [J]. Pattern Analysis and Machine Intelligence, 1998,20(8).[20] Amit Y, Geman D. Shape Quantization and Recognition with Randomized Trees[J].Neural Computation, 1997,9(7).[21] Breiman L. Random Forests[J]. Machine Learning, 2001,45(1).22
試題試卷相關(guān)推薦
鄂ICP備17016276號(hào)-1