基于集成支持向量机的企业财务业绩分类模型研究

被引：12

作者：

蒋艳霞 ^{[1
]}

徐程兴 ^{[2
]}

机构：

[1] 中国人民大学商学院

[2] 北京大学光华管理学院

来源：

中国管理科学 | 2009年 / 17卷 / 02期

关键词：

财务业绩; 支持向量机; AdaBoost算法;

D O I：

10.16381/j.cnki.issn1003-207x.2009.02.011

中图分类号：

F275 [企业财务管理];

学科分类号：

1202 ; 120202 ;

摘要：

要想正确预测公司财务业绩,首先必须选择合适的预测方法。现有文献所采用的财务业绩预测模型普遍存在着泛化能力不强的问题。本文提出用支持向量机方法来预测我国上市公司的财务业绩。为了提高预测准确率,本文还用AdaBoost算法对支持向量机进行了改进(集成支持向量机)。在支持向量机核函数的选择上,我们采用了实验法,即对每个核函数及其相关参数的预测效果都进行了测算,以期找出最适用的预测模型。实证结果表明,径向基核函数(rbf)的效果最好,支持向量机方法预测准确率远远高于其它方法。

引用

页码：42 / 51

页数：10

共 9 条

[1] 用支持向量机(SVM)构建企业破产预测模型 [J].

杨毓 ;

蒙肖莲 .

金融研究, 2006, (10) :65-75

[2] 基于支持向量机的财务预警方法 [J].

邱玉莲 ;

朱琴 .

统计与决策, 2006, (16) :153-155

[3] 基于人工神经网络方法的上市公司股价预测 [J].

杨成 ;

程晓玲 ;

殷旅江 .

统计与决策, 2005, (24) :106-108

[4] 基于价值创造和公司治理的财务状态分析与预测模型研究 [J].

吴超鹏 ;

吴世农 .

经济研究, 2005, (11) :99-110

[5] 基于支持向量机的金融时间序列预测 [J].

杨一文 ;

杨朝军 .

系统工程理论方法应用, 2005, (02) :176-181

[6]

A real-valued genetic algorithm to optimize the parameters of support vector machine for predicting bankruptcy[J] . Chih-Hung Wu,Gwo-Hshiung Tzeng,Yeong-Jia Goo,Wen-Chang Fang.Expert Systems With Applications . 2005 (2)

[7]

Financial time series forecasting using support vector machines[J] . Kyoung-jae Kim.Neurocomputing . 2003 (1)

[8]

Modified support vector machines in financial time series forecasting[J] . Francis E.H. Tay,L.J. Cao.Neurocomputing . 2002 (1)

[9] ε-descending support vector machines for financial time series forecasting [J].

Tay, FEH ;

Cao, LJ .

NEURAL PROCESSING LETTERS, 2002, 15 (02) :179-195

← 1 →