企业陷入财务危机是一个渐进的过程,完全有可能在危机发生之前使用有效的方法预先发现。利用各上市公司的财务报表数据,应用统计方法对各项指标进行分析,构建一个有效的精度高,泛化能力强的财务危机预警模型,以便提早揭示风险并及时采取有效措施防范和化解危机,对上市公司及其利益相关者都具有十分重要的现实意义。 利用财务指标进行企业财务危机预警的实证模型众多。虽然这些模型在一定程度上提高了模型的精度,但是,由于财务危机预警问题非线性、小样本、高维度、非平衡型的数据特点,这些模型方法并不能完全适应实际的财务危机预警问题较高的精度和泛化能力的要求。作为上世纪九十年代兴起的一种新的机器学习技术,支持向量机在许多领域都取得成功的应用,在财务危机预警方面也具有理论优势,但是和任何新兴技术一样,在实际运用中由于缺乏系统的参数选择理论,所以往往在面对非标准化或者说“理想化”的数据分布情况时,传统型支持向量机未能发挥出应有的优势,学习性能表现得不尽人意,这在很大程度上制约了支持向量机在财务危机预警领域的推广和应用。针对这个情况,本文从数据集优化和参数选择的优化两个方面,就如何提高基于支持向量机学习算法的财务危机预警模型的精度和泛化能力进行了研究和探讨,以期给出较理想的预警方法。 本文在简单探讨上市公司财务危机预警及其步骤的过程中,对小样本、高维度、非平衡数据分布情况下的财务危机预警方法的选择问题进行讨论,引出了SVM在上市公司财务危机预警问题中的优势,进而阐明了本文选择支持向量机作为研究方法的原因,并分别从实证研究和理论角度加以佐证。接着本文重点研究了基于支持向量机学习算法的财务危机预警模型的优化： (1)针对如何进一步提高小样本、高维度问题下的支持向量机的学习能力和泛化能力问题,尝试利用行业选择分析的方法来提高样本财务指标的代表性,从而提高分类模型的精度,然后再运用主成分分析法,进行降维,优化输入数据样本集,这有效提高支持向量机的学习能力和泛化能力。 (2)针对SVM算法关键参数的选择目前还缺乏系统理论指导的问题,提出把PSO算法和SVM算法结合,对SVM算法的关键参数进行优选,科学有效的确定SVM算法的参数,从而在一定程度上提高了基于SVM算法的财务危机预警模型的精度和泛化能力。 作者还对论文中提出的基于SVM算法的财务危机预警模型的优化方法进行了实证分析,总计判断正确率为83.33％,我们的预测准确率提高了11个百分点,特别是对陷入财务危机的公司预测的准确率达到81.48％,提高了10个百分点,提高了预警模型的有效性,提高了预警模型的有效性。实证结果表明这个方法取得了较好的学习性能,有效提高了基于SVM算法的财务危机预警模型的精度和泛化能力,得到了更好的预警效果。