财务预测是财务管理循环中的决定性环节，财务预测对于提高企业经营管理水平和经济效益有着十分重要的作用。企业利用财务预测模型进行财务信息的预测，经过详尽的财务计划，可以充分利用企业资产，以达到企业收益最大化。 为了提高财务预测模型的预测精度，本文提出了把基于选择性集成的神经网络集成方法用于财务预测模型中。神经网络集成方法不但具有人工神经网络智能和非线性的特点。而且它避免人工神经网络配置难的问题，从另一个角度提高了学习系统的泛化能力。本文的主要工作如下： 1、研究了神经网络集成方法中的Bagging方法和Boosting方法在回归问题上的应用，并把它应用到财务预测模型中。经实践表明对于小样本的财务数据，Bagging方法比Bagging方法有更高的预测精度。 2、由于财务数据具有动态的特点，选择符合财务数据特点的循环神经网络，作为人工神经网络集成方法中单个网络的弱学习算法。经实践表明循环神经网络比BP网络有更低的训练误差和更高的训练精确度。 3、为了减少模型集成过程中的时间消耗和进一步提高系统的泛化能力，根据选择性集成神经网络原理，从训练出的网络中选择出一部分进行集成，并用遗传算法来优化集成网络的结合输出结果。经实践表明优化后的选择集成网络的预测精度高于未经优化的网络集成方法。同时，对于一些非动态的会计要素本文也提供了传统的预测方法。 本文的创新点在于针对财务数据动态、非线性的特点，把神经网络集成技术应用到财务预测模型中；其次把循环神经网络作为神经网络集成时的弱学习算法；最后用遗传算法对这个模型进行了优化。经实验表明，最终建立的预测模型有较好的灵活性和应变性，取得了较好的财务预测效果。 该模型最终实现了对资产负债表、预测利润表、预测现金流量表等三张财务报表的预测。这些财务报表比较全面地反映了企业财务状况和财务成果，通过对这些预测报表的进一步财务分析，不但能满足信息使用者的需要，而且可以满足企业计划、决策的需求。 最后用这个模型完成了杭钢股份2005年的预测资产负债表、预测利润表、预测现金流量表等三张预测财务报表。预测报表的预测结果符合规定的预测标准。