论文部分内容阅读
这是一个最好的时代,也是一个最坏的时代。在经济全球化的时代里,每个公司都面临着前所未有的机遇与挑战。每个公司都有可能因为外部或内部因素而遭遇财务困境,寻找合适的模型预测公司财务危机,可以帮助公司在竞争中处于优势地位,且给公司利益相关方提供决策支持。因此对公司是否面临财务困境的预测是有着十分重要的现实意义的。在最近的几十年里,机器学习算法发展迅速,成为当代方法学的一个重要组成部分。而对上市公司财务困境的预测方法也从最开始的统计方法逐渐过渡到机器学习方法。本文主要使用了常用于上市公司财务困境预测的四个机器学习算法:支持向量机算法、逻辑回归算法、决策树算法、神经网络算法,以及两个集成算法:Stacking模型以及基于并联的SVM-Logistic模型。本文主要对四个简单机器学习算法进行参数优化及对比分析,再对比两个集成算法与四个基模型的分类效果,以及对两个集成模型之间的预测性能对比分析,最终得出以下结论:四个基模型中预测性能最好的是支持向量机模型;两个集成模型的预测效果都优于单独的基模型;Stacking模型的预测效果略好于SVM-Logistic 模型。本文的主要创新点有:(1)数据选择方面,本文选取的数据是根据2017年-2019年的财务信息选取的公司数据。(2)样本选择方面,本文采取了以往文献未使用的欠采样方法——基于相邻思想的NearMiss算法来处理不平衡数据,而并非是随机欠采样。(3)模型选择方面,本文选用的集成模型是Stacking模型,可以对不同类别的基模型进行融合,有别于只能融合同类别基模型的集成算法。本文运用Stacking模型对四种经典的机器学习模型进行集成作为本文的主要模型。