| 367 | 15 | 43 |
| 下载次数 | 被引频次 | 阅读次数 |
为提高企业财务困境预测精度,将灰狼优化算法应用于SVM模型的惩罚系数C和核函数参数g优化,提出一种基于GWO-SVM的财务困境预测模型。研究结果表明,与PSO-SVM、GA-SVM、DE-SVM和SVM相比,GWO-SVM可以有效提高财务困境预测的精度,为财务困境预测预测提供了新的方法和途径,从而为企业战略的制定和调整以及投资者的决策提供了重要的参考依据。
Abstract：In order to improve the prediction accuracy of financial distress of enterprises, the grey wolf optimization algorithm is applied to the optimization of the penalty coefficient C and kernel function parameter g in the SVM model, and a financial distress prediction model based on GWO-SVM is proposed. Compared with PSO-SVM, GA-SVM, DE-SVM and SVM, the research results show that GWO-SVM can effectively improve the accuracy of financial distress prediction and provide new methods and approaches for financial distress prediction. Therefore, it provides important reference for the formulation and adjustment of enterprise strategy and investors' decision-making.
[1] Fan A, Palaniswami M. Selecting bankruptcy predictors using a support vector machineapproach[C]// IEEE-INNS-ENNS International Joint Conference on Neural Networks. IEEE, 2002.时间,地点,页码?
[2] Min J H, Lee Y C. Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters[J]. Expert Systems with Applications, 2005, 28(4):603-614.
[3] Van Gestel T, Baesens B, Suykens J A K, et al. Bankruptcy prediction with least squares support vector machines classifiers[C]// IEEE International Conference on Computational Intelligence for Financial Engineering. IEEE, 2003. 时间,地点,页码?
[4] 李贺, 冯天瑾, 王树文. 一种基于SVM的多变量企业财务预警模型[J]. 通讯和计算机(中英文版), 2005(8):32-36.
[5] 徐晓燕. 企业财务困境的预测方法研究[D]. 合肥:中国科学技术大学, 2006.
[6] Mirjalili S, Mirjalili S M, Lewis A. Grey Wolf Optimizer[J]. Advances in Engineering Software, 2014, 69(3):46-61.
[7] Mirjalili S. How effective is the Grey Wolf optimizer in training multi-layer perceptrons [J]. Applied Intelligence, 2015, 43(1):150-161.
[8] 陈云, 杨晓雪. 基于新闻文本的上市公司财务困境组合预测模型 [J]. 计算机应用研究, 2017, 34(6):1663-1667.
[9] 张颖, 黄洁婷, 贺正楚. 基于非线性组合模型的P2 P网贷平台危机预警研究[J]. 财经理论与实践, 2017, 38(6):23-28.
[10] 陈影, 任永平. 基于支持向量机的中小企业信用准入评价的简化变量分析[J]. 上海金融, 2016(11):91-95.
[11] 李扬, 李竟翔, 马双鸽. 不平衡数据的企业财务预警模型研究[J]. 数理统计与管理, 2016, 35(5):893-906.
[12] 蔡欢. 基于遗传算法和LS-SVM的财务危机预测[J]. 统计与决策, 2017(2):33-36.
[13] 刘玉敏, 申李莹, 任广乾. 基于PCA-PSO-SVM的上市公司财务危机预警[J]. 管理现代化, 2017, 37(3):12-14.
[14] 孙洁, 李辉. 遗传算法优化灰色案例推理的财务困境预测[J]. 科研管理, 2009, 30(2):119-125.
[15] 宋新平, 丁永生, 曾月明. 基于遗传算法的同步优化方法在财务困境预警中的应用[J]. 预测, 2009, 28(1):48-55.
[16] 韩建光, 惠晓峰, 孙洁. 基于多特征子集组合分类器的企业财务困境预测[J]. 系统管理学报, 2010, 19(4):420-427.
[17] 岑涌, 钟萍, 罗林开. 基于GA-SVM的企业财务困境预测[J]. 计算机工程, 2008, 34(7):223-225.
基本信息:
中图分类号:F275;TP18
引用信息:
[1]孙嘉楠,齐丽.基于GWO-SVM的财务困境预测模型研究[J].微型电脑应用,2019,35(04):95-99.
2019-04-20
2019-04-20