管理科学学报
管理科學學報
관이과학학보
JOURNAL OF MANAGEMENT SCIENCES IN CHINA
2009年
3期
102-110
,共9页
公司财务困境%模糊支持向量机%预测
公司財務睏境%模糊支持嚮量機%預測
공사재무곤경%모호지지향량궤%예측
支持向量机(SVM)已经成功地应用于财务困境预测问题的研究,且已证明优于多元线性判别分析(MDA)、逻辑回归(Logistic regression)和神经网络(NN)等方法.然而,传统SVM使用结构风险最小化的原则,这样可能导致错误分类的经验风险升高,特别是当样本点与最优超平面十分接近的时候,这种误分类的经验风险显著升高.另外,传统SVM还存在过拟合问题,所以对数据集中的外点或噪声十分敏感.因此,采用模糊支持向量机(FSVM)算法来改进上述不足.首先,建立一个适当的成员模型用于对整个数据集的模糊处理;然后通过外点侦察方法(ODM)来发现外点,其中ODM集成了模糊C-均值算法(Fuzzy C-mean algorithm)和无监督神经网络中的自组织映射(SOM).最后,为主体集和外点集中的样本点分配不同的权值.还将FSVM应用于上市公司财务困境预测的实证研究,实证结果表明FSVM与传统SVM相比,FSVM 能较好的解决经验风险升高和过度拟合问题,确实降低了外点的影响并提高了分类器的分类准确率.
支持嚮量機(SVM)已經成功地應用于財務睏境預測問題的研究,且已證明優于多元線性判彆分析(MDA)、邏輯迴歸(Logistic regression)和神經網絡(NN)等方法.然而,傳統SVM使用結構風險最小化的原則,這樣可能導緻錯誤分類的經驗風險升高,特彆是噹樣本點與最優超平麵十分接近的時候,這種誤分類的經驗風險顯著升高.另外,傳統SVM還存在過擬閤問題,所以對數據集中的外點或譟聲十分敏感.因此,採用模糊支持嚮量機(FSVM)算法來改進上述不足.首先,建立一箇適噹的成員模型用于對整箇數據集的模糊處理;然後通過外點偵察方法(ODM)來髮現外點,其中ODM集成瞭模糊C-均值算法(Fuzzy C-mean algorithm)和無鑑督神經網絡中的自組織映射(SOM).最後,為主體集和外點集中的樣本點分配不同的權值.還將FSVM應用于上市公司財務睏境預測的實證研究,實證結果錶明FSVM與傳統SVM相比,FSVM 能較好的解決經驗風險升高和過度擬閤問題,確實降低瞭外點的影響併提高瞭分類器的分類準確率.
지지향량궤(SVM)이경성공지응용우재무곤경예측문제적연구,차이증명우우다원선성판별분석(MDA)、라집회귀(Logistic regression)화신경망락(NN)등방법.연이,전통SVM사용결구풍험최소화적원칙,저양가능도치착오분류적경험풍험승고,특별시당양본점여최우초평면십분접근적시후,저충오분류적경험풍험현저승고.령외,전통SVM환존재과의합문제,소이대수거집중적외점혹조성십분민감.인차,채용모호지지향량궤(FSVM)산법래개진상술불족.수선,건립일개괄당적성원모형용우대정개수거집적모호처리;연후통과외점정찰방법(ODM)래발현외점,기중ODM집성료모호C-균치산법(Fuzzy C-mean algorithm)화무감독신경망락중적자조직영사(SOM).최후,위주체집화외점집중적양본점분배불동적권치.환장FSVM응용우상시공사재무곤경예측적실증연구,실증결과표명FSVM여전통SVM상비,FSVM 능교호적해결경험풍험승고화과도의합문제,학실강저료외점적영향병제고료분류기적분류준학솔.
