基于信息融合的数据挖掘方法在公司财务预警中的应用

doi:10.16381/j.cnki.issn1003-207x.2015.10.020

中国管理科学 ›› 2015, Vol. 23 ›› Issue (10): 170-176.doi: 10.16381/j.cnki.issn1003-207x.2015.10.020

• 论文 • 上一篇

基于信息融合的数据挖掘方法在公司财务预警中的应用

张亮^1,2, 张玲玲^1,2,3, 陈懿冰^2,4, 腾伟丽⁵

1. 中国科学院大学管理学院, 北京 100190;
2. 中国科学院虚拟经济与数据科学研究中心, 北京 100190;
3. 中国科学院大数据挖掘与知识管理重点实验室, 北京 100190;
4. 中国科学院科技政策与管理科学研究所, 北京 100190;
5. 英国诺丁汉特伦特大学诺丁汉商学院, 诺丁汉伯顿街 NG14BU

收稿日期:2014-04-29 修回日期:2015-02-02 出版日期:2015-10-20 发布日期:2015-10-24
作者简介:张亮(1975-),男(汉族),安徽人,中国科学院大学管理学院,硕士,研究方向:数据挖掘、金融管理.
基金资助:
国家自然科学基金资助项目(71071151,71471169)

Based on Information Fusion Technique with Data Mining in the Application of Finance Early-Warning

ZHANG Liang^1,2, ZHANG Ling-ling^1,2,3, CHEN Yi-bing^2,4, TENG Wei-li⁵

1. School of Management, University of Chinese Academy of Sciences, Beijing 100190, China;
2. Research Center on Fictitions Economy and Data Sctence, Chinese Academy of Science, Beijing 100190, China;
3. Key Laboratoy of Big Data Mining and Knowledge Management, CAS, Beijing 100190, China;
4. Institute of Policy and Management, Chinese Academy of Science, Beijing 100190, China;
5. Nottingham Business School Doctorate of Business Administration, Nottingham Burton Street, NG1 4BU

Received:2014-04-29 Revised:2015-02-02 Online:2015-10-20 Published:2015-10-24

摘要/Abstract

摘要： 目前越来越多的数据挖掘方法被用于风险预警中,决策树、支持向量机、神经网络、Logistic回归等方法在风险预警中都表现出了较好的特性和预警效果,但是不同数据挖掘分类方法得到的结果不同,往往导致预警结果的不一致,因此也会存在一定风险。本文引入信息融合技术对不同数据挖掘分类方法得到的结果进行融合处理得到最优的结果,解决了不同数据挖掘方法得到的结果不一致问题。文章在SVM和Logistic回归的数据挖掘模型基础上建立基于信息融合的公司财务预警模型,提高了财务预警准确率,并且保留了原数据挖掘方法在分类预测上的优势。在实证研究中,论文选取了中国制造业的上市公司作为研究对象,在SVM和Logistic回归两种数据挖掘模型的基础上利用信息融合方法建立了财务预警模型,实证结果表明,基于信息融合的数据挖掘方法的预测准确率要高于单独的SVM和Logistic回归两种方法。

关键词: 财务预警, 信息融合, 支持向量机, Logistic回归

Abstract: Different data mining methods for classification can produce different results. However, "one time" data mining process cannot often obtain a well support decision, so we introduce information fusion technique to fuse the different results to gain an optimal solution. In this paper, information fusion technique is used to build a finance early-warning model based on data mining methods such as SVM and Logistic model, which can integrate the respective strengths from different data mining methods to improve the prediction accuracy rate, it fuses the different data mining results to gain the prediction results for reliable decision. The real dataset of Chinese listed manufacturing companies is selected to predict the finance risk with information fusion technique based on SVM and Logistic model, and a higher prediction accuracy than those of the two methods respectively is obtained.

Key words: finance early-warning, SVM model, logistic model, information fusion

中图分类号:

F224

张亮, 张玲玲, 陈懿冰, 腾伟丽. 基于信息融合的数据挖掘方法在公司财务预警中的应用[J]. 中国管理科学, 2015, 23(10): 170-176.

ZHANG Liang, ZHANG Ling-ling, CHEN Yi-bing, TENG Wei-li. Based on Information Fusion Technique with Data Mining in the Application of Finance Early-Warning[J]. Chinese Journal of Management Science, 2015, 23(10): 170-176.

参考文献

[1] Altman E I, Hanldeman R G, Narayanan P. ZETA analysis:A new model to identify bankrupty risk of corporations[J].Journal of Banking and Finance, 1977,1(1):29-54.

[2] Ohlson J A. Financial ratios and the probabilistic prediction of bankruptcy[J].Journal of Accounting Research,1980,18(19):109-131.

[3] Odom M, Sharda R. A neural network model for bankruptcy prediction[J]. Neural Networks in Finance and Investing,1993,2:177-186.

[4] 杨淑娥,王乐平.基于BP神经网络和面板数据的上市公司财务危机预警[J].系统工程理论与实践,2007,2(6):61-67.

[5] 姚靠华,蒋艳辉.基于决策树的财务预警[J].系统工程,2005,23(7):102-106.

[6] Gestel T, Baesens B, Suykens J, et al. Bayesian kernel based classification for financial distress detection[J].European Journal of Operational Research,2006, 172(3):979-1003.

[7] Shin K, Lee T, Kim H. An application of support vector machine in bankruptcy prediction model[J]. Expert Systems with Applications,2005,28(l):127-135.

[8] 杨毓,蒙肖莲.用支持向量机(SVM)构建企业破产预测模型[J].金融研究,2006,(10):65-75.

[9] Koyuncugil A S, Ozgulba N, Financial early warning system model and data mining application for risk detection[J]. Expert Systems with Applications, 2012,39(6):6238-6253.

[10] Mina 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.

[11] 杨淑娥,黄礼.基于BP神经网络的上市公司财务预警模型[J].系统工程理论与实践,2005,25(1):12-18.

[12] 康晓玲,张懿.企业财务预警模型研究-基于中报数据与可持续增长模型的重构[J].科研管理,2009,30(1):45-64.

[13] 谭久均.财务指标与违约距离相融合的上市公司财务预警模型[J].系统工程,2005,23(9):111-117.

[14] 孙洁,李辉,韩建光.基于滚动时间窗口支持向量机的财务困境预测动态建模[J].管理工程学报,2010,24(4):174-180.

[15] 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.

[16] 刘遵雄,郑淑娟,秦宾,等. L1正则化Logistic回归在财务预警中的应用[J].经济数学,2012(2):106-110.

[17] 周宗放,肖珉.我国企业集团上市公司财务预警与信用风险评估研究[D].四川:电子科技大学,2012.

[18] 孟杰.随机森林模型在财务失败预警中的应用[J].统计与决策,2014,(4):179-181.

[19] 辛金国,关建清. 基于数据挖掘民营上市公司绩效评价研究探索[J].中国管理科学,2012,20(57):114-119.

[20] 杨海珍,荆中博,魏先华,等. 银行破产的财务因素分析:金融危机冲击下美国银行业的实证[J].中国管理科学,2012,20(1):71-77.

[21] 文柯. 基于Logistic的上市公司产融结合风隐预警模型研究[J].中国管理科学,2012,20(S2):346-350.

基于信息融合的数据挖掘方法在公司财务预警中的应用

Based on Information Fusion Technique with Data Mining in the Application of Finance Early-Warning

PDF (PC)

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 0

[1]	陈耸,于秀运,邱涌钦,方匡南. 基于半监督支持向量机的信用评分模型[J]. 中国管理科学, 2024, 32(3): 1-8.
[2]	周德强. 估计灰色Verhulst模型参数的LS-SVM方法及应用[J]. 中国管理科学, 2022, 30(3): 280-286.
[3]	王小燕, 张中艳, 马双鸽. 基于文本先验信息的贷款信用风险评估模型[J]. 中国管理科学, 2021, 29(5): 34-44.
[4]	王昱, 杨珊珊. 考虑多维效率的上市公司财务困境预警研究[J]. 中国管理科学, 2021, 29(2): 32-41.
[5]	潘和平, 张承钊. FEPA-金融时间序列自适应组合预测模型[J]. 中国管理科学, 2018, 26(6): 26-38.
[6]	黄星, 袁明, 王绍玉. 基于Mexican Wv-SVM的震灾人员存活量模型[J]. 中国管理科学, 2016, 24(9): 140-146.
[7]	杜元伟, 杨娜. 大数据环境下双层分布式融合决策方法[J]. 中国管理科学, 2016, 24(5): 127-138.
[8]	王书平, 朱艳云. 基于多尺度分析的小麦价格预测研究[J]. 中国管理科学, 2016, 24(5): 85-91.
[9]	衣柏衡, 朱建军, 李杰. 基于改进SMOTE的小额贷款公司客户信用风险非均衡SVM分类[J]. 中国管理科学, 2016, 24(3): 24-30.
[10]	许启发, 张金秀, 蒋翠侠. 基于非线性分位数回归模型的多期VaR风险测度[J]. 中国管理科学, 2015, 23(3): 56-65.
[11]	肖进, 唐静, 刘敦虎, 谢玲, 汪寿阳. 基于改进GMDH的目标客户选择模型研究[J]. 中国管理科学, 2015, 23(10): 162-169.
[12]	王书平, 胡爱梅, 吴振信. 基于多尺度组合模型的铜价预测研究[J]. 中国管理科学, 2014, 22(8): 21-28.
[13]	赛英, 张凤廷, 张涛. 基于支持向量机的中国股指期货回归预测研究[J]. 中国管理科学, 2013, 21(3): 35-39.
[14]	刘京礼, 李建平, 徐伟宣, 石勇. 信用评估中的鲁棒赋权自适应L_p最小二乘支持向量机方法[J]. 中国管理科学, 2010, 18(5): 28-33.
[15]	赵琨, 孔祥纬, 田英杰. 带有多面体扰动的半监督v-支持向量分类机[J]. 中国管理科学, 2010, 18(1): 143-148.