導語：零售企業(yè)財務預警論文一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

一、主成分分析和最小二乘支持向量機算法模型構(gòu)建與研究思路

無論對風險預警進行訓練、測試還是數(shù)據(jù)分析都需要一定數(shù)量的樣本集,本文結(jié)合我國證券市場的現(xiàn)實特點,選擇中小企業(yè)板零售行業(yè)15家上市公司2006～2010年連續(xù)5年的年報財務數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù),財務年報數(shù)據(jù)真實且具有可比性。在綜合考慮零售行業(yè)特點的基礎(chǔ)上,將ST公司視為“財務危機”企業(yè),如*ST德棉、ST邁亞和ST欣龍等,選擇能夠體現(xiàn)企業(yè)財務狀況和經(jīng)營成果的5大類,14個重要相對指標(見表1)。利用PCA和LS-SVM進行財務風險預警是要在各輔助變量和狀態(tài)量之間建立非線性模型,首先對獲取的輸入變量數(shù)據(jù)進行標準化處理,再利用PCA提取數(shù)據(jù),獲得主成分樣本集,作為最小二乘支持向量機的輸入,得到網(wǎng)絡化資源優(yōu)化配置模型。建立的框架如圖1所示:選用徑向基核(RBF核函數(shù))作為最小二乘支持向量機的核函數(shù)如下式:,σ為可調(diào)常數(shù),結(jié)合三步搜索法和多層動態(tài)自適應優(yōu)化算法對企業(yè)財務預警模型進行訓練[4],用測試集驗證,選擇合適的超參數(shù)γ和徑向基核參數(shù)σ?；谥鞒煞址治龊妥钚《酥С窒蛄繖C的制造網(wǎng)格資源優(yōu)化配置建?？梢酝ㄟ^以下步驟實現(xiàn):(1)對p維隨機矢量Xn×p原始樣本集進行Z-Score標準化,使每個隨機矢量的均值為0,方差為1。(2)由協(xié)方差矩陣求出主成分值和特征向量,根據(jù)期望值和累計貢獻率確定主成分,這樣通過PCA可將p維隨機矢量變?yōu)閙維主元變量(m<p)。(3)將三步搜索法和多層動態(tài)自適應優(yōu)化算法引入到最小二乘支持向量機參數(shù)選擇中,二維空間平面由γ和RBF核參數(shù)σ組成的,以模型的預報準確率作為判別準則,能夠找到最優(yōu)的組合,建立PCA-LSSVM預警模型,并用建立好的模型進行仿真。

二、算例分析

風險預警機制包含一些定量財務指標,企業(yè)風險級別可以通過計算企業(yè)財務指標來反映,以其短期償債能力、長期償債能力、運營能力、獲利能力和發(fā)展能力等指標為依據(jù),了解企業(yè)財務狀況的變化,進而達到預警的作用。取與財務預警模型對應時刻競爭因素的特征變量計算值作為初始量測樣本,剔除病態(tài)樣本數(shù)據(jù)和異常數(shù)據(jù),選取45組零售企業(yè)數(shù)據(jù)作為訓練樣本,同一行業(yè)的10組企業(yè)數(shù)據(jù)作為測試樣本來建立和檢驗模型,然后對該初始樣本集進行主成分分析。

三、結(jié)論

制造網(wǎng)格資源優(yōu)化配置為企業(yè)聯(lián)盟自動選擇和控制提供了可能,本文研究和提出了一種基于PCA和最小二乘支持向量機技術(shù)的企業(yè)財務風險預警方法。該方法采用了主成分分析,有效地消除了噪聲和數(shù)據(jù)間的關(guān)聯(lián)性,在保證足夠樣本數(shù)據(jù)信息的前提下,降低了樣本數(shù)據(jù)的維數(shù)(從14維到10維)。同時根據(jù)樣本特征,設計適合風險預警的LS-SVM結(jié)構(gòu)用于估計,使復雜度大大降低,運算速度加快。該模型具有泛化能力強、實現(xiàn)簡單、訓練速度快等優(yōu)點,為零售行業(yè)中企業(yè)財務的正確管理提供了極大方便。

作者:韓霞單位:錫林郭勒職業(yè)學院