發(fā)布時間：2020-11-17 17:24

　　 隨著我國經濟的飛速發(fā)展,以上市公司為主的金融市場規(guī)模也在不斷增加。在金融市場的海洋中,暗礁無處不在,其中財務風險是上市公司不可避免的難題。當公司陷入財務風險時,不僅上市公司本身的價值會被削弱,還會對公司未來的發(fā)展前景產生較嚴重的影響。在此背景下,如何準確預測財務風險是上市公司和投資者都十分關心的問題,對于保障各方的利益,以及維護金融市場的穩(wěn)定具有重要意義。對上市公司來說,準確預測財務風險可以避免陷入財務危機,加強市場對公司的信心,促進企業(yè)更加高速地發(fā)展。對投資者來說,上市公司的財務狀況直接關系到投資者的收益,如果能夠預測到公司未來的財務風險,投資者就可以避免因上市公司陷入財務風險而導致自身過大的損失,及時止損。在財務會計領域,在財務風險的預測上已經做了許多工作。通常分析上市公司的三大財務報表中的重要財務指標來反映一個企業(yè)是否陷入財務風險,或者使用不同方法對各大財務指標進行處理,例如比率分析法等。用處理之后的財務指標進行預測分析,又或者使用財務指標代入不同領域的方法模型中對財務風險進行預測,例如SVM、決策樹等。但是在以往的論文中,大部分的工作主要是使用公司年度報告中的結構化數據(即財務指標)來構建上市企業(yè)財務風險預測模型,我們分析認為僅考慮財務指標數據是不全面的,忽視了財務文本的作用,是不合理的,因為財務文本中蘊含大量未發(fā)掘的、對于預測財務風險有幫助的內在信息。本論文投資方的視角去研究上市公司的財務風險模型。我們基于上市公司年報中的信息來預測公司的財務風險。具體來說,本文提取上市公司年報中的結構化財務數據(以下簡稱財務數據)和非結構化財務文本(以下簡稱財務文本)來進行財務風險預測。論文提出了三種模型,第一種模型使用財務數據分別采用CNN模型、SVM和XGBoost進行建模,第二種模型使用財務文本采用LSTM+注意力機制進行建模,第三種模型將財務數據與財務文本結合起來建模。在第三種模型中我們嘗試使用了兩種網絡結構,一種由CNN卷積神經網絡和LSTM長短期記憶神經網絡組成,另一種由單隱層前饋神經網絡和LSTM長短期記憶神經網絡組成。實驗結果顯示,非結構化財務文本中包含了重要信息,但是單獨使用財務文本來預測財務風險效果不佳,而在基于財務數據的模型中加入文本能顯著提高財務風險預測的準確性。此外,財務文本可以有多種方式與財務數據相結合,不同的結合方法,以及不同的財務數據特征提取方法都會對模型性能產生影響。本文的研究證實了上市公司報告中的文本具有重要的研究價值,對于財務風險預測也提供了新的思路,研究成果對于投資者和企業(yè)管理者有重要的參考價值。
【學位單位】：江西財經大學
【學位級別】：碩士
【學位年份】：2020
【中圖分類】：F832.51;F275
【部分圖文】：

文本與財務數據相結合的上市公司財務風險預測2十二大章節(jié)構成。如圖1-1所示。圖1-1年報構成年報中較為重要的章節(jié)有“第二節(jié)公司簡介和主要財務指標”、“第四節(jié)經營情況討論與分析”、“第五節(jié)重要事項”、“第十一節(jié)財務報告”等幾大章節(jié)。其中“第二節(jié)公司簡介和主要財務指標”主要是公司過去一年的財務報表數據的披露，用數據反映了過去一年公司的財務經營狀況。“第四節(jié)經營情況討論與分析”主要分析上市公司的經營情況、經營模式以及經營策略等，是對過去一年經營情況整體情況的匯報總結，以及對未來經營方向等方面的一個概述�！暗谖骞�(jié)重要事項”主要是反映過去一年上市公司需要特殊說明的事項，主要包括：重大訴訟，公司、公司董事以及高級管理人員受處罰情況，股東變更，

文本與財務數據相結合的上市公司財務風險預測102.1.1支持向量機支持向量機（SVM）模型是一種針對帶標簽數據集可以被線性分開所提出的分類模型，即對已有類別標簽的數據進行二分類監(jiān)督學習（supervisedlearning）的廣義線性分類器（generalizedlinearclassifier），其算法原理是依據有類別標簽的數據集來求解最大邊距超平面（maximum-marginhyperplane），從而以超平面為分割線，確立不同類別的有效區(qū)域。SVM分類中的其主要困難是確定能夠正確劃分帶分類標簽數據的幾何分離超平面。分類的準確率高低以及模型的好壞，取決于超平面的優(yōu)劣。如下圖2-1所示。圖2-1超平面劃分圖例如，假定現有數據集D={(1，1)，(2，2)，(31，3)，…，(，)}，∈{-1，1}，我們希望能在樣本空間找一個很好的區(qū)分平面，但是能將樣本區(qū)分的超平面并不是唯一的，如圖2-1所示，P1、P2、P3都能區(qū)分樣本。那么應該取哪個呢？直觀的看，應該尋找位于兩類帶標簽樣本“正中間”的劃分超平面。即P2，因為P2對樣本數據局部擾動的“容忍性”最好。例如，當訓練數據擁有噪聲時，P2所受的干擾最小，因為它距離超平面兩邊的樣例的距離都相對較遠。換句話說，P2所產生的分類結果是最好的。對未出現在訓練集中的數據的泛化能力最強。在樣本空間，劃分樣本數據的超平面可以通過下列線性方程描述：+=0(2.1)

第二章相關理論與技術簡介11其中=(1;2;3;…;)為法向量，決定了超平面的方向。為位移項，決定了超平面與原點的距離。很顯然，超平面可以由法向量與位移項確定。我們將超平面記為(，)，則樣本空間里面的樣本點到超平面(，)的距離可以有計算出來，即：=|+|‖‖(2.2)假設超平面(，)能將訓練數據集進行正確分類，即對于(，)∈D，若=+1，則有+>0，若=-1，則有+<0，即：{+≥+1，=+1+≤1，=1(2.3)如圖2-2所示，距離超平面最近的一些訓練數據點使式（2.3）等號成立。這些訓練樣本點被稱為“支持向量”（supportvector），兩個不同類別的支持向量到超平面的距離之和為：=2‖‖(2.4)公式(2.4)被稱為“間隔”（margin）。圖2-2支持向量的定義SVM模型就是想要去在數據空間中找出是所有數據能“最大間隔”的超平面(，)，換句話說就是要找出能滿足式子（2.3）中的兩大約束條件和，使
【參考文獻】

相關期刊論文 前5條

1 蔡秋童;何宗祥;;企業(yè)財務數據的決策模型分析[J];安徽師范大學學報(自然科學版);2015年05期

2 謝德仁;林樂;;管理層語調能預示公司未來業(yè)績嗎?——基于我國上市公司年度業(yè)績說明會的文本分析[J];會計研究;2015年02期

3 劉丹;郭蕾;;A汽車股份有限公司財務報表分析[J];現代經濟信息;2015年03期

4 李建平;李剛;豐吉闖;李銘祿;;證券公司整體風險的度量方法與實證[J];系統工程理論與實踐;2012年03期

5 包媚嬌;;新準則下長期資產減值不得轉回對ST公司的影響初探[J];現代經濟(現代物業(yè)下半月刊);2008年11期

相關博士學位論文 前1條

1 劉赫;文本分類中若干問題研究[D];吉林大學;2009年

相關碩士學位論文 前10條

1 戴偉達;基于全卷積神經網絡的語義分割算法研究[D];南京郵電大學;2019年

2 王霄;基于SVM的滬深300指數量化擇時策略實證研究[D];蘭州大學;2019年

3 王靜;上市交通運輸企業(yè)財務風險預測研究[D];中國民航大學;2019年

4 馬旭輝;基于機器學習的上市公司財務風險智能識別研究[D];南京大學;2019年

5 葛丹妮;基于注意力機制的特征選擇：一種面向海量復雜數據的高效架構[D];浙江理工大學;2019年

6 賀琳;基于PCA-BP和SVM的上市公司財務風險預測研究[D];西安工程大學;2018年

7 劉陽;基于SVM的信息服務業(yè)上市公司財務風險預測研究[D];華中師范大學;2017年

8 馮珍慧;基于粒子群優(yōu)化BP神經網絡的上市公司財務風險預測研究[D];東華大學;2017年

9 羅旻婧;基于時間序列的財務風險預測研究[D];廣東財經大學;2016年

10 易可欣;基于貝葉斯網絡的信息產業(yè)財務風險預測研究[D];湖南大學;2016年

本文編號：2887748