零售企業財務預警論文

導語：零售企業財務預警論文一文來源于網友上傳，不代表本站觀點，若需要原創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建與研究思路

無論對風險預警進行訓練、測試還是數據分析都需要一定數量的樣本集,本文結合我國證券市場的現實特點,選擇中小企業板零售行業15家上市公司2006～2010年連續5年的年報財務數據作為基礎數據,財務年報數據真實且具有可比性。在綜合考慮零售行業特點的基礎上,將ST公司視為“財務危機”企業,如*ST德棉、ST邁亞和ST欣龍等,選擇能夠體現企業財務狀況和經營成果的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量之間建立非線性模型,首先對獲取的輸入變量數據進行標準化處理,再利用PCA提取數據,獲得主成分樣本集,作為最小二乘支持向量機的輸入,得到網絡化資源優化配置模型。建立的框架如圖1所示:選用徑向基核(RBF核函數)作為最小二乘支持向量機的核函數如下式:,σ為可調常數,結合三步搜索法和多層動態自適應優化算法對企業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γ和徑向基核參數σ。基于主成分分析和最小二乘支持向量機的制造網格資源優化配置建模可以通過以下步驟實現:(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)由協方差矩陣求出主成分值和特征向量,根據期望值和累計貢獻率確定主成分,這樣通過PCA可將p維隨機矢量變為m維主元變量(m<p)。(3)將三步搜索法和多層動態自適應優化算法引入到最小二乘支持向量機參數選擇中,二維空間平面由γ和RBF核參數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,企業風險級別可以通過計算企業財務指標來反映,以其短期償債能力、長期償債能力、運營能力、獲利能力和發展能力等指標為依據,了解企業財務狀況的變化,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,剔除病態樣本數據和異常數據,選取45組零售企業數據作為訓練樣本,同一行業的10組企業數據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、結論

制造網格資源優化配置為企業聯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的企業財務風險預警方法。該方法采用了主成分分析,有效地消除了噪聲和數據間的關聯性,在保證足夠樣本數據信息的前提下,降低了樣本數據的維數(從14維到10維)。同時根據樣本特征,設計適合風險預警的LS-SVM結構用于估計,使復雜度大大降低,運算速度加快。該模型具有泛化能力強、實現簡單、訓練速度快等優點,為零售行業中企業財務的正確管理提供了極大方便。

作者:韓霞單位:錫林郭勒職業學院