基于RS-LSSVM制造业上市公司财务危机预警模型

针对制造业上市公司财务危机影响因素多、 各影响因素之间相互关联、 样本信息采集困难等问题, 本文结合财务危机理论构建了上市公司财务危机影响因素指标体系, 基于粗糙集理论融合最小二乘支持向量机方法, 提出了制造业上市公司财务危机预警模型, 预警了未来 ３ 年的财务危机情形, 对比了该模型与传统的最小二乘支持向量机的预测效果。 结果表明, 粗糙集融合最小二乘支持向量机能够有效提高预警效率, 反映各控制因素对上市公司财务危机的影响, 计算结果与样本值拟合精度较高, 满足实际应用要求。     

上市公司财务困境动态预测模型的实证研究

本文利用数学方法对静态的财务指标进行动态调整,结合因子分析和Logistic回归分析,建立了上市公司财务困境的动态预测模型.结果表明,动态预测模型的预测精度远高于静态预测模型,因此可以预期其在财务困境预测领域应该具有广阔的应用空间.     

基于支持向量机的石油期货价格预测

建立了基于支持向量机技术的石油期货价格预测方法.该方法使用价格序列一阶差分及其滞后值建模,采用径向基(RBF)核函数和序贯最小优化(SMO)算法,通过综合验证方式确定包括嵌入维数在内的各参数.实证研究表明,支持向量机方法比RBF神经网络和ARIMA模型预测精度更高,具有很好的应用前景.     

基于Logistic回归模型的建材业上市公司财务预警研究

在当前房地产调控政策下,我国建材业上市公司面临着巨大的财务危机。论文对24家建材业上市公司2009年、2008年的财务指标进行了基于Logistic回归模型的财务预警实证分析,并利用上述模型及2010年的财务数据对样本公司2011年的财务状况进行了预测,继而给出了财务风险应对策略,以期我国建材业上市公司能够走出财务困境,走上健康发展的道路。     

基于深度学习的企业财务困境预测方法研究

上市公司是金融市场中的主体,通过科学的方法对企业财务困境进行及时的预测、预警,避免企业陷入财务困境,对企业和整个金融市场来说意义重大。本文通过系统性的研究和分析,结合我国的金融市场情况,提出了基于深度学习方法的企业财务困境预测方法和模型,同时采用了具有较好的记忆能力和处理时间序列数据能力的LSTM神经网络模型,对ST企业的财务状况进行了分类预测,获取了企业年报中的文本信息、企业股票价格时间序列数据和非财务指标三种类型的实验数据进行了实验,将更多可能影响企业财务状况的因素纳入到实验中来。利用2020年ST和非ST企业的连续两年年度报告、连续三年的股票价格时间序列数据和指标数据进行训练,对2021年ST和非ST的企业进行财务困境的预测,并与其他常用的传统方法进行了对比分析。实验结果证明基于深度学习的方法具有更高的预测准确率和稳定性。     

煤炭企业财务预警指标体系研究

我国财务预警研究中关于财务预警指标体系的研究已较为完善,但是由于众多财务预警模型都是以制造业上市公司的材料进行实证研究的,对其他行业的适用性不强.而我国煤炭企业经过其特殊的发展历史,特别是近年来煤炭行业整体的发展态势,体现出其专属的行业特征与其自身的财务特性,如果依然套用经制造业实证分析后的财务预警指标体系,其财务预警结果必然与实际不符.鉴于此,结合煤炭企业特殊性,建立煤炭企业财务预警指标体系成为必需.     

基于最小二乘支持向量机的河段洪水预报研究

我国夏季汛期容易发生洪涝灾害,对区域财产安全与经济发展威胁巨大。基于最小二乘支持向量机洪水预测模型理论,以我国西南地区某流域河段为例,通过采集2016—2019年相关水文数据,建立最小二乘支持向量的区域洪水预报模型,并对区域水位变化作出了准确预测。该模型在河段洪水预测方面具有高精度、科学可靠的优势,在我国西南地区洪水预报工作中具有广泛的应用前景。     

我国制造业上市公司财务预警研究

随着我国经济体制的不断改革,企业面对日益激烈的竞争,其陷入财务危机甚至破产的风险也越来越大。上市公司作为我国证券市场的基石,其质量好坏与证券市场的稳定与发展息息相关。而占据我国上市公司一半以上的制造业公司,更是国民经济的重要组成部分。证监会实施特别处理机制以来,先后有上百家公司被ST,其中大部分为制造业公司。因此,研究制造业公司的财务预警模型,以便于提前预测是否会发生财务危机,具有重大意义。本文在借鉴该领域前人的研究成果上,以国内制造业上市公司为样本,以是否被ST作为判别财务危机的标志,采用多元判别分析法,根据上市公司发布的2008年财务数据,建立了这类公司的财务预警模型。同时使用2010年数据对模型进行了检验。本文结论表明,我国证券市场的数据是有效的,所建立的模型能够得到较高的正确率。     

基于支持向量机的安全投入需求预测研究

由于煤炭安全投入影响因素较多,所具有的非线性、复杂性与内在随机性,传统的方法难以准确模拟其变化状态并预测未来需求。神经网络是一种较好解决此类问题的方法,但是本身存在诸多缺陷,而这些缺陷支持向量机（Support Vector Machine．SVM）可以克服。本文基于安全投入预测的非线眭,利用统计学习理论的支持向量机,建立基于支持向量机的预测模型。     

支持向量机模型在断层破碎带围岩变形预测中的应用

围岩变形预测是隧道安全评价及其指导后期施工的重要依据,为提高变形预测精度,结合工程实践,提出了PSO-SVM-BP预测模型的思路。首先,利用三次样条插值及二次平滑法对变形数据进行预处理,为后期变形预测奠定基础;其次,利用粒子群算法对支持向量机进行参数优化,建立PSO-SVM模型,并对围岩变形进行初步预测;最后,利用BP神经网络进行误差修正,达到综合预测的目的,并利用工程实例进行检验,以验证预测模型的有效性。结果表明:初步预测结果的相对误差均小于5%,而误差修正后的预测精度被提高到0.97%,预测精度较高,验证了预测模型的有效性,可为类似研究提供参考。     

奇异谱分析-支持向量回归机耦合模型在月降水量预测中的应用研究

以辽宁省某气象站为研究对象,其月降水量的数据的处理利用奇异谱分析,并以此提取多个子序列,然后针对不同子序列采用支持向量回归机构建耦合预测模型SSA-SVR,对模型输出结果求和即为预测结果;最后采用耦合模型SSA-SVR、小波分析预测模型WA-SVR、支持回归机模型SVR对不同步长的月降雨量进行预测。研究表明:所构建的SSA-SVR耦合模型其预测结果具有较高的精度和准确性,能较好地揭示出研究区域的月降水量变化特征,预测结果与实测值具有保持高度的一致性。     

基于Isomap-MPA-LSSVM软测量模型的PVC聚合过程转化率预测

针对聚氯乙烯（PVC）聚合过程转化率难以实时获取,提出了一种基于Isomap-MPA-LSSVM软测量模型预测氯乙烯单体（VCM）转化率的方法。首先,为消除数据间共线性,采用等度量映射（Isomap）算法对原始数据特征进行提取,得到模型的输入变量。其次,用海洋捕食者算法（MPA）优化最小二乘支持向量机（LSSVM）的参数,并建立模型。最后,进行仿真实验。结果表明,软测量模型相较于MPA-LSSVM与LSSVM模型,预测的平均绝对误差分别降低了43.03%和59.92%,均方根误差分别降低了30.27%和52.24%,显著提升了VCM转化率的预测精度。所提模型能精确预测VCM转化率,对提高PVC的产品质量具有重要参考意义。     

企业财务危机预警指标筛选探究

选择合适的财务指标来描述预警模型对提高预测的精度至关重要。运用显著性分析和因子分析法,对企业财务危机预警的备选指标进行筛选,并选择了76家上市公司为样本进行实证研究。通过两次筛选,最终得到由7个预警指标组成的全面互斥的财务危机预警指标体系。为进一步的财务危机预警评价提供参考。     

基于小波变换和贝叶斯证据推断框架下的LS—SVM短期风速预测

基于小波的多分辨率分析,针对风速序列拟周期性、非平稳性及非线性等特点,将风速序列按不同频率进行分解,对分解后的原始风速信号分别建立不同的预测模型;各个模型的最佳参数由贝叶斯证据3层推断得出,用以建立基于小波和贝叶斯证据推断框架下的最小二乘支持向量机（LS-SVM）回归短期风速预测模型。应用该模型对东北某风电场的风速进行了提前1h的预测,预测的平均绝对百分比误差为7．63％,提高了预测精度。预测结果表明：基于贝叶斯证据推断框架下的LS—SVM和小波分析相结合的短期风速预测模型是一种有效、可行的风速预测模型,可为风力发电功率的预测提供一定的理论支持。     

基于最小二乘支持向量机的我国能源消费计算方法

本文提出利用最小二乘支持向量机方法定量计算能源消费量, 选取了人口数量、 经济增长、 技术水平、 产业结构、 固定投资、 路网密度、 对外开放、 政策影响等作为能源消费的影响因素, 将样本的影响因素数据作为输入量, 将样本的能源消费量数据作为输出量, 利用训练好的最小二乘支持向量机模型作为能源消费量定量计算的有效工具。 研究结果表明： 基于最小二乘支持向量机模型的计算结果与样本值拟合精度较高, 能较好且客观地反映各控制因素对能源消费量的影响, 对制定科学有效的能源规划和决策具有重要意义。     

上市公司财务危机预警指标体系的建立

<正>一、引言财务危机是指公司无力支付到期债务或费用的一种经济现象,是威胁企业生存、发展的重要原因之一。随着市场经济的不断深化,企业发生财务危机乃至破产倒闭的情形越来越多,给企业和社会带来了严重的影响,其中上市公司的财务危机涉及面最广、危害性最大。因此,利用上市公司相关信息构建有效的财务危机预警模型,从而预测上市公司财务失败的可能性、获得上市公司财务状况恶化的预警信号,对于投资者、债权人和经营者及监管者等诸多方面都具有重要的现实意义。     

基于SVM预测模型的特高压输电线路工程量影响因素预测分析

本文通过对特高压线路工程特点的分析,梳理出其线路工程的主要影响因素及构成,构建了工程量影响因素预测指标体系,再选取国内已经运行的五条特高压线路工程数据,通过支持向量机(SVM)的预测模型对特高压线路工程量进行预测分析。结果表明,不同类型的特高压输电线路工程量预测结果的精度存在明显差异,但是整体误差水平控制在一定范围之内;从预测精度上看,支持向量机预测模型适用于特高压输电线路工程量预测研究,以期为工程造价的预判、预控提供可靠依据,为实现工程投资成本合理控制提供技术支撑。     

基于数据挖掘算法的变压器热点温度时序预测方法

为了解决油浸式电力变压器热点温度预测方法缺乏对短期热点温度走势的预测,无法满足动态增容决策要求的问题,以SFPSZ-180000/220型变压器为研究对象,首先,研究对比发现变压器的热点温度与负载率相关性最大,在此基础上,建立了基于支持向量回归的局部地区负荷预测模型,为变压器热点温度预测提供数据;其次,提出了基于数据挖掘算法的变压器热点温度时序预测方法,并在此基础上分别建立了支持向量回归、BP神经网络、决策树3种数据挖掘预测模型;最后,对一般输入-输出的建模方法的预测结果与基于时间延迟方法的预测结果,以及不同时间延迟下3种数据挖掘模型的预测结果进行了对比分析。结果表明,有外在输入的支持向量回归预测模型结果比BP神经网络和决策树吻合度更高,并且时间延时更小,预测结果精确度更高。有外在输入的支持向量回归预测模型在很大程度上提高了变压器热点温度预测精度,其预测结果可为变压器的动态增容决策提供有效参考。     

基于支持向量机模型的地铁进站客流量预测

为了更精确地预测短期站点客流量,动态调整城市轨道交通的日常客流方案,采用支持向量机模型对预测地铁客流量。首先,通过对AFC数据分析,利用上周同期进站量、前一天同期进站量、当日前两个时段进站量以及高峰和非高峰时段参数作为模型的输入变量;然后,构造支持向量机预测模型并运用粒子群算法优化模型(PSO-SVM模型),实现地铁站点客流量预测,并进行不同模型预测误差的比较分析;最后,以苏州地铁数据为例,预测汾湖路地铁站的进站客流量。结果表明,优化模型能够有效改善预测误差,预测结果更为准确,证明PSO-SVM方法能有效用于地铁进站客流量的预测研究,为地铁进站客流量预测提供了新的方法。     

混沌果蝇-最小二乘支持向量机变压器DGA诊断

针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点,融合混沌算法对果蝇优化算法的进化机制进行改进,提出混沌果蝇优化算法(CFOA)。将CFOA算法应用于最小二乘支持向量机(LSSVM)惩罚因子和核函数参数的选择中,可以改善参数选择的随机性和盲目性,从而建立基于CFOA-ISSVM的故障模式预测模型。应用该模型对变压器油中溶解气体故障模式进行预测,结果表明,CFOA方法在在收敛速度、收敛可靠性及收敛精度上均比基本FOA有较大的提高,依此而建立的CFOA-LSSVM故障模式预测模型具有较高的准确率。