基于XGBoost的上市公司财务舞弊预测模型研究

研究目标:探讨如何利用大数据和机器学习方法对上市公司财务数据和非财务数据进行分析和挖掘，并应用于上市公司财务舞弊识别和预测。研究方法:提出一种基于机器学习方法的上市公司财务舞弊预测模型Xscore,对上市公司财务舞弊进行预测。研究发现:Xscore模型能够提高模型预测的准确率，在准确率、召回率、AUC指标、KS值、PSI稳定性等方面均优于Fscore模型和Cscore模型，更适合我国上市公司财务舞弊预测。研究创新:基于2000～2020年中国上市公司数据集为观测样本，通过Benford定律、LOF局部异常法、IF无监督学习法，解决了机器学习应用于财务舞弊识别研究时普遍面临的灰色样本问题，甄选兼具领域特性和统计特征的特征变量；首次将XGBoost集成学习方法应用到上市公司财务舞弊预测分析中，有效提高了上市公司财务舞弊准确率。研究价值:本文将XGBoost集成学习方法引入上市公司财务舞弊识别领域，有助于促进人工智能、机器学习在会计学中的研究与应用，为促进上市公司披露高质量的财务信息和维护资本市场秩序提供参考。     

基于BP神经网络的商品房销售量预测研究

商品房销售量受多个因素的作用，而且这些作用多是非线性的。商品房销售量预测实质上是实现一个非线性的映射。本文选择了恰当的经济指标作为BP网络的输入输出变量，探讨将神经网络技术应用于商品房销售量的预测领域，并与回归模型、Logistic模型的预测结果进行比较，结果表明人工神经网络方法在商品房销售量预测中的应用是可行的，预测效果更好。     

基于核Fisher判别分析的油田油水层预测

对新疆油田公司的测井数据,利用核Fisher判别分析法(KFDA)判别油层水层。首先通过非线性映射(由核函数隐含定义)将样本映射到特征空间,然后在特征空间中用fisher判别分析(FDA)进行分类。实验结果表明,KFDA方法的预测准确率达92.9%,高于用Fisher判别分析法及人工神经网络(ANN)、支持向量机(SVM)方法进行判别的准确率。     

人工神经网络在混凝土无损检测中的应用

文章叙述了人工神经网络（Artificial Neural Network，ANN）的研究及其在国内外混凝土无损检测技术中的应用现状，对人工神经网络在混凝土无损检测中的应用发展方向作了科学的预测。     

智能财务危机预警与原因诊断方法研究——基于自适应贝叶斯网络模型SABNM的探析

随着经济环境的复杂化和信息化水平的提高，企业对财务危机预警和诊断的有效性和智能化也越来越受到重视。基于SABNM的财务预警与诊断模型利用遗传算法搜索最优贝叶斯网络，利用其正向推理进行财务危机预警，利用逆向推理进行财务危机原因诊断，避免了统计方法的局限性和人工神经网络的不足。实验表明，SABNM预测模型准确率较高，且短期预测能力明显强于中长期预测能力，而SABNM诊断模型的原因诊断结果与实际资料也基本相符。     

基于自回归差分滑动平均的云南高速公路冬季路温短临预测模型研究

文章基于云南麻昭高速公路沿线分钟级交通气象站数据，应用自回归差分滑动平均（Autoregressive Integrated Moving Average, ARIMA）方法建立了冬季路温短临预测模型，可对未来3h路温变化进行分钟级预测，并验证了不同路面状态背景下模型预测准确度。结果表明：模型对未来第1h的路温预测效果最好，在1.0℃误差范围内，模型总体预测准确率为89.22%，尤其对于特定路面状况背景有较好的预测能力，在路面结冰状态下，未来1h在1.0℃误差范围内，预测准确率可达94.42%。模型建模容易，输入参数易于获取，便于工程应用，模型可用于路面结冰短时临近预测，以及时发现潜在结冰点，为管理部门提前部署路面结冰养护处置工作提供支持。     

基于数据挖掘的BP神经网络改进算法能产品质量预测研究

人工神经网络是一种新的数学建模方式,传统方法对非线性数据的预测不易找到简单而有效的模型,神经网络的提出为处理非线性问题提供了比较好的方法。针对BP算法的局限性提出了改进的BP网络模型,通过对CSP质量指标的预测结果与传统的BP模型比较．结果表明改进的BP算法提高了学习效率,网络有较好的泛化能力,而且预测更可靠。     

体育服装N公司订单预测准确率提高研究

本文探讨了在市场需求变化的情况下，N公司传统的成品物流供应链面临一系列挑战，从销售订单预测入手，对其准确率的提高方法进行研究，最终确定了每个细分类别下不同的预测特点，方法，提高效果等等。     

基于深度学习的上市公司财务风险预警模型研究

本文采用2007年至2016年3513家上市公司的相关财务数据为研究样本,以深度学习为研究工具构建神经网络模型,对企业是否陷入财务危机进行预测。研究结果表明,基于深度学习构建的神经网络模型对所有上市公司是否陷入财务危机的预测准确率可以达到72%以上,且利用的以前的年度数据越多,预测的准确率越高。     

基于数据挖掘的BP神经网络改进算法的产品质量预测研究

人工神经网络是一种新的数学建模方式,传统方法对非线性数据的预测不易找到简单而有效的模型,神经网络的提出为处理非线性问题提供了比较好的方法。针对BP算法的局限性提出了改进的BP网络模型,通过对CSP质量指标的预测结果与传统的BP模型比较．结果表明改进的BP算法提高了学习效率,网络有较好的泛化能力,而且预测更可靠。     

人工神经网络在经济预测中的应用

研究了人工神经网络在经济预测中的应用问题,探讨了人工神经网络的时间序列预测方法。该方法采用多层前馈神经网络及BP算法,其仿真实现是以MATLAB下神经网络工具箱作为开发工具。文中提出了一种基于BP网络时序预测通用方法,并通过实例验证了该方法的预测精度明显高于灰色系统预测方法。为了消除单一神经网络预测模型的系统偏差,探讨了组合神经网络时序预测方法;并用实例验证了组合神经网络比单一神经网络的预测精度高。     

基于反向传播神经网络的煤矿建筑工程造价估算研究

人工神经网络通过模拟人脑或生物神经网络基本特性,具有较强的自组织和自学习能力,可以从大量的数据中提取内在规律,构造出自变量和因变量二者之间的映射关系,从而实现复杂非线性现象的有效模拟和预测。研究表明人工神经网络方法与其他方法相比在工程造价特征因素非线性和动态性描述方面具有潜在优势。     

基于BP神经网络的居民消费价格预测研究

价格指数是反映不同时期商品价格水平的变化方向、趋势和程度的经济指标。居民消费价格指数的预测对国家要做好价格政策的制定具有重要的意义,并且有数据表明居民价格指数呈现一种非线性不规则的变化形式,给预测工作带来了许多不便。近些年来兴起的人工神经网络,使得它在处理多变量耦合非线性函数关系中表现出了卓越的能力,在复杂非线性函数的建模中具有巨大的潜力。本文采用人工神经网络方法中的BP神经网络,建立预测模型,对消费价格指数进行预测。     

基于多层感知机的失效模式预测方法研究

本文研究的工作基于生产线系统,通过预测和预处理其失效模式,来提高系统的可靠性。使用机器学习等技术来进行生产线故障的预测。针对由多个生产环节组成的高精度工艺成品的生产线,这种预测方法可以辅助提升生产线的稳定性。本文提出了一种基于多层感知机的生产线失效预测方法,以解决现有基于模型的失效预测方法在模型建立上的困难。通过该方法的应用,得到了预测准确率较高的结果,说明了生产线失效预测方法的有效性。     

基于油田生产数据的油井产量趋势预测方法研究

近年来随着智能油田的建设与开展，油田生产管理人员、业务人员对油井生产趋势预测的需求越来越迫切，通过历年来油井生产历史数据、结合专家系统对油井未来一段时间的生产状况进行综合分析、评估、预测，及时采取有效措施，避免事故的发生，是油井生产趋势预测的基本目标。本文将结合新疆油田油井生产趋势预测的实际需求，运用专家知识经验、拟合公式、人工神经网络等多种预测方法，预测油井产量变化趋势，此项研究可为今后智能化油田建设提供指导依据。     

人工神经网络在滚动轴承故障诊断中的应用与发展

针对滚动轴承失效的故障诊断方法,介绍了人工神经网络在滚动轴承故障诊断中的优势与发展现状,分析了常见人工神经网络类型在滚动轴承故障诊断中的应用,提出了人工神经网络在滚动轴承故障诊断应用中的问题与不足,并对相关研究趋势进行了讨论。     

基于BP神经网络的高校暂付款预测研究

高校暂付款管理水平关系着资金使用效率与财务风险防范能力,甚至影响着高校会计信息的真实性。高校财务管理的精细化这一目标直接对暂付款管理提出了更高要求。文章根据A省30所省属本科高校2014年暂付款及影响暂付款规模的本年收入、本年支出、差旅费、专用材料费、其他商品服务支出与设备购置费6个主要因素数据,建立BP人工神经网络预测模型,仿真拟合历史数据,并利用仿真模型预测暂付款规模,与主成分回归模型比较,验证其预测精度。数据实证研究结果表明BP神经网络能捕捉到暂付款与其影响因素之间的非线性特性规律,能更好地预测暂付款规模。     

财务危机预警研究方法的比较及评析

本文分别对财务危机预警研究中使用的多种定量研究方法、定性研究方法进行了简介、比较和评析；通过对两大类研究方法优缺点的比较，得出将两类研究方法相结合可以提高预测准确率的结论。     

人工神经网络在财务管理领域运用的研究概况

人工神经网络良好的泛化能力使其在模式识别、分类预测等方面具有很多优势。近年来,人工神经网络已广泛运用于企业财务管理领域,其研究文献也逐年增多。通过文献研究,本文梳理和总结了人工神经网络在财务管理领域运用的研究概况。     

深基坑工程钢支撑轴力实测分析与预测

随着地下空间的开发利用,各种深基坑工程不断涌现,钢支撑技术因施工方便在深基坑设计中广泛应用。目前,对钢支撑系统的研究多采用传统理论和数值模拟技术,这些方法对模型的基本参数有严格要求,通常情况下很难取得。人工神经网络具有很强的学习、联想和抗干扰能力,在预测分析等方面表现出极大的优势。本文以青岛地铁火车北站深基坑工程为背景,通过钢支撑轴力现场监测得到轴力变化规律。研究深基坑支撑轴力变化影响因素,将各因素根据一定规律进行划分,建立了钢支撑轴力影响因素的评价指标体系。并基于人工神经网络对钢支撑轴力进行预测,预测数据和实测数据吻合较好。