未来智讯 > 人脸语音识别论文 > 基于ADASYN-SVM的利润支配智能辨认切磋

基于ADASYN-SVM的利润支配智能辨认切磋

发布时间:2020-04-05 01:06:01 文章来源:未来智讯    
    基于ADASYN-SVM的利润支配智能辨认切磋作者:未知  【摘 要】 文章以成都高新技艺企业为切磋对象,将不屈衡样本处置技艺ADASYN与人造智能技艺SVM相联合,构建ADASYN-SVM智能辨认模子,对成都高新技艺企业利润支配进行辨认切磋。切磋了局证明:ADASYN技艺可以有用解决不屈衡样本问题,与SVM支撑向量机、BMD贝叶斯判断、BP神经网络、LR逻辑回归等其他判断模子比拟,ADASYN-SVM模子具有最优的辨认本能。故运用ADASYN-SVM智能模子,可以正确地对成都高新技艺企业的利润支配行为进行有用辨认。
   【关头词】 利润支配; 智能辨认; ADASYN-SVM模子; 高新技艺企业
  【中图分类号】 F224  【文献标识码】 A  【文章编号】 1004-5937(2019)07-0048-05
  一、引言
   成都作为西部地域经济成长的严重引擎,承担着技艺立异、财产布局进级、推动西部经济麻利兴起的重任[ 1 ]。而高新技艺企业作为科技前进与立异的代表,恰是引领成都兑现经济奔腾的严重动力[ 2 ]。然而,受利益使令,局部企业议决利润支配行为进行不法红利经管,这一定扯后腿金融资源在各企业间的公允有用分派,从而对西部地域财产布局的优化进级,甚至对新常态下中国经济的持续康健不变成长发生倒霉影响[ 3 ]。显然,构建科学有用的模子对成都高新技艺企业的利润支配行为进行辨认切磋势在必行。
   今朝,学者们首要运用了单变量、多变量(Multiple Discriminant Analysis,MDA)、逻辑回归、几率比回归等传统的统计模子以及以人造神经网络(Artificial Neural Network,ANN)为代表的智能模子对企业的利润支配行为进行辨认切磋[ 4-8 ]。纵然都取得了优良的辨认效率,但上述模子却存在条件假如过于严峻、易陷入部分最小、过进修、欠进修等繁多缺陷,从而必然水平上制约了上述模子在利润支配行为辨认中的应用[ 9 ]。而人造智能范畴的后起之秀——支撑向量机(Support Vector Machine),因为具有全局最优、优良的泛化推广本能、能有用处置小样本问题等诸多上风,受到宽大学者的認可,从而被普遍应用于财政危机预警、违约危害判别、名誉危害辨认等繁多切磋范畴,并取得了优良的切磋效率[ 10-12 ]。是以,本文将引入SVM智能模子对成都高新技艺企业的利润支配行为进行辨认切磋。
   实践中必要注意的是,未进行利润支配的企业每每较利润支配的企业更多,因而这两类数目各异的企业样本组成了一组不屈衡样本。当SVM在面临如许一组不屈衡样本建模时,因为更轻易受以未进行利润支配的大都类企业样本信息的影响,从而使得辨认了局更倾向于大都类样本,是以倒霉于羁系者正确地掌握企业的经营行为[ 13 ]。是以,解决不屈衡样本问题就成为SVM建模的关头。而合成少数类过采样技艺(Synthetic Minority Over-sampling Technique,SMOTE)作为不屈衡样本处置要领中最为经典的一类要领,其优良的处置本能已得到宽大学者的承认[ 14 ]。但SMOTE在样本天生过程中,因为忽视了临近样本的分布特性,使得天生的少数类样本每每呈现较多重叠信息,从而使得SMOTE要领的应用呈现挑衅。令人欣喜的是,跟着切磋的不息深入,已有学者开辟出自顺应合成抽样要领(Adaptive Synthetic Sampling Approach,ADASYN),议决行使少数类样本的密度分布来有用天生少数类样本,从而征服了SMOTE要领的缺陷[ 15 ]。是以,本文针对SVM模子的不屈衡样本问题,将引入ADASYN要领进行征服,从而升迁SVM模子在利润支配行为辨认上的本能。
   基于上述剖析,加之前期笔者曾行使改良Z模子和FSVM模子对财政危机进行预警切磋[ 16-17 ],本文以成都高新技艺企业为切磋对象,将ADASYN与SVM人造智能技艺相联合,提议ADASYN-SVM智能模子,并对成都高新技艺企业利润支配进行切磋,从而为成都市当局高效正确地羁系高新技艺企业的经营行为供给优良鉴戒。
   迄今为止,围绕利润支配辨认问题,已有局部学者开展了卓有成效的切磋:李延喜等[ 18 ]针对中国上市公司,从财政目标异常的视角伸开了企业利润支配行为的辨认切磋,但并未构建科学有用的辨认模子;姚宏等[ 19-21 ]离别运用了主成分剖析法、贝叶斯判断法以及逻辑回归模子对中国上市公司利润支配行为的辨认进行了建模;李双杰和陈星星[ 8 ]引入BP神经网络模子对中国上市公司的利润支配进行了智能辨认。纵然上述切磋都取得了优良效率,但他们并未对不屈衡样本问题伸开切磋,也未引入SVM人造智能技艺设立辨认模子,同时更未针对成都高新技艺企业伸开切磋。本文与上述切磋文献比拟,具有显著的差别性。
  二、ADASYN-SVM利润支配辨认要领
  (一)SVM智能要领先容
   假如xi=(xi1,xi2,…,xik)为描画高新技艺企业利润支配辨认行为的目标变量。个中,i=1,2,…,n,表现共n家高新技艺企业,yi∈{+1,-1}表现企业i是否进行利润支配的状况目标。若“+1”代表高新技艺企业i进行了利润支配,则“-1”代表未产生利润支配。于是,目标变量X与状况目标Y就组合成样本聚集(X,Y)。然后基于yi((wTxi)+b)+ξ≥1的条件前提,就可以求解如下最优问题:
  三、实证切磋
  (一)样本选择
   本文以中国A股市场中的成都高新技艺上市公司为切磋对象,从Wind上市公司违规数据库中得到利润支配上市公司样本。对未进行利润支配上市公司的样本选择其2016年有关目标变量来进行辨认建模。对利润支配上市公司,一方面选择其利润支配年份前一年的有关目标变量进行辨认;另一方面选择属于利润支配上市公司但其在2017年并未进行利润支配的公司,用其在2016年的有关目标变量来进行辨认建模。是以,未进行支配上市公司的样本有63个,利润支配上市公司样本最后有29个,不屈衡样本比率为2.17:1。
         (二)目标变量选择与提取
   为选择可以正确描画企业利润支配行为的目标变量,本文鉴戒李双杰和陈星星(2013)的切磋成果,共选择了27项目标变量对利润支配行为进行描画,具体见表1。因为目标变量较多,易引发数据冗余问题,故本文运用主成分剖析要领对目标变量进行提取。最后提掏出9个目标变量,其累积进献率能到达80%以上,证明提取的目标变量信息可以涵盖原始目标变量80%的信息,具有较强的代表性。
  (三)实证了局与剖析
   在得到成都高新技艺企业样本数据集的根本上,为更科学有用地开展利润支配辨认的实证切磋,本文基于十折交织验证法进行验证。同时,本文将ADASYN-SVM与SVM、贝叶斯判断(BMD)、逻辑回归(LR)、BP神经网络(BPNN)进行实证对照切磋,从而亮相ADASYN-SVM模子优厚的辨认本能。本文的尝试皆议决Matlab2015b编程软件完成。实证了局如表2和图1所示。从表2和图1能够发现,从正确率来评价,本文提议的ADASYN-SVM具有最高的正确率;从一类错误来评价,纵然本文提议的ADASYN-SVM一类错误较SVM和BPNN低,但却较BMD和LR高。一类错误代表的是未进行利润支配的高新技艺企业被辨认错误的几率,这并非是当局羁系层所存眷。他们最为存眷的照旧由二类错误代表的利润支配企业被辨认错误的几率,从表2和图1能够较着发现,ADASYN-SVM的二类错误远远低于其余模子的二类错误。由此可见,本文提议的ADASYN-SVM模子具有最优的辨认本能,同时也表明了ADASYN可以很是有用地征服不屈衡样本问题。
  进一步,为了检讨本文提议的ADASYN-SVM模子的辨认正确率和二类错误与其余模子之间的差别是否显著,本文对各模子的本能评估了局进行了配对样本T检讨,了局如表3和表4。从表3和表4能够发现,本文提议的ADASYN-SVM在辨认正确率上显著高于LR和BPNN模子,而在二类错误上显著低于其他全部模子,从而表明了ADASYN-SVM模子在辨认本能上显著优于其他模子。
  四、结论
   为对成都高新技艺企业的利润支配行为开展辨认切磋,本文起首引入ADASYN技艺解决不屈衡样本问题,进而引入SVM智能技艺进行辨认模子的构建并开展实证切磋。了局证明,相较贝叶斯判断模子、逻辑模子、BP神经网络以及SVM模子,本文提议的ADASYN-SVM在辨认正确率上显著高于其他辨认模子,而在二类错误率上却显著低于其他辨认模子,从而证明ADASYN技艺可以有用地解决不屈衡样本问题,并升迁SVM对高新技艺企业利润支配的辨认本能。
   基于上述剖析,本文以为,运用ADASYN-SVM智能模子,可以正确地对成都高新技艺企业的利润支配行为进行辨认,从而有助于升迁成都当局部门对成都高新技艺企业经营羁系的科学性与有用性,对推动成都金融经济持续、康健、高效成长具有严重的理论教导和实际意义。
  
  【参考文献】
  [1] 余丽霞,张志英,张丽宇.成都构建区域性金融中心的SWOTE剖析[J].软科学,2010,24(8):82-87.
  [2] 罗雨泽,罗来军,陈衍泰.高新技艺财产TFP由何而定?——基于微观数据的实证剖析[J].经管天下,2016(2):8-18.
  [3] 肖成平易近,吕长江.利润支配行为影响管帐稳健性吗?——基于季度红利各异汇总要领的阅历证据[J].管帐切磋,2010(9):17-24.
  [4] FITZPATRICK P.A comparison of the ratios of successful industrial enterprises with those of failed companies[R].The Accountants Publishing Company,1932.
  [5] ALTMAN E A. Financial ratios,discriminate analysis and the prediction of corporate bankruptcy[J].Journal of Finance,1968,23(4):589-609.
  [6] OHLSON J A.Financial ratios and the probabilistic prediction of bankruptcy[J]. Journal of Accounting Research,1980,18(1):109-130.
  [7] LAITINEN E K .Predicting a corporate credit analyst's risk estimate by logistic and linear models[J].International Review of Financial Analysis,1990,8(2):97-121.
  [8] 李雙杰,陈星星.基于BP神经网络模子与DEA模子的中国上市公司利润支配切磋[J].数理统计与经管,2013,32(3):440-451.
  [9] 杨海兰,周培祥.基于SVM的中国度族企业引入外部职业司理人危害展望切磋[J].经济体系体例鼎新,2017(5):122-128.
  [10] 张贵生,张信东.基于隔壁互信息的SVM-GARCH股票价格展望模子切磋[J].中国经管科学,2016,24(9):11-20.
  [11] 肖斌卿,柏巍,姚瑶,等.基于LS-SVM的小微企业名誉评估切磋[J].审计与经济切磋,2016(6):102-111.
  [12] 衣柏衡,朱建军,李杰.基于改良SMOTE的小额贷款公司客户名誉危害非平衡SVM分类[J].中国经管科学,2016,24(3):24-30.
         [13] AKBANI R, KWEK S, JAPKOWICZ N. Appling support vector machines to imbalanced datasets[M]// The 15th European Conference of Machine Learning.New York:Springer-Verlag,2004:39-50.
  [14] CHAWLA N, BOWYER K, HALL L, et al. SMOTE: Synthetic minority over-sampling technique[J].Journal of Artificial Intelligence Research,2002(16):321-357.
  [15] HE H, BAI Y, GARCIA E A, et al. ADASYN: Adaptive synthetic sampling approach for imbalanced learning[C]//Proc. Int'l J. Conf. Neural Networks,2008:1322-1328.
  [16] 徐凯,邱煜,黄月娥.基于改良Z模子的财政危机预警切磋:来自医药行业上市公司的阅历证据[J].管帐之友,2014(33):66-69.
  [17] 徐凯,黄迅,刘金彬.基于最优混沌SVM的财政危机预警切磋:来自成渝经济区上市公司的阅历证据[J].管帐之友,2015(12):73-77.
  [18] 李延喜,姚宏,高锐.上市公司利润支配行为辨认模子切磋[J].经管评论,2006,18(1):3-9.
  [19] 姚宏,李延喜,高銳.基于主成分剖析的上市公司利润支配辨认模子[J].经管科学,2007,20(5):83-91.
  [20] 李延喜,高锐,包世泽,等.基于贝叶斯判断的中国上市公司利润支配辨认模子切磋[J].展望,2007,26(3):56-60.
  [21] 姜金玲,李延喜,高锐.基于logistic的上市公司利润支配行为辨认模子切磋[J].经济经管,2008,30(19):77-82.
  [22] 宋新平,丁长生.基于最优支撑向量机模子的经营失败预警切磋[J].经管科学,2008,21(1):115-121.
转载请注明来源。原文地址:https://www.7428.cn/page/2020/0405/87368/
 与本篇相关的热门内容: