發(fā)布時間：2024-05-12 07:03

　　本文基于2019～2022年首次被ST的公司及其配對樣本建立DeepSurv模型對上市公司財務危機預警展開研究，相較于主流的SVM和BP神經網絡模型表現(xiàn)更優(yōu)。為提高機器學習模型“黑箱”操作的可解釋性，使用可解釋機器學習從整體和局部兩方面解讀DeepSurv模型。研究表明：（1）公司應重點關注企業(yè)價值、負債、非財務表現(xiàn)和流動資產四個方面；（2）Gscore與有形資產負債率、ROIC與權益乘數(shù)、綜合杠桿與Gscore、權益乘數(shù)與有形資產負債率之間存在交互效應。

【文章頁數(shù)】：14 頁

【部分圖文】：

圖1單隱層神經網絡

輸入層x表示公司數(shù)據(jù)，w表示輸入層與隱藏層的連接權重，a表示隱藏層與輸出層的連接權重，H表示隱藏層結點個數(shù)，隱藏層結點的輸入為w"hxi，輸出為f(w"hxi)，其中f(z)=1/[1+exp(-z)]表示Logistic擠壓函數(shù)。模型輸出結果如式（5),θ表示由w和a構成....

圖2混淆矩陣圖

模型結果可以用混淆矩陣表示。如圖2所示，召回率(Recall)表示所有真陽性中被正確分類樣本所占比例，代表正樣本識別能力；精確率(Precision)表示被預測為陽性的樣本中真陽性所占比例，代表負樣本識別能力；準確率(Accuracy)表示所有正確分類樣本占總樣本的比例，代表總體....

圖3模型預測結果

相較于SVM,DeepSurv對全體公司的識別能力提高了29.16%，對財務危機公司的識別能力提高了15.38%，對正常公司的識別能力提高了35.75%，穩(wěn)健性提高了26.47%；相較于BP神經網絡，DeepSurv對全體公司的識別能力提高了14.81%，對財務危機公司的識別能力....

圖4Shapleyvalue蜂群圖

第一，過高的企業(yè)價值倍數(shù)說明公司股票價值被嚴重高估，出現(xiàn)泡沫，導致公司提前透支了未來收益，一旦市場發(fā)生不利變化可能會崩盤，從而不利于公司生存；第二，高企業(yè)價值倍數(shù)可能會導致管理層盲目樂觀，懈怠內部管理和外部競爭；第三，高企業(yè)價值倍數(shù)會提高市場對公司的盈利期望，達標更加困難，如果低....

本文編號：3971026