上市公司因財務狀況異�；蚱渌闆r異常而發(fā)生特別處理變動,是我國特有的ST制度。從理論上來說,ST制度向投資者警示了該類股票有較大風險,繼續(xù)投資可能會面臨巨大損失。然而在資產(chǎn)重組和殼資源炒作下,ST股卻成為了熱點板塊。即便有極個別投機者從中獲利,絕大部分跟風投資者往往損失慘重。為了加強保護投資者權益,嚴厲打擊此類證券違法違規(guī)活動,證監(jiān)會深化退市制度改革。隨著注冊制改革穩(wěn)步推進,常態(tài)化退市機制逐步建立,資本市場優(yōu)勝劣汰機制加速形成,投資者也重點關注著上市公司的ST風險。上市公司財務狀況惡化往往是逐漸演變的過程,若能根據(jù)一些信息預測ST風險,或可減少投資的盲目性,或可調(diào)整公司經(jīng)營決策避免ST發(fā)生。本文從保護投資者權益出發(fā),提出構建集成模型預測上市公司面臨的ST風險。常用的ST風險預警模型有判別分析模型、邏輯回歸模型、機器學習模型以及神經(jīng)網(wǎng)絡模型。對比發(fā)現(xiàn),判別分析模型雖然計算簡便,但有著嚴格的假設條件。邏輯回歸模型利用最大似然函數(shù)進行參數(shù)估計,因此對樣本量有所要求。目前,機器學習和神經(jīng)網(wǎng)絡模型被廣泛應用于無人駕駛、潛在犯罪預測、檢測信用卡欺詐等多個領域,均有不錯表現(xiàn)。因此,本文采用機器學習方...

【文章頁數(shù)】：57 頁

【學位級別】：碩士

【部分圖文】：

圖1.1本文研究思路

在文獻梳理的基礎上,本文總結了國內(nèi)外ST風險預警模型的優(yōu)勢與不足。將滬深兩市A股2018—2021年間150家首次發(fā)生特別處理變動的上市公司作為研究樣本,450家正常上市公司作為對照樣本,根據(jù)ST變動年份收集了提前期六年的相關數(shù)據(jù),數(shù)據(jù)來源于CSMAR數(shù)據(jù)庫。在篩選指標時,參考以....

圖3.1Bagging

Bagging算法是Breiman在1996年提出的[49]。2001年Breiman又基于Bagging思想,將多個隨機創(chuàng)建的決策樹模型的輸出組合起來生成最終輸出,提出了隨機森林算法,被譽為最好的算法之一[50]。Bagging算法的集成思想如圖3.1所示。對于給定的樣本數(shù)據(jù)集....

圖3.2Boosting

目前集成學習作為最火爆的機器學習領域之一,1997年Schapire提出的Boosting算法證明了利用Boosting思想將弱學習器進行組合,可以大幅度提高模型的學習能力[51]。如圖3.2所示,和Bagging算法有放回的平均抽樣不同,Boosting在加入數(shù)據(jù)的過程中,通常....

圖3.3Stacking

Stacking算法最早來源于Wolpert(1992)提出的堆疊泛化模型[52]。如圖3.3所示,Stacking算法首先將數(shù)據(jù)集分為訓練集和測試集,利用基模型對訓練集數(shù)據(jù)進行訓練,輸出的訓練值集合起來用作元模型的訓練,測試集數(shù)據(jù)通過基模型得到新的測試集用于元模型的測試,最終得....

本文編號：3998945