对公司破产预测的混合遗传模型讲解材料.ppt

Anthony Brabazon, Peter B. Keenan 摘要: 本文利用遗传算法对神经网络模型的输入变量和结构进行选择产生新模型,利用改模型对公司破产进行预测.选择的数据为1991年到2000年破产公司和没有破产公司的数据,并将该模型得到的结果与以前线性判别模型得到的结果做了比较, 新的模型的正确率比原模型平均高出5%.由此可见该种模型可用于公司破产的预测,并且得到的效果比线性的判别模型强. 1 引言 2 问题背景 6 结论 4 实验方法 5 实验结果分析 3 遗传算法 1 引言 1.1 前提分析: 对公司数据处理的重要性; 介绍公司破产的两种原因; 本文的研究假设以及本文利用的数据; 1.2 研究的动因: 公司破产研究领域存在的问题; GA和NN结合算法的问题; 新的研究方法的优点. 2 研究背景 利用财务数据预测公司破产最初开始与1932年Fitzpatrick,其中比较典型的是Altman’s (1968) 提出的线性识别模型: X1 = working capital to total assets X2 = retained earnings to total assets X3 = earnings before interest and taxes to total assets X4 = market value of equity to book value of total debt X5 = sales to total assets 2.1 对公司破产的定义 文中采用的公司破产的定义为美国破产法的定义, 并符合文章的前提假设即公司破长是由于长期的负债或利润率长期较低而造成的. 2.2 以前文章利用到的解释变量 所选的变量主要有liquidity, debt, profitability, activity, and size (Altman, 2000) 3 遗传算法 3.1 遗传算法的基本介绍 本文利用遗传算法主要体现在一下三步: i. Decode binary string into a NN structure ii. Train the NN iii. Determine the predictive accuracy of the resulting NN 3.2 GA与NN结合的算法 GA用于NN的参数选择主要有一下几个方面: i. Model inputs ii. Number of hidden-layers in the MLP iii. Number of nodes in each hidden layer iv. Nature of transfer functions at each node v. Connection weights between each node √ √ √ 4.2 组合模型的构建 借鉴GA和NN的各自优点,算法利用训练集选择网络结构,利用测试集选择更高”适应度”的网络结构. 5 实验结果分析 模型精确度的对比解释: 最优模型的对比 前10个最优模型精度的均值对比 对成功企业和失败的企业预测准确度的对比: 不同时期得到的解释变量的对比: 其他的结果有:模型的复杂度并不是很高,GA选择输入变量个数、节点个数不同、传递函数不同的实验结果分析,不同运行次数运行结果较为稳定如下图所示: 6 结论 验证了公司破产是可以预测的假设,并且新的模型运算结果是比较好的,是有一定的利用价值的! 以后工作展望: 借鉴这种首先提出管理方面问题,在利用新的方法解决这种问题的方式,把进化GMDH方法用于解决实际的管理问题. 参考本文的数据把进化GMDH方法用于解决本文的问题,做一个对比.