文档介绍：企业财务预警 PCA ― SVM 模型研究随着我国社会经济发展脚步的不断加快, 提高企业财务管理效率也成为了诸多企业所面临的一项重大课题。传统财务预警包括一元判别法和多元判别法, 虽然这些预警模型都能够在一定程度上满足企业财务的管理需求, 但同时也存在着一些有待解决的问题, 比如说线性判别的局限性、网络推广能力不高等。为此, 本文介绍了一种基于主成分分析和支撑向量机相结合的企业财务预警模型, 以此来更好的对企业财务预警模型进行完善, 促进企业的可持续发展。 1 、企业财务预警概述所谓财务预警,主要是指根据企业所提供的财务报表以及其他会计资料,利用金融、企业管理、市场营销等理论, 对企业当前的经营状况和财务活动等工作进行全面、系统的分析预测, 从而通过预测结果来发现企业发展过程中所面临的风险, 并根据企业发展的实际情况, 采取相应的措施规避风险, 以此来避免这些风险发生而给企业带来的经济损失。就以往企业财务预警的分类来看, 主要包括两种类型, 即一元判别法和多元判别法。其中, 一元判别法又称单变量模型, 这种财务预警模型是以某个单项指标作为评判标准的预警模型, 虽然能够在某些方法将企业的经营状况和财务活动反映出来, 但由于评判标准存在片面性, 因此, 并不能全面的将财务特征的缺陷表现出来。多元判别法的出现将一元判别法的缺点进行的有效弥补, 该预警模型主要是通过多元线性判别式产生判别分, 并通过判别分来对企业的经营状况和财务活动进行全面分析、预测, 从而得到最为全面的预测结果。但无论是一元判别法还是多元判别法,都无法突破线性判别方法的局限性,从而导致无法进行动态学****和调整。为了更好的对企业财务预警模型进行完善,专家尝试将神经网络应用到预警模型中。所谓神经网络, 是一种模仿动物神经网络行为特征, 进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度, 通过调整内部大量节点之间相互连接的关系, 从而达到处理信息的目的。但是, 这种方法需要大量的样本数据作为基础, 一旦样本数据的数量达不到要求, 那么就会直接影响到神经网络的推广能力。近年来, 神经网络在企业财务预警中的应用越来越广泛, 如何将其在财务预警中的作用充分发挥出来也成为了专家所面临的重大课题。 2 、企业财务预警 PCA ― SVM 模型构建与研究思路本文所介绍的 PCA ― SVM 模型的构建大致可以分为两个部分,即对数据进行主成分分析和利用 SVM 进行分类。其中, 对数据进行主成分分析主要是在诸多变量中选取几个最具代表性、信息含量最丰富的变量作为主成分, 然后对其进行分析并形成样本数据, 这样做是为了尽可能减少数据分析时的复杂操作, 从而将大量的数据简单化, 从而为接下来的数据处理工作奠定基础。利用 SVM 进行分类实质上是一种统计学****方法, 这种方法最适合小样本问题, 是将空间中不可分问题通过非线性高换映射到高维线性可分的特征空间, 并在此基础上进行分类。 3 、实证研究及分析为了更好的对财务预警 PCA ― SVM 模型进行研究, 本文选取了 15 家公司 3 年的财务报表和相关的会计资料作为基础数据, 这些公司均为房地产公司, 所要证实的内容主要包括 2 点: 一是财务报表可以确保一定的真实性; 二是以原始数据为主, 可以尽可能避免不同分析方法所产生的误差。 、原始比