資源描述：
《基于概率神經網絡的財務危機預警模型研究》由會員上傳分享，免費在線閱讀，更多相關內容在學術論文-天天文庫。
1、桂林理工大學碩士學位論文基于概率神經網絡的財務危機預警模型研究姓名：韓信申請學位級別：碩士專業(yè)：企業(yè)管理指導教師：蔣太才201204摘要財務危機一直以來都是企業(yè)最關注的問題之一，它直接影響到企業(yè)的生存。因此，不論是企業(yè)管理者，還是股東、債權人都非常關注這一問題。隨著市場經濟的發(fā)展，市場競爭會越來越激烈，公司面臨的壓力也會越來越大，從而也會越來越關注自身的財務狀況。因此，企業(yè)急需一種科學的、有效的財務危機預警方法來提前預測財務危機，從而及時采取行動來避免走入困境。財務危機預警作為財務管理的一個重要研究方向，一直以來都倍受各
2、專家學者們的關注，也產生了不少優(yōu)秀的理論方法。從單變量判別分析到多變量判別分析，再到Logistic回歸分析、神經網絡模型，財務危機預警的方法隨著時代的變遷而不斷的優(yōu)化。概率神經網絡作為神經網絡中的一種新的算法，越來越受到學者們的關注。概率神經網絡具有傳統前饋神經網絡所不能比擬的計算速度以及更新能力，并且只要樣本數量足夠，就可以解決任何復雜的分類決策問題。與傳統神經網絡即能做類別預測又能做數值預測不同，概率神經網絡是一種專門的類別預測網絡。概率神經網絡是在貝葉斯決策理論的基礎之上發(fā)展而來的，具有深厚的理論基礎，可靠性非常
3、高。本文分析了概率神經網絡應用于財務危機預警問題的可行性，并且使用該方法建立了財務危機預警模型。最后，本文選用了滬深兩市92家樣本公司進行了實證分析，驗證了該方法的可行性和準確度。本文不僅提出了建立財務危機預警模型的新方法，而且還對財務危機企業(yè)的界定提出了新的看法。在以往的研究中，大部分學者都是把企業(yè)被特別處理作為發(fā)生財務危機的標志來進行實證分析的。但是，在研究證交所關于特別處理的規(guī)定后發(fā)現，上市公司被特別處理的原因不僅有發(fā)生了財務危機，還有其他的非財務危機的原因。因此，本文把上市公司發(fā)生財務危機的標志界定為因為財務危機
4、問題而不是其他問題被特別處理。此外，本文還提出了將上市公司的特殊財務分析指標引入到財務危機預警指標體系的構建中。本文對采用這些指標的原因作出了分析，并且在實證分析中對比了采用這些指標前后的判定效果。結果表明，在財務危機預警指標體系中引入上市公司特殊財務分析指標以后可以較大的提高判定的準確率。關鍵詞：財務危機預警，概率神經網絡，上市公司特殊財務分析指標AbstractFinancialdistressisoneofthemostimportantthingsthatacorporationcaresbecauseofitd
5、irectlyaffectthesurvivalofacompany．Sowhateverthemanagerofthecompanyortheshareholderofthecompanyandthecreditorofthecompanyarefocusonthisproblem．Withthedevelopmentofthemarketeconomy,thecompetitionwillbemoreserious，andthepressureofthecompanywillbelargerandlarger．Acc
6、ordingly,theresearchoffinancialdistresspredictionwillbemoreimportant．CorporationsneedascientificmethodtopredictthefinancialdistressSOthattheyCandosomethingbeforethefinancialdistresscomes．Asoneofthemajorresearchareaofthefinancialmanagement，financialdistresspredict
7、ionisthefocusofmanyscholars，andtherearemanyexcellentmethods．Aftertheintroductionofsomeoutstandingthesis，thispapersummarizessomemostimportantmethods．Methodsoffinancialdistresspredictionhavechangedmanytimesandbecomesmoreandmoreexactly．Probabilisticneuralnetworkison
8、eofthelatesttypesoftheneuralnetworks．PNNisfasterthenthetraditionalneuralnetwork，anditCanupdateeasierthanthetraditionalneuralnetworks．Ifthereareenoughsamples，n州
