大拱桥--暨南大学学生门户 » 图书馆 » 企业管理 » 企业财务困境分析与预测方法研究
名称 企业财务困境分析与预测方法研究
索引号 F279.23/201223
分类号 F279.23
F279.23(企业管理)
F279.2(中国)
F279(世界各国企业经济)
F27(企业经济)
F2(经济计划与管理)
F(经济)
作者 赵冠华、
出版社 北京 : 经济科学出版社, 2011
ISBN 978-7-5141-0980-1
页数 256页 : 图 ; 24cm
价格 CNY49.00
标签
简介
注解 有书目 (第243-251页) 本书第1章简要介绍了研究的背景和意义、主要的研究方法以及研究的主要内容和创新点；第2章对支持向量机和遗传算法的相关理论和研究内容进行了分析，对国内外有关财务困境预测的研究现状进行了综述；第3章对企业财务困境的特征及影响因素进行了详细的分析，给出了财务困境分析与预测的过程框架和方法框架；第4章对初始指标变量分别进行了正态分布检验、显著性差异检验以及因子分析处理，构建了短期及中长期预测的指标体系；第5章为本书的核心部分，作者将信息熵和增长记忆算法相结合，提出了一种基于Renyi熵的增长记忆式最小二乘支持向量机模型，并用数据集Ⅰ进行了数值检验等。
作者简介

赵冠华，男，1962年12月出生，汉族，江苏徐州人，中共党员，研究生学历，管理学博士。现为山东财经大学会计学院副教授、研究生导师。原山东财政学院首批会计学科研团队成员、山东省首批会计学教学团队成员。山东省应用统计学会理事、济南市数量经济与技术经济学会理事。

书籍简介

企业财务困境分析与预测方法研究，ISBN：9787514109801，作者：赵冠华 著

书籍目录

第1章 绪论 1．1 研究背景及研究意义 1．1．1 研究背景 1．1．2 研究意义 1．2 研究方法和内容 1．2．1 研究方法 1．2．2 研究内容 1．3 主要创新点第2章 企业财务困境分析与预测相关理论及研究综述 2．1 支持向量机相关理论 2．1．1 机器学习与统计学习理论 2．1．2 支持向量机原理 2．1．3 支持向量机应用研究现状 2．2 遗传算法相关理论 2．2．1 遗传算法原理及其历史演进 2．2．2 遗传算法的研究内容 2．2．3 遗传算法应用研究现状 2．3 企业财务困境分析与预测方法研究综述 2．3．1 企业财务困境内涵的界定 2．3．2 企业财务困境定量分析与预测方法 2．3．3 企业财务困境定性分析与预测方法第3章 企业财务困境特征及影响因素分析 3．1 企业财务困境及其特征分析 3．1．1 企业财务困境概念的界定 3．1．2 企业财务困境特征 3．1．3 企业财务困境特征分析 3．1．4 企业财务困境形成的时序特征 3．2 企业财务困境影响因素分析 3．2．1 企业财务困境总体影响因素 3．2．2 影响企业财务困境的内部因素 3．2．3 影响企业财务困境的外部因素 3．3 企业财务困境分析与预测框架 3．3．1 企业财务困境分析与预测过程框架 3．3．2 企业财务困境分析与预测方法框架第4章 企业财务困境分析与预测指标体系的构建 4．1 企业财务困境分析与预测的总体指标体系 4．1．1 构建总体预测指标体系的原则 4．1．2 总体预测指标体系的构建 4．2 财务困境短期分析与预测指标体系 4．2．1 指标数据的正态分布检验 4．2．2 指标数据的显著性差异检验 4．2．3 指标数据的多重共线性检验 4．3 财务困境中长期分析与预测指标体系 4．3．1 指标数据的正态分布检验 4．3．2 指标数据的显著性差异检验 4．3．3 指标数据的多重共线性检验 4．3．4 短期与中长期分析和预测指标体系的比较第5章 基于支持向量机的企业财务困境预测方法 5．1 Logit回归模型 5．1．1 Logit回归模型的形式 5．1．2 Logit回归模型的估计 5．1．3 Logit回归模型的评价和检验 5．2 支持向量机的改进算法 5．2．1 最小二乘支持向量机 5．2．2 增长记忆学习算法原理 5．2．3 基于熵的LS—SVM增长记忆学习算法 5．3 基于支持向量机的财务困境预测方法 5．3．1 基于SVM的财务困境预测方法 5．3．2 基于Ls—SVM的财务困境预测方法 5．3．3 基于熵的增长记忆式LS—SVM财务困境预测方法 5．4 模型构建及数值检验 5．4．1 标准SVM模型 5．4．2 LS—SVM模型 5．4．3 基于熵的LS—SVM增长记忆模型第6章 基于遗传算法和支持向量机的财务困境预测方法 6．1 基于遗传算法的支持向量机参数优化 6．1．1 传统支持向量机参数优化方法及其不足 6．1．2 基于遗传算法的支持向量机参数优化 6．2 基于遗传算法和SVM的财务困境预测方法 6．2．1 基于遗传算法和SVM的财务困境预测流程图 6．2．2 基于遗传算法和SVM的财务困境预测实现步骤 6．3 模型构建及数值检验 6．3．1 基于遗传算法的SVM模型 6．3．2 基于遗传算法的LS—SVM模型 6．3．3 基于遗传算法和熵的LS—SVM模型第7章 企业财务困境分析与预测实证研究 7．1 研究样本的来源及统计分析 7．1．1 研究样本的来源 7．1．2 研究样本的选取 7．1．3 研究样本的统计分析 7．1．4 模型输入变量的获取 7．2 短期预测多模型的建立及实证研究 7．2．1 Logit回归模型 7．2．2 标准SVM模型 7．2．3 LS—SVM模型 7．2．4 基于熵的LS—SVM模型 7．2．5 基于遗传算法的SVM模型 7．2．6 基于遗传算法的LS—SVM模型 7．2．7 基于遗传算法和熵的LS—SVM模型 7．3 中长期预测多模型的建立及实证研究 7．3．1 ST前2年预测模型的建立及实证分析 7．3．2 ST前3年预测模型的建立及实证分析 7．4 短期及中长期预测多模型预测结果的分析比较 7．4．1 Logit回归模型 7．4．2 标准SVM模型 7．4．3 基于遗传算法的SVM模型 7．4．4 LS—SVM模型 7．4．5 基于遗传算法的LS—SVM模型 7．4．6 基于熵的LS—SVM模型 7．4．7 基于遗传算法和熵的LS—SVM模型 7．5 不同数据集多模型预测结果的分析比较 7．5．1 基于遗传算法的SVM模型 7．5．2 基于遗传算法的LS—SVM模型 7．5．3 基于遗传算法和熵的LS—SVM模型第8章 研究与展望 8．1 研究工作总结 8．2 不足与展望附录参考文献后记