(18.206.177.17) 您好!臺灣時間:2021/04/11 03:00
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:謝易修
研究生(外文):Yi-Hsiu Hsieh
論文名稱:結合特徵選取與分群法和分類法建構財務危機預警模型
論文名稱(外文):Combining feature selection,classification and clustering to construct models of Bankruptcy Prediction
指導教授:李維平李維平引用關係
指導教授(外文):Wei-Ping Lee
學位類別:碩士
校院名稱:中原大學
系所名稱:資訊管理研究所
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2014
畢業學年度:102
語文別:中文
論文頁數:43
中文關鍵詞:財務危機特徵選取分群分類
外文關鍵詞:BankruptcyFeature selectionClassificationClustering
相關次數:
  • 被引用被引用:0
  • 點閱點閱:223
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
公司是否會發生財務危機對於投資者以及金融市場是一個重要的議題,而財務預警模型可以用來預測公司是否會發生財務危機。
先前學者的論文中,財務預警模型大多都只探討兩種方式,第一種是特徵選取與分類,這個方式的優點是可以提升模型的準確率和減少無效或不相關的特徵並增加效率。第二種是分群與分類,這個方式也可以增加模型的準確率與模型的穩定性。而本文不同的地方是嘗試結合上述兩種方式的優點來建構預警模型,並進行模型的比較。本文中特徵選取使用了逐步回歸分析、線性回歸和分類與迴歸樹來篩選變數,分群方法使用K平均演算法與自組織映射圖網路用來進行分群,而分類方法使用C4.5決策樹、倒傳遞類神經、最近鄰居法與隨機森林。資料使用國外期刊中較常使用的Australian、German等二個資料集,使用上述方式所組合的模型,進行準確率與型一錯誤率以及型二錯誤率的比較,找出最佳的預警模型。


Bankruptcy Prediction is the important issue for investors and financial markets, and the bankruptcy prediction model can be used to predict bankruptcy.
In previous papers, mostly only discuss bankruptcy prediction model in two methods, first is combining feature selection and classification, the advantages of this methods is the model can improve the accuracy and reduce ineffective or irrelevant features and increase efficiency. The second is combining clustering and classification, this method can also increase stability and accuracy of the model. And this article is try to combined two methods advantages to construct the bankruptcy prediction models and compare models. In this article Feature Selection methods use the stepwise regression analysis, linear regression and classification and regression trees to filter variables, clustering methods use k-means and self organizing map. Classification methods using C4.5 decision tree, backpropagation neural network, k-nearest neighbors algorithm and random forests. In this article use foreign journals more commonly used datasets Australian, German two datasets, combined two methods to construct bankruptcy prediction model, to compare the accuracy, type I type II error rates and find the best bankruptcy prediction model.


摘要 I
ABSTRACT II
致謝辭 III
目錄 IV
表目錄 VI
圖目錄 VII
第一章 緒論 1
1-1 研究背景與動機 1
1-2研究目的 1
1-3 研究流程 2
第二章 文獻探討 3
2-1財務危機 3
2-2資料探勘 3
2-2-1決策樹 4
2-2-2 類神經網路 4
2-2-3 最近鄰居法 6
2-2-4 隨機森林 6
2-2-5 K平均演算法 7
2-2-6自組織映射圖網路 7
2-3特徵選取 8
2-4相關研究 8
2-4-1 特徵選取與分類 8
2-4-2 分群與分類 9
第三章 模型設計 9
3-1資料來源 9
3-2實驗模型 10
3-2-1 比較用模型 10
3-2-2特徵選取、分群法與分類法 11
第四章 實驗結果 14
4-1 特徵選取與分群 14
4-1-1 特徵選取 14
4-1-2 分群 15
4-2實驗結果 15
4-2-1 Australian Credit datasets 實驗結果 15
4-2-2 German Credit datasets 實驗結果 16
4-3準確率比較 18
4-3-1 Australian Credit datasets準確率比較 18
4-3-2 German Credit datasets準確率比較 20
4-4型一錯誤型二錯誤比較 22
4-4-1 Australian Credit datasets型一錯誤比較 22
4-4-2 German Credit datasets型一錯誤比較 24
4-4-3 Australian Credit datasets型二錯誤比較 26
4-4-4 German Credit datasets型二錯誤比較 28
4-5模型比較 31
第五章 研究結論 32
參考文獻 33

表目錄
表一 資料案例數目 9
表二 模糊矩陣 14
表三 輸入變數數目 14
表四 Australian實驗結果 15
表五 German實驗結果 16
表六 實驗結果評比表(Australian) 31
表七 實驗結果評比表(German) 31

圖目錄
圖1 研究流程 2
圖2 類神經網路 5
圖3 最近鄰居法 6
圖4 單一分類器 10
圖5 特徵選取與分類法 11
圖6 分群法與分類法 11
圖7 特徵選取、分群法與分類法(step1) 12
圖8 特徵選取、分群法與分類法(step2) 12
圖9 特徵選取、分群法與分類法(step3) 12
圖10特徵選取、分群法與分類法 13
圖11 C4.5準確率(Australian) 18
圖12 KNN準確率(Australian) 19
圖13倒傳遞類神經準確率(Australian) 19
圖14隨機森林準確率(Australian) 20
圖15 C4.5準確率(German) 20
圖16 KNN準確率(German) 21
圖17 倒傳遞類神經準確率(German) 21
圖18 隨機森林準確率(German) 22
圖19 C4.5型一錯誤(Australian) 23
圖20 KNN型一錯誤(Australian) 23
圖21 倒傳遞類神經型一錯誤(Australian) 24
圖22 隨機森林型一錯誤(Australian) 24
圖23 C4.5型一錯誤(German) 25
圖24 KNN型一錯誤(German) 25
圖25 倒傳遞類神經型一錯誤(German) 26
圖26 隨機森林型一錯誤(German) 26
圖27 C4.5型二錯誤(Australian) 27
圖28 KNN型二錯誤(Australian) 27
圖29 倒傳遞類神經型二錯誤(Australian) 28
圖30 隨機森林型二錯誤(Australian) 28
圖31 C4.5型二錯誤(Australian) 29
圖32 KNN型二錯誤(Australian) 29
圖33 倒傳遞類神經型二錯誤(Australian) 30
圖34 隨機森林型二錯誤(Australian) 30




1.呂紹強(1999)。企業財務危機預警模式之研究-以財務及非財務因素構建,淡江大學會計研究所碩士論文。
2.吳宗正、溫敏杰、侯惠月(2001)。類神經網路及統計方法在台股指數期貨預測研究之比較,成功大學學報,36,人文社會篇,91-109。
3.葉怡成(1999)。類神經網路應用與實作,儒林。
4.葉清江,羅良岡,齊德彰,黃彥儒(2009)。整合分類迴歸樹與隨機森林於資訊揭露預測之研究:公司治理之考量,2009作業研究理論與實務學術研討會論文集,1-11。
5.蔡麗君(1994)。審計報告之資訊內涵-運用於財務危機之預測,國立政治大學會計研究所碩士論文。
6.Beaver, W. H., (1966). Financial Ratios as Predictors of Failure. Journal of Accounting Research , 4, 71-102.
7.Berry, M. J. A., & Linoff, G. S. (1997). Data Mining Techniques: for Marketing, Sales, and Customer Support, John Wiley & Sons Inc, New York.
8.Berry, M.J., & Linoff, G.S. (2004). Data mining techniques: for marketing, sales, and customer relationship management, Wiley Computer Publishing.
9.Blum, M., (1974). Failure Company Discriminant Analysis. Journal of Accounting Research ,12, 1-25.
10.Cover, T. & P. Hart. (1967). Nearest neighbor pattern classification, IEEE Transactions on Information Theory, 13, 21-27.
11.Elena Fedorova a, Evgenii Gilenko b,& Sergey Dovzhenko. (2013). Bankruptcy prediction for Russian companies: Application of combined classifiers, Expert Systems with Applications, 40, 7285–7293.
12.Etemadi, H., Rostamy, A. A. A. & Dehkordi, H. F. (2009). A genetic programming model for bankruptcy prediction: Empirical evidence from Iran. Expert Systems with Applications, 36, 3199-3207.
13.Foster, G., (1977). Quarterly Accounting Data: Time-Series Properties and Predictive-Ability Results. The Accounting Review, 52, 1-21.
14.Ganeshanandam, S., & Krzanowski, W. J. (1989). On selecting variables and assessing their performance in linear discriminant analysis.
15.H. Li, &J. Sun. (2010). Business failure prediction using hybrid2 case-based reasoning (H2CBR), Computers & Operations Research, 37, 137–151.
16.Han, J., & Kamber, M. (2006). Data mining: concepts and techniques, Morgan Kaufmann.
17.Huan Liu, & Lei Yu,Toward. (2005). Integrating Feature Selection Algorithms for Classification and Clustering. IEEE Transactions on Knowledge and Data Engineering, 17, 491-502.
18.I.S. Oh, J.-S. Lee, & B.-R. Moon. (2004)Hybrid Genetic Algorithms for Feature Selection, IEEE Trans. Pattern Analysis and Machine Intelligence, 26, 1424-1437.
19.J. Huysmans, B. Baesens, J. Vanthienen, & T. van Gestel. (2006). Failure prediction with self organizing maps, Expert Systems with Applications, 30, 479–487.
20.Kohonen, T. (1982). Self-organized formation of topologically correct feature maps. Biological Cybernetics, 43, 59-69.
21.Lensberg, T., Eilifsen, A. & McKee, T. E. (2006). Bankruptcy theory development andclassification via genetic programming, European Journal of Operational Research 70, 677-697.
22.Lin, S.-W., Ying, K.-C., Chen, S.-C., & Lee, Z.-J. (2008). Particle swarm optimization for parameter determination and feature selection of support vector machines, Expert Systems with Applications, 35, 1817-1824.
23.N.-C. Hsieh. (2005). Hybrid mining approach in the design of credit scoring models, Expert Systems with Applications, 28, 655–665.
24.S. Khandekar, X. Cui & M. Groll. (2002). Thermal Performance Modeling of Pulsating Heat Pipes by Artificial Neural Network, Proc. 12th International Heat Pipe Conference, Moscow, Russia, 215-219.
25.Theodoridis S & Koutroumbas K. (2003). Pattern Recognition.
26.Tomek, I.,(1976), Two Modifications of CNN, IEEE Transactions on Systems, Man and Cybernetics, 6, 769-772.

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔