论文题目：基于KPCA-XGBoost的投前企业财务危机识别方案
摘要：在投资时,企业的财务危机往往是一个让股价崩盘的关键点,企业的财务危机不仅仅是一个典型的二分类问题,结合预警机制,可以将其划归为一个多分类问题。由于传统的财务指标变量间的相关性存在重叠,亟需一种具有较高精度的分类模型来对企业的财务危机进行识别和预测以避免投资损失。本方案选取2010年至2019年特定的汽车行业数据,使用KPCA核主成分分析对传统的财务指标进行特征提取,并引入SMOTE过采样方法将样本数据的平衡性进行修正,最后依靠主流的XGBoost算法进行建模。研究表明:经过KPCA和SMOTE算法进行处理后的数据在输入到XGBoost中后,与其他主流算法相比有较高的识别能力,总体准确率达到93.75%,AUC值达到0.87,是非常不错的企业财务风险识别模型算法。同时研究发现,在使用KPCA进行特征提取时,需要关注该方法的利弊,仅仅使用KPCA和XGBoost进行结合建模的方法会比其余的效果更差。
关键词：企业财务危机识别;核主成分分析;XGBoost
学科专业：金融专硕（专业学位）
摘要
Abstract
第1章 绪论
1.1 研究的背景
1.2 研究的目的和意义
1.3 研究的内容、方法和技术路线
1.3.1 研究的内容
1.3.2 研究方法
1.3.3 技术路线
1.4 本文的章节安排
第2章 文献综述与相关理论回顾
2.1 相关文献综述
2.1.1 企业财务绩效评估法
2.1.2 企业财务危机识别模型
2.2 相关理论回顾
2.2.1 PCA原理
2.2.2 从PCA到 KPCA
2.2.3 SMOTE过采样
2.2.4 机器学习在本方案中的应用
2.2.5 XGBoost分类算法
第3章 企业财务危机预警问题的描述与分析
3.1 企业财务危机预警问题
3.1.1 专家算法
3.1.2 机器算法
3.1.3 问题小结
3.2 内部的财务系统是一个精密运作的机器
第4章 财务危机预警方案的策划
4.1 方案策划的思路
4.1.1 从降维出发
4.1.2 机器学习在模型中的应用
4.1.3 两个分类器实现多分类
4.2 方案策划的理论解释
4.2.1 合理的指标体系
4.2.2 有效的特征提取方法
4.2.3 强力的分类器模型构建
4.2.4 进一步探究:多分类建模
4.3 方案流程小结
第5章 方案的实施途径及合理性论证
5.1 方案的实施途径
5.1.1 数据的获取
5.1.2 数据的预处理
5.1.3 KPCA特征提取模型的构建
5.1.4 特征提取效果的评估
5.1.5 样本的平衡性
5.1.6 XGBoost模型的构建
5.2 方案的合理性论证
5.2.1 混淆矩阵
5.2.2 ROC-AUC曲线
5.2.3 纵向对比:与非对称数据的比较
5.2.4 横向对比:与各类其他算法的比较
5.3 方案的应用实例
5.3.1 预测数据的制备和特征提取
5.3.2 使用两个分类器进行预测
5.4 方案的风险提示
5.4.1 数据风险
5.4.2 算法操纵与对抗学习
5.4.3 过度保守
第6章 总结与展望
6.1 总结
6.2 展望
6.2.1 数据精细化
6.2.2 多分类模型
参考文献
附录1:分类器源代码
附录2:网格化调参源代码
致谢