论文题目：新三板挂牌企业财务风险预警研究 ——基于神经网络模型的构建与实证分析
摘要：财务风险的发生会对企业的持续经营造成重大影响,可能导致企业发生重大损失,甚至引发企业的破产。由于新三板的企业大部分为中小微型企业,其生产经营状况具有较强的不确定性,也容易发生各类财务风险事件,而类似上海电气通讯技术公司的企业财务风险事件每年均有发生。为此,需要提高对新三板企业财务风险的预警能力,为监管机构进行市场的监督,保护各类投资人的利益提供参考依据。目前,广泛采用的财务比率等方法对财务风险进行预测效果不佳,而BP神经网络等需要确定其网络的结构,可能存在过度拟合现象,而GMDH（Group Method of Data Handing,GMDH）神经网络能够自适应的学习网络结构,其预测稳定性更佳。因此,本文基于GMDH神经网络模型构建新三板财务预警模型,并收集数据进行实证分析,有利于新三板企业的财务风险预警,对投资人进行交易时提供风险参考。本文以新三板上市企业为研究对象,研究新三板上市企业的财务风险预警问题。首先,对新三板上市企业财务风险现状及存在问题进行分析。其次,基于GMDH神经网络模型,从企业的偿债能力、盈利能力、营运能力和成长能力四个方面选取财务指标构建财务预警指标体系,通过遗传算法优化参数,构建新三板上市企业财务风险预警模型。再次,搜集2014年到2020年新三板上市企业的数据进行实证分析,与常用的财务预警模型如逻辑回归、BP神经网络等模型进行对比分析,用模型预测的财务风险与企业实际的财务风险的匹配度来衡量模型的预测能力。最后,总结全文研究结果,提出加强新三板上市企业财务风险预警能力的建议。本文的研究主要发现:（1）新三板企业经历起步的快速增长后,2017年开始市场规模逐渐下降,同时由于存在财务风险而被摘牌的企业也逐渐增加,为此需要进一步提升财务风险预警的能力,完善新三板市场的建设。（2）从实证分析来看,遗传算法优化的GMDH模型的预测性能最好,在准确率上比BP神经网络模型提高11.2%,比默认参数的GMDH模型提高9.1%。在真负率上比BP神经网络模型提高8.3%,比默认参数的GMDH模型提高8.3%。（3）从实证分析来看,应收账款周转率和资产负债率等是企业财务风险预测的重要指标。其中,应收账款周转率能够直观地表现企业资金的周转速度,该值越大,表明企业的短期偿债能力越强,财务风险越低。资产负债率是对企业自身的负债程度进行的衡量,该比率越小,说明企业的长期偿债能力越强,财务风险越低。本文的研究有利于制定对新三板企业财务风险进行预测的指标与方法,有利于为监管机构以及投资人进行参考。
关键词：新三板;财务风险预警;GMDH神经网络;遗传算法
学科专业：金融学
摘要
abstract
1 绪论
1.1 研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.2 文献综述
1.2.1 财务风险预警模型研究
1.2.2 财务风险预警指标研究
1.2.3 企业财务风险及其影响因素
1.2.4 文献述评
1.3 研究目的与内容
1.3.1 研究目的
1.3.2 研究内容
1.4 研究思路与方法
1.4.1 研究思路
1.4.2 研究方法
1.5 研究创新
2 概念界定、理论基础及相关模型
2.1 概念界定
2.1.1 新三板
2.1.2 财务风险
2.2 财务风险预警理论
2.3 相关模型方法
2.3.1 决策树模型
2.3.2 BP神经网络
2.3.3 支持向量机
2.3.4 模型评价指标
2.4 本章小结
3 新三板企业财务风险现状及问题
3.1 新三板市场规模分析
3.2 新三板企业财务风险现状
3.3 新三板企业财务风险预警存在问题
3.4 本章小结
4 基于GMDH神经网络的财务风险预警模型设计
4.1 财务风险预测相关因素分析及指标体系设计
4.2 GMDH神经网络理论及适用性分析
4.2.1 GMDH神经网络用于财务风险预测的适用性分析
4.2.2 GMDH神经网络用于财务风险预测的理论分析。
4.3 基于遗传算法优化的 GMDH 神经网络的企业财务风险预警模型构建
4.3.1 遗传算法分析
4.3.2 财务风险预警模型构建
4.4 本章小结
5 基于GMDH神经网络的财务风险预警模型实证分析
5.1 数据源处理与描述性统计分析
5.1.1 数据源说明
5.1.2 描述性统计
5.1.3 数据重采样
5.2 指标选择
5.3 GMDH神经网络财务风险预警模型实证分析
5.4 模型对比分析
5.4.1 逻辑回归模型实证分析
5.4.2 决策树模型实证分析
5.4.3 BP神经网络模型实证分析
5.4.4 支持向量机模型实证分析
5.4.5 未优化的GMDH神经网络模型实证分析
5.4.6 综合对比分析
5.5 指标有效性分析
5.6 本章小结
6 结论建议及展望
6.1 研究结论
6.2 提高财务风险预警能力的对策建议
6.2.1 合理选取评估指标,整合企业相关信息
6.2.2 构建合理的财务风险预警模型
6.3 研究不足与展望
6.3.1 研究不足
6.3.2 研究展望
参考文献
致谢