A股上市公司ST风险预警——基于KMV模型的大样本经验实证

针对中国上市公司股权结构的特殊性,修正KMV模型中股权市值计算和违约点设定方法,以2010—2011年所有A股上市公司为样本,运用修正的KMV模型对ST公司和非ST公司信用风险进行评价和预测,建立合适的财务困境预警线。大样本下的实证研究表明,修正后的KMV模型至少可以提前两年对上市公司的财务困境进行有效预警。     

基于Logit模型对我国商业银行信用风险评估的实证研究

随着金融的全球化趋势和金融市场的波动性加剧．各国银行和投资者受到了前所未有的信用风险的挑战。信用风险评估方法也不断推陈出新,管理技术正日臻完善,许多定量技术、支持工具和软件已付诸商业应用。然而,我国商业银行和金融市场尚处转轨和新兴发展阶段,信用风险管理技术较为落后。针对于此,本文从商业银行角度,研究借款人（上市公司）信用风险评估的方法和应用问题。利用SPSS软件对企业的多维财务指标进行t检验和主成份分析得到了7个能够反映企业信用风险高低的关键财务指标．并利用这7个指标建立了Logit模型,结果表明,利用建立的Logit对我国商业银行的信用风险评估中具有较高的预测准确率,从而为我国商业银行信用风险评估方法从传统的定性分析法向定量分析法迈进起到了一定的借鉴作用。     

基于KMV模型上市房地产公司风险度量的实证分析

KMV模型是国际上度量信用的一种常用方法,它是根据B-S-M模型原理,通过计算上市公司的违约距离来度量信用风险的.本文选取了8家上市的房地产公司,运用KMV模型进行实证分析.结果表明,KMV模型对我国上市房地产公司的信用风险的度量有良好的预警作用.     

数据挖掘技术对村镇银行信用风险预测系统的嵌入研究

基于数据挖掘技术,村镇银行信用风险预测系统能够实现对村镇银行大规模客户资料的多角度分析,并预测出客户可能会对银行带来的潜在信用风险。通过将数据挖掘技术嵌入到村镇银行信用风险预测系统,综合运用传统的商业银行信用风险度量方法“6C”法与现代信用风险的计量方法 VaR法,构建了一个适合村镇银行的信用风险预测系统,以期为我国广大村镇银行的风险管理控制提供一定的参考。     

BP神经网络改进算法在空分制氧质量预测中的应用

文中对传统BP神经网络的基本原理和学习过程进行分析,发现其存在收敛速度慢、容易陷入局部极小值等问题．采用增加动量项和自适应学习速率两种方法对传统BP算法进行改进,并将改进的BP算法运用于空分制氧质量预测网络模型中,结果表明改进的BP神经网络能够改善传统模型的缺点,而且预测质量效果较好．     

基于图嵌入的特征提取算法研究

通过对图、完全图和正则图概念的介绍,详细地描述了图嵌入的方法,同时对主成分分析、线性鉴别分析、局部保持投影、保持近邻嵌入、L1图及其嵌入等经典的特征提取算法进行了详细的代数推导,列出了详细的推导过程,得出这些经典算法可以用图嵌入理论来解释的结论,最后得出特征提取算法的核心在于算法的图构造.     

高技术上市公司信用风险度量与预测——基于KMV模型

高技术企业比一般企业的信用风险突出.本文研究目的是判断股权分置改革后,KMV模型能否较好度量我国高技术上市公司信用风险.样本选取沪深两市具有有代表性的10家高技术上市公司.结果表明,违约距离（DD）能较好度量样本公司的信用风险,并且随着公司被ST时间的临近,模型的识别能力越强,说明KMV模型对我国高技术企业有较好的适用性.     

上市公司经营者股权激励与经营绩效关系分析

利用我国上市公司2002和2003年数据,分析经营者股权激励现状,发现我国上市公司经营者持股比例低,持股水平不一,行业间有差异;分析发现,我国上市公司经营者持股与公司绩效存在正相关关系,但不显著,与公司规模基本是负相关关系,也都未通过显著性检验;回归分析显示,经营者持股与公司绩效间存在一元线性关系。     

神经网络融合模型在大坝变形分析中的应用

为了提高大坝变形分析模型的预测精度并检验模型的泛化能力,研究了大坝变形分析的BP神经网络模型,并基于神经网络BP算法和传统的统计模型建立了大坝变形分析的融合模型．结合陈村大坝多年的变形观测数据,对上述3种模型进行了试算及分析．分析结果表明,统计模型的平均预测精度为±0．477mm．BP神经网络模型的平均预测精度为±0．390mm,融合模型的平均预测精度为±0．318mm,相比统计模型和BP神经网络模型分别提高了33％和18％,且泛化能力较强,具有广泛的适用性．     

关于上市公司交叉持股对其盈利水平影响的研究

交叉持股在我国证券市场上发挥着越来越重要的作用。通过对我国沪深两市存在交叉持股的上市公司进行面板数据检验得出：上市公司交叉持股对其盈利能力具有促进作用,但是这种促进水平的大小取决于交叉持股的比例和该公司所处的行业。完善相关立法,针对不同行业的上市公司规定不同的交叉持股比例,可以促使上市公司交叉持股对其盈利水平发挥更好的作用。     

基于深度置信网络的上市公司信用风险预警模型

我国上市公司信用风险事件频发,一定程度上阻碍了金融体系的稳定发展,信用风险预警势在必行。本文借助深度置信网络,构建上市公司信用风险预警模型和预警指标体系,给出风险预警警戒值,并验证了预警模型的有效性。     

我国建筑行业上市公司股权结构与盈余管理的关系研究

盈余管理行为产生原因错综复杂,根据国内外学者研究分析,公司内部治理结构是其中重要因素之一,而股权结构作为公司治理结构的重要组成部分也会在很大程度上会影响盈余管理。文章从3个角度衡量股权结构:股权集中度、股权构成、股权流通性,并从这3个角度来研究股权结构对盈余管理的影响,首先,基于股权结构对盈余管理的影响进行机理分析,并结合现有理论分析成果提出研究假设,构建相关模型.其次,选择2008-2017年建筑行业上市公司数据作为观测值,回归分析得出以下结论:在我国建筑行业中,股权集中度与盈余管理之间成U型曲线关系;国有持股比例和盈余管理之间成正相关,而法人持股比例、高管持股比例与盈余管理之间成负向关系;股权流通性与盈余管理也成负向关系。最后针对研究结果和建筑行业特征提出减低股权集中度和大股东持股比例、增强股权流通性、提高高管持股比例以及政府和有关部门加强监督的建议.     

公司特征与企业社会责任:基于安徽省上市公司数据

依托利益相关者理论,以安徽省73家上市公司2010-2014年的财务数据为样本,采用实证研究方法,来分析安徽省上市公司的企业社会责任与公司特征之间的关系。研究结果发现公司股权结构,高管持股比例,机构持股比例与企业承担社会责任之间存在相关关系。     

对KMV模型的修正及其在公司债券评级中的应用

调整了KMV模型中股权市场价值和违约距离的计算,选取中国证券市场30家ST公司和30家非ST公司的数据检验修正后KMV模型的识别能力.结果表明,修正后的KMV模型能够识别上市公司的信用风险,是一种有效的公司债券资信评级方法.     

基于LightGBM算法的信用风险评估模型研究

对于银行、P2P等金融机构而言,如何在扩大业务规模的同时,有效控制并合理防范信用风险尤为重要。基于LightGBM算法,根据借款申请人提供的相关个人信息,建立分类预测模型,对借款人是否会逾期、是否该发放贷款进行预测研究。实验结果表明,相较于普通决策树算法,LightGBM预测精度提升了40.8%,且具有较好的鲁棒性,可满足信用评估要求。基于LightGBM的信用评估模型不仅拥有更快的训练速度和更高的训练效率,同时还占用更少的内存,具有支持数据并行处理能力。利用该模型可对用户信用风险进行较为准确的预测,对贷款机构风险管理有重要参考价值。     

探究机构持股与会计稳健性

股票可以将一个大型上市公司虚拟化,这种虚拟的产物具备实际价值,机构持股与会计稳健性已经成为了当下的重要研究课题,需要得到一个确切的结论,为将来的经济发展提供参考.以我国A股具有机构持股的赏石公司2007年--2011年的数据为样本,采用Basu的盈余——回报率模型研究了机构持股对会计稳健性的影响.从客观的角度来分析,股票已经对国家的经济发展造成了很大的影响.     

委托代理关系下的管理层激励效应探讨

文章在已有的关于上市公司激励理论研究的基础上,分析了我国上市公司激励的必要性。给出薪酬激励模型,并证明薪酬激励模式在我国是一种成熟的和应用广泛的激励办法,有助于企业价值的创造。在管理层持股分析的实证过程中发现我国上市公司管理层持股偏低,说明股权激励不是我国上市公司的首选,分析的结果可以为将要采用股权激励的上市公司提供重点参考。     

基于数据挖掘的京津冀上市公司财务舞弊识别研究

选取京津冀上市公司2013～2018年数据,从国泰安数据库选取配对样本,利用因子分析法进行指标分析,然后运用决策树、SVM支持向量机和GA-BP神经网络三种数据挖掘模型对京津冀上市公司进行财务舞弊识别,在三种算法基础上构建改进模型,提高预测准确率。根据结果从投资者职能、内控机制、政策环境等方面,针对有效遏制财务舞弊行为提出建议。     

用模拟退火算法实现二层图的平面嵌入

提出了一个对二层图进行表示的模型,该模型采用二进制编码,在此模型的基础上实现了对二层图进行平面嵌入的模拟退火算法,利用此模拟退火算法可以找出给定的二层图的近似最大二层平面子图,从而可以将其嵌入到平面上。结果显示在该模型的基础上模拟退火算法可以找出比Hopfield网络更优的二层平面子图。     

基于Word2Vec与深度神经网络的协同推荐模型

针对目前推荐系统广泛存在的数据稀疏性、预测评分不准确和神经网络模型复杂度较高等问题,提出深度神经网络模型ProfileDNN.模型借鉴自然语言处理中的Word2Vec表征学习方法预训练物品的嵌入向量,并利用物品的嵌入向量构建物品和用户画像,最后基于深度神经网络模型学习用户对物品的预测评分.基于3个公共数据集的对比实验表明,相比同类模型,ProfileDNN模型的复杂度更低,且推荐准确率最高提升达1.1%.