第五段PDF塑造阶段

第五段(PDF塑造階段): 5-1 此過程使用財務及非財務的比率,並且建構一個財務困境後進行第二次時間因素分析的預測模型作為ANN輸入點然後載入變數,另外我們也應用這些實驗參數調查過去兩季、四季、六季和財務危機發生前的八個季節。為了預測準確性,在這個實驗我們將使用BPN做為ANN算法。此外,該練習題將採用80:20的比例做為練習。在破產預言的條件下,不論這個預言是準確的或是常規下的都會有三個值:「第一類錯誤率」,「第二類錯誤率」,「總錯誤率」。 錯誤率一:為風險錯誤率不能被歸類在一個正常的公司。 錯誤率二:為風險錯誤率不能被歸類在破產的公司。 總錯誤率:為兩式子相加。 表格五為三式子之關係圖,每個錯誤率公式如下: --- 5-1-1這個實驗以非因子因素分析: 這項實驗的結果是以37個原始比例變數所獲得的未因子因數分析。如表六所示,此測試資料估計標準率高達82.14%,而17.86%為過去兩季的錯誤率。可是,此估計標準率下降至60%和錯誤率上升到40%。在過去測量八個季節時,越接近金融危機準確度越高。 5-1-2第一因素的分析與實驗: 這項實驗的結果是使用18原始比例變數研究,經歷了第一次的因素分析。如表7,此測試資料估計標準率高達78.57%,而21.43%為過去兩季的錯誤率。可是,此估計標準率卻下降至66.36%,並且在測量過去八季期間時錯誤率上升到33.64%。類似上述實驗,越接近金融危機,精確度越高。 5-1-3第二因素的分析與實驗: 這項實驗的結果使用13原始比例變數研究,經歷了第二個因素分析獲得的結果。如表八所示,此測試資料估計準確率高達75 %,而25%為過去兩季的錯誤率。可是,此估計標準率卻下降至65.45%,並且在測量過去八季期間時錯誤率上升到34.55%。類似上述實驗,越接近金融危機,精確度越高。 -- 5-2 DM的實驗與結果: 群集分析尋找小組每個都不同。可是,在小組中所有成員都非常相似。不同於分類,不知道每個小組類標籤,群集分析是一種自然段資料分組方式。而分類是一段資料的方法將其分配到的小組。簡而言之,良好的聚類方式會產生高品質群集內高級相似性與低階級相似。可是,好的群集是最終取決於使用者的意見。 在我們的實驗中,我們可以使用分區的方式來聚集財務困境預測模型的資料庫,分區的方式為一組的k 群集構造N 物件的資料庫分區。通常,他們從一個初始的分區開始,然後使用一個反覆運算控制策略優化的目標函數。 K-均值演算法(韓科技Kamber,2001年) 是一個著名和常用的聚類演算法,它考慮到k 群集的輸入的參數k 和分區資料。 首先我們要代表群集中心的selectk 物件中剩餘的物件,然後分配給其中心最為接近該物件的群集。然後,它計算每個群集均值為新群集中心。此過程被反覆運算直到標準功能彙聚,與ANN實驗與相同。此過程還使用金融和非金融比,和第二個時間因素分析後的財務困境預測模型的構造。我們應用過去兩季調查k-均值驗算法,和過去四季、六季和以確保預測準確性的財務危機發生之前的八個季節,K-均值演算法實現後,我們決定採用分析預測精度為10 –15 群集。 5-2-1非因素分析與實驗: 這項實驗的結果使用37 原始比例變數,還沒有經歷因數分析後獲得的結果。如表9,此資料估計準確率高達78.57%,而21.43%為過去兩個季節的錯誤率。可是,精確率減少了56.36 %和錯誤率上升到43.64 %。在過去測量八個季節時,越接近金融危機準確度越高。 5-2-2第一要素的分析與實驗: 這項實驗的結果使用18 原始比例變數,經歷了第一次的因素分析。如表10,此資料估計準確率高達75%,而25%為過去兩季的錯誤率。可是,精確率減少了56.36 成。測量過去八季期間時錯誤率上升到43.64%。類似上述實驗,越接近金融危機準確度越高。 5-2-3第二要素的分析與實驗: 這項實驗的結果使用13 原始比例變數,經歷了第二個因素分析,如表11。測試資料有一個估計準確率高達75 %,而25%為過去兩季的錯誤率。可是,精確度減少了56.36%。測量過去八季期間時錯誤率上升到43.64%。類似上述實驗,越接近金融危機準確度越高。 7結論: 這項研究旨在金融和在財務報表中的非財務比率,和在BPN 和聚類模型用於比較的財務困境預測的性能。為了找到更好的早期預警方法,這項研究了正面臨著金融危機的34 公司,與他們配合34正常公司的類似行業。我們在另外通過從TSEC 資料庫所需的資料集和取樣他們過去兩季、四季、六季,金融危機發生前八季。然而此資料被用於進行統計的因數分析,每個比例變數是BPN 生成的進入和聚類方法進行比較,實驗後,我們總結出四個重要的貢獻: 第一,更多的時間我們使用因素不太準確 -- 在BPN 和聚類分析方法的結果。在我們的試驗中我們發現,當我們應用的所有非因數分析37 變數BPN 和聚類模型。我們可以獲得更好的預測性能,除為過去八季在BPN 模型中,過去的聚類模型兩季節。 第二,接近我們獲得實際的財務困境的時間,將會更準確地預測。該劇財務困境發生兩季的非因數分析準確率,例如是BPN 82.14 %,雖然這是只有60%超過八季,結果是類似的聚類的模型。凡準確性率與非因素分析的財務危機發生之前的兩季和八季是73.81%和61.21%分別。 第三,大多數投資者擔心第二類錯誤率和避免投資這些公司。(我們實證結果表明因素增加的分類與潛在的金融危機,作為正常的公司公司的錯誤預測。此外,我們還發現聚類模型中的第二類錯誤的平均率是高於BPN 模型中。因此,聚類方法的預測性能更積極影響比BPN 模型。 最後,BPN 方法獲得比糖尿病發展財務困境預測模型的聚類方法的更好地預測準確性。準確性率(要素分析),在過去的異常與過去率(第二因數分析) 八季節模型和準確性六季是低BPN 模型。