程庆休;王思祥 基于降维生成规则方法的季度时间序列分类器，用于识别财务困境。 （英语） Zbl 1398.91679号 数量。财务 1979年至1994年（2015年）第12期第15号. 摘要：预测财务困境一直是并且将继续是一个重要且具有挑战性的问题。人们提出了许多预测破产和检测金融危机的方法，包括涉及人工智能（AI）的传统方法和技术。财务困境信息影响投资者的决策，投资者在评估此类信息时依赖于分析师的意见和主观判断，这有时会导致投资者出错。鉴于上述情况，本文提出了一种新的季度时间序列分类器，该分类器减少了需要分析的高维数据的总量，并为决策者提供了可作为评估公司财务状况参考的规则。本研究采用以下六种属性选择方法来减少高维数据：（1）chi-square检验，（2）信息增益，（3）判别分析，（4）logistic回归（LR）分析，（5）支持向量机（SVM）和（6）建议的Join方法。在选择属性后，本研究使用粗糙集分类器生成财务困境规则。为了验证该方法的有效性，本文以实证收集的财务危机数据集为实验样本，在I型误差、II型误差和精度准则下，与决策树、多层感知器和支持向量机进行了比较，本研究进行了非时间序列和时间序列（移动窗口）实验。实验结果表明，在I类、II类错误和精度标准下，LR和chi-square属性选择与粗糙集分类器相结合的方法优于列表方法。 MSC公司： 91G70型 统计方法；风险措施 62M10个 统计学中的时间序列、自相关、回归等（GARCH） 关键词：财务困境;财务比率;多属性选择;粗糙集理论 软件：4.5条;PRMLT公司;LERS公司 PDF格式BibTeX公司 XML格式引用 \textit{C.-H.Cheng}和\textit{S.-H.Wang}，Quant。《财务》第15卷第12期，1979年——1994年（2015年；Zbl 1398.91679） 全文： 内政部 参考文献： [1] Bazan，J.、Nguyen，H.S、Synak，H.S和Wroblewski，J.，分类问题中的粗糙集算法。在粗糙集方法及其应用由L.Polkowski、S.Tsumoto和T.Y.Lin编辑，第49-88页，2000年（Springer-Verlag:海德堡）。2007年10月10日/978-3-7908-1840-6·Zbl 0992.68197号 [2] Beaver，W.H.，财务比率是失败的预测因素。J.账户。物件。，1966年，第4页，71-102.10.2307/2490171 [3] C.M.主教。，模式识别与机器学习2006年（Springer-Verlag:纽约）·兹比尔1107.68072 [4] Burges，C.，模式识别支持向量机教程。数据最小知识。迪斯科。, 1998, 2(2), 955-974. [5] Chaudhuri，A.和De，K.，破产预测的模糊支持向量机。申请。柔软。计算。，2011，11（2），2472-2486.10.1016/j.asoc.2010.10003 [6] Chen，M.Y.，《利用统计和智能技术预测企业破产以及比较进化计算方法》。计算。数学。申请。，2011年10月30日·Zbl 1236.91146号 [7] Chen，M.Y.，基于决策树分类和逻辑回归集成的企业财务困境预测。专家系统。申请。2011年b月38日，11261-11272.1016/j.eswa.2011.02.173 [8] Chen，Y.，Zhang，L.和Zhang and L.，中国制造业上市公司财务困境预测。Procedia计算。科学。2013年7月17日，678-686.10.1016/j.procs.2013.05.088 [9] Cox，D.R.和Snell，E.J。，二进制数据分析第二版，1989年（查普曼和霍尔：伦敦）·Zbl 0729.62004号 [10] Deakin，E.，《商业失败预测因素的判别分析》。J.账户。物件。, 1972, 10(1), 167-179.10.2307/2490225 [11] Devipriya，R.，《使用快速技术进行高维数据的特征选择》。国际法学研究计算。申请。罗布。, 2014, 2(5), 102-105. [12] Dhane，J.、Linders，D.、Schoutens，W.和Vyncke，D.，《羊群行为指数：金融市场隐含协同程度的新衡量标准》。保险。数学。经济。, 2012, 50(3), 357-370. ·Zbl 1237.91237号 [13] Dhane，J.，Dony，J.、Forys，M.、Linders，D.和Schoutens，W.FIX：恐惧指数——衡量市场恐惧。在金融数值方法专题由M.Cummins、F.Murphy和J.J.H.Miller编辑，Springer Proceedings in Mathematics&Statistics，2012（Springer：纽约）·Zbl 1296.91219号 [14] Fisher，R.A.，《分类问题中多重测量的使用》。安·尤根。1936年，7（2），179-188.10.1111/j.1469-1809.1936.tb02137.x [15] 福斯特·G·。，财务报表分析第二版，1986年（普伦蒂斯·霍尔出版社：纽约）。 [16] Gestel，T.V.、Baesens，B.、Suykens，J.A.K.、Van den Poel，D.、Baestaens，D.E.和Willekens，M.，基于贝叶斯核的金融困境检测分类。欧洲药典。物件。2006年，172979-1003.1016/j.ejor.2004.11.009·Zbl 1111.90330号 [17] A.A.Groppelli和E.Nikbakht。，财务2000年第4版（《巴伦教育丛书：纽约》）。 [18] Grzymala-Busse，J.W.，LERS——基于粗糙集的示例学习系统。在智能决策支持：粗糙集理论应用和进展手册由R.Slowinski编辑，第3-18页，1992年（Kluwer学术出版社：Dordrecht）。 [19] Grzymala-Busse，J.W.，规则导入系统LERS的新版本。芬丹。通知。, 1997, 31(1), 27-39. ·兹伯利0882.68122 [20] Guyon，I.和Elisseeff，A.，变量和特征选择简介。J.马赫。学习。物件。, 2003, 3, 1157-1182. ·Zbl 1102.68556号 [21] Guyon，I.、Weston，J.、Barnhill，S.和Vapnik，V.，使用支持向量机进行癌症分类的基因选择。机器。学习。，2002，46，389-422.10.1023/A:1012487302797·Zbl 0998.68111号 [22] Hall，M.A.和Holmes，G.，《离散类数据挖掘的基准特征选择技术》。IEEE传输。知识。数据工程。，2003，15（3），1-16。 [23] Han，J.和Kamber，M。，数据挖掘：概念和技术2000年（Morgan-Kaufmann：纽约）·Zbl 1445.68004号 [24] Hruschka，E.R.和Ebecken，N.F.F.，《从分类问题中的多层感知器中提取规则：基于聚类的方法》。神经计算2006，70，384-397.10.1016/j.neucom.2005.12.127 [25] Indro，D.C.、Jiang，C.X.、Patuwo，B.E.和Zhang，G.P.，使用人工神经网络预测共同基金绩效。国际管理杂志。科学。, 1999, 27, 373-380. [26] Jardin，P.D.，《使用神经网络和其他分类方法预测破产：变量选择技术对模型准确性的影响》。神经计算2010年，第73期，2047-2060.1016/j.neucom.2009.11.034 [27] Kononenko，I.，《估算属性：RELIEF的分析和扩展》。《1994年欧洲机器学习会议记录》（Springer-Verlag:纽约），第171-182页。 [28] Lee，K.，Booth，D.和Alam，P.，《韩国企业破产预测中监督和非监督神经网络的比较》。专家系统。申请。2005年10月29日，1-16.10.1016/j.eswa.2005.01.004 [29] Lee，S.和Choi，W.S.，使用反向传播神经网络和多元判别分析的多行业破产预测模型。专家系统。申请。，2013，40，2941-2946.10.1016/j.eswa.2012.12.09 [30] Lin，F.Y.，Liang，D.R.和Chen，E.C.，《企业危机预测的财务比率选择》。专家系统。申请。2011年11月38日，15094-15102.1016/j.eswa.2011.05.035 [31] Liu，C.J.，判别分析和相似性度量。模式识别。，2014，47（1），359-367.10.1016/j.patcog.2013.06.023 [32] Mak，B.和Munakata，T.，《从专家启发式中提取规则：粗糙集与神经网络和ID3的比较研究》。欧洲药典。物件。，2002，136，212-229.10.1016/S0377-2217（01）00062-5·兹比尔1048.90169 [33] Madan，D.B.和Schoutens，W.，《系统风险权衡与期权价格》。保险。数学。经济。, 2013, 52(2), 222-230. ·Zbl 1284.91552号 [34] E.J.麦克米兰。，非盈利预算和财务管理2010年（John Wiley&Sons出版社：纽约）。10.1002/9781118386767 [35] Ozturk，A.和Arslan，A.，使用混沌不变测度对经颅多普勒信号进行分类。计算。方法。生物识别程序。，2007年，86（2），171-180.10.1016/j.cmpb.2007.02.004 [36] Pawlak，Z.，粗糙集。国际期刊计算。信息科学。1982年11月341-356.10.1007/BF01001956·Zbl 0501.68053号 [37] Z.Pawlak。，粗糙集：数据推理的理论方面（Kluwer学术出版社：Dordrecht），1991年10月10日，978-94-011-3534-4·Zbl 0758.68054号 [38] Pawlak，Z.，基于知识的决策支持的粗糙集方法。欧洲操作杂志。雷斯，1997，99，48-57.10.1016/S0377-2217（96）00382-7·Zbl 0923.90004号 [39] Polat，K.和Günes，S.，一种基于C4.5决策树分类器和一对一方法的新型混合智能方法，用于多类分类问题。专家系统。申请。，2009，36（2），1587-1592.10.1016/j.eswa.2007.11.051 [40] Quinlan，J.R.，《决策树归纳》。机器。学习。, 1986, 1(1), 81-106. [41] J.R.昆兰。，C4.5：机器学习程序1993年（Morgan-Kaufmann:加州圣马特奥）。 [42] Ross，S.A.，Westerfield，R.W.和Jordan，B.D。，企业财务2003年第6版（麦格劳-希尔公司：纽约）。 [43] 不列颠哥伦比亚省什叶派和恰哥伦比亚省邱。，神经网络分析2000年（小院出版社：台北）。中文。 [44] Siskos，Y.、Zopounidis，C.和Pouliezos，A.，希腊一家工业开发银行为融资公司提供的综合DSS。Decis公司。支持系统。, 1994, 12, 151-168.10.1016/0167-9236(94)90013-2 [45] Souza，F.A.A.，Araújo，R.，Matias，T.和Mendes，J.，《软传感器设计中基于多层感知器的变量选择方法》。J.过程控制。2013年9月23日1371-1378.10.1016/j.jprocont.2013.09.014 [46] Sun，J.、Li，H.、Huang，Q.H.和He，K.Y.，《预测财务困境和公司破产：最新定义、建模、抽样和特征方法的回顾》。基于知识的系统。2014年5月57日，41-56.10.1016/j.knosys.2013.12.006 [47] 台湾经济杂志（TEJ），2014年。在线获取地址：http://www.finasia.biz/ensite/ [48] 芝加哥期权交易所波动率指数-VIX，白皮书。2003年，芝加哥期权交易所。 [49] V.Vapnik。，统计学习理论的本质，1995年（施普林格：纽约）。10.1007/978-1-4757-2440-0·Zbl 0833.62008号 [50] Vellido，A.、Lisboa，P.J.G.和Vaughan，J.，《商业中的神经网络：应用调查》（1992-1998）。专家系统。申请。，1999，17，51-70.10.1016/S0957-4174（99）00016-0 [51] Yeh，C.C.，Chi，D.J.和Hsu，M.F.，用于商业失败预测的DEA、粗糙集和支持向量机的混合方法。专家系统。申请。2010年10月37日，1535-1541.10.1016/j.eswa.2009.06.088 [52] Zopounidis，C.、Doumpos，M.和Matsatsinis，N.F.，开发基于多标准的决策支持系统，用于评估企业绩效和生存能力：FINEVA系统。模糊经济。版次。，1996a，1（2），35-53·Zbl 0870.90075号 [53] Zopounidis，C.、Doumpos，M.和Matsatsinis，N.F.，《FINEVA基于多准则的决策支持系统在企业失败风险评估中的应用》。已找到。计算。决策科学。，1996年b，21（4），233-251·Zbl 0870.90075号 [54] Zopounidis，C.、Pouliezos，A.和Yannacopoulos，D.，《为评估公司绩效和生存能力设计DSS》。计算。科学。经济。管理。, 1992, 5, 41-56.10.1007 ·兹比尔0825.90046 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。