應用SVM特徵選取提升財務危機模型之預測能力

Apply SVM in Feature Selection to Improve the Predictive Ability of Financial Distress Model

翁宇廷(Yu-ting weng)

指導教授 ： 周宗南

朝陽科技大學/管理學院/財務金融系/碩士(2012年)

摘要

財務危機的發生，使得企業獲利衰退，且重大財務危機的出現，更加重影響台灣上市櫃公司，近年來研究財務危機的學者，未將研究樣本依重大財務危機事件做劃分，因此本文將樣本期間區分為金融海嘯期間與金融海嘯後期間，以不同樣本期間做劃分，並以台灣上市櫃公司之一般產業為例，首先選取26個變數，利用Logistic迴歸與類神經網路在金融海嘯期間與金融海嘯後，來判別公司是否具有財務危機。其次將原始26個變數利用支援向量機進行特徵篩選，分別再使用Logistic迴歸與類神經網路，比較特徵選取後各期間樣本判別之準確率。
實證結果顯示本研究的分析方法適用於金融海嘯時與金融海嘯後，且不論樣本期間為何，類神經網路判別皆優於Logistic迴歸方法。在特徵選取上採用支援向量機是較佳的，且在區分樣本上，樣本期間越接近危機時點與增加樣本期間，都會提升財務危機預測之準確率。

關鍵字

Logistic迴歸 ； 類神經網路 ； 財務危機 ； 支援向量機 ； 特徵選取

並列摘要

This paper uses logistic regression and neural network to examine whether the companies had the financial crises during and after the periods of Financial Tsunami by collecting data from the listed companies in Taiwan. We choose 26 independent variables initially and then use recursive feature elimination based on support vector machine to select the important variables from the original 26 variables. After selecting the important variables, we use logistic regression and neural network again to determine the correct rates of prediction.
Our empirical results indicate neural network methods are better than logistic regression, no matter which the sample period is. The recursive feature elimination based on support vector machine is a good feature selection. The correct rates increase, when the sample periods close to the timing of financial crises or the sample periods lengthen.

並列關鍵字

logistic regression ； neural network ； financial crises ； support vector machine ； feature selection

參考文獻

2.李天行、唐筱菁(2004)，整合財務比率與智慧資本於企業危機診斷模式之建構－類神經網路與多元適應性雲形迴歸之應用，資訊管理學報，第11卷 (第2期) ，頁161-189

3.李沃牆、朱竣平(2008)，信用評等、公司違約率與財務危機預測之探討，真理財經學報，(第18期)，33-70。

6.林郁翎、黃建華 (2009)，考慮公司治理之企業財務危機預警模型，東吳經濟商學學報，第64 卷，頁 23-56。

8.邱登裕、鍾典村、吳致遠、謝齊莊(2007)，以GA-SVM法探討企業財務危機之研究，中華管理學報，第8卷 (第4期)，頁61-86。

10.許溪南、歐陽豪與陳慶芳(2007)，公司治理、盈餘管理與財務預警模型之建構，會計與公司治理，第4卷 (第1期)，頁85-121。