果蝇优化算法优化Z-SCORE模型参数

本文探讨了Z-SCORE模型在企业风险预测中的应用,通过果蝇优化算法(FOA)优化模型参数,提高了预测正确率从65%提升到75%。然而,对于新个体的预测,优化效果并不显著,可能需要更大规模的数据验证。
摘要由CSDN通过智能技术生成

Z-SCORE模型 (企业风险预测)

定义

Z = 1.2* X1 + 1.4 X2 + 3.3 *X3 + 0.6 X4 + 1.0* X5

其中 Z 为 Z-SCORE,而 X1 至 X5 为
X1:营运资金除以总资产;
X2:保留盈余除以总资产;
X3:息前税前净利除以总资产;
X4:股东权益市值除以总负债的账面价值;
X5:销售金额除以总资产。

一般而言,一家财务健全的上市公司,其 Z 分数应该高于或等于 2.675;而财务状况不佳(财务危机)的公
司,其 Z 分数则低于或等于 2.675


示例

财务危机预警20家企业样本数据

x1-x5对应企业各项指标,Y为1代表正常公司,为0是代表危机公司。

将 20 家企业的样本数据代入如下 ZSCORE 模型中:

Z = 1.2* X1 + 1.4 X2 + 3.3 *X3 + 0.6 *X4 + 1.0 X5

结果如下,20家企业中有6家预测结果和实际不相符。

这里写图片描述

由此可知,Z-SCORE 模型侦测财务危机预警的能力尚有改善空间,可能是时空背景的不同,导致该模型的推广能力逐渐减弱,若能将 Z-SCORE 模型中各自变量前的系数加以优化(优化),应该能提升其预测能力。


果蝇优化算法

这里写图片描述

原理

首先初始5群果蝇群体, 分别指派给p1, p2, p3, p4和p5等参数。 每群有 10 只果蝇,随机初始化果蝇群体位置区间为[0,1],迭代的果蝇搜寻食物的随机飞行方向与距离区间为[-1,1]。 经由 100 次迭代搜寻最
佳的 p1, p2, p3, p4 和 p5 后, Z-SCORE 预测结果逐渐趋近于目标值 Y。

【注】
如何实现Z-SCORE 预测结果逐渐趋近于目标值 Y ?
答:均方根误差(RMSE,root-mean-square error),用来衡量观测值同真值之间的偏差。首先随机产生p1,p2..p5,代入Z-SCORE模型中得到观测值,从而求出RMSE,然后经n次迭代后,求出最小RMSE时p1,p2,..p5值,即为最佳模型参数。

代码(matlab) TXY.txt
clc
clear

%加载z-score训练数据
load G:\matlab-code\TXY.txt;
[row,col] = size(TXY);

set = row / 5;
row1 = row - set;
tr = TXY(1:row1,1:col-1);
t1 = TXY(1:row1,col);
%tr和t1来得到最优z-score系数

te = TXY(row1+1:row,1:col-1);
t2 = TXY(1:row1,col);
评论 7
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值