摘要
财务困境预测中数据不平衡会导致模型预测效果较差.针对此问题,组合混合采样算法、粒子群算法和随机森林构建新的财务预警模型.基于K-means对SMOTE算法改进,与随机欠采样结合形成新混合采样,将其与粒子群算法优化的随机森林组合构建财务预警模型,引进新指标评价模型稳定性,探索样本不同数量分布对分类结果的影响.基于2018-2019年中小板上市公司数据分析,在新旧混合采样与Bagging、SVM、BP神经网络和随机森林的组合中,新混合采样和随机森林的组合在AUC等7类评价指标上最优,大部分指标达90％以上.参数优化后,组合模型在AUC、G-mean和新指标SR上进一步提升8％.
维普
万方数据