李莉 孙荣

摘要：本文从国泰安数据库（CSMAR）选取2019—2022年度A股主板被ST或被*ST的33家批发零售业上市公司作为研究样本，选取20个财务指标和9个非财务指标，构建了预警指标体系。为消除非关键特征指标的影响，采用随机森林算法（RF）进行特征值筛选，将筛选的数据集应用于经过优化的LSSVM（最小二乘支持向量机）进行财务预测和预警。实验结果显示，相较于传统的PSO（粒子群优化算法）、GA（遗传算法）以及WOA（鲸鱼优化算法），采用VNWOA优化算法的分类精度分别提高了2.9个百分点、2.9个百分点以及4.35个百分点。综合应用了随机森林和VNWOA优化算法的RF-VNWOA-LSSVM模型在分类精度上相较于RF-费希尔判别法和BP神经网络分别提高了18.75个百分点、8.45个百分点。实验结果表明本文提出的RF-VNWOA-LSSVM预警模型可以对财务风险进行有效识别。

关键词：批发零售业上市公司；财务预警模型；随机森林特征值筛选；RF-VNWOA-LSSVM预警模型；数据挖掘；机器学习

中图分类号：F832.51；F275     文献标识码：A      文章编号：1007-0753（2024）03-0060-11

一、引言

批发零售业作为经济发展的重要组成部分，其财务风险管理对企业和整个行业的稳定发展至关重要。财务危机预警模型的研究经过了两个发展阶段：传统计量模型阶段和人工智能模型阶段。传统计量模型包括单变量判别模型（Fitzpatrick，1932；Beaver，1966）、多元回归模型（Altman，1968）、生存分析模型（Honjo，2000；李世垚，2016）等。尽管这些传统计量模型在一定程度上能够解释数据间的关系，但其建模能力受到限制，特别是在处理非线性关系、大规模数据和异常值缺失方面表现不佳。

随着机器学习和数据挖掘技术的迅速发展，研究人员开始探索如何利用这些先进技术构建更准确、及时的财务预警模型。……