Financial Distress Prediction with Group-- Sparsity Multiple Kernel Learning 作者：张向荣[1,2];胡珑瑛[1] 作者机构：[1]哈尔滨工业大学经济与管理学院,哈尔滨150001;[2]黑龙江工程学院经济管理学院,哈尔滨150008 出版物刊名：哈尔滨工业大学学报：社会科学版 页码：135-140页 年卷期：2015年 第1期 主题词：财务困境预测;支持向量机;多核学习;稀疏学习 摘要：上市公司财务风险预警在财务管理中一直都扮演看关键的角色。采目财务数据的特征走上下公司的各种财务指标，代表着上市公司不同方面的财务现状。这些异构特征给财务风险预警带来了巨大的挑战。当前多核学习方法已经显示出了优于支持向量机方法的预测性能。首先，一个利用预定义的基核进行无监督学习。在此过程中，一个稀疏性约束条件被引入，用于限制基核的线性组合，进而改进学习性能和预测模型的可解译性。通过无监督学习可以得到一个“最优”的线性组合核。最终，这个“最优”组合核用于支持向量机中，进而得到具备稀疏学习能力的多核预测机。通过利用214对ST和非ST公司财务数据进行了仿真实验。实验结果证实，稀疏多核学习方法在全部数据集和不同产业数据集上均优于现有的主流预测方法。 本文来源：https://www.wddqw.com/doc/f54820ceb6daa58da0116c175f0e7cd18525181d.html