Ghodrat

文章类型：原创研究 如何引用本文：Taghizad Gh、Panahian H、Ghodrati H. (2025)。财务困境预测的估计

目标：本研究旨在提出一种基于偏最小二乘法 (PLS) 和支持向量机 (SVM) 的混合模型来预测企业财务困境，并提高预测过程的准确性和稳定性。方法：本研究使用了两年内 120 家公司的数据集，其中包括 56 家破产公司和 64 家非破产公司。首先，分析财务数据，并使用偏最小二乘法 (PLS) 提取关键特征。然后采用支持向量机 (SVM) 算法，利用网格搜索技术和 5 倍交叉验证来优化模型参数。将所提模型的性能与逻辑回归和人工神经网络等传统方法进行了比较。结果：实证结果表明，混合 PLS-SVM 模型在测试集上的准确率达到 87%，优于传统模型和其他机器学习技术。此外，该模型成功地确定了预测财务困境最相关的财务指标，并确定了每个变量在预测过程中的作用。结论：由于其高准确性、可解释性和显著的稳定性，所提出的模型可以作为金融机构在风险管理、信贷审批和财务规划过程中的有效工具。本研究表明，结合机器学习方法可以提高财务预测能力。关键词：模型、机器学习技术、非线性、复杂相关性、破产。