【基于遗传算法的上市公司经营绩效评估模型研究】 739家上市公司绩效

　　一、引言　　在企业经营绩效评估中常采用主成分分析法、因子分析法、层次分析法等统计方法。这类方法对数据要求比较严格，例如假设数据服从正态分布的前提假设、数据样本足够大等。在实际中，有些假设往往很难满足。模糊数学、神经网络等人工智能方法在一定程度上能克服统计学方法面临的困难，不仅具有非线性映射能力和泛化能力，而且具有较强的鲁棒性和较高的预测精度。但是此类方法存在一些缺陷，如网络结构难以确定、参数不易确定、训练过程容易陷入局部极小或过学习等问题。这些不足极大地限制了上述方法在实际中的应用。支持向量机（Support Vector Machine，SVM）是一类基于统计学习理论的新型机器学习方法，能较好的解决小样本学习的问题，避免了神经网络技术存在的许多问题。然而，SVM进行回归预测时，很难选择适当的惩罚因子等参数。遗传算法模拟生物进化过程启发式搜索最优解，是调节SVM参数的一种有效方法。本文构建了一种基于遗传算法优化的SVM企业经营绩效评估模型， 运用遗传算法自动搜索最优参数，并用43家纺织企业绩效数据验证模型的可靠性， 实验结果表明，该方法获得了满意的效果。
　　二、上市公司经营绩效评估模型
　　（一）支持向量回归 支持向量机是由Vapnik等学者在20世纪90年代中期提出的基于统计学习理论（Statistical Learning Theory， SLT）的一种机器学习算法。SVM在解决小样本、非线性及高维模式识别中表现出许多特有的优势。将SVM方法应用于函数拟合问题时，即支持向量回归（SVR），它通过用内积函数定义的非线性变换将输入空间变换到高维空间，并在该高维空间寻找最优线性回归超平面，得到二次规划问题的全局最优解。SVR的具体原理在很多文献中都有详细的讨论，此处不再赘述。
　　图1是非线性SVR 的逻辑结构图。非线性SVR形式上类似于一个神经网络，其输出是若干中间层节点的非线性组合，而每一个中间层节点对应于输入样本与一个支持向量的内积，输出为回归估计值，相应的决策函数为：

推荐访问:遗传 算法 上市公司 绩效评估