AdaBoost- und Bagging-Ensemble-Ansätze mit neuronalen Netzen als Basislerner zur Vorhersage finanzieller Notlage von chinesischen Bau- und Immobilienunternehmen

Mit der Entwicklung der Wirtschaft haben die Bau- und Immobilienbranchen allmählich grundlegende Industrien, die mit dem Lebensunterhalt der Menschen verbunden sind, und spielen eine wichtige Rolle. Aufgrund ihrer besonderen Merkmale in der Investitions- und Finanzierungsstruktur sehen sich Bau- und Immobilienunternehmen einem enormen finanziellen Risikodruck gegenüber, für den dringend effektive Modelle benötigt werden, um frühzeitige Warnsignale vor finanzieller Notlage zu senden. Diese Studie nutzt neuronale Netze mit Rückpropagation (BP-NN) als Basislerner und konstruiert zwei Klassifizierungsensemble-Modelle, BPNN-AdaBoost und BPNN-Bagging, basierend auf AdaBoost- und Bagging-Ensemble-Lernmethoden zur Vorhersage finanzieller Notlagen von Bau- und Immobilienunternehmen. Wir sammeln Finanzkennzahlen von 85 Bau- und Immobilienbeispielen, die an der Shanghai Stock Exchange und der Shenzhen Stock Exchange von China öffentlich notiert sind, um drei Datensätze zu erstellen und empirische Experimente durchzuführen. Die Ergebnisse der Modelle BPNN-AdaBoost und BPNN-Bagging werden umfassend mit denen des einzelnen BP-NN und des klassischen Z3-Score-Modells verglichen. Es wird angezeigt, dass die beiden Klassifizierungsensemble-Ansätze das einzelne PB-NN und das klassische Z3-Score-Modell signifikant übertreffen, wobei BPNN-AdaBoost besser für kurzfristige und mittelfristige FDP ein- oder zwei Jahre im Voraus geeignet ist und BPNN-Bagging eher für langfristige FDP drei Jahre im Voraus geeignet ist. Darüber hinaus werden auch verwandte aktuelle Patente überprüft. Schlüsselwörter: AdaBoost, Bagging, Klassifizierungsensemble, Bau- und Immobilienunternehmen, Vorhersage finanzieller Notlage, neuronales Netz.