Prédiction de crise financière dans l'industrie immobilière chinoise du point de vue des flux de trésorerie basé sur l'apprentissage automatique

Cet article vise à établir un modèle de prédiction de crise financière dans l'industrie immobilière. Les données ont été acquises à partir des états financiers de 125 sociétés immobilières cotées en Chine de 2013 à 2017, les entreprises marquées ST ou ST* étant considérées comme des entreprises en crise financière. Étant donné que la crise financière des entreprises immobilières chinoises est principalement due à la rupture de la chaîne de flux de trésorerie et à l'incapacité de rembourser les dettes, 18 caractéristiques sont choisies selon quatre dimensions : risque opérationnel, risque d'investissement, risque de financement et risque de chaîne de capital, du point de vue des flux de trésorerie. Cet article impute les valeurs manquantes par la méthode d'imputation par K-plus proches voisins (KNN) et effectue un suréchantillonnage pour des ensembles de données déséquilibrés en utilisant la méthode de suréchantillonnage synthétique des minorités (SMOTE). Après cela, l'algorithme Light Gradient Boosting Machine (LightGBM) est utilisé pour établir le modèle de prédiction de crise financière, et la précision du modèle a atteint 96 %. Pour illustrer les facteurs clés, cet article classe l'importance de chaque caractéristique par le classificateur LightGBM, il peut être conclu que le risque de financement est très important pour les entreprises en crise financière et que l'investissement dans des projets dans l'industrie immobilière doit être traité avec plus de prudence. Cet article utilise de manière innovante la méthode d'apprentissage automatique pour établir un modèle de prédiction de crise financière pour l'industrie immobilière à partir des caractéristiques de flux de trésorerie, ce qui correspond davantage à la situation réelle de l'industrie immobilière.