相关实验视频

用多期年度报告数据预测企业的财务困境:一个融合深度神经网络模型

Chongren Wang^1,2, Pimei Gong^1,2, Jiawang Li¹

¹School of Management Science and Engineering, Shandong University of Finance and Economics, Jinan, China.

|September 26, 2025

概括

预测企业的财务困境对于经济稳定至关重要. 一个新的融合深度神经网络 (MTF-FDNN) 模型整合了文本和财务数据,大大提高了对利益相关者的预测准确性和风险减轻.

科学领域:

计算金融是指计算金融.
机器学习在金融中的应用
公司财务健康分析分析

背景情况:

企业的金融困境构成系统性风险,影响投资者,债权人和更广泛的经济.
准确及时预测金融困境对于减轻破产和裁员等负面后果至关重要.
传统模型通常仅依赖于财务指标,可能会忽视年度报告中的有价值的文本信息.

研究的目的:

提出一种新的融合深度神经网络 (MTF-FDNN) 模型,用于增强金融困境预测.
将多期财务数据与多份年度报告中的文本特征集成.
提高企业金融危机预测模型的准确性和可靠性.

主要方法:

开发了一种使用完全连接的神经网络的多期金融特征提取模型.
利用精心调整的Longformer模型将长期年度报告文本转换为矢量表示.
使用Bi-LSTM和TextCNN从文本数据中提取全球和本地语义特征.
化提取的财务和文本特征用于最终的财务困境识别.

主要成果:

拟议的MTF-FDNN模型显示了与传统模型相比的显著改进.
在AUC上实现了4.98%的增加,精度为6.54%,回忆力为10.58%,F1得分为6.48%.
验证了结合多个时期的文本特征可以大幅提高预测性能.

结论:

该MTF-FDNN模型提供了一种强大而有效的方法来预测企业的财务困境.
将年度报告中的文本数据与财务指标相结合,是提高预测准确性的关键.
该模型为业务经理,投资者和风险管理利益相关者提供了有价值的决策支持.

相关概念视频