财务危机预警是企业财务管理和投资决策领域的重要问题,其实质是对企业未来财务状况的预报和分类,一直备受理论研究和实务研究的高度关注。企业发生财务危机将影响管理者、债权人、投资人等利益相关者的经济利益,甚至引起国家资本市场的波动和损失。在当前全球资本环境持续低迷,金融危机影响仍然存在的背景下,如何监控企业的财务风险因素,更加有效的开展财务危机预警,具有重要的现实意义。我国财务危机预警研究起步比较晚,企业面临的内外部环境复杂多变,国外传统的财务危机预警模型难以适应我国的实际情况。因此,迫切需要探索一套合理的财务危机预警建模方法,为相关利益主体提供决策建议和技术支持。然而,目前的财务危机预警模型多数仍集中于单一模型预警,或者是几种模型的组合预警以及分类器集成的简单应用,而且建模过程中没有考虑财务数据概念漂移对预警模型的影响。鉴于已有预警模型的不足,本文以上市公司为对象进行有针对性的研究。一方面,将分类器集成及其改进方法用于财务危机预警的建模过程。另一方面,考虑企业财务数据概念漂移对预警模型的影响,建立动态更新的财务危机预警模型。首先,分类器集成技术研究。详细解释了分类器集成的概念和原理,研究分类器集成的关键步骤,包括基分类器的生成、基分类器的选择以及基分类器的输出,介绍三种常用的分类器集成算法并进行比较和说明。针对目前已有财务危机预警模型中使用分类器集成技术的各种问题,从群体决策、样本量、方便性等方面,分析分类器集成在财务危机预警中的适用性。其次,基于分类器集成的财务危机预警研究。已有集成预警研究只是分类器集成的简单应用,论文详细分析分类器集成系统的泛化能力,尝试从基分类器的差异度和基分类器的个体精度两种思路来提升集成系统泛化能力。一方面,从增加基分类器差异度的角度提出RS-Bagging分类器集成方法。该方法通过样本分布扰动和特征空间扰动的双重扰动策略,使基分类器能够保持更大差异度。模型实验表明,RS-Bagging预警模型能弥补单一分类器模型的不足,较大提升原有Bagging集成模型的性能。另一方面,从增加基分类器个体精度的角度,提出MTS-Bagging分类器集成方法。该方法是将马田系统特征选择加入Bagging算法,通过马田系统方法选取有效分类特征,从而提高基分类器的个体精度。模型实验表明,MTS-Bagging集成方法适合财务危机预警建模,预测精度优于原有Bagging集成模型,但低于RS-Bagging集成模型。另外,对于财务危机预警而言,发生两类错误的风险成本存在差异。以错误分类的风险成本对RS-Bagging模型和MTS-Bagging模型进行比较,发现MTS-Bagging模型的综合错误率低于其他集成模型。再次,基于滑动时间窗口的财务危机集成预警研究。财务危机预警中的财务数据来自于不同年份,可能存在概念漂移问题。论文针对概念漂移开展研究,使用基于滑动时间窗口的样本动态更新以及马田系统的特征动态更新来处理可能的概念漂移,模拟时间推移在不同时间窗口宽度下进行集成预警建模实验。结果表明,财务数据的概念漂移确实存在,选择宽度合适的滑动时间窗口可以降低漂移概念的不利影响。最后,基于增量学习系统的财务危机集成预警研究。鉴于已有预警模型增量学习能力的不足,论文设计了一种基于分类器集成思想的增量学习系统。利用财务类别导向知识对集成子系统实现动态选择,构建具有增量学习能力的财务危机预警模型。财务数据实验表明,基于增量学习系统的财务危机预警模型兼具稳定性和适应性,模型预测性能优于滑动时间窗口模型,是一种有效的财务危机预警建模方法。