Research on corporate profitability prediction model integrating fuzzy logic and financial ratios
Notice bibliographique
Résumé
This study integrates fuzzy logic with DuPont ratio analysis re lecting inancial ratios to construct enterprise pro itability prediction model.The main indicators of DuPont analysis system are processed by principal component analysis (PCA) algorithm to obtain the calculation method of the mean value of enterprise comprehensive pro itability indicators.The BP neural network is used to construct the enterprise pro itability index model, and the momentum term is introduced into the model to improve the convergence speed of the BP neural network.The Takagi-Sugeno type fuzzy neural network is utilized to construct the enterprise development ability index model, and the enterprise pro itability prediction model is constructed by combining the output structure of BP neural network.The relevant data of 792 listed enterprises in a certain industry in China's A-share market are selected as the research objects of this paper, and the data are inputted into BP neural network and Takagi-Sugeno fuzzy neural network to obtain the output results of the model, and the output results are used as the input data of the inal pro itability prediction model to forecast the pro itability of the enterprise in the next ive years.The experimental results show that the model in this paper can effectively realize the prediction of corporate pro itability, which is signi icantly conducive to the sustainable development of enterprises and the adjustment and improvement of strategic policies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».