Guichardet–Fock空间上Bogoliubov变换下的Wick乘积（Wick Products Under Bogoliubov Transformations on Guichardet–Fock Space）

《Mathematics》：Wick Products Under Bogoliubov Transformations on Guichardet–Fock Space

　　

摘要：上市公司的财务预警机制对于维护资本市场稳定及防范系统性金融风险具有重要的战略价值。本研究提出一种基于改进白鲸优化算法（Enhanced Beluga Whale Optimization, EBWO）与BP神经网络（Back Propagation Neural Network, BPNN）的混合模型（EBWO-BP）用于财务预警研究。研究人员创新性地将t分布随机邻域嵌入（t-Distributed Stochastic Neighbor Embedding, T-SNE）非线性降维技术应用于由23项财务指标及两项非财务指标构建的多维评价体系。基于2022—2024年A股上市公司数据的实证表明，EBWO-BP模型测试集准确率达86.51%（AUC＝0.83），较遗传算法优化BP（GA-BP）、粒子群优化BP（PSO-BP）及卷积神经网络（CNN）、长短期记忆网络（LSTM）等基准模型具有显著预测优势；当样本量扩大至700组时，准确率提升至89.05%，验证了模型的鲁棒性。该方法通过算法融合创新实现了财务风险预测性能的显著提升，为智能金融风险监测提供了方法论创新与实践参考。

论文解读：基于EBWO-BP混合神经网络与T-SNE降维的A股上市公司财务预警研究

该研究发表于《Mathematics》。

一、研究背景与意义

资本市场稳定是宏观经济韧性的基石，但全球金融市场波动加剧使A股上市公司财务困境事件显著增多，被特别处理（Special Treatment, ST）企业逐年增加引发股东财富缩水及系统性风险传导。现有财务预警研究面临三大核心挑战：财务风险的非线性与复杂性、高维指标间的多重共线性与噪声、预警模型泛化能力与鲁棒性不足。传统单变量及多元判别分析（MDA）、Logistic模型难以捕捉非线性关系；标准BP神经网络虽具非线性映射能力，但对初始权阈值敏感、易陷入局部最优、收敛慢；现有元启发式优化算法（GA、PSO、WOA）存在早熟收敛与搜索效率不足问题。此外，多数研究忽视非财务指标的增量信息价值，传统线性降维方法（PCA、FA）无法处理指标间非线性流形结构。为此，研究人员构建融合改进白鲸优化算法（Enhanced Beluga Whale Optimization, EBWO）、T-SNE非线性降维及财务与非财务双维度指标的EBWO-BP混合财务预警模型，并以A股上市公司为实证对象检验其效能。

二、主要关键技术方法

研究人员选取2020—2022年A股上市公司财务数据（T-2期）预测2022—2024年ST状态，以140家ST公司与按1:2配对之420家非ST公司（共420组）及扩展700组为样本源（CSMAR数据库）。指标体系含偿债能力、营运能力、盈利能力、发展能力、现金流五个维度共23项财务指标，及第一大股东持股比例、是否存在内部控制缺陷两项非财务指标。高维特征经T-SNE非线性降维至七维（肘部法则确定），EBWO算法引入准对立学习（Quasi-Opposite Learning, QOL）策略与旋风捕食（Cyclone Foraging）策略优化BP神经网络初始权阈值，隐层10神经元（Tanh激活）、输出层Sigmoid激活，Levenberg–Marquardt训练。采用分层抽样7:3划分训练/测试集，五折分层交叉验证，损失函数加权处理类别不平衡，McNemar检验进行模型差异显著性检验，并与GA-BP、PSO-BP、标准BP、CNN、LSTM对照。

三、研究结果

2. Improvement of the Beluga Optimization Algorithm（白鲸优化算法的改进）

研究人员在标准BWO基础上引入准对立学习策略生成候选解对称镜像扩展搜索空间，增强种群多样性并规避局部最优；在局部开发阶段引入旋风捕食策略模拟螺旋收敛行为，加快收敛速度并提高求解质量。改进后算法称为EBWO。

3. Construction of EBWO-BP Neural Network Financial Early Warning Model（EBWO-BP神经网络财务预警模型构建）

研究人员建立三层BP网络，由EBWO在[-1,1]解空间内搜寻最优初始权重与阈值，将T-SNE降维后七维特征输入网络训练。流程为：建BP框架→EBWO优化初始参数→前向传播计算误差满足精度则终止否则反向传播修正权重。参数设置为种群规模50、最大迭代100、隐藏层10神经元等。

4. Research Design（研究设计）

样本为A股2022—2024年首次被ST公司及配比非ST公司，用T-2年数据预警。缺失值以同行同年中位数填补，连续变量两端各截尾1%，Z-score标准化。ST赋标签1、非ST赋标签2。选取23项财务指标及第一大股东持股比、内控缺陷两项非财务指标构成25维特征空间。T-SNE经信任度（Trustworthiness）与连续性（Continuity）复合评分结合肘部法则确定最优降维数d=7。降维拟合仅基于训练集再映射测试集以防数据泄漏。

5. Comparison of EBWO-BP Neural Network Financial Early Warning Models（EBWO-BP财务预警模型对比）

• •
  5.1 Homogeneous Classification Models Comparison（同类分类模型比较）：在相同数据集与预处理下，EBWO-BP测试集准确率86.51%、AUC=0.83，优于GA-BP（80.16%）、PSO-BP（81.75%）、标准BP（78.57%），训练与测试集性能衰减仅0.22个百分点，证明EBWO有效克服BP局部最优并提升泛化能力。
• •
  5.2 Heterogeneous Classification Models Comparison（异类分类模型比较）：EBWO-BP测试集准确率显著高于CNN与LSTM（平均领先约6%），表明对于经T-SNE降维之静态财务风险特征，EBWO-BP具更优适用性。
• •
  5.3 Incremental Information Test for Non-Financial Indicators（非财务指标增量信息检验）：仅用23项财务指标时测试集准确率80.27%，加入两项非财务指标后升至86.51%，证实第一大股东持股比与内控缺陷提供治理与内控风险的增量信息，显著提升预警效果。
• •
  5.4 Statistical Significance Test for Differences in Model Performance（模型性能差异统计显著性检验）：McNemar检验显示EBWO-BP较PSO-BP（p=0.048）、BP（p=0.021）、CNN（p=0.048）、LSTM（p=0.048）差异具统计显著性；与GA-BP比较p=0.066呈边际显著，b值系统高于c值说明EBWO-BP能纠正其他模型之误分类。
• •
  5.5 Cross-Validation Analysis（交叉验证分析）：五折分层交叉验证EBWO-BP平均准确率86.40%（标准差±0.25%），与单一划分结果高度一致且方差最小，进一步验证模型稳定性与抗过拟合能力。

6. Stability Test Under Varying Sample Scales（不同样本量下稳定性检验）

将样本由420组扩至700组（ST:非ST=1:4），EBWO-BP测试集准确率由86.51%升至89.05%，训练集由86.73%升至89.39%，训练与测试集同步提升且差距微小，表明模型具正向样本规模效应与强鲁棒性，非依赖特定数据分布。

四、讨论与结论（Research Findings and Outlook）

研究人员得出结论：（1）融入第一大股东持股比与内控缺陷两项非财务指标显著提升预警准确率，验证非财务信息的增量价值；（2）T-SNE非线性降维保留原始数据结构并确定七维最优嵌入，使ST与非ST样本在低维空间具良好聚类可分性；（3）EBWO算法通过准对立学习与旋风捕食策略克服BP神经网络易陷局部最优及收敛慢缺陷，EBWO-BP测试集准确率86.51%、AUC=0.83，显著优于GA-BP、PSO-BP、CNN及LSTM等基准模型；（4）样本扩至700组时准确率进一步提升至89.05%，五折交叉验证标准差仅±0.25%，证明模型具良好泛化能力与稳健性。研究局限含时间窗口特定宏观背景可能影响外推性、样本相对全市场仍有限、非财务指标覆盖面较窄。未来可引入时序动态预警、融合文本与舆情等非结构化数据（NLP）、与CatBoost/LightGBM/TabNet等表格数据先进模型对比，并引入可解释人工智能（XAI）技术解析指标边际贡献。