面向中小企业与大型企业财务绩效管理的预测性人工智能

财务绩效管理是企业管理的核心，历史上依赖使用资产负债表和利润表数据进行财务比率分析，以评估公司相对于竞争对手的业绩。在预测公司未来表现或评估财务表现不佳风险（概率）方面进展甚微。在本研究中，我引入了一组补充资产负债表和利润表标准比率的新财务与宏观经济比率。我还提供了一组监督学习模型（ML 回归器与神经网络）和贝叶斯模型来预测公司绩效。我得出结论：所提出的新变量与行业标准比率结合使用时可提高模型精度。我还得出结论：前馈神经网络（FNN）更易于实现，且在六项预测任务（ROA、ROE、净利润率、营业利润率、现金比率和经营性现金生成）中表现最佳；尽管贝叶斯网络（BN）在非常特定的条件下可优于 FNN。BN 的额外优势是除预测（期望）值外还提供概率密度函数。研究结果具有显著潜力，可帮助首席财务官和首席执行官评估财务表现不佳的风险以引导公司走向更盈利的方向；支持贷款方更好地评估公司状况；并为投资者提供工具以更准确地剖析上市公司的财务报表。