题目：基于邻域粗糙集和粒子群优化BP网络的上市企业财务预警研究

2011年资本市场的萎靡表现，令众多上市公司资金需求大幅增加，融资难度增大，企业陷入财务困境的风险越来越高。因此，在现实经济形势下，对财务预警的理论和实践进行进一步研究，构建合乎我国国情的上市企业财务危机预警模型是十分必要的。企业的经营状况正常与否是可以通过财务报表以及各项财务指标的变化反映出来的，同时在21世纪的今天，越来越多的非财务因素对企业的继续发展也起到了不可忽视的作用，因此我们需要对这些指标进行时刻监测，采用可行的技术方法根据指标的变化来对企业的运营状况进行预测，这对上市公司自身、投资者、资本市场和其他利益相关者都具有十分重要的意义。
基于此，本文在进行财务预警研究时主要集中在三个方面：第一，在所构建的企业财务预警指标体系中不仅包含传统的财务指标，还将部分非财务指标纳入到了体系之中；第二，为解决经典粗糙集理论在处理数值型数据上的不足，本文将邻域粗糙集引入财务研究领域，通过多次实验选取合适邻域半径，对指标进行属性约简；第三，本文还运用粒子群算法来弥补BP神经网络算法的部分缺陷，对其进行优化，由此构建了基于邻域粗糙集和粒子群优化神经网络的企业财务预警模型，以实现对上市企业财务状况的预警。
本文的主要研究过程如下：
首先，对国内外财务预警研究领域的现状进行了解分析，总结其中关于指标选取和模型研究的各种方法。
其次，系统地介绍了本文中将要运用的邻域粗糙集理论、粒子群算法和BP神经网络算法，并对邻域粗糙集和经典粗糙集进行了比较分析，构建了粒子群优化BP神经网络的模型。
第三，根据各项指标选取原则，提供了初始指标，然后分别运用经典粗糙集和邻域粗糙集模型对指标进行了属性约简，构建了上市企业财务预警指标体系。
最后，根据新建的上市企业财务预警指标体系，运用训练样本数据对基于粒子群优化BP神经网络的模型进行训练，最后用测试样本数据来考察模型的预警性能，并且将预测结果与经典粗糙集-BP神经网络模型、邻域粗糙集-神经网络模型的预测结果进行比较，得出本文采用邻域粗糙集替代经典粗糙集、利用粒子群优化BP神经网络是有效可行的，并且预测精度也比较高，这也为研究企业财务预警提供另外一种新的研究方法。