（数量经济学专业论文）上市公司财务困境预警模型实证分析.pdf

中文摘要 首先，本文对国内外财务困境预测模型研究领域的经典文献进行了回顾，总 结和分析。其次，针对财务困境预测，就样本设计、预测变量选择和统计方法 选用等方面进行了深入的研究。在分析不同模型预测财务困境能力优劣的基础 上，选用支持向量机挖掘财务困境预测问题中数据的内在模式的有效性，并应 用它对中国上市公司的财务困境进行预测。本文借助n e u r o s o l u t i o n s 软件建立一 个有三层网络的支持向量机模型，模型结构采用k e r n e la d a t r o n 计算算法，参数 采用软件中的默认值。 在实证研究方面，本文选取我国上市公司中3 0 家财务陷入困境的公司和3 0 家财务正常的公司为训练样本，应用支持向量机研究了财务困境出现前2 年这 两类公司的1 4 个财务指标，从中选定6 个指标作为预测变量，采用实际数据， 结合b p 神经网络和l o g i s t i c 回归模型对财务困境分别进行预测，并比较了三种 方法的预测精度。结果表明，l o g i s t i c 回归模型和b p 神经网络模型的预测效果 不相上下，支持向量机模型的准确度优于前者，大约高出2 7 7 和3 5 7 。研 究还表明，随着训练样本集数量的减少，支持向量机仍具有较高准确率。 关键字： 财务困境 识别预测方法支持向量机 a b s t r a c t f i r s t l y , s u n l m a r ya n da n a l y s i so fc l a s s i c a lr e s e a r c h e so ne a r l yw a r n i n go fl i s t e d c o m p a n i e si nf i n a n c i a ls t r e s sa r em a d ei nt h i st h e s i s s e c o n d l y ，d e t a i l e dr e s e a r c hi s m a d eo ns a m p l ed e s i g n , s e l e c t i o no fp r e d i c t i o nv a r i a b l e sa n ds t a t i s t i c a lm e t h o d s o n t h eb a s i so f p r e d i c t i o na b i l i t i e sb yd i f f e r e n tm o d e l s ，s u p p o r tv e c t o rm a c h i n ei su s e dt o a n a l y z et h ei n t e r n a lm o d eo ft h ed a t ai np r e d i c t i o no ff m a n c i a l l ys t r e s s e dc o m p a n i e s a n d a p p l i e d t op r e d i c tf i n a n c i a ld i s t r e s so fc h i n e s el i s t e dc o m p a n i e s n l es o r w a r eo f n e u r o s o l u t i o n si su s e dt ob u i l ds v mm o d e lw i t ht h r e el a y e r si nw h i c hk e r n e l a d a t m na l g o r i t h mi sc h o s e na n dd e f a u l to f p a r a m e t e r si su s e di nt h es o f t w a r e i ne a s es t u d y , 3 0f i n a n c i a l l ys t r e s s e dc o m p a n i e sa n d3 0h e a l t h yc o m p a n i e sa r e i n c l u d e di nt r a i n i n gs a m p l e sa n df i n a l l y6f i n a n c i a lr a t i o sa r cc h o s e na si n p u t v a r i a b l e sa m o n g1 4f m a n e i a lr a t i o st op r e d i c tf i n a n c i a ls t r e s s t h ep r e c i s i o no fs v m i sc o m p a r e dw i t ht h o s eo fb pn e u r a ln e t w o r ka n dl o g i s t i cr e g r e s s i o ni nc a s es t u d y t h er e s u l ts h o w st h a tt h ee f f e c t i v e n e s so fl c l g i s t i cm o d e la n db pn e u r a ln e t w o r ki s g e n e r a l l ye q u a l t h ep r e c i s i o no fs u p p o r tv e c t o rm a c h i n ei sg e n e r a l l yh i g h e rt h a n t h o s eo fb pn e u r a ln e t w o r ka n dl o g i s t i cr e g r e s s i o nb y2 7 7 a n d3 5 7 t h e c o n c l u s i o na l s os h o w st h a ta st h et r a i n i n gs a m p l eb e c o m e ss m a l l e r , t h ep r e c i s i o no f s u p p o r tv e c t o rm a c h i n es t i l lk e e p sah i g hl e v e l - k e yw o r d s ：f m a n c i a ls t r e s sr e c o g n i t i o np r e d i c t i o nm e t h o ds u p p o r tv e c t o r m a c h i n e 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的 研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表 或撰写过的研究成果，也不包含为获得鑫盗盘堂或其他教育机构的学位或证 书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中 作了明确的说明并表示了谢意。 学位论文作者签名： 荆蝻 签字日期：2 卯年。月幻日 学位论文版权使用授权书 本学位论文作者完全了解鑫姿态堂有关保留、使用学位论文的规定。 特授权墨鲞盘茔可以将学位论文的全部或部分内容编入有关数据库进行检 索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校 向国家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名：；奄，1 文分 签字日期：岔。z 年一月0 j 7 日 导师签名 签字日期 第章绪论 第一章绪论 财务困境理论已成为资本结构理论研究的前沿和热点问题之一。由于我国 正处在经济和社会转型期，金融体系、资本市场、社会信用体系、产权市场等 方面都还很不完善，随着我国股票市场的发展完善、企业管理模式的进步、投 资者理财观念的升级，证券市场上的各个主体对于能及早准确的预测上市公司 发生财务困境的需求越来越强烈，对我国财务困境理论研究和应用状况进行剖 析。具有很大的现实意义。 企业因财务危机导致经营陷入困境，甚至宣告破产的例子在现实中是经常 看到的。随着我国市场经济体制改革的深化和资本市场的快速发展，对公司财 务困境预测研究的需求日益迫切，急需通过完善的经济预测方法，建立起有效 的经济预警系统。无论在商业界还是在学术界，财务困境预测问题长期以来被 认为是一个重要的广泛的研究课题。 西方的研究人员从2 0 世纪4 0 年代开始研究这一问题，并发表了较多的研究 论文，取得了相对比较成熟的研究成果。在过去的三十年里，财务困境预测在 财务管理，审计和金融等领域备受学者关注。财务困境预测研究学者采用了多 种统计模型，这些模型包括多元判别选择模型，l o g i s t i c 模型，然丽，这些传统 模型的准确精度之问的区别是微小的。随着上世纪8 0 年代神经网络的兴起，学 者们也把神经网络应用到财务危机预测问题中，并与传统预测模型进行了比较。 根据我的理解，对该领域具有重大影响的研究成果以及国内外一些最新的研究 进展进行扼要介绍，并予以客观评价。 1 1 国外研究文献综述 从方法创新角度评价，财务危机预测领域研究的演进过程大致可划分为以 下三个阶段： ( 1 ) 判别分析。最早关于企业经营失败风险预测的重要研究大致可追溯至 1 9 3 2 年f i t z p a t r i c k 的相关研究“。由于当时缺乏先进的统计和计算工具， 因此主要的研究方法是对失败企业和正常企业的一系列财务比率进行经 验分析和比较。这种状况一直延续到上世纪六十年代初期，之后财务风 险判别研究才真正进入系统化阶段。b e a v e r ( 1 9 6 6 ) 率先提出了单变量分 第一章绪 论 析法，b e a v e r 通过单变量分析方法， 公司是否会陷入财务困境做出预测， 认为一些财务指标可以提前5 年对 现金流量对总负债的比率最为准确， 资本结构比率也很有用，流( 速) 动比率的作用小一些“。而1 9 6 8 年e d w a r d i a l t m a n 发表的那篇开拓性论文使得多变量分析法( m u l t i v a r i a t e a p p r o a c h ) 在财务风险判别研究领域至今仍具有举足轻重的影响。 ( 2 ) l o g i s t i c 回归分析。由于经典多元判别分析的某些假设一直颇受攻击， o h l s o n 在1 9 8 0 年的相关研究使财务风险预测的方法得到了重大改进。他采 用l o g i s t i c 分析方法，从而克服了传统判别分析中的许多问题，包括会计 比率属于正态分布的假设以及破产与非破产企业具有同方差一协方差 矩阵的假设”。从八十年代以来，l o g i s t i c 回归分析代替判别分析法，在 财务风险预测研究领域占据主流地位。 ( 3 ) 新的理论及方法。在1 9 9 0 年以后，许多相关研究文献在会计比率选择及 新理论的引入方面进行了许多积极的探索，如b a r b r o ，b a c k ”。等人( 1 9 9 6 ) 及a m i r f a t i y a ( 2 0 0 1 ) ”。采用神经网络理论( n n ) 构建了破产预测模型， a n d r e a s 和t r i g e o r g i s 等( 2 0 0 0 ) 也基于期权定价理论对破产风险的预测进 行了探讨。它们在某种程度上对l o g i s t i c 回归分析形成了一定挑战，从 预测效果看可替代l o g i s t i c 模型。 1 1 1 一元判别分析 早期的财务困境预测研究采用的是单变量的预测方法，一元判定模型是指 通过一个财务指标根据一定的判别标准来判断企业处于破产还是非破产状态。 最早的财务危机预测研究是f i t z p a t r i c k ( 1 9 3 2 ) 9 t j 琵的单变量财务危机预测研 究，以1 9 家公司作为样本，运用单个财务比率将样本划分为破产与非破产两组， f i t z p a t r i c k 发现判别能力最高的是净利润股东权益和股东权益，负债【。 w i l l i 锄b e a v e r ( 1 9 6 6 ) 在会计评论上提出了单一比率模型，分别考察了 2 9 个财务比率在企业陷入财务困境前卜5 年的预测能力，发现营运资金流总负 债在破产前一年的预测正确率可以达到8 7 。他通过对美国1 9 5 4 1 9 6 4 年间7 9 家 失败企业和7 9 家成功企业的比较研究，发现现金流量与负债总额的比率对财务 危机预测的效果最好。其次是资产负债率，在失败前5 年可达7 0 以上的预测能 2 第一章绪 论 力，失败前一年可达8 7 的正确判别率。流动比率也具有较高的判别性。b e a v e r 得出以下结论：( 1 ) 失败企业有较少的现金和应收账款；( 2 ) 如果速动资产和流动 资产同时包括现金和应收账款，失败企业与成功企业的差别就被掩盖了，因为 这两个项目具有完全不同的性质；( 3 ) 失败企业的存货一般较少。这些发现表明， 在预测财务失败时应特别注意现金、应收账款和存货这三个流动资产项目l z j 。 1 9 6 8 年，b e a v e r ；i r e l 9 6 6 年的研究基础上，引入了资本市场里的股价信息进行财务 困境预测研究，仍然使用一元判定模型，以个股市场收益率和超市场收益率为 判定变量，发现在失败前的5 年中，市场收益率变量预测能力劣于财务指标的预 测能力。 一元判别方法简单易行，可以通过个别检验找出对陷入财务困境有最大预 见度的财务比率。它的缺点在于：其一，只重视一个指标的分离能力，如果经 理人员知道这个指标，就有可能在决算时尽可能地去粉饰这个指标，以表现出 良好的财务状况；其二，如果使用多个指标分别进行判断，这几个指标值的分 类结果之间可能会产生矛盾，导致无法做出正确的判断。归根到底，一元判别 方法的缺陷在于任何单个或多个财务比率，即便其综合性再高，也无法充分和 全面地反映企业的财务特征。 1 1 ，2 多元线性判别分析 大多数研究人员更倾向采用多变量分析方法，这主要是因为企业的财务特 征不可能由一个变量充分反映出来。多元线性判别分析法的思想是利用原有的 分类信息，得到体现这种分类的判别函数，然后利用该函数计算判别分值，以 确定的临界值对研究对象进行定位，从而判别未知样品属于哪一类，整个判别 过程是一个学习和预测的过程。常用的判别准则有f i s h e r 准则和b a y e s 准则。 多元线性判定模型是利用两个或两个以上财务比率变化的总结果对企业未 来发展趋势做出预测和判断。其判别方程的形式为 z = v l x i + v 2 z2 + + v 。z 。 其中，v 。，v ：矿。等是权数，x 1 ，x2 x 。是各种财务比率。判别方程可 以把单个企业的各财务比率转换成单一的判别评分，或称为z 分值，可用z 分值 把公司分类为“破产”或“非破产”。在实际的建模过程中，以下两点是其关键 3 第一章绪论 步骤，第一是必须对许多财务比率进行验证，只有那些能“最有效”地区分破 产类企业与非破产类企业的财务比率才可以选入模型，作为构造模型的自变量； 第二就是使用控制样本来帮助确定模型的判别规则，即为模型的目标函数确定 一个区分企业是否破产的l | 缶界( 区分) 值，以尽可能地减少错误分类的数量，即将 破产企业误判为非破产企业的数量( 第一类错误) 加上将非破产企业误判为破 产企业的数量( 第二类错误) 。基于不同目的而采用的i 缶界( 区分) 值确定基础是 不一样的，比如说，假如银行正在考虑一项贷款。它必须根据所犯错误类型的 成本权衡每一类错误，并使这些误差的加权总和最小化。权衡第一类错误和第 二类错误的方法是不一样的，因为把一个破产企业误判为非破产企业的代价高 于将一个非破产企业误判为破产企业的代价。 a l t m a n 于1 9 6 8 年首先使用了多元线性判别模型研究公司的破产问题。他 提出的企业失败预测模型是采用五个财务比率的加权平均数来测试财务困境。 该模型主要针对上市公司，根据行业和资产规模，样本包括了1 9 4 6 1 9 6 5 年间 在1 0 0 2 5 0 0 万美元之间的3 3 家破产公司和同样数量的非破产配对公司，选用 2 2 个变量作为破产前1 5 年的预测备选变量，根据误判率最小的原则，最终确 定了5 个变量作为判别变量。a l t m a n 的多元线性判定模型为： z = 1 2 x l + 1 4 x2 + 3 3 x3 + 0 6 x4 + 1 0 x5 ( 1 - 2 ) 其中，资产营运资本率置= ( 流动资产一流动负债) 资产总额 资产留存收益率置= 留存收益，资产总额 资产报酬率x ；= 息税前收益资产总额 债务权益市价率五= 股东权益的市场价值负债总额的帐面价值 总资产周转率五= 销售收入资产总额 a l t m a n 使用多元判别分析法，产生了一个总的判别企业财务状况恶化程度 的概率值，称之为z 值，z 值越低，企业发生财务困境的可能性就越大，还提出 了判别企业破产的临界值：如果企业的z 值大于2 6 7 5 ，则表明企业的财务状况 良好，发生破产的可能性较小；反之，若z 值小于1 8 l ，则企业存在很大的破 产风险；如果z 值处于1 8 1 - 2 6 7 5 之间，则称之为“灰色地带”，即说明进入这 个区间的企业财务是极不稳定的。此模型在破产前年成功地判别出3 3 家破产 企业中3 l 家，而对于由2 5 家破产企业与5 6 家非破产企业组成的检验样本，模 4 第一章绪论 型正确地从2 5 家破产企业中判别出2 4 家，从5 6 家非破产企业中判别出5 2 家【3 】。 继a i r m a n 之后，r i c h a r dt a f f i a r ，h o w a r dt i s s h a v o 和a l e x a n d e rb a t h o r y 进 一步发展了z 积分模型。其中r i c h a r d t a f f l a r 使用的预测比率为税前利润平均 流动负债、流动资产负债、流动负债总资产、现款交易间隔期和存货周转率等 五项指标；h o w a r dt i s s h a v o 使用了息税前利润负债总额比率、销售利润率、营 运资本净额负债总额、( 流动资产一存货) 营运资本净额和速动比率等五大指 标；a l e x a n d e rb a t h o r y 的模型使用了( 税后利润+ 折旧) 流动负债、有形资产 净值负债总额和营运资本总资产等五大比率。 多元线性判别法的优点是( 1 ) 能够包容反映企业财务情况的多个指标，因 而在财务风险预测中运用广泛；( 2 ) 能够包含独立变量；( 3 ) 一旦完成建立模 型之后，运用相对容易。这种方法也存在着一系列自身难以克服的缺陷：( 1 ) 这种方法只适用于组内分布为近似正态的情况，而且要求组内的协方差矩阵相 等，而在实际的判别分析中，搜集到的数据大都来自非正态总体，在这种情况 下所得到的预测结果可能是有偏的；( 2 ) 这种判别方法下所得到的结果是针对 每一个个体的分值，通过分值的比较可以得到一个序数等级，从而判别其所在 的类别，但分值本身并没有任何经济意义；( 3 ) 使用m d a 技术，财务困境组与 控制组之间一定要进行配对，配对标准的确定是一个很大的难题。 1 1 3l o g is t i c 回归分析 l o g i s t i c 模型是由j b e r k s o n 于1 9 4 4 年所提出的适用于处理二分类问题，适用 于因变量为定性指标的问题，对这一类问题，预测时以0 5 为概率最佳分割点， 大于0 5 为财务危机公司，反之为财务健康公司。m a r t i n 于1 9 7 7 年发表的论文中认 为以多变量判别分析建立的预测模式，只能就样本公司是否发生财务失败危机 进行分类，无法衡量发生危机的概率，所以首先使用l o g i s t i c 模型建立企业财务 危机预警模式。以1 9 6 9 年1 9 7 4 年为样本期间，选出2 5 个财务比率分别预测两 年后银行可能倒闭的几率。研究结果认为，净利润营业收入、应收账款总资产、 商业放款，应收账款等6 个财务比率有显著的预测能力。 自2 0 世纪7 0 年代末以来，大多数财务困境研究采用了l o g i s t i c 模型。第一个 应用l o g i s t i c 模型预测财务困境的是m a r t i n 。他在1 9 7 7 年的研究中，发现若样本 数据服从正态分布，而且变量之间是相互独立的，有相等的方差一协方差阵， 不同组别之间有不同的均值，线性判定函数只是l o g i s t i c 模型的一个特例。他 从1 9 7 0 至1 9 7 7 年间大约5 7 0 0 家美联储成员银行中界定出5 8 家困境银行，从2 5 个 财务指标中选取了总资产净利率等8 个变量，在z 模型、z e t a 模型、l o g i s t i c 模型 第一章绪论 之间进行了比较研究，发现l o g i s t i c 模型的预测能力优于另外两个模型。 1 9 8 0 年o h l s o n 在研究中使用t l o g i s t i c 模型，他采集了在1 9 7 0 1 9 7 6 年间破 产的1 0 5 家公司和2 0 5 8 家非破产公司组成了样本，分析了样本公司在破产概率区 间上的分布以及两类判别错误和分割点的关系。他发现至少存在四类显著影响 公司破产概率的变量：公司规模，资本结构、业绩和当前的变现能力。此外， 他还发现以前的一些研究有高估模型预测能力的现象，他将这种现象归咎于样 本中破产申请日后公布的数据。 l o g i s t i c 回归的假设前提是： 1 、因变量y 是二分变量。 2 、数据必须来自于随机样本。 3 、因变量y 被假定为埘个自变量并。( ，：1 ，2 ，m ) 的函数，因变量与 自变量之间的关系是非线性的。 4 、自变量之间不存在多重共线性。 显而易见，l o g i s t i c 回归没有关于自变量分布的假设条件，因此l o g i s t i c 回 归法避开了判别分析中所面临的各种难以满足的前提假设。 l o g i s t i c 回归模型的理论前提相对判别分析法要宽松得多，且没有关于分布 类型、协方差阵等方面的严格假定。不过，在大量运用l o g i s t i c 回归的研究中往 往忽视了另一个相当重要的问题，即模型自变量之间可能存在的多重共线性干 扰。 与其他多元回归方法一样，l o g i s t i c 回归模型也对多元共线性敏感。当变量 之间的相关程度提高时，系数估计的标准误差将会急剧增加。同时，系数对样 本和模型设置都非常敏感，模型设置的微小变化、在样本总体中加入或删除案 例等变动，都会导致系数估计的较大变化。 由于财务比率均由具有相互钩稽关系的财务报表计算得出，同类指标之间 的相关程度是非常大的，不加处理地让这些高度相关的变量直接进入模型必然 会导致严重的多重共线性干扰。令人遗憾的是，国内外大多数相关研究都没有 意识到这一问题，由此得出的判别模型，其稳定性和准确性显然不容乐观。 采用l o g i s t i c 回归分析主要有以下优点： ( 1 ) l o g i s t i c 回归对于变量的分布没有具体要求，适用范围更广，而判别分析 则要求变量服从多元正态分布，这在现实中一般达不到。 ( 2 ) l o 西s t i e 回归建立好模型后，财务困境预测即简化为已知公司具有某些财 务特征，而计算其在一段时间内陷入财务危机的概率问题。如果算出的 概率大于设定的分割点，则判定该公司将陷入财务风险，给人直观明了的 6 第一章绪论 感觉，在实际运用中非常简单方便。 但l o g i s t i c 模型存在如下缺点： ( 1 ) l o g i s t i c 回归在理论上不存在理想分割点，一类错误的减少必然导致二类 错误的上升，而m d a 技术可以通过最小化预测误差机会成本来选择分割 点。 ( 2 ) l o g i s t i c 回归假定一家公司破产与非破产的概率样，即先验破产概率 0 5 ，以及错拒与误受的错误所带来的机会成本损失相等，这两个假设 前提都是严重偏离现实的。 1 1 4 新的理论及方法 在八十年代末期，神经网络理论( n n ) 开始兴起，其影响也及于财务困境 预测研究领域。因为神经网络能够识别和表示数据集中的非线性关系，因此在 金融问题领域包括财务困境预测问题得到了广泛应用。神经网络与参数统计模 型最基本的不同点是参数统计模型需要确定函数关系的性质比如自变量和因变 量之间是线性关系还是l o g i s t i c 函数关系。关于函数关系的假设确定之后，就可 以确定使得误差最小的参数值。相反，神经网络通过训练和学习过程确定变量 之间的内在联系，所以不需要事先确定参数分布的假设。因此，当变量之间的 关系与模型假设不符时，神经网络模型可以得到更好的结果。 1 9 9 0 年o d o m 和s h a r d a 第一次将神经网络应用于财务困境预测问题，开始了 运用人工神经网络进行财务困境预测的探索。此模型有5 个输入变量，与 a l m m n ( 1 9 6 8 ) 的研究中5 个财务比率相同，一个5 个节点的隐含层，输出层有一个 节点。样本来自1 9 7 5 年至1 9 8 2 年6 5 个破产公司和6 4 个非破产公司，总计1 2 9 个公 司。其中，7 4 家公司( 3 8 家破产公司和3 6 家非破产公司) 组成训练样本，其余 的5 5 家公司( 2 7 家破产公司和2 8 家非破产公司) 组成检验样本集，并对相同的 训练样本应用多元判别分析法作为比较，结果神经网络对检验样本的正确分辨 率为8 1 8 1 ，而多元判别分析方法的正确率为7 4 2 8 ”1 。 c o a t s 和f a n t ( 1 9 9 1 ) 对4 7 家财务危机公司和4 7 家正常公司运用神经网络模型 进行判别时，对财务危机公司的预测准确率达到了9 1 ，明显高于多元判别法7 2 的准确率”。 t a m 和k i a n g ( 1 9 9 2 ) 比较了神经网络模型、线性判别分析模型、l o g i s t i c 模型、 经典决策树算法和k 一邻近方法，对商业银行财务失败预测。选择1 9 8 5 至1 9 8 7 年 7 第一章绪 论 5 9 家破产和5 9 家非破产银行的数据，在所有上述模型中，神经网络表现出更精 确的结果“”。 f l e t c h e r 和g o s s ( 1 9 9 3 ) 比较了神经网络模型与l o g i s t i c 回归模型。他们的数 据来源于早期的研究，样本有3 6 家破产和非破产公司。此模型选择了三个财务 比率，因为样本数量较小，并应用了交叉检验分析“。尽管神经网络模型比 l o g i s t i c 回归模型有较好的预测精度，由于样本较小，建立神经网络的训练要求 高。 l e s h n o 和s p e c t o r ( 1 9 9 6 ) 使用了不同神经网络模型构造了新颖的结构包括 交叉项、余弦项、不同数据范围和不同循环次数。他们应用前2 年数据得到 7 4 2 - 7 6 4 的准确率，而线性感知器网络的准确率为7 2 ，他们得到的主要 结论之一是神经网络模型的预测能力取决于训练样本的数量。随着样本数量增 加，神经网络模型不断受益“。 z h a n g e ta 1 ( 1 9 9 9 ) 将神经网络模型与l o g i s t i c 模型进行比较，并对工业企业 样本进行交叉检验。对于较小的检验样本，神经网络预测准确率为8 0 4 6 ，而 l o g i s t i c 回归模型预测准确率为7 8 1 8 。对于较大的检验样本，神经网络预测准 确率为8 6 6 4 ，l o g i s t i c 模型为7 8 6 5 ，从小检验样本到大检验样本，神经网 络的弹性与表现都大大提高，所以建议使用大检验样本集。 不过，由于财务数据可以表现企业生命的各种特征，其变化规律也与达尔 文进化论有许多相似之处，因此随着遗传算法模型等思路的不断完善，该方法 可能代表着未来的一种重要趋势。 c h a r l t o u 和t t i g e o r g i s ( 2 0 0 0 ) 使用b - s 期权定价模型中的相关变量构建了财 务困境判别模型，对1 9 8 3 年至u 1 9 9 4 年期间的1 3 9 对美国企业进行了对比检验，结 果发现到期债务面值、企业资产的当期市价、企业价值变化的标准差等期权变 量在预测破产方面作用显著“。不过，该研究的基础方法仍然建立于l o g i s t i c 回 归检验之上，仅仅在变量设计方面引入了期权因子，因此实际的理论贡献不大。 正如我们前文所指出的，“破产”要件受到债权人选择等非线性因素的影响而具 有不确定的后果，因此期权理论目前仅在企业总体估价中得到有限应用，若作 为财务危机预测研究的种方法，仍然具有不可克服的先天局限。 1 2 国内的最新研究成果 8 第一章绪论 国内对财务困境预测的相关研究与国外研究相比存在着较大差距，究其原 因是多方面的。首先，我国的市场经济起步较晚，市场发育还不够成熟，在相 当长的一段时间内，破产作为一种解决企业财务困境问题的手段，更多的是受 到行政机构的非市场行为的影响。因此，相对于西方发达市场经济国家来说， 我国市场上的破产事件很少。其次，我国的资本市场也才刚刚建立，上市公司 上市经营的时间普遍较短，加上在我国当前情况下，上市资格一直受到证监会 的严格控制，巨大的需求仍然使得可以作为“壳资源”的业绩较差的上市公司 炙手可热，所以即便有上市公司处于破产的边缘，也会有各种力量将其完整的 吸收，因而在一段时间内在进行针对上市公司这方面的研究中存在着样本量显 著不足的问题。 1 9 9 4 年以来，国内陆续出现了以企业财务数据为基础建立的财务风险预 测模型。陈静( 1 9 9 9 ) 、张玲( 2 0 0 0 ) 、陈晓及陈治鸿( 2 0 0 0 ) 、吴世农及卢贤义 ( 2 0 0 1 ) 、李华中( 2 0 0 1 ) 等学者在此方面做了可贵的探索。近年来证券业内有 关方面的研究则以卢宇林等( 2 0 0 2 ) 、张后奇等( 2 0 0 2 ) 为代表。 鉴于一元判定模型的局限性，国内研究者采用一元判定模型进行财务危机 预测的不多。其中，陈静( 1 9 9 9 ) 使用截止1 9 9 8 年底的2 7 家s t 公司与同行业、 同规模的非s t 公司作为样本，进行了我国第一个上司公司财务困境预测研究。 她运用f i s h e r 准则，根据这5 4 家上市公司的年报数据，在方法上通过借鉴b e a v e r , a l t m a n 的财务困境预测模型进行了单变量判别分析。这篇文章使用1 9 9 7 年的年 报数据，模型对特别处理公司和非特别处理公司的判别准确率分别为8 8 9 和 9 6 3 ，总体准确率为9 2 6 ，研究还发现资产负债率、净资产收益率、总资 产收益率、流动比率、营运资本总资产、总资产周转率6 个指标在s t 公司和非 s t 公司有明显的差异“”。但是上述两个判别正确率有高估的倾向，因为文章中 用于检验模型判别正确率的样本就是用于估计模型参数的样本。同时根据我国 上市公司的年报披露制度，上市公司在t 一1 年度的财务报表公开披露和上市公司 在t 年度是否被特别处理这两个事件几乎同时发生，因此，使用1 9 9 7 年度的报表 数据预测1 9 9 8 年上市公司是否会被s t ，就预测目的而言没有太多的实际意义。 国内学者采用多元线性判定模型进行破产预测的研究相对较多，其中： 张玲( 2 0 0 0 ) 的样本选自深沪交易所1 2 0 家上市公司，分为两组：第一组由 6 0 家公司组成，其中3 0 家s t 公司，3 0 家绩优公司；第二组也有6 0 家公司，其中 2 l 家s t 公司和随机选择的3 9 家非s t 公司。选取1 5 个财务指标建立模型，该研究 也是根据上市公司被特别处理前一年的数据来对下一年该公司是否会被特别处 理进行预测。 9 第一章绪论 研究得出的判别方程与判别法则如下： z = 0 5 1 7 - 0 4 6 x l - o 3 8 8 r 2 + 9 3 2 x , + 1 1 s e x , ( 1 3 ) 其中，z 为资产负债率；j ，2 为营运资金总资产；j 厂3 为总资产利润率；五留存 收益总资产。 ( 1 ) 凡z 值小于0 5 的公司被判为财务危机公司； ( 2 ) 凡z 值介于0 5 - 0 9 之间的公司被判为非财务危机公司； ( 3 ) 凡z 值大于0 9 的公司被判为财务健康公司“。 陈晓、陈治鸿( 2 0 0 0 ) 以3 8 家s t 和1 3 2 家非s t 上市公司作为样本，采用 l o g i s t i c 模型，通过试验1 2 6 0 种变量组合，发现负债一权益比、应收账款周转率、 主营利润总资产、留存收益总资产对企业财务困境有显著的预测作用【1 6 1 。然而， 从每大类指标中分别挑选一个指标进行实验，这种做法并没有充足的理论支持， 同时，在其最终预测模型中，有大约1 3 的回归变量并不显著，因此，其预测方 法是否为最优方法尚存有疑问。 吴世农( 2 0 0 1 ) 等以1 4 0 家上市公司为样本比较了f i s h e r 判别、多元线性回归 分析和多元逻辑回归分析的预测效果，他们的主要研究结论是：第一，我国上市 公司的财务指标包含着预测财务困境的信息含量，因此，其财务困境具有可预 测性；第二，在我国上市公司陷入财务困境的前一年和前二年，各单个财务指 标预测财务困境的准确率不同，其中以净资产报酬率的判定效果较好；第三， 多变量模式优于单变量模式；第四，比较多变量模式下的三种计量模型的效果 表明l o g i s t i c 模型的判定准确率最高。然而，在其预测模型中，这6 个指标并 不都能通过显著性检验，因此，将这些并不显著的指标包含在预测模型中是否 有意义仍值得斟酌。 卢宇林等( 2 0 0 2 ，兴业证券) 建立了用于判断公司是否出现财务风险的兴 业财务评价指数。该文采用了非配对抽样方法，将财务失败公司定义为2 0 0 1 年7 月3 1 日仍为s t 、p t 的公司及1 9 9 8 年和1 9 9 9 年连续两年亏损的非s t 、p t 公司， 而非财务失败公司则是指除去非财务失败公司以外的其余沪深a 股上市公司。 作者以1 9 9 8 2 0 0 0 年的年报数据为基础，针对这两类公司采用逐步回归的判别分 析法建立了线性典则判别函数和f i s h e r 线性判别函数，并利用2 0 0 1 年的中报数据 进行模型的有效性检验，模型的总体有效性达到8 1 “。 1 0 第一章绪 论 张后奇等( 2 0 0 2 ，长城证券) 大量采用l o g i s t i c 回归分析法，分别针对如下 三组样本建立了不同的预警模型，a 组：首次出现亏损的公司( a 1 ) 与a 1 相同行业( a 2 ) 、相同资产规模的盈利上市公司；b 组：每股狰资产界于0 至1 之 间的公司( b 1 ) 每股净资产小于0 的公司( b 2 ) tc 组：亏损1 年的公司( e 1 ) 连续亏损两年的公司( c 2 ) 连续亏损三年的公司( c 3 ) 。模型的预测正 确率接近7 0 埘。 归纳起来，国内目前的研究存在以下不足：( 1 ) 使用的方法主要是单变量 分析、多元判别分析和l o g i s t i c 模型等参数方法及神经网络模型等非参数方法， 而神经网络模型大多采用b p 网络：( 2 ) 由于受到数据限制，样本量不足，大部 分研究只是对估计样本进行回判，没有采用新样本进行检验，这高估了模型的 预测能力；( 3 ) 有些研究采用的财务指标不多，无法反映企业全面的财务状况。 1 3 论文结构与创新点 1 3 。1 结构 本文以判别分析、l o 西a i e 模型、b p 神经网络和支持向量机模型及其在中 国上市公司财务困境预测的应用为主要研究内容，文章的结构安排如下： 第一章的绪论部分详细回顾了财务困境预测领域的具有重大影响的研究成 果及国内外一些最新的研究进展，分别论述了不同阶段的代表性著作并对不同 模型的优缺点进行比较。在总结与比较前人研究的基础上，提出了本文的研究 方向与创新点。 第二章提出了财务困境预测问题的基本理论，总结了财务困境的定义，财 务困境的形成原因，财务困境的症状及财务困境预测的现实意义。 第三章论述了当前比较流行且效果稳定的神经网络的基本原理及优点，详 细介绍了b p 算法的原理，提出了b p 算法存在收敛慢、振荡和陷入局部极小等 问题，为与支持向量机模型的优缺点比较奠定了理论基础。 第四章在统计学习理论基础上详细论述了支持向量机理论，并总结出支持 向量机与b p 算法相比的主要优点。 第五章是全文的实证研究部分，详细介绍了样本选择的方法，建立指标体 系的方法及用l o g i s t i c 模型，b p 神经网络和支持向量机模型建立实证分析模型 的方法、步骤及结果，并对结果进行比较、分析和说明。 第一章绪 论 结束语部分总结文章主要内容及结论，分析了本文实证分析研究的局限性 并提出未来研究方向及建议。 亘亟困 ，叫财务困境的定义、形成原因、症状 财务困境预测的基本理论 。 、| 财务困境预测系统的定义和现实意义 ，叫人工神经网络的原理 神经网络理论 。 nb p 算法原理及存在问题 ，一一支持向量机研究现状 1支持向量机卜 中求一个最优的函数f ( j ，w 。) ，使预测的期望风险最 小。 置( x ) = f 三( j ，f ( x ，w ) ) 矗f ( x ，y ) ) ( 4 2 ) 其中，l ( y ，f ( x ，w ) ) 为采用f ( x ，w ) 对y 进行预测而造成的损失。由于未知 第四章支持向量机 分布函数f ( x ，) ，) ，因此无法计算上式的期望风险最小值，只能根据大数定理 思想，由样本来估算。于是定义 r ，( w ) = 寺莓。三( _ ) ，t ，厂( x ，w ) ) ( 4 - 3 ) 来逼近期望风险。由于冠一( w ) 是用已知的训练样本( 即经验数据) 定义的， 因此称作经验风险。所谓的经验风险最小化( e r m ) 原理就是用最小经验风险 来代替最小的期望风险。神经网络的学习方法就是基于经验风险的最小化原理， 其学习算法中，对训练样本的学习误差趋于最小甚至为0 。但是在某些情况下， 当训练样本过小反而会导致推广能力的下降，引起神经网络方法经常出现的过 学习现象。统计学理论指出，经验风险r 一( w ) 与实际风险r ( w ) 之间至少以 l 一町的概率满足如下关系： r ( ，) 蔓r 一( w ) + h ( 1 n ( 2 ni h + 1 ) - h a ( t 4 ) ) 一= 丑唧( w ) + ( 矗，”) ( 4 4 ) - ， 其中，h 是函数集的v c 维( m 维空间的v c 维是m + 1 ) ，n 是样本数个数。式4 4 的 右半部分称作置信范围，式4 4 表明它在有限的训练样本下随着v c 维的增高而增 加。神经网络是建立在经验风险最小化的基础上的，开始时很多注意力都集中 在如何使经验风险最小。但在某些情况下，经验风险的下降反而会引起置信范 围的上升，结果使真实风险增加。而建立在结构风险最小化基础上的支持向量 机方法就很好的解决了这个问题。 v a p n i k 提出了v c 维的概念来标志函数集的复杂程度，并用这个概念给出了 与分布无关的学习机器推广能力的界。这个界由两部分构成：经验风险和置信 范围( 以v c 维为参数) 。学习机器能力过强( v c 维很大) ，虽然能取得小的经验风 险，但置信范围会很大；v c 维太小又会导致大的经验风险。一个好的归纳原则 必须在二者之间作出权衡。结构风险最小化原则( s 褂山正是这样一种归纳原则。 s r m 原则定义了在对给定数据的逼近精度和逼近函数的复杂性之间的一种折 衷。 4 1 2 基本原理 第四章支持向量机 s v m 是统计学习理论的重要成果。支持向量机理沦是v a p n i k 于1 9 9 5 年前后 提出的，他将其统计学习理论应用于神经网络的学习，为神经网络的学习提供 一个全新的理论和方法，其主要成果是： 假定训练数据可以被一个超平面m 工) 一b = 0 没有错误地分开，与两类样本 点距离最大( 称为边缘最大) 的分类超平面会获得最佳的推广能力。最优超平面 将由离它最近的少数样本点( 称为支持向量) 决定，而与其它样本无关。 我们用如下形式描述与样本间隔为的分类超平面： ( w 工) 一b ，1 1 w | i = 1 若( w x ) 一b a ，y = 1 若( w x ) 一b 一a ，y = 一1 ( 4 5 ) 其中，y 表示输出变量的值，v a p n i k 给出了一个关于一间隔分类超平面v c 维 上界的定理：如果向量x 属于一个半径为胄的球中，那么一间隔分类超平面集 合的v c 维h 有下面的界： c 等卜+ - ( 4 - 6 ) 这样，s v m 首先保证了一个小的经验风险( 在训练样本可分时就是零) ，并通过 选择边缘最大的超平面的方式控制了函数集的v c 维，这正是s r m 原则所要求的。 支持向量机的原理是用分类超平面将空间中两类样本点正确分离，并得到 最大的分类间隔，我们将s v m 的最优化问题中的分类超平面归一化：令a = i ， 而w 和b 可以按比例缩放。离超平面最近的样本( 支持向量) 满足 若y = 1 ，( w x ，) 一b = 1 若y = 一1 ，( 1 ，x ，) 一b = 一1 ( 4 - 7 ) 支持向量到超平面的距离为1 l | wi i 。原问题就转换成一个有约束非线性规划问 题： 3 5 第四章支持向量机 s t y ，( x ，w + 6 ) 一i 0 i = l ，栉