【《财务危机预警概念与模型综述》3200字】

-PAGE128--PAGE127-财务危机预警概念与模型综述1.1财务危机预警概念财务危机预警是指运用会计、统计、企业管理、市场营销等专业知识对公司披露的财务报告等公开信息进行分析，同时通过公司已发生的生产经营活动和财务活动对未来进行预测，以期发现公司日常活动中潜在的重度财务风险，并对公司经营者提出警示作用，采取有效措施规避潜在危机。财务危机预警的重要功能是实时管控、报警实现同步，具体体现为：一方面进行财务危机预警能从财务报表、计划及财务人员等方面准确预判公司可能产生的财务危机，具体操作是由专职员工对企业基本财务资料加以归总和剖析计算之后，能够识别在日常生产经营过程中存在的或者是未知风险点的目的，并且快速精准；另一方面，财务风险预警模型可以及时的向公司管理层发出实时警报，以便决策层有时间做好风险的应对工作，保证企业自身的战略部署工作能正常开展。1.2财务危机预警模型原理（1）单一变量模型单一变量模型选择一种财务指标作为自变量来构建财务危机预测模型，来预测分析企业的财务状况。财务指标根据Resset数据库的分类，可分为偿债能力指标、成长能力指标、经营能力指标、盈利能力指标和现金流量指标等。单一变量模型预警关键在于确定该财务指标的阈值，虽然单一变量预警模型原理简单，判别过程容易，但仅用一项财务指标只能反映上述某一方面的能力，难以反映公司财务状况的全貌，因此预警准确度较低。（2）多元线性评价模型多元线性评价模型是指对多个财务指标进行线性加权求和，其结果的值作为判别标准来预警公司财务危机的一种模型。多变量线性模型较多采用Z值模型、F值模型等，其中Z值模型表达式为五个财务指标的线性组合如下式2-1。（2-1）其中为总资产营运资本率、为总资产留存收益比率、为资产报酬率、为所有者权益市价与负债比、为总资产周转率。通过计算得出Z值来判断企业的财务状况，Z值判别情况见表2-1。表2-1Z值判别情况表Z值企业财务状况Z<1.81财务破产风险很大1.81≤Z≤2.675财务状况不稳定2.675＜Z财务状况良好，破产可能性极小（3）逻辑回归模型Logistic回归模型通常用于因变量为二分类的预警中，即结果只存在是和否两种情况，是为1，否为0。比如企业是否会发生危机、股票是否会上涨、年薪是否会超过10万等。在财务危机预警中，更关心的是危机发生的可能性，即取1的概率，所以预测结果为一个概率值。若需要知道公司发生财务危机的概率P，对P直接进行线性回归拟合会得到如式2-2模型：（2-2）P数值的大小在0-1之间，而自变量X的线性变换取值范围为（-∞，+∞），等式左右两侧不相符，据此模型预测很可能得到与实际期望相差较大的结果。同时再经过大量实验发现，因变量P与自变量之间并非简单线性关系，而是S型曲线关系。于是令，经过大量的实践证明Q和自变量之间呈线性关系，表达式见2-3。（2-3）其中：自变量是在财务危机预警中通常为选取的各个财务指标。对应的逻辑回归模型是S型的曲线，最大值趋近于1，最小值趋近于0，当P值取值范围为[0,1]时，取值范围为（-∞，+∞），等式左右两侧相符。通常情况下选择0.5作为阈值，即P＞0.5，则表明该公司发生财务危机，反之正常。（4）神经网络模型神经网络用于求解前馈网络的实际输出与期望输出间的最小均方差值，当参数适当时，此网络能够收敛到较小的均方差，实现从输入到输出的任意非线性映射，是目前应用最广的网络之一。由输入层、隐含层以及输出层三个层次构成，每个网络训练样本包含样本输入值和期望输出，经过网络计算得到一个计算输出量，通过调整输入层节点和隐含层、隐含层与输出层节点间的连接权值，使计算输出量接近期望输出，即建立一个神经网络来拟合计算输入值与期望输出之间的逻辑关系。根据拟合的逻辑关系，神经网络能为新的输入值预测出输出值。神经网络输入层、隐含层和输出层同层节点间无任何联结。将训练样本的数据输入网络，首先由输入层传至隐含层节点，经特性函数作用后，再传至下一隐含层，直到最终传至输出层进行输出，其间每经过一层都要由相应的特性函数进行变换，节点的特性函数通常选用S型函数，如公式（2-4）所示。（2-4）BP（BackPropagation）算法是一种误差反向传播算法，用于修改神经网络各层节点的权值和阈值。在BP神经网络构建的过程中，包括正向传播和误差反向传播两个子过程。正向传播过程中，数据从输入层输入经过隐含层逐层处理传到输出层，再经非线性传递函数运算后得到输出值，将其与期望值比较；若有误差，则误差反向传播，沿原来的联结路径返回，并通过逐层修改各层节点的权值和阈值减少误差，随着不断重复的训练动态的修正连接权值，如此循环直到使网络输出的误差符合要求。单隐含层BP网络拓扑结构如图2-1所示，其变量含义如下：表示输入层第i个节点的输入i=1,…,n；表示隐含层第j个节点到输入层第i个节点之间的权值；表示隐含层第j个节点的阈值；表示隐含层的激励函数；表示输出层第k个节点到隐含层第j个节点之间的权值，j=1,…,q；表示输出层第k个节点的阈值,k=1,…,s；表示输出层的激励函数；表示输出层第k个节点的输出；表示输出层第k个节点的期望输出；图2-1BP神经网络拓扑结构BP神经网络实现步骤简述如下：首先需要确定各层节点的个数，然后将各个权值和阀值的值初始为比较小的随机数；将训练样本导入到输入层，计算各层输出；计算误差调整权值，并通过更新权值和反映网络预测误差的阀值，向后传播误差；求误差函数。判断其是否收敛在给定的精度以内，如果满足，则学习结束；否则，继续上述训练步骤。常见的BP网络采用最速下降法对各层权值进行调整，接下来以图2-1为例对权值学习算法进行推导。（1）前向传播过程隐含层第j个节点的输入net（2-5）隐含层第j个节点的输出：（2-6）输出层第k个节点的输入netk（2-7）输出层第k个节点的输出ok（2-8）（2）误差的反向传播过程误差的反向传播，即首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值。对于每一个样本u的二次型误差准则函数为：（2-9）系统对p个训练样本的总误差准则函数为：（2-10）根据误差梯度下降法依次修正输出层权值的修正量和隐含层权值的修正量。权值的调整量与误差的梯度下降成正比，即：；（2-11）式中负号表示梯度下降。输出层权值调整公式：（2-12）隐含层权值调整公式：（2-13）又因为：，（2-14）（2-15）（2-16）（2-17）（2-18）所以最后得到以下公式：输出层权值调整量：（2-19）隐含层权值调整量：（2-20）第i+1次输入样本时的权值为：（2-21）（2-22）BP神经网络模型的最为中心的思想就是通过调整连接神经元的权值和阈值，使输入的数据通过网络计算得到输出的误差达到预定值。1.3四种财务危机预警模型特点总结现有的预警模型，主要包括：单变量模型，多元线性评价模型，逻辑回归模型和神经网络模型等。单变量模型计算精度低，多元线性评价模型应用范围有限，逻辑回归模型的临界点难以确定，而神经网络分析模型具备较强的容错力。常见的财务预警模型的特点介绍与比较详见表2-2。表2-2不同财务预警模型特点对比表模型前提条件方法描述特点单变量模型没有约束条件选单一财务指标作为判别标准计算简介，易于理解；但是指标变量选择较少，预测结果精度低多元线性评价模型样本服从多元正态分布、两组样本协方差相等、无多重共线性选多个财务指标作为判别标准指标变量丰富，回归函数易于理解；但是前提假设严格逻辑回归模型不需要严格的假设条件寻求观察对象的条件概率为判别标准适用范围广泛，准确率高；但计算复杂且临界点不易确定神经网络模型对公司样本没有要求依据通过网络学习和数据修正得出的判别规则为判别标准具有