基于支持向量機(jī)的財(cái)務(wù)困境預(yù)測(cè)研究.pdf

1、隨著我國(guó)證券市場(chǎng)的發(fā)展，上市公司數(shù)量不斷增多，市場(chǎng)規(guī)模不斷擴(kuò)大。同時(shí)，隨著證券市場(chǎng)準(zhǔn)入和退出制度的完善，特別是連續(xù)虧損的企業(yè)實(shí)行特別處理和退市后，部分經(jīng)營(yíng)失敗上市公司成為投資者面前的地雷。那些破產(chǎn)的上市公司更加使投資者血本無歸。因此作為證券市場(chǎng)基石的上市公司的財(cái)務(wù)狀態(tài)的預(yù)測(cè)無疑是有關(guān)各方非常關(guān)注的。如何預(yù)測(cè)公司經(jīng)營(yíng)失敗的問題已經(jīng)成為理論界和實(shí)務(wù)界共同關(guān)心的問題。準(zhǔn)確預(yù)測(cè)公司的財(cái)務(wù)困境可以為投資者提供重要投資參考，可以提醒公司管理層及早采

2、取措施以避免情況進(jìn)一步惡化，可以為債權(quán)人特別是商業(yè)銀行的貸款管理提供預(yù)警指標(biāo)，幫助證券監(jiān)管當(dāng)局制定有效的穩(wěn)定市場(chǎng)的辦法。 自從Altman在財(cái)務(wù)困境預(yù)測(cè)方面進(jìn)行了開創(chuàng)性研究以來，財(cái)務(wù)困境預(yù)測(cè)已經(jīng)得到了突破性發(fā)展。這種發(fā)展為投資者、債權(quán)人和投資銀行了解企業(yè)的財(cái)務(wù)狀態(tài)提供了比單純財(cái)務(wù)比率分析更加科學(xué)的方法。隨著信息技術(shù)的發(fā)展，多變量判別分析（MDA）方法已經(jīng)對(duì)一般使用者而言，簡(jiǎn)單得只需“屈指一算”。但MDA方法固有的局限性促使尋找更

3、好的預(yù)測(cè)方法。Olhson將Logit方法運(yùn)用于財(cái)務(wù)困境預(yù)測(cè)，改進(jìn)了分?jǐn)?shù)的預(yù)測(cè)效果，克服了分?jǐn)?shù)的部分局限性。智能技術(shù)的發(fā)展為得到更準(zhǔn)確的財(cái)務(wù)困境預(yù)測(cè)提供了可能。神經(jīng)網(wǎng)絡(luò)（NN）也被成功地被應(yīng)用到財(cái)務(wù)困境預(yù)測(cè)中。建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的支持向量機(jī)(SVM)被認(rèn)為是專門針對(duì)小樣本學(xué)習(xí)的，能夠在模型的復(fù)雜性和泛化性方面尋找均衡。因此，克服了神經(jīng)網(wǎng)絡(luò)的易陷入局部極小值和過度擬合的缺點(diǎn)。 本文在總結(jié)和分析國(guó)外與國(guó)內(nèi)關(guān)于財(cái)務(wù)困境預(yù)測(cè)理論和

4、方法的研究現(xiàn)狀和發(fā)展的基礎(chǔ)上，用支持向量機(jī)建立了公司破產(chǎn)前5年的財(cái)務(wù)困境預(yù)測(cè)模型。具體研究?jī)?nèi)容和成果如下： 首先提出了以退市公司作為財(cái)務(wù)困境樣本的合理性。因?yàn)檫@類公司更接近于國(guó)外定義的財(cái)務(wù)困境公司—破產(chǎn)公司。另外，隨著退市制度的逐步完善，這些公司的數(shù)量接近于近80家。加上配比的財(cái)務(wù)健康公司，就有足夠的樣本建立財(cái)務(wù)困境預(yù)測(cè)模型。 接著討論了預(yù)測(cè)變量的選擇問題。除繼續(xù)利用部分有代表性的財(cái)務(wù)比率作為預(yù)測(cè)變量以外，提出我國(guó)上市公

5、司資金被控股股東或關(guān)聯(lián)方占用也應(yīng)作為預(yù)測(cè)變量出現(xiàn)在針對(duì)退市公司的財(cái)務(wù)困境預(yù)測(cè)模型中。文中用四個(gè)比率來反映上市公司資金被占用情況，即其他應(yīng)收款/股東權(quán)益，其他應(yīng)收款/總資產(chǎn)，（其他應(yīng)收款+應(yīng)收賬款）/股東權(quán)益，（其他應(yīng)收款+應(yīng)收賬款）/總資產(chǎn)。對(duì)選擇的20個(gè)初始變量進(jìn)行均值相等性檢驗(yàn)后找出了對(duì)兩組樣本具有顯著差異的變量。這些對(duì)兩組變量有顯著差異的變量中包括了反映公司資金占用的變量。接著通過主成分分析也發(fā)現(xiàn)反映資金占用的因子對(duì)方差邊際貢獻(xiàn)較

6、大。 然后用支持向量機(jī)作為工具，用對(duì)兩組樣本有顯著差異的變量作為支持向量機(jī)的輸入，建立了破產(chǎn)前5年的五個(gè)財(cái)務(wù)困境預(yù)測(cè)模型。支持向量機(jī)通過找出位于邊界上的支持向量，有效地對(duì)訓(xùn)練樣本和檢驗(yàn)樣本進(jìn)行了識(shí)別。支持向量機(jī)的參數(shù)選擇上則采用了遺傳算法，選擇了比較理想的懲罰因子和核參數(shù)。 最后比較了支持向量機(jī)和多變量判別分析在模型預(yù)測(cè)的準(zhǔn)確性和魯棒性方面的差異。由于支持向量機(jī)僅依賴于邊界上的支持向量，有效克服了過度擬合問題。同時(shí)支持向