基于GLM和GLMM的財(cái)務(wù)預(yù)測研究——以制造業(yè)上市公司為例.pdf

1、如何準(zhǔn)確預(yù)測上市公司財(cái)務(wù)危機(jī)是一個(gè)有重要實(shí)際意義的問題，但也是一個(gè)困難的問題，原因在于：預(yù)測的準(zhǔn)確性不但取決于統(tǒng)計(jì)模型的好壞，而且與變量的選擇也有密切關(guān)系。本文從變量選擇出發(fā)，基于兩個(gè)常用模型——廣義線性模型和廣義線性混合模型來構(gòu)建上市公司財(cái)務(wù)預(yù)警模型，研究模型選擇與變量選擇對(duì)財(cái)務(wù)預(yù)測的影響。
　　本文選取120家制造業(yè)上市公司2006-2012年的相關(guān)財(cái)務(wù)數(shù)據(jù)，構(gòu)建了原始指標(biāo)集，初步分析發(fā)現(xiàn)這些指標(biāo)之間存在較強(qiáng)的相關(guān)性。本文研究

2、的因變量是上市公司是否被ST，它是一個(gè)0-1變量服從伯努利分布是二項(xiàng)分布的一種特殊形式，本文采用廣義線性模型進(jìn)行擬合。因此，本文建立廣義線性模型采用逐步回歸、LASSO和SCAD方法進(jìn)行變量選擇。依據(jù)選擇的變量構(gòu)建了3個(gè)廣義線性模型，通過比較模型選取變量的個(gè)數(shù)、變量的經(jīng)濟(jì)意義、模型的擬合效果以及模型的預(yù)測效果，我們認(rèn)為SCAD變量選擇方法得到的模型最為理想，LASSO方法和逐步回歸方法的效果較差。其中LASSO方法對(duì)于ST公司的預(yù)測效果

3、是三者中最差的；逐步回歸方法選取的變量中有2個(gè)變量的經(jīng)濟(jì)意義與現(xiàn)有的財(cái)務(wù)理論不符。
　　接下來，本文根據(jù)上述3種方法選取的變量分別構(gòu)建廣義線型混合模型。我們知道，通常情況下不同行業(yè)的上市公司平均來看面臨的財(cái)務(wù)風(fēng)險(xiǎn)不同，基于這樣的考慮本文引入新財(cái)富行業(yè)分類標(biāo)準(zhǔn)，結(jié)合上述3種方法選取的變量構(gòu)建了3個(gè)廣義線性混合模型。結(jié)果顯示3個(gè)模型的整體效果非常的接近，SCAD方法得到的模型要稍好些。本文通過比較廣義線性混合模型與廣義線性模型發(fā)現(xiàn)進(jìn)行

4、財(cái)務(wù)預(yù)測研究時(shí)，廣義線型混合模型具有如下幾方面的優(yōu)勢(shì)：（1）模型的隨機(jī)效應(yīng)部分符合目前行業(yè)的發(fā)展特點(diǎn)，可以很好的解釋現(xiàn)實(shí)的各個(gè)行業(yè)狀況；（2）模型更加簡潔，廣義線性混合模型的固定效應(yīng)部分包含的變量個(gè)數(shù)明顯的小于廣義線性模型。（3）廣義線性混合模型的預(yù)測精度相比廣義線性模型都有所提高。此外，進(jìn)一步對(duì)廣義線性混合模型與數(shù)據(jù)挖掘方法進(jìn)行比較，發(fā)現(xiàn)廣義線性混合模型也優(yōu)于數(shù)據(jù)挖掘的方法，具體表現(xiàn)在簡潔性和實(shí)用性上。
　　本文的研究表明，進(jìn)行