具有新型預(yù)測能力的財務(wù)困境模型研究——Logit模型的加權(quán)極大似然法.pdf

1、財務(wù)困境預(yù)警一直都是投資和財務(wù)管理領(lǐng)域的一個重要的研究方向，因為一個公司是否陷入財務(wù)困境狀態(tài)不僅是公司本身對未來的預(yù)期與戰(zhàn)略制定的決定因素之一，而且該公司的投資者和債權(quán)人的利益是否能夠取得及取得的多寡都與之息息相關(guān)。 企業(yè)從財務(wù)狀況正常到財務(wù)困境的發(fā)生，可能是突發(fā)性的債務(wù)危機，也可能是逐漸的財務(wù)狀況惡化所引起的。實踐中，通常大多數(shù)企業(yè)陷入財務(wù)困境都是由財務(wù)狀況從正常到逐步惡化再至財務(wù)困境或破產(chǎn)這樣一個漸進的過程。因此，一般而言，

2、企業(yè)的財務(wù)困境不但具有先兆，而且是可預(yù)測的。在美國和英國等國家有眾多的提供財務(wù)困境預(yù)測或破產(chǎn)預(yù)測服務(wù)的機構(gòu)，如英國的Data stream公司、美國第一銀行信托分部和Performance AnalysisServices公司，而且Alterman在1977年發(fā)展的ZETA評分模型曾被作為商品出售一事也說明了在國外研究財務(wù)困境預(yù)警具有現(xiàn)實意義。 我國從1998年證券市場引入ST制度以來，各種財務(wù)預(yù)警的方法層出不窮，雖有少部分是定

3、性分析的，但大多數(shù)都是定量的建模分析。 在定量的建模分析方法中，根據(jù)對被解釋變量的設(shè)定，大致能夠分為兩種做法：第一種做法是假設(shè)訓(xùn)練集的被解釋變量與檢驗集的被解釋變量年份相同，也即若要預(yù)測2009年公司是否為ST，就用2009年公司是否為ST的數(shù)據(jù)訓(xùn)練模型。第二種做法則把訓(xùn)練集和檢驗集的被解釋變量年份錯開，避免了第一種的錯誤。但目前第二種做法大多是用訓(xùn)練集訓(xùn)練后的模型直接套用下一年份財務(wù)數(shù)據(jù)來預(yù)測下一年份的公司分類，這樣做的前提是

4、模型在時間上必須是穩(wěn)定或不變的。要證明模型的這種時不變性比較困難，因此本文在分析了Logit模型的極大似然法之后，從另一個角度考慮引入包含時間因素的信息，務(wù)求信息的利用更全面。 本文的第1章導(dǎo)論首先介紹了研究的背景，然后根據(jù)以上思考的結(jié)果分別討論了本文研究的理論意義和現(xiàn)實意義。 接著本文第2章對國外和國內(nèi)的文獻做一個總體的回顧和概覽，為本文以下章節(jié)的財務(wù)困境預(yù)警的討論做鋪墊。 回顧國外的財務(wù)困境預(yù)警研究，一般分為

5、單變量分析和多變量分析兩大類。前者是早期研究不成熟階段的產(chǎn)物，因為單個變量獨立開來的分析顯然和復(fù)雜的現(xiàn)實經(jīng)濟市場情況不對應(yīng)，一般現(xiàn)在已經(jīng)很少用到；后者最初的模型也較簡單，但隨著計算機技術(shù)的發(fā)展，各種方法紛紛涌現(xiàn)，模型越來越復(fù)雜，似乎是為了寫文章而缺乏深入研究——各種諸如神經(jīng)網(wǎng)絡(luò)、支持向量機很少見發(fā)表于經(jīng)典的經(jīng)濟學(xué)雜志就是很好的例證。 而國內(nèi)的財務(wù)困境預(yù)警研究，基本上是在ST制度實行以來才跟著國外的腳步走過來的，其基本理論和模型大

6、多借鑒的是國外的文獻。 雖然很多國內(nèi)文獻對ST的制度做了很多討論，但就像上文提到的一樣，很多文獻都有第一種做法的錯誤，還有一些文獻則沒有考慮模型時間因素的影響。 因此本文的第3章對傳統(tǒng)的Logit模型分析財務(wù)困境的方法做了系統(tǒng)的討論，并給出了改進的思路。第3章的基本結(jié)構(gòu)如下： ①首先給出變量的篩選規(guī)則介紹 本文變量篩選按相關(guān)系數(shù)分析、獨立樣本T檢驗兩步進行。相關(guān)系數(shù)分析是為了解決模型的解釋變量之間存在相關(guān)

7、性的問題。首先為了去掉異常值的影響，本文要比較參數(shù)相關(guān)系數(shù)和非參數(shù)相關(guān)系數(shù)的異同。若前者和后者無太大差別，則選用參數(shù)相關(guān)系數(shù)，理由是參數(shù)相關(guān)系數(shù)包含了更多的數(shù)據(jù)信息；若前者和后者差別很大，則選用非參數(shù)相關(guān)系數(shù)，以減少異常值的影響。在相關(guān)系數(shù)分析以后，由于存在太多的兩兩相關(guān)的解釋變量，不能簡單地把這些變量全部剔除，因為雖然兩個變量間存在相關(guān)性，但將之全部剔除有可能反而會遺漏變量。因此本文在相關(guān)系數(shù)分析后做獨立樣本T檢驗，目的是為了剔除那些

8、存在相關(guān)性的解釋變量中和被解釋變量無關(guān)的變量。 ②給出逐步回歸的算法 逐步回歸的優(yōu)點是能夠在眾多解釋變量中找出對被解釋變量有信息增益的變量，因此本文選擇逐步回歸建模。所以在理論分析部分，本文對逐步回歸的三種算法：前向選入(Forward)、后向剔除(Backward)、逐步(Stepwise)選入剔除一一做了介紹。 ③介紹傳統(tǒng)Logit模型 由于本文是對傳統(tǒng)Logit模型的擴展，因此有必要先對傳統(tǒng)Logi

9、t模型做詳細描述，故而本文在引出改進模型以前，先介紹傳統(tǒng)模型，然后介紹傳統(tǒng)模型的估計方法——極大似然估計法，并對極大似然估計法在不存在解析解時用到的兩種迭代擬合算法：Fisher Scoring和Newton—Raphson算法做一簡單描述。 ④介紹本文改進的Logit模型 在介紹傳統(tǒng)Logit模型以后，本文提出了模型的構(gòu)造和改進的過程：分析以前模型在財務(wù)困境研究領(lǐng)域的不足，提出改進的思路，最后構(gòu)造出模型。 在做

10、了理論分析以后，本文第4章分以下3步進行實證分析： 第1步，本文在理論分析的基礎(chǔ)上，選取1412只上市公司作為研究對象，從短期償債能力、營運能力、長期償債能力、盈利能力、風(fēng)險水平、股東獲利能力、現(xiàn)金流量能力、發(fā)展能力這八大類財務(wù)指標(biāo)中選擇了34個變量作為初始的解釋變量。 第2步，本文對這34個解釋變量做相關(guān)分析和獨立樣本T檢驗，篩選出共22個變量。 第3步，本文用逐步回歸對改進Logit模型建模和估計，最終得出總

11、體預(yù)測準確率91—71％， ST公司預(yù)測準確率89.36％的結(jié)果。并且最終的逐步回歸剩下每股凈資產(chǎn)、每股經(jīng)營活動現(xiàn)金凈流量、總資產(chǎn)增長率這三個變量，其系數(shù)估計值都為負。從模型角度來說，就是說，這三個變量越大，公司為ST的概率越小。這與一般經(jīng)濟現(xiàn)象互相印證。 在第5章，首先，本文對文章做了通篇的歸納，得出3條結(jié)論： (1)從理論意義討論了傳統(tǒng)Logit模型不具有預(yù)警效果的缺陷。 (2)建立了一套真正具有預(yù)警意義的加

12、權(quán)MLE的Logit模型，并對模型的建立做了理論分析和推導(dǎo)。 (3)從實證意義上建立了加權(quán)MLE的Logit模型，并用之估計了2007年的上市公司的分類，得出了91.71％的總預(yù)測準確率和89.36％的ST公司預(yù)測準確率這兩個較高的預(yù)測準確率。 接著，本文并指出了文章所存在的不足： (1)假設(shè)證監(jiān)會公布的12大行業(yè)中，各行業(yè)內(nèi)部的轉(zhuǎn)換概率服從二點分布，對轉(zhuǎn)換概率用頻率估計會存在樣本容量過小的問題。 (2)