企業(yè)財(cái)務(wù)困境分析與預(yù)測方法研究.pdf

1、財(cái)務(wù)困境分析與預(yù)測是財(cái)務(wù)管理和投資管理領(lǐng)域的一個(gè)重要研究方向,企業(yè)是否會(huì)陷入財(cái)務(wù)困境,這不僅關(guān)系到企業(yè)本身戰(zhàn)略的制訂與調(diào)整,而且還關(guān)系到投資者和債權(quán)人的利益。本文研究的目的,就是希望能夠提出一種適合我國上市公司的、無企業(yè)規(guī)模限制、無行業(yè)局限、無股權(quán)結(jié)構(gòu)限制,可以廣泛應(yīng)用的財(cái)務(wù)困境分析與預(yù)測方法。從而,向監(jiān)管部門和廣大投資者揭示,有哪些公司可能會(huì)陷入財(cái)務(wù)困境,使他們引起警覺,使監(jiān)管部門維護(hù)市場穩(wěn)定,為市場提供科學(xué)的決策信息。
　　

2、 自從Altman對(duì)財(cái)務(wù)困境預(yù)測進(jìn)行了開創(chuàng)性研究以來,財(cái)務(wù)困境分析與預(yù)測已經(jīng)得到了突破性發(fā)展。近年來,也有不少學(xué)者在此領(lǐng)域做了許多有益的工作。但是,目前的研究總體上還缺乏系統(tǒng)的理論指導(dǎo),尤其是在提高模型預(yù)測正確率的前提下,如何減少訓(xùn)練樣本的數(shù)量、縮短模型運(yùn)行時(shí)間、優(yōu)化模型和核參數(shù)等方面,已有的成果還很少,有些方面的研究還處于起步和探索階段。
　　 本文將遺傳算法以及支持向量機(jī)理論應(yīng)用于企業(yè)財(cái)務(wù)困境分析與預(yù)測,對(duì)支持向量機(jī)的算法改

3、進(jìn)以及模型參數(shù)優(yōu)化等方面做了大膽的嘗試,對(duì)改善模型的預(yù)測正確率、減少訓(xùn)練樣本數(shù)量以及縮短模型運(yùn)行時(shí)間等方面,進(jìn)行了深入的分析和研究,主要工作和創(chuàng)新如下:
　　 第一,本文在對(duì)國內(nèi)外已有財(cái)務(wù)困境概念定義的基礎(chǔ)上,根據(jù)我國的實(shí)際情況,對(duì)財(cái)務(wù)困境的概念進(jìn)行了界定;其次,通過對(duì)研究樣本的統(tǒng)計(jì)分析,從財(cái)務(wù)報(bào)表項(xiàng)目以及財(cái)務(wù)和非財(cái)務(wù)指標(biāo)三個(gè)方面,詳細(xì)闡述了困境公司和正常公司在ST前不同時(shí)點(diǎn)上有著不同的特征。根據(jù)ST公司與正常公司的報(bào)表數(shù)據(jù)、財(cái)

4、務(wù)指標(biāo)數(shù)據(jù)的顯著性差異檢驗(yàn)結(jié)果以及均值變化趨勢圖,從統(tǒng)計(jì)學(xué)角度詳細(xì)分析了哪些指標(biāo)數(shù)據(jù)是導(dǎo)致企業(yè)出現(xiàn)財(cái)務(wù)困境的原因,尋找“警源”;最后,對(duì)企業(yè)發(fā)生財(cái)務(wù)困境的內(nèi)外部因素進(jìn)行了深入的分析,并給出了企業(yè)財(cái)務(wù)困境預(yù)測過程和預(yù)測方法框架。
　　 第二,提出了企業(yè)財(cái)務(wù)困境短期和中長期分析與預(yù)測應(yīng)采用不同預(yù)測指標(biāo)體系的觀點(diǎn)。通過對(duì)ST公司和正常公司兩組研究樣本的指標(biāo)數(shù)據(jù)分別進(jìn)行正態(tài)分布檢驗(yàn)、顯著性差異檢驗(yàn)以及因子分析處理后發(fā)現(xiàn),對(duì)短期分析與預(yù)測

5、有顯著影響的指標(biāo)較多,而對(duì)中長期分析與預(yù)測影響顯著的指標(biāo)明顯減少。由于影響中長期分析與預(yù)測的指標(biāo)減少,預(yù)測模型可利用的信息也就減少,從而導(dǎo)致與短期預(yù)測相比,中長期預(yù)測的預(yù)測正確率明顯下降。另外,在指標(biāo)的選取上,除了財(cái)務(wù)指標(biāo)外,還選用了非財(cái)務(wù)指標(biāo),得出了股本結(jié)構(gòu)和地域環(huán)境兩個(gè)非財(cái)務(wù)指標(biāo)對(duì)短期和中長期預(yù)測均有顯著影響的結(jié)論。
　　 第三,提出了一種基于Renyi熵的最小二乘支持向量機(jī)的增長記憶算法。考慮到傳統(tǒng)支持向量機(jī)對(duì)偶問題的求解

6、過程相當(dāng)于解一個(gè)線性約束的二次規(guī)劃問題,計(jì)算矩陣的逆和存儲(chǔ)核函數(shù)矩陣都需要較多的內(nèi)存空間,同時(shí),二次尋優(yōu)算法也需要較多的運(yùn)行時(shí)間。因此,本文獨(dú)立推導(dǎo)出了一種適合企業(yè)財(cái)務(wù)困境預(yù)測的離散序列情況下的最小二乘支持向量機(jī)增長記憶算法,以避開求解矩陣的逆。同時(shí),首次將信息熵引入增長記憶算法模型。實(shí)證結(jié)果表明,最小二乘支持向量機(jī)增長記憶算法確實(shí)節(jié)省了程序運(yùn)行時(shí)間,而信息熵的引入,不但減少了訓(xùn)練樣本的個(gè)數(shù),而且,還提高了模型預(yù)測的正確率。
　　

7、 第四,針對(duì)支持向量機(jī)及其改進(jìn)算法中僅靠人工方法無法獲得模型參數(shù)和核參數(shù)最優(yōu)解的嚴(yán)重缺陷,本文將基于生物遺傳機(jī)理的遺傳算法參數(shù)優(yōu)化技術(shù)應(yīng)用于企業(yè)財(cái)務(wù)困境分析與預(yù)測。實(shí)證研究證實(shí),遺傳算法確實(shí)能在更大范圍內(nèi)自動(dòng)尋優(yōu),能顯著提高模型預(yù)測的正確率。尤其是將遺傳算法應(yīng)用于基于Renyi熵的最小二乘支持向量機(jī)增長記憶算法模型,使得在只有少量訓(xùn)練樣本的情況下,也能獲得較高的預(yù)測正確率。
　　 第五,用支持向量機(jī)及其改進(jìn)算法作為工具,對(duì)短期

8、及中長期分析與預(yù)測中多種預(yù)測模型進(jìn)行了橫向和縱向的比較?？v向比較結(jié)果表明,提前預(yù)測時(shí)間越短,預(yù)測正確率越高,而隨著預(yù)測提前期的增加,預(yù)測的正確率顯著下降;橫向比較表明,支持向量機(jī)及其改進(jìn)模型的預(yù)測正確率要好于傳統(tǒng)預(yù)測模型,犯第Ⅰ類、第Ⅱ類錯(cuò)誤的概率明顯低于傳統(tǒng)模型,進(jìn)一步證實(shí)了支持向量機(jī)不但具有較好的擬合能力,而且,還有較好的泛化(預(yù)測)能力。實(shí)證結(jié)果還表明,使用高斯核函數(shù)后,其模型的預(yù)測效果要好于多項(xiàng)式核,但Renyi熵中的核函數(shù)只能