基于支持向量機(jī)的財(cái)務(wù)困境預(yù)測研究.pdf

1、隨著我國證券市場的發(fā)展，上市公司數(shù)量不斷增多，市場規(guī)模不斷擴(kuò)大。同時(shí)，隨著證券市場準(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。因此作為證券市場基石的上市公司的財(cái)務(wù)狀態(tài)的預(yù)測無疑是有關(guān)各方非常關(guān)注的。如何預(yù)測公司經(jīng)營失敗的問題已經(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)定市場的辦法。 自從Altman在財(cái)務(wù)困境預(yù)測方面進(jìn)行了開創(chuàng)性研究以來，財(cái)務(wù)困境預(yù)測已經(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)對一般使用者而言，簡單得只需“屈指一算”。但MDA方法固有的局限性促使尋找更

3、好的預(yù)測方法。Olhson將Logit方法運(yùn)用于財(cái)務(wù)困境預(yù)測，改進(jìn)了分?jǐn)?shù)的預(yù)測效果，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)和分析國外與國內(nèi)關(guān)于財(cái)務(wù)困境預(yù)測理論和

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)測模型。具體研究內(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)測模型。 接著討論了預(yù)測變量的選擇問題。除繼續(xù)利用部分有代表性的財(cái)務(wù)比率作為預(yù)測變量以外，提出我國上市公

5、司資金被控股股東或關(guān)聯(lián)方占用也應(yīng)作為預(yù)測變量出現(xiàn)在針對退市公司的財(cái)務(wù)困境預(yù)測模型中。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)后找出了對兩組樣本具有顯著差異的變量。這些對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