FA-SVM模型在上市公司財(cái)務(wù)預(yù)警中的應(yīng)用

1、FA-SVM模型在上市公司財(cái)務(wù)預(yù)警中的應(yīng)用FA-SVM模型在上市公司財(cái)務(wù)預(yù)警中的應(yīng)用913X202101-0102-02 財(cái)務(wù)預(yù)警模型是指利用企業(yè)財(cái)務(wù)指標(biāo)或非財(cái)務(wù)指標(biāo)體系來(lái)預(yù)報(bào)或推斷企業(yè)財(cái)務(wù)狀況的模型。傳統(tǒng)的財(cái)務(wù)預(yù)警方法主要有：?jiǎn)巫兞颗袆e分析、多元判別分析、Logistic回來(lái)模型、Fisher模型、Bayes模型等。傳統(tǒng)的模型通常建立在嚴(yán)格的假設(shè)前提下，然而現(xiàn)實(shí)中有些假設(shè)往往很難滿(mǎn)足，從而導(dǎo)致模型的判別效率不高。隨著數(shù)據(jù)挖掘技術(shù)的進(jìn)展，神經(jīng)網(wǎng)絡(luò)被應(yīng)用到財(cái)務(wù)預(yù)警中，且被證明其判別能力優(yōu)于傳統(tǒng)的模型。支持向量機(jī)作為一種新的神經(jīng)網(wǎng)絡(luò)，擁有強(qiáng)大的分類(lèi)泛化功能，已在眾多領(lǐng)域得到了廣泛的應(yīng)用。雖然支持向

2、量機(jī)的判別精確率很高，但對(duì)多元共線(xiàn)性敏感，當(dāng)變量的相關(guān)程度較高時(shí)，將會(huì)影響到模型的預(yù)報(bào)精確率。因此，引入因子分析法對(duì)樣本變量進(jìn)行處理，使其不存在共線(xiàn)性問(wèn)題，同時(shí)降低了問(wèn)題的維度，提高了計(jì)算速度。 一、因子分析和支持向量機(jī)組合模型 首先將原始數(shù)據(jù)進(jìn)行因子分析FA，即對(duì)原始變量進(jìn)行特征提取和壓縮，得到低維度且不相關(guān)的數(shù)據(jù)，也就是將大量的輸入變量濃縮成幾個(gè)公共因子。然后將新的數(shù)據(jù)輸入到支持向量機(jī)SVM中，進(jìn)行模型訓(xùn)練，從而建立因子分析和支持向量機(jī)組合的預(yù)報(bào)模型FA-SVM。圖1是FA-SVM模型的流程圖。 二、FA-SVM財(cái)務(wù)預(yù)警模型的應(yīng)用 一模型樣本的選擇 將上市公司財(cái)務(wù)狀況虧損作為財(cái)務(wù)危機(jī)的標(biāo)志

3、，在選取危機(jī)企業(yè)樣本時(shí)，以因連續(xù)兩年虧損而被標(biāo)注*ST的制造業(yè)企業(yè)為危機(jī)企業(yè)，排除因其他緣由被標(biāo)志*ST的企業(yè)。選取滬深兩市A股市場(chǎng)上2021-2021年三年中被標(biāo)注*ST的制造業(yè)公司共77家，非*ST公司240家。假設(shè)被標(biāo)注*ST的年份是第t年，選擇樣本公司t-3年的財(cái)務(wù)年報(bào)數(shù)據(jù)來(lái)建立模型。數(shù)據(jù)均來(lái)至銳思金融討論數(shù)據(jù)庫(kù)。 二財(cái)務(wù)指標(biāo)體系 1.財(cái)務(wù)指標(biāo)的初步選擇 為了比較全面地反映企業(yè)的財(cái)務(wù)狀況，在參照國(guó)內(nèi)外學(xué)者己有的討論成果的基礎(chǔ)上，并結(jié)合我國(guó)制造業(yè)上市公司的實(shí)際狀況，初步選取了25個(gè)財(cái)務(wù)指標(biāo)，涵蓋盈利能力、償債能力、成長(zhǎng)能力、營(yíng)運(yùn)能力、現(xiàn)金流量五個(gè)方面，具體見(jiàn)表1。 2.財(cái)務(wù)指標(biāo)的檢驗(yàn) 進(jìn)

4、入模型的變量應(yīng)在*ST公司和正常公司之間有顯著差異，才能得到較好的判別效果。接受獨(dú)立樣本T檢驗(yàn)對(duì)各指標(biāo)進(jìn)行篩選。在顯著性水平0.05的狀況下篩選出15個(gè)指標(biāo)，見(jiàn)表2。 三因子分析 對(duì)數(shù)據(jù)進(jìn)行KMO檢驗(yàn)和Bartlett球形度檢驗(yàn)，其中KMO=0.596，同時(shí)Bartlett球形度檢驗(yàn)給出的相伴概率為0.0000，即Sig=0，小于顯著水平0.05，因此，認(rèn)為數(shù)據(jù)適合于因子分析。根據(jù)特征值大于1的標(biāo)準(zhǔn)提取公因子，可提取前6個(gè)，分別設(shè)為F1、F2、F3、F4、F5和F6。這6個(gè)公因子所解釋的樣本總方差的累積比率為81.98%，說(shuō)明這6個(gè)公因子可以反映原數(shù)據(jù)81.98%的信息量。6個(gè)公因子所代表的含

5、義解釋如表3所示。計(jì)算各個(gè)樣本在這6個(gè)因子上的得分，并將其作為支持向量機(jī)模型的輸入。 四支持向量機(jī)模型建立及結(jié)果分析 將因子分析得到的各樣本的因子得分作為模型的輸入，并將樣本的50%劃分為訓(xùn)練樣本，另外50%作為測(cè)試樣本。通過(guò)Clementine軟件的多次訓(xùn)練，得到最優(yōu)模型預(yù)報(bào)結(jié)果見(jiàn)表4，表中同時(shí)給出未經(jīng)因子分析處理得到的模型預(yù)報(bào)結(jié)果。 財(cái)務(wù)預(yù)警模型的目標(biāo)是發(fā)覺(jué)財(cái)務(wù)出現(xiàn)危機(jī)跡象的公司，對(duì)投資者和債券人來(lái)說(shuō)可以幸免因決策失誤造成的損失，對(duì)于企業(yè)治理者來(lái)說(shuō)可以及早發(fā)覺(jué)財(cái)務(wù)異樣跡象，調(diào)整企業(yè)的經(jīng)營(yíng)策略，改善財(cái)務(wù)狀況。因此對(duì)*ST的錯(cuò)判造成的損失是巨大的，模型的評(píng)價(jià)也應(yīng)以*ST的預(yù)報(bào)精度為主。依據(jù)表4

6、，單純使用支持向量機(jī)模型SVM的訓(xùn)練樣本總體預(yù)報(bào)精度到達(dá)86.25%，*ST的預(yù)報(bào)精度到達(dá)77.50%。但是其測(cè)試樣本中*ST的預(yù)報(bào)精度只有56.76%，總體的預(yù)報(bào)精度也只有75.16%。測(cè)試樣本的預(yù)報(bào)精度相對(duì)于訓(xùn)練樣本降低了許多，特殊是*ST的預(yù)報(bào)精度降到了60%以下，這樣的預(yù)報(bào)精度將給模型使用者帶來(lái)極大的風(fēng)險(xiǎn)。因此，因此單純的SVM模型應(yīng)用于預(yù)報(bào)不太合適。結(jié)合因子分析的支持向量機(jī)模型FA-SVM的結(jié)果無(wú)論是訓(xùn)練樣本還是測(cè)試樣本都比SVM模型理想。訓(xùn)練樣本*ST的預(yù)報(bào)精度到達(dá)了85.00%，測(cè)試樣本*ST的預(yù)報(bào)精度也到達(dá)了70.27%，說(shuō)明FA-SVM模型的泛化能力還是不錯(cuò)的，基本滿(mǎn)足實(shí)際應(yīng)用的需要。 三、結(jié)論 利用因子分析對(duì)支持向量機(jī)模型的輸入數(shù)據(jù)進(jìn)行處理，降低了數(shù)據(jù)的維度，減小了指標(biāo)間的相關(guān)性。利用317家制造業(yè)上市公司財(cái)務(wù)數(shù)據(jù)，構(gòu)建財(cái)務(wù)預(yù)警模型，從模型的對(duì)比分析結(jié)果可以看出，F(xiàn)A-SVM模型具有較高的預(yù)報(bào)精度和較強(qiáng)的有用價(jià)值。但是在實(shí)際應(yīng)用中也留意到，該模型是建立在肯定假設(shè)基礎(chǔ)上的，本文假設(shè)被標(biāo)注*ST的公司就是財(cái)務(wù)逆境公司，假設(shè)