SVM在企业财务困境分析中的应用.pdfVIP

■名家观察 ■现代管理科学 ■2004年第12期 SV M在企业财务困境分析中的应用 ●李 波 何建敏 摘要：企业财务困境分析对商业银行和各种投资者而言具有重要的意义，本文研究了支持向量机模型的基本原理， 并对支持向量机在企业财务困境分析中的应用进行了实证分析，结果表明支持向量机模型与其他模型相比具有较好的 效果，值得深入研究 关键词：支持向量机；财务困境；财务危机；多,G4,J-~,J；神经网络 一 、 概述 分析相比，人工智能方法具有较大的优势，以BP神经网络 企业财务困境也称为财务危机，是企业无力支付到期 为例。三层BP神经网络可以实现输人到输出的任意非线 债务或费用的一种经济表现，包括从资金管理技术性失败 性映射，对样本分布也没有假设限制，而且经过多次迭代 到破产以及处于两者问的各种情况。资金技术性失败导致 汁算能够达到较高的精度。因此在企业财务困境分析中也 的支付失败一般可以通过一定的补偿措施进行补救，而企 得到了很好的引用。BP神经网络的主要缺陷在于缺乏理 业破产则可能会导致债权人的损失。 论基础，模型的经济含义也难以解释，而且存在“过拟合” 影响企业偿债能力的因素相当多，既包括企业本身的 等问题。 因素，如现金流量、盈利能力、运营能力等，电包括环境因 三、统计学习理论与支持向量机基本原理 素，如行业周期、宏观经济情况、突发事件等。而且各种因 统计学习理论是在20世纪90年代中期才发展成熟 素之间的相关性和因果关系复杂，因此，要对企业的偿侦 的，用于解决小样本条件下机器学习问题的理论。 能力进行评价，对企业财务危机进行预测是非常复杂的问 学习问题可以形式化表述为：已知Y与输入x之间存 题，需要对多种因素进行综合分析。 在未知依赖关系F(x，Y)，学习问题就是根据n个独立同分 二、传统分析模型 布的观测样本(x。，y．)，( ， )，…，( ， )，在一组函数{，(x， 传统上对企业财务困境的研究，主要是从分类的们度 a)l中寻找一个最优函数，(x，ao)l，使预测的期望风险R(a) 开展的，即通过某些可以反映企业偿债能力及发展趋势的 = 』Q(y，r(x，a))dF(x，Y)最小。其中f，(x，a)l称为预测函数 指标对企业的状况进行综合分析，将企业分为可能会发生 (学习函数)集，a∈A称为广义参数集，Q称为损失函数。 财务危机和不会发生财务危机的两种类别(或更多类别)， 学习目标是使R(a)最小，称为期望风险最小化准则。但一 从而得出关于企业财务情况的结论。 般情况下，由于总体分布F(x，Y)是未知的。因此，根据大数 对企业财务困境进行研究的主要方法包括多元判别 定理，可以使用平均值来代替R(a)中的数学期望，即尺一 分析模型和人工智能模型。 (a)=∑Q(y，，，(墨，a))／n，称为经验风险最小化准则(ERM． 多元判别分析的主要思想是根据不知所属纰的观测 Empirical Risk Minimization)。多元判别模型和神经网络模 值x，以低误差率来判别一个未知观测值属于哪一组。其 型都是基于ERM准则的。 基本假定是能够以某种方法对原始数据正确进行分类(一 使用经验风险最小化代替期望风险最小化是基于统 般认为根据经验积累，历史数据中总存在一定的可以良好 计学中的大数定理，当在有限样本条件下使用ERM准则 确定其类别的典型样本)，用原始数据建立判别函数并估 时，其隐含假设就是在样本趋近于无穷时得到的结论，在 计参数，然后用判别函数实现对未知样本的分类。典型的 样本有限时仍是有效的，至少是一个不错的近似。但由于 多元判别模型包括ZETA评分模型、距离判别、Fishel·判 这个假设往往并不能成立，因此，各种传统的学习模型存 别、Logistic回归等。多元判别模型的主要缺陷在于其分布