支持向量机在上市公司财务预警模浅谈企业筹资风险和其对策陈鹏型中应用.docVIP

支持向量机在上市公司财务预警模浅谈企业筹资风险和其对策陈鹏型中应用 　　【摘要】本文研究的是基于小样本数据的上市公司财务预警模型。本文使用机器学习方法中的支持向量机（SVM）的方法来建立预警模型，针对化工行业的上市公司为例进行财务预测。本文选取26家化工行业上市公司，建立训练样本与预测样本来确定SVM模型的参数以及检验模型的准确性。通过模型的检验得到SVM上市公司财务预警模型有良好的预警作用。 【关键词】机器学习，支持向量机，财务预警，小样本 一、背景介绍 随着我国市场经济体制的建立与发展，企业在发展的同时也面临着严峻的挑战。在市场经济条件下，企业经营如有不慎便会陷入危机。企业的危机，更多的是体现在企业财务上，通过对企业财务的分析和预测，如果能够提前发现问题，做好准备，这样企业在面临激烈的竞争时将更有竞争力。 本文以化工行业为例，结合机器学习模型，对化工业企业财务预警模型进行研究，希望能够为企业财务预警提供一定的参考，以便能够帮助企业更好的适应激烈的竞争。 二、机器学习方法的财务预警模型建立 （一）财务预警模型的财务指标选取。为了比较全面地反映企业的财务状况，根据财务指标选取原则，在参照国内外学者己有的研究成果的基础上，并结合我国化工业上市公司的实际情况，本文选择了财务类和现金流量类指标。其中，财务类指标包含偿债能力、营运能力、成长能力、盈利能力四个方面；其中，偿债能力指标包括流动比率、速动比率、资产负债率、有形资产负债率，营运能力指标包括应收帐款周转率、存货周转率、流动资产周转率、总资产周转率，成长能力包括总资产增长率、净利润增长率、营业收入增长率，盈利能力指标包括营业利润率、资产报酬率、每股收益，现金流量指标包括现金流量比、债务保障率、主营业务现金比率、每股净资产。 （二）样本的选取。我国上市公司实行的是“ST”制度，本文假定“ST”公司就是陷入财务困境的公司。由于研究的是小样本数据，因而从所有化工也上市公司中选取少量样本，作为研究对象。由此本文研究选取沪深两市股票市场上2011—2012年两年化工行业中被进行特别处理的ST公司共8家ST公司作为财务困境公司研究样本。同时，与确定的8家ST样本公司相对应，从同类型行业上市公司中抽取非ST公司18家，作为对比研究样本。 其中，ST公司为：*ST 川化，*ST 索芙，*ST 中钨，*ST 海龙，*ST 华科，*ST 锌电，*ST 吉纤，*ST 鞍成； 非ST公司为：南风化工，红太阳，黔轮胎A，青岛双星，青海明胶，海螺型材，海螺型材，天茂集团，远兴能源，保定天鹅，美锦能源，辽通化工，国际实业，湖北宜化，金路集团，江南红箭，沈阳化工，恒逸石化，双环科技。 对于被ST上市公司的财务研究数据的选取年份，我们根据这些公司的被ST年份，往前回溯3年，即某公司在第T年被ST，则选取第T-3年的数据作为该公司的财务研究数据。因为，财务法规规定，某公司在第T年是否应该被ST，取决于该公司的第T-1年和第T-2年的财务报告所决定，因而使用这两年的数据不具有预测性，因此我们选择第T-3年的数据作为预测数据。 本文将研究样本分为15个训练样本（其中含3个ST公司）和11个预测样本（其中含5个ST公司），随机在研究样本中不重复挑选生成。 （三）基于支持向量机（SVM）的财务预警模型 SVM是一种比较好地实现了结构风险最小化思想的学习方法，它可以自动寻找那些对分类有较好区分能力的支持向量，构造分类空隙最大的有较好推广性能和较高分类准确率的最优超平面；通过核函数变换的方法将在低维空间无法分类的样本映射到高维空间进行分类，很好的解决了有限数量样本的高维模型构造问题构造的模型具有很好的预测性能，不存在过学习问题。因此，SVM非常适用于处理小样本、非线性、多特征等问题。 本文根据SVM的原理来进行预警模型的建立，通过核函数的选择以及相应参数的调整来获得最好的SVM预警模型。 1.核函数的选择。SVM可以使用的核函数SVM中不同的内积核函数将形成不同的算法，主要的核函数有三类：多项式核函数，径向基函数，S型函数。本文使用径向基函数的高斯核函数： 2. 参数的选择。在本文的SVM简单预测模型里，核函数采用的是市场公认的效果较好的Gauss径向基核函数，因此模型有两个参数需要调试，分别是 Gauss 核函数的参数？滓和模型最优化求解时所用的惩罚参数C，而针对不同的产业两个参数所对应的值需要作出相应的变化。 使用训练样本来调试函数，从而寻找最佳的参数？滓和模型最优化求解时所用的惩罚参数C。在计算机选取15个训练样本后，对于惩罚参数C，以100作为初始值，根据预警效果的变化，找到最优的参数值；在确定了较好的参数之后，固定惩