一种基于SVM企业财务状况分析模型.docVIP

一种基于SVM的企业财务状况分析模型 　　【摘要】在分析企业的财务失败情况时，本文在最优特征子集的基础上提出基于支持向量机的SVM-Z分数模型，并通过实验表明SVM－Z分数模型能够在一定程度上反映财务的状况，具有Z分数模型的一些优点。 　　 　　一、引言 　　 　　由于Z值的大小与其信用级别具有很强的相关性，Z 值能有效识别公司的信用级别。随着Z分数模型的商业化，广泛运用于企业信用风险的分析和评级。各国的金融机构都纷纷开发了各自的Z值多元判别模型，基于不同考虑和侧重点，使用不同财务指标作为判别公式的变量，新的Z分数判别公式层出不穷。如何找到更有代表性的财务指标、更准确地反映企业财务状况，是众多金融界学者的研究方向之一。本文从特征选择的角度，在这方面作了尝试，并根据SVM在用于股票分类中的特点，提出了svm-Z分数模型，通过实验验证svm-Z和Z一样具有反映财务状况???坏以及趋势的能力。 　　 　　二、SVM理论概述 　　 　　SVM方法是从线性可分情况下的最优分类面发展而来的，所谓最优分类面就是要求分类而且不但能将两类样本正确分开，并可使分类间隔最大。 　　假定训练数据： 　　可以被一个最优分类超平面 　　 　　三、Z分数模型方法 　　 　　率先将多元判别分析法应用于财务危机、公司破产及违约风险分析的开拓者是美国的爱德华?阿尔特曼博士。他早在1968年发现Z值能有效识别公司的信用级别，从而开发出Z分数信用评级模型，建立了著名的5变量Z-score。 　　近年来，在有关信用评级模型的研究方面，国内的一些学者在多元判别模型领域做了大量的研究，取得了很多成果，为我国信用评级模型的最终建立和完善奠定了基础。 　　信用评分法的基本思想是，财务指标反映了企业的信用状况，通过对企业主要财务指标的分析和模拟，可以预测企业破产的可能性，从而预测企业的信用风险。比较著名的是Altman的Z分数模型。其中根据主要适用于上市公司、非上市公司、非制造企业分别有三个类似公式，下面仅列出一个。 　　Z＝6.56X1+3.26X2+6.72X3+1.05X4（2） 　　X1＝（流动资产-流动负债）/资产总额 　　X2＝未分配利润/资产总??? 　　X3＝（利润总额+折旧+摊销+利息支出）/资产总额 　　X4＝所有者权益/负债总额 　　根据公式（2）得到的Z值越低，表示企业越可能发生破产，面临的风险越大。相反，Z值越大，表示企业的财务状况、经营状况良好，发生破产的可能性越小。各行业可以通过Z值来确定本行业的财务状况；如果Z值小于a时，则表明企业正处于破产的边缘；如果Z值在a-b之间，则表明企业的财务及经营极不稳定，被称为“灰色地带”。 　　Altman认为，根据上述公式计算的Z值，如果Z小于1.23，即a=1.23时，风险很大；Z大于2.9，即b=2.9时，风险较小。根据z值分成的三个区间，可将企业信用等级评为好、中、差三个等级，这就是z分数模型用于信用评级的原理。对于不同z分数模型，根据实践中的经验将z值分为不同区间，可产生更多基于z分数模型的信用模型。 　　Altman在前面的基础上又建立了第二代模型，称为ZETA信用风险模型。新的变量主要有7个，即资产报酬率、收入的稳定性、利息倍数、负债比率、流动比率、资本化比率、规模等。在此基础上基于不同的考虑和侧重点，出现了更多形式的Z值模型。 　　根据在金融领域考虑的侧重点不同，新的公式层出不穷，在特定情况下均有较好的效果，可以看出：多元判别分析法就是从若干表明观测对象特征的变量值中筛选出能提供较多信息的变量并建立判别方程,使推导出的判别方程对观测样本分类时的错判率最小，其判别方程具有如下形式： 　　提出新的z分数模型的目的就是为了找到尽可能少的财务指标X1,X2…XN，并确定对应的系数，使其对观测样本具有最小的错判率。 　　 　　四、特征选择 　　 　　本文拟从特征选择的角度，不考虑金融领域的专业知识，找出最适合样本集的特征即财务指标。采用常见Z分数模型的特征作为原始的特征集，如表1所示。训练集和预测集分别选择2000年和2001年沪深股市的年报数据，数据集根据是否为ST股票分为两类，0（ST股票）和1（非ST股票），特征选择算法采用基于线性最小二乘拟合判别函数的特征选择算法的方法。它的优点在于利用了SVM参数表达的线性关系，可以方便地利用线性最小二乘算法拟合判别函数，并对各特征值的重要性进行估计，避免了求解各候选特征子集对应的SVM预测函数导致的大量二次规划问题。 　　 　　特征选择后表明，保留6个特征，即第1、2、3、5、6、8个特征时具有最低的误分率5.188%。说明通过特征选择，找到了对于特定的数据集，用SVM预测时误分率最小的特征子集