组合预测在上市公司财务预警中应用.docVIP

组合预测在上市公司财务预警中的应用 　　摘要：在Logistic模型和BP神经网络两种单一预测模型的基础上，将Logistic模型输出的违约概率引入到BP神经网络中，从而构建一种非线性组合预测模型，并将其应用于上市公司财务预警。实证结果表明，该组合预测模型能有效提高预测精度，具有良好的应用前景。 　　关键词：上市公司；财务预警；Logistic模型；BP神经网络；组合预测 　　 　　建立上市公司财务预警系统，能对公司的财务风险起到未雨绸缪的作用，它能以财务指标数据形式将公司面临的潜在危险预先告知经营者，促使管理层通过全面分析公司内部经营、外部环境的各种资料，寻找财务危机发生的原因和公司财务管理体系中隐藏的问题，并制定解决问题的有效措施，以避免或降低公司的财务危机。同时，建立上市公司财务预警系统还有利于投资者的决策和证券市场的规范。 　　 　　　一、组合预测的优势及应用思路 　　 　　　现有的上市公司财务预警方法可大致分为定性预警分析和定量预警模式两类。定性预警方法主要包括：灾害理论、专家调查法、“四阶段症状”分析法等。定量预警方法主要包括：单变量判定模型、多变量线性判定模型、多元逻辑(Logistic)模型、多元概率比(Probit)回归模型、神经网络(NN)分析模型、支持向量机(SVM)等。然而，单一预测方法所用到的信息是有限的，对同一问题只采用一种方法进行预测。其预测精度往往不高，预测风险较大。由于不同的预测方法所用到的信息是不相同的，因此，可以将各种单一的预测结果进行组合得到一种组合预测结果，以达到改善预测效果的目的。自Bates J.M和GrangerC.W.J(1969)首次提出组合预测方法以来，由于组合预测方法利用了更多的信息，其精度要比单一的某种预测方法得到的结果好，因而受到国内外预测工作者的重视。Clemen R.T(1989)曾指出，组合预测将成为预测研究的主流之一。目前，组台预测研究正从定权向变权、线性组合向非线性组台的方向发展。近年来，组台预测技术已被成功引入到信用风险评估中，并取得了较好的预测精度。有鉴于此，本文尝试将组合预测应用于上市公司财务预警。 　　神经网络是20世纪40年代发展起来的一种预决策技术，神经网络模型除了具备自组织与自适应能力外还能有效地对非线性问题进行处理，分类能力较高，因而被广泛应用于企业信用评估、财务预警等问题的研究中。组合预测的核心问题是组合机理和权值的确定，在对各类参数方法的组台中，困难之一就是在将各种不同预测的结果加权重组时权值的确定问题。而神经网络是一种非参数的方法，所以避免了传统组合预测技术对权值设定的困难。Logistic模型无需假定任何概率分布，也不要求等协方差性，因而在企业财务预警中得到了广泛应用。基于此，本文借鉴文献的研究思路，在Logistic模型和BP神经网络两种单一预测模型的基础上，将Logistic模型输出的违约概率引入到BP神经网络中，从而构建一种非线性组合预测模型，并将其应用于上市公司财务预警。实证结果表明，该组合预测模型的预测精度高于任何一种单一预测模型，具有良好的应用前景。 　　 　　二、实证分析 　　 　　　(一)指标体系与样本数据 　　企业财务危机的迹象通常都将直接或间接地在一些敏感性财务指标的变化上反映出来，本文参考国内外有关文献提出的企业财务预警指标体系，遵循指标选取的系统性、科学性、客观性、可操作性及敏感-性等原则，从偿债能力、营运能力和盈利能力等三个方面，选取流动比率、速动比率、资产负债率、利息保障倍数、应收账款周转率、存货周转率、固定资产周转率、总资产周转率、净资产报酬率、总资产报酬率、销售净利率、股本报酬率等12项财务比率指标建立上市公司财务预警初始指标体系。 　　本文选取沪、深股市中的信息产业上市公司(包括涉足信息产业的上市公司)作为研究对象，数据来源于国泰安数据库和CCER数据库。将上市公司因财务状况出现异常而被特别处理(ST)作为企业财务预警的标志，定义ST企业为财务危机公司，非ST企业为财务健康公司。样本区间选定为2006-2008年，其中，ST企业采用被ST前两年的年报数据进行试验，最终取得的样本总数为104个。将实验样本集分为训练样本和测试样本。采用分层抽样方法，从104个样本中，分别对非ST企业和ST企业，随机抽取70％(共72个样本)作为训练样本建立模型(其中：非ST企业36家，ST企业36家)；剩余的30％(共32个样本)作为测试样本检验模型(其中：非ST企业16家，ST企业16家)。 　　考虑到上市公司财务预警初始指标体系中可能存在冗余指标，本文还借助ROSEtTA分析软件，运用粗糙集属性约简遗传算法对初始指标进行约简，从12个初始指标中剔除了6个冗余指标。由此得到流动比率、资