基于LogisticSVM上市公司总经理离职行为预警模型研究.docVIP

基于LogisticSVM上市公司总经理离职行为预警模型研究 　　摘要:文章在建立上市公司总经理离职行为预警指标体系基础上,提出了Logistic和支持向量机(SVM)相结合的上市公司总经理离职行为预警模型。对原始指标数据进行标准化处理,然后通过Logistic回归分析对SVM的输出提供支持信念以修正支持向量机的结果。 　　关键词:Logistic模型;支持向量机;预警;离职;总经理 　　 　　一、 引言 　　 　　总经理离职是上市公司的重要事件之一,长期以来对总经理离职研究成为财务管理和公司治理的重要内容。国内外研究表明影响上市公司总经理离职因 素主要集中在公司业绩、董事会结构、股权结构、总经理薪酬、公司是否被违规处罚等方面,Yungsan Kim 和 Keunkwan Ryu(1998)采用PHM最小卡方估计模型对美国1981年~1990年335家上市公司数据进行分析,实证检验表明公司业绩与总经理离职负相关;此外Warner,Watts Wruck(1988)、Jensen Murphy(1990)、Jens Leker SoKren Salomo(2000)、Mette Lausten(2002)、Takao Kato Cheryl Long(2006)、龚玉池(2001)等人同样得出公司的业绩与总经理离职之间存在负相关性的结论;Yukiko Abe(1997)研究日本1974年~1990年1 112家上市公司发现较慢的短期销售额和雇员增长率对CEO离职有促进作用,CEO离职与公司其它短期绩效不显著相关,但是与公司长期绩效高度负相关。 　　因此,要想识别和控制由于上市公司总经理离职带来的风险,建立有效的上市公司总经理离职预警机制已成为现代企业管理者和投资者必须面对的重大问题。如何建立对上市公司总经理离职行为的有效预警显得极为重要。目前国内外关于上市公司预警机制常用的方法有:Altman提出的Z-score模型、多元判别分析(MDA)、Logit模型、人工神经网络方法等。Z-score 模型以线性关系来量化财务危机,因而简单、易行,但不适应非线性经济现象。多元判别分析(MDA)必须在满足正态、等协方差假定的前提下才能使错误分类成本最小,而事实上,这种假定通常难以满足。Logit模型尽管没有多元正态分布和等协方差的要求,但(1)要求大样本。样本容量一般不少于200 个,否则存在参数估计的有偏性。(2)当样本点存在完全分离时,模型参数的最大似然估计可能不存在,因而影响Logit模型的有效性。人工神经网络预测方法具有非线性逼近、自适应学习等优良性,但还存在网络结构难以确定等不足,除此以外,其学习算法通常采用经验风险最小化原则(ERM),仅试图使经验风险最小,并没有使期望风险最小,与传统的最小二乘法相比,在原理上缺乏实质性的突破,同时也缺乏理论依据。总之,神经网络学习算法缺乏定量的分析与机理完备的理论结果。针对以上情况,本文研究了基于Logistic和支持向量机(SVM)相结合的上市公司总经理离职行为预警模型,利用上市公司数据进行实验,并与Logit 模型、支持向量机相比较,计算结果表明,所提方法可行、有效,预测精度高,具有实用价值。 　　 　　二、 构建总经理离职预警模型 　　 　　2. 支持向量机原理。支持向量机(Support Vector Machine,SVM)是一种基于结构风险最小化原理(SRM)的机器学习方法,这里的“机(Machine,机器)”是机器学习领域中的术语,实际上是一个算法。它最初于20世纪90年代由Vapnik提出。由于其出色的学习性能,尤其适合小样本问题研究,该技术已成为机器学习界研究的热点。并在人脸检测、癌症诊断、财务预警和信用评价等多领域中得到了成功的应用。 　　SVM最初用于模式识别中的两类线性可分问题,其基本思想可用图1的两维情况说明。 　　图1中的实心点和空心点分别代表两类训练点,H为分类线,H1和H2分别为过各类中离分类线最近的样本且平行于分类线的直线,它们之间的距离叫做分类间隔。所谓最优分类线就是要求分类线不但能将两类点正确分开,而且能使分类间隔最大,这是结构风险最小化原理的具体实现。推广到高维空间,最优分类线就成为最优超平面。 　　设训练样本集为: 　　这是一个不等式约束下的二次函数极值问题,存在唯一解。根据KT条件,对大多数样本而言,?琢i=0,将只有少部分?琢i不为零,对应?琢i≠0的样本就是支持向量(Support Vectors),如图2中画斜线的样本点所示。对学习过程而言,支持向量是训练集中的关键因素,它们离决策边界最近,如果去掉所有其他训练点,再重新进行训练,得到的分类超平面是相同的。 　　其中(xj,yj)为支持向量。 　　选取