基于人群搜索算法上市公司Z―Score模型财务预警研究.docVIP

基于人群搜索算法上市公司Z―Score模型财务预警研究 　　摘要：针对传统的Z-Score财务预警模型预警能力的不足，导致无法准确判定上市公司的财务风险状况，将SOA算法的良好寻优能力和Z-Score财务预警模型结合起来，提出一种改进的Z-Score财务预警模型，构建出SOA算法优化Z-Score财务预警模型的适应度函数。仿真对比发现，改进的Z-Score财务预警模型其平均识别率高达96.33%，远远高于SVM算法和AdaBoost算法的平均识别率，改进的算法极大地提升了Z-Score财务预警模型的预测能力，使其更具适应性。 　　关键词： Z-Score模型；人群搜索算法；寻优能力；数学模型；适应度 　　中图分类号：F275；F224文献标识码：A文章编号：1003-7217（2015）02-0066-05 　　一、引言 　　当前，国际金融危机导致我国很多上市公司受到很大影响，国内和国际订单大量减少，使得很多企业处于破产的危机之中，因此，针对上市公司进行财务预警分析，有利于及时发现上市公司的财务危机，提出有效的应对措施。 　　2009年陈静等人[1]选取54个上市公司样本数据，其中ST公司27个及非ST公司27个，将净资产收益率、资产负债率等6个财务指标作为分析对象，通过判别实证分析发现误判率最低的财务指标。 　　2012年周首华等人[2]提出一种改进的Z计分模型，建立起财务危机预警模型，通过实证分析发现改进的Z计分模型的预警能力优于未改进的Z计分模型。 　　2013年向德伟等人[3]选取上交所和深交所80家上市公司A股样本数据为研究对象，通过实证分析，发现Z-Score模型针对80家上市公司的预警分析是基本有效的。 　　在前人研究的基础上，本文以我国部分上市公司为研究对象，在Z-Score模型的基础上，利用人群搜索算法的良好寻优能力对Z-Score模型的参数进行优化修正，之后运用修正的Z-Score模型对上市公司财务风险实证分析，从而实现修正Z-Score模型财务预警能力的提高。 　　二、Z-Score模型 　　为了有效检验和预警将要投资的企业或股票的风险性，美国Altman教授提出Z-Score财务预警模型对上市公司的财务状况预警分析。通过Altman教授长期实证研究，选取5个财务指标乘以不同系数，建立起Z-Score财务预警模型[4]，通过该模型可以分析出上市公司的风险状况。 　　式（1）中，Z表示Z-Score，X1、X2、X3、X4、X5分别表示不同财务指标，X1=营运资金/总资产 ，X2=保留盈余/总资产，X3=息前税前净利/总资产，X4=股东权益市值/总负债的账面价值，X5=销售金额/总资产。 　　由式（1）可知，Altman的结论为：Z-Score≥2.675时，财务健全；Z-Score2.675时，财务不佳。因此，通过Z-Score模型可以轻易地分析出上市公司的财务状况。 　　三、人群搜索算法（Seeker Optimization Algorithm，SOA） 　　（一）SOA算法基本思想 　　SOA算法模拟人的随机搜索行为，将人的智能搜索行为直接应用于对优化问题解的搜索。在优化计算中，人的随机搜索行为可理解为：在连续空间的搜索过程中，较优解的周围可能存在更优的解，最优解可能存在于较优解的邻域内。因此，当搜寻者所处位置较优时，应该在较小邻域内搜索；当搜寻者所处位置较差时，应该在较大邻域内搜索。为此，SOA利用能有效描述自然语言和不确定性推理的模糊逻辑来对上述搜索规则进行建模，并确定搜索步长。 　　SOA通过社会学习和认知学习，分别获取社会经验和认知经验，并结合智能群体的自组织聚集行为、以自我为中心的利己主义行为和人的预动行为，确定个体搜索方向。 　　（二）SOA算法步骤 　　四、基于SOA优化Z-Score模型 　　本文利用SOA算法优良的寻优能力，对Z-Score模型的系数进行优化修正，使其更加准确地预测和表征我国上市公司的财务风险状况，其算法流程如图3所示。假设存在5个未知变量，分别为K1、K2、K3、K4、K5，使得式（9）误差最小，式（9）如下： 　　Fitness（K）=Z-实际-Z-预测（9） 　　式（9）中，Z-实际、Z-预测分别表示Z-Score实际得分和Z-Score预测得分，其表达式分别如式（10）和式（11）所示： 　　五、实证分析 　　本文以20家上市公司财务数据为研究对象，其财务指标数据如表1所示，其中X1、X2、X3、X4、X5分别表示不同财务指标，Y则表示上市公司的财务状况（0表示危机公司，1表示正常公司）。根据Altman的结论Z-Score≥2.675时，财务健全；Z-Score2.675时，财务不佳。通过计算这20家上市公