基于支持向量机财务预警模型实证研究.docVIP

基于支持向量机财务预警模型实证研究 　　摘要：本文结合主成分分析法和支持向量机模型，构建了一种新的上市公司财务困境预警模型，并对我国A股上市公司中80家因为“财务状况异常”而被“ST”的公司进行预测，结果表明效果理想。 　　关键词：财务预警 支持向量机 主成分分析 上市公司 　　0 引言 　　财务危机预警研究起步于20世纪60年代的美国，其主要目的是识别企业的财务危机，为企业利益相关者提供预警信号，当时曾一度引起许多欧美学者的研究兴趣。到上世纪90年代中后期，随着金融市场全球化发展，使财务危机预警又被重新关注，再次成为公司财务领域的热点[1]。截止2005年底，我国证券市场已经有超过1200家上市公司。但从总体情况来看，我国上市公司的经营业绩仍然不容乐观，最突出的问题就是上市公司的亏损面和亏损额有逐年增加的趋势，部分上市公司还出现了严重的财务危机，潜在的市场风险越来越大[2]。 　　本文研究的目的就是希望能通过建立一种适合我国上市公司的财务困境预测模型。向监管部门和广大投资者揭示，有哪些公司可能陷入财务困境，使投资者引起警觉。财务困境的成功预测，可以为各利益相关方提供决策的依据，因而具有不可忽视的重要意义[3]。 　　1 基于支持向量机的财务预警模型 　　模型如图1所示。在图中，我们能清楚的看到一个财务预警系统应包括数据源，分析引擎和响应模块三个部分。模型中的数据源是模型的基础模块，所有数据都由这个模块提供。分析引擎则是模型的核心模块，这里采用SVM分类器[4]。在数据源和分析引擎之间增加了数据预处理模块，可以视作数据源的延伸。 　　第一步是数据的预处理模块。首先，对财务指标原始数据进行归一化处理，和主成分分析处理。然后输入原始数据，通过主成分分析处理便可以得到的一组七维输入向量。 　　第二步是确定核函数以及生成最终判别表达式。本模型的分析引擎是基于SVM技术的，在本质上是机器学习问题。这个过程要完成的主要工作是：确定适合的核函数，要使之适合输入数据的特性。根据财务数据多呈现非线性关系的特点，因此，本模型选择的是对非线性关系支持较好的RBF核函数。RBF核函数模型有两个待确定的参数：核参数?滓和误差惩罚系数C。 　　确定参数的过程可描述为：首先，任意预先给出参数C和?滓的几个值；接着，根据参数C和?滓的几个值的两两组合，分别建立最终判别表达式。根据支持向量机原理，建立模型的根本是找到最优分类超平面，即以最大间隔分离两类样本。 　　然后，通过训练样本对分别建立的最终判别表达式进行测试，看哪一个表达式将训练数据分为两类的正确率最高，则选定那一对参数C和?滓，同时也得出了最终判别表达式。 　　第三步是用测试样本数据对最终判别表达式的推广能力进行测试。具体方法仍然先要对样本数据归一化处理和主成分分析处理，然后再将处理后的数据代入最终判别表达式（5）。如果由最终判别表达式得出的结果的正确率达到目标要求，则说明此预警系统的推广能力可信。 　　第四步便可以用此预警模型对输入样本进行预测了，看其财务运营是否健康，是否需要进行改革。 　　2 实证分析 　　本文选取了2003年和2004年我国A股上市公司中80家因为“财务状况异常”而被“ST”的公司，并按照相同的行业和资产规模相当的配对标准选取了相同数目的非“ST”公司作为研究的样本。首先进行财务指标体系的建立，选择13个传统财务指标，利用主成分分析的方法得到7个主成分指标[5]。然后采用支持向量机方法建立财务预警模型，并且最终得到了模型的函数表达式，运用此函数表达式对建模样本和检测样本分别进行了预测。 　　根据模型建立第一步，先将140家建模样本数据通过归一化处理、主成分分析处理，得到140×7的矩阵作为财务预警分析引擎的输入向量。其中，前70家ST公司对应的y值为1，表示财务有问题；后70家非ST公司对应的y值为-1，表示财务正常。 　　根据模型建立第二步，初始选取C为5，10，15，2?滓2为0.2，0.4，0.6，共9种组合。分别建立9个判别表达式，然后用建模样本数据进行测试，看这9个判别表达式哪一个能最准确将样本数据分离。经过实验，得到以下实验数运行Mat lab软件。其中，test表示用来测试的已经数据预处理的建模样本数据；而Error Rate则表示模型对于建模样本的判断错误率。从结果可以看出，当C取10，2?滓2取0.4时，模型对于建模样本的判断准确率最高，因此，最终确定核函数为 　　误差惩罚系数C取值为10。 　　可求得α*=［5.0000，1.0077，1.7802，…，1.2907，0.9517］，阔值b*=-0.1523。这样，就得到了最终的判别表达式。 　　根据模型建立第三步，用测试样本对预警模型进行检验。首先是将测试样本进行归