高维数据下基于主成分分析支持向量机上市公司信用风险评价.docVIP

高维数据下基于主成分分析支持向量机上市公司信用风险评价 　　上市公司是市场经济的重要组成部分，其信用评价研究逐渐受到人们的重视。本文就高维数据下上市公司的风险评价问题提出了一种新的方法，首先运用主成分分析方法对影响上市公司信用风险的众多因素进行降维，提取出若干个主成分变量；然后基于这些主成分变量，再运用支持向量机方法对上市公司的信用风险进行综合测评。实证结果表明，与基于主成分分析和logistic回归分析的方法，以及传统的支持向量机方法相比较，基于主成分分析+支持向量机的方法的预测更加准确。 　　随着市场经济的不断发展，信用问题日益深刻地影响着市场经济的发展，如何对企业进行客观准确的评价逐渐成为人们研究的重点。信用风险又称违约风险，是指借款人、证券发行人或交易对方因种种原因，不愿或无力履行合同条件而构成违约，致使银行、投资者或交易对方遭受损失的可能性。信用在整个社会经济运行中起着非常重要的作用，在资本市场上，信用风险也是投资者最为关注的主要风险之一，上市公司的信用风险大小直接影响着股票、债券等有价值证券的价值。 　　近几年我国有一大批研究学者投入到对信用风险的研究中，并且取得了一定成果，所采用的方法主要有神经网络、判别分析、因子分析和logistic回归分析等。韩静（2005）运用概率神经网络的方法对企业信用进行了评定。张玲（2000）采用判别模型对我国上市公司的财务预警进行了分析。油永华（2006）首先运用主成分分析，提取出若干个主成分，然后基于主成分建立logistic回归模型，对100家公司的8个财务指标进行了分析。张爱民，祝春山，许丹健（2010）运用主成分分析方法，提取主成分，最终得到主成分预测函数。谢春岩（2014）利用逐步回归法在单变量logistic模型中剔除掉不显著的变量，以及存在高度线性相关性的自变量后，对剩下的变量做多变量logistic回归，最终得出信用风险评价模型。葛美玲，张为（2015）进行Mann-Whitney（M-W）检验以得到对信用良好的公司以及信用不好公司有显著影响的指标，并建立logistic回归模型。 　　本文的创新点在于：当财务指标个数较多且存在严重的多重共线性时，首先对原始数据进行主成分分析，提取出若干个互不相关的主成分，然后基于这些主成分，再借助于支持向量机在解决小样本、非线性及高维度模式识别中所表现出的众多优势.来对上市公司的信用风险进行预测。实证结果表明：本文提出的主成分分析+支持向量机（PCA-SVM）的方法，其预测效果要高于传统的主成分分析+logistic回归方法（PCA-logistic），以及传统的支持向量机方法（ SVM）。 　　主成分分析及支持向量机方法 　　主成分分析方法。在回归分析中，当解释变量个数较多且存在多重共线性时，传统的回归方法的拟合优度会比较低。一种常用的方法是主成分分析（PCA），将多个原始变量进行旋转压缩，提取出几个彼此不相关的主成分作为新变量，从而起到降维的作用，并能充分利用数据的信息。 　　支持向量机方法。支持向量机（SVM）是一种专门解决小样本统计学习规律的方法，它的核心是引入核映射的思想与结构风险的概念，其基本模型是定义在特征空间上的间隔最大的线性分类器。支持向量机的学习策略就是间隔最大化，其学习方法包含建构由简至繁的模型：线性可分支持向量机，线性支持向量机及非线性支持向量机。目前，该方法已经广泛应用于经济、金融、物理、工程等领域。 　　实证分析 　　数据的采集 　　本文选择上市公司财务指标来研究企业信用风险，并用被特殊处理（ST）的公司作为信用不良的公司，未被特殊处理（非ST）的公司作为信用良好的公司。本文搜集到的数据来自国泰安数据库，为2016年1月至12月我国沪市和深市中所有上市公司的财务比率数据，经处理缺失值、删除无记录公司等处理之后的数据集有2664家信用良好的公司，有113家信用不好的公司，为了保证数据的平衡性，本文按照1：1的比例随机抽选信用良好和信用不好的上市公司，共选择226家公司，其中，随机选取了80家信用良好的公司与80家信用不好的公司作为训练集，用以建立模型；剩下的33个ST公司及33个非ST公司作为测试集，用来检验模型效果。 　　本文从上市公司的众多财务指标中，从七个方面共选取了31个财务指标进行研究，从而对上市公司的信用评定进行预测。这31个财务指标分别为：偿债能力（流动比率、速动比率、现金比率、利息保障倍数、资产负债率、长期资本负债率），比率结构（流动资产比率、固定资产比率、流动负债比率、金融负债比率），公司的盈利能力（资产报酬率、投资收益率、总资产净利润率、投入资本回报率、长期资本收益率、营业毛利率），经营能力（应收账款周转率、存货周转率、流动资产周转率、固定资产周转率），现金流量