时间序列远期财务预警模型与实证研究.docVIP

时间序列远期财务危机预警模型与实证研究 摘要： 本研究引入时间序列预测财务数据，并结合前几年的数据建立立体数据匣子，运用因子分析和马氏距离判别法建立上市公司远期财务危机预警模型。本文从沪深A股中选出51家被特别处理（ST和*ST）上市公司和51家与其相配比的上市公司作为研究样本，选用年的财务数据进行因子分析，选取信息含量达90%以上的8个因子建立线性马氏距离判别模型。回判总体准确率为90.2%。本文随机选取A股非样本的25家ST公司和25家非ST 公司作检验，总体判别准确率为88％。 关键词：财务危机 时间序列 预测 立体数据 因子分析 马氏距离判别 财务危机是指企业由于营销、决策或不可抗拒之因素的影响而使经营循环和财务循环无法正常持续或陷于停滞的状态，具体表现包括持续性亏损、无偿付能力、违约和破产。财务危机将给投资者、债权人以及银行等金融机构带来风险，他们需要在投资决策时就能得到警示。因此，建立远期财务危机预警模型具有十分重要的意义。 一、文献回顾 Fitzatrick（1932）最早对财务困境预测作单变量研究，指出净利润/股东权益和股东权益/负债两个比率的判别能力最高。Beaver(1966)年对破产预测问题有了新的研究成果，提出营运资本流/负债和净利润/总资产的判别准确率最高，同时他还发现用越临近破产日的财务数据进行预测，判别准确率越高。在Beaver之后，研究进入了多变量分析阶段，Altman（1968）构建了一个在公司破产前一年的多元判别模型——Z分数模型，其五个变量分别为（期末流动资产－期末流动负债）/期末总资产，期末留存收益/期末总资产，息税前利润/期末总资产，期末股东资产的市场价值/期末总负债，本期销售收入/总资产，其模型对估计样本破产前一年的判别准确率为93.9％。Ohlson（1980）采用了Logistic回归分析。他认为公司规模、资本结构、业绩和当前的变现能力是影响公司破产的显著变量。在20世纪80年代末，该领域出现了一些新的研究方法——神经网络（Neutual Network，即NN法）和基于达尔文进化论的遗传算法（Genetic Algorithms，即GA法）。Coats和Fant（1991）用NN方法对47家财务危机公司和47家配比的财务正常公司进行判别研究，得到了91％的判别准确率， Back等人（1997）运用GA作了相关研究。 1994年后，我国才有人陆续地以上市公司的财务数据为基础研究公司财务危机预警问题。比较有名的研究成果有陈静（1990）、陈晓和陈治鸿（2000）、徐国祥（2000）、吴世农和卢贤义（2001）、李华中（2001）、姜秀华等（2002）、卢宇林（2002）。在新近的一些研究中，广发证券（2003）用Fish’s线性判别模型得出了71.9％的判别准确率，用logistic回归模型得出的判别准确率为67.9％，用时序立体数据为基础的logistic回归模型判别准确率为71.3％。杨保安等（2001）采用三层BP神经网络对财务预警进行了探索。 远期财务危机预警模型的建立 以往国外在财务预警研究中都忽视了财务数据的时间序列特征及其预测作用，仅从截面上建立判别模型，并且预测期短，通常只有一年 Altman,“Financial Ratios, Discriminant Analysis, and The Prediction of Corporate Bankruptcy”, Journal of Financial,Sep.1968。在我国的研究中，由于我国没有破产制度，违约又很难界定，研究大多根据财务危机的定义（持续性亏损、无偿付能力、违约和破产）和中国证券监督管理委员会于1998年3月16日颁布的证券交字【1998】六号文件《关于上市公司状况异常期间的股票特别处理方式的通知》的要求（证券交易所要对“状况异常”的上市公司实行股票交易的特别处理（Special Treatment，简称ST），其中所指的“状况异常”，包括“财务状况异常”和“其他状况异常”。前者指“连续两年亏损”或“每股净资产低于股票面值”，后者主要指自然灾害、重大事故等导致公司生产经营活动基本终止、公司涉及可能赔偿金额超过本公司净资产的诉讼等情况。）选取因“ Altman,“Financial Ratios, Discriminant Analysis, and The Prediction of Corporate Bankruptcy”, Journal of Financial,Sep.1968 刘旻，2001年，“上市公司财务状况异常的预警分析”，资本经营。 我国上市公司当年的财务报告是在次年1-3月公布，被特别处理一般在次年的4月份，也就是，ST和*ST公司在第年被实行特别处理，说明公