基于随机森林算法的医药制造业上市公司财务风险研究.docVIP

PAGE PAGE 22 绪论 1.1 选题背景和意义 1.1.1 选题背景 在我国资本市场和市场经济快速发展的过程中，伴随而来的是上市公司之间愈演愈烈的竞争。面对日趋激烈的竞争压力，许多上市公司在发展过程中往往急于扩大规模。比如许多的医药上市公司，在国家对药品质量要求越来越严格的同时也在大力鼓励医药行业的发展，加强市场集中度。这就引发了药企的并购热潮，连续并购成了一些大型医药企业的选择，比如上海医药，在一年间就发起了连续十多起的并购；三胞集团以8.19亿收购了美国医药界“谷歌”丹德里昂；复星医药斥巨资以10.9亿收购印度药企Gland phrama。但在企业规模快速扩张的同时，与收益相伴相随的潜在的财务风险也可能不断扩大。例如新华医疗在频繁的并购下财务风险更是急速扩大。从2016年开始产生财务危机，净利润开始断崖式大幅下跌，2017年也不断下滑，就是一个典型的反面案例。不断变化的市场、压力极大的竞争、不确定的政策都有可能阻碍企业的发展。 因此近年来，预防和控制公司的财务风险，受到公司的各个利益相关者普遍的关注，提出了对公司财务风险的预测要做到既准确又及时的要求。对于财务风险的预测，从二十世纪三十年代就有学者开始展开了研究。最早是通过单变量模型来对财务风险进行预测。随着更多的学者们加入到对财务风险研究，越来越多的方法也被运用于财务风险的识别预警中。逻辑回归模型、支持向量机模型、神经网络预警模型、随机森林预警模型、主成分分析法、因子分析法、功效系数模型和风险坐标图法等方法在预警模型的构建中各有利弊。 1.1.2 选题意义 医药制造业作为典型的高投资、高收益、高风险的行业，财务风险管理与内部控制作为企业财务管理的重要部分，是医药制造业健康稳定发展的基础。因此医药制造上市公司必须充分认识行业的特点，在既是机遇又是挑战的情况下，利用定性分析、定量分析、建立预警模型等方式来识别、防范和控制财务风险，调整自身的战略，建立约束机制，从而谋求更加长远的发展。 有效的财务风险预警模型能帮助企业提早识别和控制风险；也能够帮助投资者发现具有成长力的公司，合理制定投资计划，保护投资者利益；预警模型的构建也有利于监管层识别企业风险，提早对企业进行一定控制，从而也能够维护金融市场的稳定。 1.2 研究内容与方法 1.2.1 研究内容 本文第一部分阐述了选题的背景和意义，介绍了研究的内容和方法。 第二部分基于国内外的研究文献展开综述，介绍了国内外用于财务预警的各种方法，并对主要的几个模型特点进行总结评述。 第三部分从宏观环境和政策、医药行业背景和企业内部原因三个方面对影响财务风险的因素进行影响机制的分析。 第四部分主要介绍随机森林算法相关内容，然后结合财务风险的特点，梳理财务指标，构建比较全面且合适的指标体系。 第五部分对选取用以实证的数据来源进行说明。再对数据进行预处理，删除异常值、无用的数据。然后构建随机森林预警模型，再将测试集代入训练好的预警模型中，计算出模型的预测精度。 第六部分对全文进行总结，提出完善财务预警内控机制的展望。 1.2.2 研究方法 本文将理论分析与实证方法相结合。理论分析探究影响财务风险的各因素的影响机制，梳理出一套完整且适用的财务指标体系。实证分析借助R语言软件，利用医药制造业实际数据训练随机森林财务预警模型，并对模型进行测试检验。 国内外的研究动态 2.1 国外财务风险研究综述 国外资本市场的发达使得学术界很早就开始了对财务风险的研究，众多学者提出了各种分析方法，构建了不同的预警模型。 2.1.1 单变量判别分析法 单变量判别分析是基于某个特定指标，为这个指标设置一个区间，一旦指标数值不在合理区间范围内，则企业可能面临着财务风险。如Fitzpatrick（1932）[3]通过对 19 家公司财务数据进行研究，发现产权比率和股东权益净利率可以较有效的判别企业是否存在财务风险。Beaver（1996）[2]通过对79家公司财务数据进行研究，发现债务保障率指标对财务风险的判别效果最好。两位学者分别通过产权比率、股东权益净利率和债务保障率指标来判别企业是否存在财务风险。 2.1.2 多变量判别分析法 多变量判别分析法并不单单基于某个特定的变量，而是组合了多个变量来对结果进行判断。主要包括的方法有构建多元判别、Logistic、人工神经网络等模型。 多元判别模型基于多变量的统计方法构建模型，Altman（1968）[1]通过观察和分析美国破产和非破产企业的数据，选取出了五个财务指标。并且对每个财务指标基于相应的权重，构建出首个多变量模型即Z-Score模型，可用于对企业营运状况、是否破产进行判别。 Logistic模型回归又称逻辑回归模型，模型中包含ax+b的形式。逻辑回归模型的因变量是二分类的也可以是多分类的。以企业