基于gm1,1和神经网络的动态财务预警模型.docxVIP

基于gm1,1和神经网络的动态财务预警模型 0 财务危机动态预警模型建立 随着我国经济的快速发展，传统的持续经营假设的财务理论并不满足实际情况，其未来的企业发展趋势日益模糊，企业财务状况也越来越受主要企业的影响。因此，公司应根据财务预警为适当的发展战略进行评估。与国外的财务预警理论研究相比较, 国内财务预警理论还存在明显不足。目前国内财务预警模型主要有多元线性预警模型、Fisher判别预警模型、贝叶斯判别、交互验证、逐步判别分析和Logistic判别模型等。这些模型基本上是以多元分析为主, 分析方法过于依赖数理统计理论, 对数据要求严格, 实证分析中其假设条件不易满足, 加上现有模型对相关财务指标的发展趋势考虑不多, 因而模型的应用范围与预警能力有限, 很难实现财务危机的动态预警。事实上, 当某些财务指标出现异常时, 企业财务往往就出现了问题。这些指标异常看似突变, 实则在累积变化, 存在一定的内在发展规律, 如果仅仅利用财务危机发生时间点前的数据去估计未来财务危机状况是既不完全合理也不太符合逻辑。这就需要尝试构建一种能够合理预测财务状况指标数据的未来发展趋势, 更好的把握财务危机状况的发生, 从而实现财务危机动态预警的模型。为此本文在独立样本T检验和相关性检验的基础上, 选择了每股净资产、每股收益、每股现金含量以及流动比率四种财务预警指标, 利用灰色模型通过已知财务预警指标数据对未来异常值进行预测以确定未来待评价指标体系, 通过训练好的BP神经网络对预测指标数据建模并获得最终预警结果, 从而建立了基于灰色理论和神经网络的企业财务预警模型。实证分析结果显示该模型能够对企业潜在的财务危机进行有效地动态预警预报。 1 财务危机的定义、样本和指标的选择 1.1 财务危机界定标准 如何合理的界定财务危机是财务预警的关键之一。目前的财务预警研究大都是根据实际研究项目的相关情况, 合理的选择财务危机界定标准。由于本文所选研究对象是国内的上市公司, 并且为了便于合理判断公司的财务状况, 本文以是否被进行特别处理 (ST) 作为这些上市公司财务危机界定的标准。 1.2 模型预测变量的筛选 从目前的研究来看, 预警变量的选择尚未形成统一的指标体系, 不同学者根据其研究项目的不同, 选择代表性强的变量作为其预警模型的指标。本文根据相关研究初步选取了经营效率、偿债能力、现金流量、资产与资金结构、赢利能力、成长能力共六个方面包括19个财务比率指标。 针对以上初步选取的19个预警变量指标, 本文运用独立样本T检验筛选出对企业财务危机具有明显预警作用的财务指标, 即选择出非特别处理 (非ST) 与特别处理 (ST) 上市公司之间具有显著均值差异的变量。同时本文考虑到各变量指标之间的相关性对财务预警模型判断准确性的影响, 本文对独立样本T检验筛选的变量指标进行相关性检验。相关性检验以0.7作为各变量指标间多重共线性评估的标准, 去掉具有高度共线的变量指标, 从而简化模型, 增强建模的可操作性, 提高模型的预警效率。综合各种分析, 本文最终选取每股净资产、每股收益、每股现金含量以及流动比率作为预警模型采用指标。 1.3 财务状况指标 为了合理验证本文所建立的财务预警模型的有效性和科学性, 本文采用了国内非ST上市公司和ST上市公司作为研究样本。样本数据包含各种财务状况指标。研究样本分为两大部分, 分别为建模样本和预警样本。其中建模样本用于构建预警模型, 主要在于训练BP神经网络模型, 进而建立模型的预警能力;预警样本则用于考察建立的预警模型的预警能力, 以验证其合理性。为了满足实际样本在质量上和数量上的合理配比, 本文在考虑不同行业间可能存在财务状况影响因素差异的基础上, 按1:1的比例选取非ST上市公司和ST上市公司样本。 2 基于灰色理论和神经网络金融报警模型 2.1 函数变换方法 为了实现财务危机的动态预警, 本文利用灰色模型预测财务预警指标数据发展趋势。GM (1, 1) 模型作为一种指数曲线型模型, 建模精度较高, 所需数据较少, 已经在许多领域得到了广泛应用。为了提高其预测精度, 本文利用函数变换处理原始数据, 目前函数变换方法较多, 包括指数函数变换、对数函数变换、幂函数变换、三角函数变换以及组合函数变换等。实际上函数变换方法是否有效主要在于其是否适合于建模数据序列, 这些变换一般只能对某一类数据提高拟合和预测精度, 或者说一般不存在通用的数据变换方法。本文根据样本数据建模比较研究, 发现基于指数函数变换的GM (1, 1) 模型预测效果最好, 并且由于财务预警指标数据可以为负, 指数函数变换可以将负值转变为正值。因此本文利用基于指数函数变换的GM (1, 1) 模型对财务数据进行趋势预测。其建模机理如下:y(0)为GM (1, 1) 模型的