基于数据挖掘的制造业上市公司财务风险预警模型研究.pdfVIP

摘要

受益于中国经济的快速发展，证券市场也得到前所未有的壮大，上市公司在

我国经济中的地位也越发重要。但在证券市场保持快速发展下也存在着许多财

务问题，同时随着国际贸易的激烈竞争、全球市场不断变化，以及受到疫情对全

球经济的负面影响，使得企业的财务危机以及相应的预警问题也得到各方面更

为广泛的关注。而制造业作为经济的支柱产业是市场的基础对市场发展有深远

的影响，同时制造业也是上市公司的重要构成，因此制造业的财务危机预警重要

性尤为凸显。企业的危机预测在上个世纪已经产生，为投资者、管理者提供了重

要的参考，其方式从最初的单变量模型、多变量模型，在结合相应规律以及研究

成果以后发展为统计模型，同时近期兴起的机器学习、深度学习及其他数据挖掘

技术也慢慢应用到企业危机问题。上市公司的预警需要选择更加科学合理的指

标，以及性能更为优越的预警模型。但在预警体系构建中也存在着样本如何选择、

数据指标如何筛选以及样本不均衡的问题，这就需要保证数据的科学性以及数

据和模型的“统一性”，数据可以更好的服务于模型，模型对于数据中内在信息

更为敏感。通过更为广泛的数据研究，为市场提供一个强抗噪、少干扰、高性能

的预警模型具有重要的研究意义。

本文在综合国外学者对于企业预警的研究，以及国内学者对本国企业预警

贡献的基础上对比不同模型在财务预警的效果，引入注意力机制优化卷积神经

网络模型。由于2014年前后会计准则发生了变化，为保证所有样本T-3、T-2年

也保证相同的会计准则，因此样本选取为2017年-2021年间所有第一次被标记

为ST或*ST的公司作为财务危机公司，并在被标记年份按照1:3的比例在同年

份随机选择正常公司进行配对作为研究样本。对于财务指标按照CSMAR数据库

的分类方式从流动比率、偿债能力、发展能力、风险水平、经营能力、每股指标、

现金流分析、盈利能力等八个方面选取指标，由于单纯的财务数据无法完整体现

企业经营状况，因此将非财务指标也作为一个指标来源。并对全部ST与非ST样

本的T-2、T-3年的74个指标进行K-S检验、W-MU检验、T检验筛选出跟更能

反映企业状况的指标来构建模型。根据所选研究样本，利用T-2年以及T-3年筛

选出的指标构建经典的Logistic模型作为基准模型作为对比，也构建XGB、RF

集成学习模型进行探究，对于深度学习模型选择经典的BP神经网络、一维卷积

神经网络以及二维卷积神经网络，同时在各卷积网络都引入注意力机制对模型

进行优化。其中一维卷积神经网络可以直接将指标变成一维向量输入，而对于二

维卷积需要二维的数据输入本文将原始数据转化为最为接近正方形的二维矩阵

输入模型，对于不足的指标个数进行补0操作。实验结果表明，基于集成学习、

深度学习的模型在T-3年明显优于传统Logistic模型，而对于T-2年的预测集

成学习与深度学习的优势并不如T-3年那样明显，并且传统的BP神经网络稍劣

于Logistic模型性能。

根据研究结果可以发现，传统的Logistic模型在企业财务危机早期的预测

效果较差，在临近财务危机的年份相较集成学习、深度学习差距有所减小。

Boosting集成的XGB模型性能优于Bagging集成的随机森林模型，卷积神经网

络相较传统BP神经网络有较大的提升，在加入注意力机制以后性能可以超越其

他模型，在本文中获得最为突出的判别效果。在企业的风险判别中使用带有卷积

核的神经网络有很大的发挥空间，通过长方形卷积核对财务指标特征抽象处理、

以及池化等操作可以提取更为有效的指标特征，加入注意力机制可以加强模型

对不同指标感知从而较少主观因素对结果的影响。

关键词：财务预警；过采样；集成学习；卷积神经网络；深度学习

ABSTRACT

HePengju

AppliedStatistics

DirectedbyChanghaoXie

BenefitingfromtherapiddevelopmentofChinaseconomy,thesecuritiesmarket

hasalsogrownunpre