《财务大数据分析》9项目九企业财务困境预警 教学课件.pptxVIP

项目九企业财务困境预警;【项目引例】

1980年Olson(奥尔森）第一个将逻辑回归方法引入财务危机预警领域，他选择了1970～1976年间破产的105家公司和2058家非破产公司组成的配对样本，分析了样本公司在破产概率区间上的分布以及两类错误和分割点之间的关系，发现公司规模、资本结构、业绩和当前的融资能力进行财务危机的预测准确率达到96.12%。

逻辑回归被引入财务风险预测研究之后，财务危机预测即简化为已知一家公司具有某些财务特征，而计算其在一段时间内陷入财务危机的概率问题。如果算出的概率大于设定的分割点，则判定该公司将陷入财务风险。

任务目标：

请根据2003年1月1日至2019年12月31日期间被ST（含*ST）的股票具有的财务指标特征，对2020第二季度季报无缺失值的股票进行财务困境预测，看看哪些股票有被ST的可行性。;4;财务困境又称财务危机，通常是指公司现金流量不足以补偿现有债务的状况，企业陷入财务困境并不存在一个明确的分界点。国内外专家学者对财务困境有不同的判断标准。我们可以根据沪深两市的上市规则，对被特别处理的（SpecialTreatment，简称ST）的企业，称之为财务困境。

随着我国资本市场的快速发展，一些上市公司由于各种原因陷入财务困境。上市公司陷入财务困境对公司的投资者、债权人、内部员工及其他相关利益者都会产生不同程度的影响，甚至可能会影响到经济和社会的稳定。

;二、企业财务困境产生的原因;三、企业财务困境的表现形式;四、逻辑回归;五、财务预警;4;我们通过爬虫技术在证券交易所爬取到相关数据信息之后，对收集到的数据进行数据预处理。我们的ST样本数据是2003年1月1日至2019年12月31日（17年）期间沪深两市A股568家被“ST”或“*ST”的上市公司。

确定了样本数据之后，我们需要确定相关的财务指标数据作为我们的待选变量，用以决定使用哪些数据指标来预测公司被“ST”或“*ST”的可能性。

在2003年1月1日至2019年12月31日期间，结合本案例，我们选择能够综合反映上市公司的偿债能力、盈利能力、营运能力、成长能力方面的变量因素，结合上市公司第一大股东持股比例及公??规模等因素，作为模型中的待选变量。;合理的财务指标选取是构建一个成熟的财务预警模型的关键。获取有效的变量共计22个，明细展示如下表：;业务实例;2.单击左侧任务栏【操作步骤】，按照左侧代码提示，将代码复制粘贴到右侧的代码编辑窗口，单击【运行】。;3.查看【数据结果】,数据保存在【公司上市名单.csv】文件夹中，可点击下载后查看。;【业务实例9-2】将2003年1月1日至2019年12月31日期间内，所有被ST的企业每个指标表进行整理，构造6张完整季度的统计表（17年，每年四个季度）

操作流程：

1.单击【企业财务困境预测】–【数据预处理】–【财务数据完整时间构造.py】，进入代码编辑模式。

;2.单击左侧任务栏【操作步骤】，按照左侧代码提示，将代码复制粘贴到右侧的代码编辑窗口，单击【运行】。

;3.运行结果在【数据结果】-【根据上市时间统计完整期间数据表.csv】文件夹中，如下图所示，可点击下载后查看。

;【业务实例9-3】在数据收集时，一些变量（四大能力指标、公司规模指标、股权结构指标）存在季度缺失值数据，我们需要分别对6张表季度数据表进行数据清洗，将缺失的数据进行补充。考虑到所采用的数据是季度数据，因此选用上下相邻的季度数据均值来填补缺失值。

操作流程：1.单击【企业财务困境预测】–【数据预处理】–【财务数据缺失值填充.py】，进入代码编辑模式。

;2.单击左侧任务栏【操作步骤】，按照左侧代码提示，将代码复制粘贴到右侧的代码编辑窗口，单击【运行】。;3.运行结果在【数据结果】-【填补变量中的缺失值】文件夹中，如下图所示，可点击下载后查看。

;

;4;一、企业财务困境预测建模思路;2.数据获取

按照需求收集所需数据，一般可以使用爬虫技术从互联网上爬取数据，或利用其他大数据技术，例如文本挖掘技术，从上市公司对外发布的财务报告或公告中获取所需数据；也可以从一些商业数据库下载数据。

我们需要获取以下数据：建模所需数据及模型预测数据集，这些数据包括ST股票与非ST股票的股票代码及待选变量（如财务指标）等。

3.数据预处理

由于数据信息源来自不同网站，数据格式不统一，所以我们不能使用这些数据，在建立算法模型之前，我们需要对获取的数据进行预处理。

数据预处理包含数据清洗，数据集成，数据转换，数据归约等方法。这些数据处理技术在数据挖掘和数据分析之前使用，大大提高了数据挖掘模型的质量，降低实际挖掘和分析所需要的时间。;4.模型