基于熵權法的神經(jīng)網(wǎng)絡模型與logistic回歸的財務預警模型比較與分析.pdf

1、中國經(jīng)濟體在2015年經(jīng)歷了爬坡上坎的一年。上半年的中國股市狂飆進入瘋牛時期，下半年證監(jiān)會強力去杠桿之后虛高的資產泡沫被戳破，千股跌停，IPO被暫停。有史以來的第一次強制杠桿調整，導致了大量資產的蒸發(fā)，緊接出現(xiàn)人民幣貶值熱錢外流，這些都使得整個經(jīng)濟體系付出了巨大的代價。在如此起伏不定的經(jīng)濟形勢下，2015年以來上市公司被特殊處理與特殊轉讓的狀況呈現(xiàn)井噴之勢，已達到110例之多。
　　而在2015年11月19日召開的常務會議中，股票

2、發(fā)行的持續(xù)盈利條件被取消，股票上市跨入注冊制的門檻。施行注冊制調低了小微創(chuàng)新企業(yè)的上市門檻，降低了對凈利潤的嚴格要求。同時，我國也迎來了股票期權的時代。在上市企業(yè)中，向管理階層發(fā)放期權，是減少代理成本的有效措施。這些都將對上市公司的財務危機預測造成影響。在經(jīng)濟疲軟且未來經(jīng)濟形式不明朗的當下，如何抓住機遇，規(guī)避轉讓上市公司的風險，預防財務危機，平穩(wěn)有序的發(fā)展經(jīng)濟是我們現(xiàn)在以及未來都需要面對的一個話題。
　　作為國民經(jīng)濟重要組成部分，

3、面對不可阻擋的經(jīng)濟下行趨勢，制造產業(yè)也面臨人口紅利消失，勞動密集所帶來的利潤被不斷壓縮的危機，轉型已經(jīng)迫在眉睫。因此，當下制造業(yè)上市公司不僅需要預測及調節(jié)發(fā)展態(tài)勢，防范其陷入財務困境也是制造業(yè)產業(yè)變革所必須打下的基礎。
　　而我國金融市場逐漸成熟，股市主力軍依然是中小股民，他們倚靠自己的分析能力解析上市公司的公開信息。但由于財務危機爆發(fā)的突發(fā)性，使用簡單的指標分析難以捕捉危機的出現(xiàn)。因而，對于財務危機的預測變得更有存在的意義。

4、r>　　近年來，對于預警模型的數(shù)學方法集成的研究從未停止過。比如李曉峰(2004)提出的粗糙集與神經(jīng)網(wǎng)絡結合的RST-BPNN模型，岑涌(2008)等利用遺傳算法優(yōu)化的GA-SVM模型，以及彭靜等(2008)提出的PSO-SVM模型。PSO-SM模型將PSO粒子群算法運用到核函數(shù)優(yōu)化中，驗證了新模型的預測性能。本文擬基于前人的研究，將信息熵運用到指標篩選中來，與人工神經(jīng)網(wǎng)絡模型相結合，再與傳統(tǒng)統(tǒng)計模型相比較。并基于財務會計的某些分析角度

5、，將一些新指標運到預警模型體系中去，為預警指標集合的科學性與完備性做出一些貢獻。
　　本文首先通過對財務危機預警的以往文獻的模型和指標進行研究。總結國內外對財務危機的定義，并給出本文對財務危機概念的定義。同時，多角度分析現(xiàn)有財務危機預警模型:從單變量模型、多變量模型的角度，從定量分析模型、定性分析模型的角度分別闡述，并描述其優(yōu)缺點，為后文的模型選擇提供理論依據(jù)。
　　在對相關文獻進行綜述之后，本文闡述了與財務危機預警相關的理

6、論基礎，包括經(jīng)濟周期與經(jīng)濟預警理論、代理成本理論、內部控制理論、財務分析理論以及會計信息失真的理論。
　　在此之后，本文開始對后續(xù)模型所需的一切指標、樣本等進行設計。首先，對本文的實證研究內容作出假設，其中包含對新模型準確度的假設、財務危機漸進性的假設以及對于本文擴建新指標的假設。關于樣本，僅選取由于財務問題而由財務正常變?yōu)镾T以及由財務正常變?yōu)?ST的上市公司作為財務危機企業(yè)備選樣本;考慮到2007年1月1日國內上市公司開始實行

7、新的通用會計準則和2015年發(fā)生的股災，樣本的研究時間段為2007年初至2014年末;針對危機樣本公司按照1∶1的比例選取同行業(yè)同規(guī)模的企業(yè)。將被ST或*ST的時刻定義為T時刻，本文主要研究T-2、T-1時刻的數(shù)據(jù)，欲以T-1和T-2時刻的數(shù)據(jù)分別篩選指標、構建模型，再使用預測樣本數(shù)據(jù)對模型進行檢驗，并且用以建模和預測的樣本比例為2∶1。對指標的選取服從全面、敏感、可度量的原則，從償債、盈利、經(jīng)營、風險、發(fā)展、股權結構、現(xiàn)金流量的角度分

8、t-1、t-2時刻進行顯著性檢驗，通過檢驗的指標成為后文模型的初始指標集。
　　最后，運用SPSS軟件對初始指標集進行降維分析，通過因子分析之后建立logistic模型;再利用MATLAB軟件，根據(jù)熵權法對第四章中的初始指標集進行了篩選，保留累計熵權為0.99之前的所有指標，并運用clemintine構建神經(jīng)網(wǎng)絡模型，并通過添加新的預警指標（財務狀況指標與利潤分析指標），驗證了新指標對于神經(jīng)網(wǎng)絡模型的精度提升作用。前文對實證研究內

9、容的假設都得到了驗證。
　　實證結果表明logistic模型不論在哪個階段，對于構建和預測的準確度，都不如神經(jīng)網(wǎng)絡高。原因可能在于神經(jīng)網(wǎng)絡能相對完整的保留指標相互作用而造成的影響，同時使用熵權法篩選指標是單獨考慮指標的變異程度能夠提供的信息，不因多重共線性而過濾重要的數(shù)據(jù)。而傳統(tǒng)模型由于數(shù)據(jù)分布限制和分析條件限制，在使用相關性分析篩選指標時就可能漏掉一些重要指標。并且神經(jīng)網(wǎng)絡的自適應性和推理能力也能提高預測的精度。對于財務危機發(fā)生

10、的前兩年T-2時刻，盈利能力指標均未入選預警指標，這代表至少在財務危機發(fā)生的往前兩年，盈利指標不論是經(jīng)過利潤操縱或是真實數(shù)據(jù)，均未與正常公司區(qū)別開來。這也證明了財務危機的暴露是漸進的。
　　同時我們也可以看到在對指標進行擴充之后，財務狀況指標的添加使得模型預測準確有所提高，而利潤操縱指標則使得模型準確度明顯上升。縱向對比模型可以發(fā)現(xiàn):t-2時刻的所有模型的預測準確度都低于相應的t-1時刻的模型。這其中有指標滯后作用的影響，也有財務

11、危機分階段漸進式爆發(fā)的原因。
　　經(jīng)過實證分析，我們應該有一些清晰的認知:針對每個行業(yè)，預警指標都應該有針對性的偏移。例如本文研究的樣本為制造業(yè)，作為負債常年處于較高狀態(tài)的行業(yè)，其償債能力就是需要提起重視的研究視角。財務危機是由綜合性的風險造成的，在風險質變成為危機之前，各個類別的風險并不是同時段全面發(fā)生的，比如文中t-2時刻的盈利能力指標在所有模型中都是正常狀態(tài)。但這并不意味著我們就不需要對這一部分風險提高警覺。因此，制定科學全

12、面的風險防范措施是預防財務危機爆發(fā)所必須的。
　　本文的研究采用了多種研究方法。具體來說，在確定初始指標集之前使用峰度和偏度來判定是否服從正態(tài)分布，由于指標數(shù)據(jù)均不服從正態(tài)分布，于是采用秩和檢驗進行均值差異分析。在logistic模型中，采用了Spearman秩相關分析，效度檢驗則采用KMO和Bartlett's Test，使用因子分析法進行指標降維處理。在基于熵權法的神經(jīng)網(wǎng)絡模型中，首先使用MATLAB計算指標的熵值，通過排序來

13、刪除變異程度不高的指標，再利用clemintine快速構建神經(jīng)網(wǎng)絡模型。
　　本文的創(chuàng)新點主要有以下兩個方面:
　　①新指標的引入。其一為財務狀況（綜合）指標，它是把幾個重點指標糅合為一個指標，保留了指標的內部作用力。其二是利潤操縱指標，體現(xiàn)了財務會計信息被操縱的程度，被引入之后對模型預測準確率的提升有很大的影響。
　?、诒疚膶㈧貦喾ㄅc神經(jīng)網(wǎng)絡模型相結合運用于制造業(yè)上市公司的研究。對通過了均值差異檢驗的指標計算熵值，對

14、指標的熵權進行排序來篩選重要的指標。將此種集成的方法用于研究制造業(yè)上市公司的財務危機預警模型并進行詳細論述，是本文的創(chuàng)新點之一。
　　在最后的結論部分，對財務預警模型的未來進行了展望并總結了不足（包括本文的指標選取只是針對制造業(yè)，指標在其他行業(yè)的運用中還存在局限性等）。指出未來可以從指標的擴充著手進一步的研究，包括本文囿于各種原因未能加入新模型進行分析的β與股價偏離度，還有傳統(tǒng)分析中的行業(yè)、地區(qū)相關指標;同時，本文并未采用Cox生