我國上市公司資產(chǎn)重組績效預(yù)測方法的實證研究.pdf

1、隨著我國證券市場的發(fā)展，上市公司面臨財務(wù)狀況異?；蚱渌惓Ｇ闆r，資產(chǎn)重組便成為許多上市公司進(jìn)行改善績效的重要方法之一，它將作為證券市場里最能體現(xiàn)市場效率、最具創(chuàng)新活力的一環(huán)在我國上市公司中不斷上演。究其原因，主要是由于資產(chǎn)重組可以幫助ST公司調(diào)整產(chǎn)業(yè)結(jié)構(gòu)、優(yōu)化資源配置、改善企業(yè)經(jīng)營結(jié)構(gòu)，提高資產(chǎn)營運績效，從而實現(xiàn)成功摘帽。而資產(chǎn)重組績效預(yù)測則是作為對ST公司在重組前進(jìn)行判斷其能否成功摘帽的一種方式，在公司的經(jīng)營管理中扮演著舉足輕重的角色

2、。因此，如何對ST公司進(jìn)行資產(chǎn)重組績效預(yù)測以及如何提高其預(yù)測準(zhǔn)確率是刻不容緩的。
　　本文以上市公司資產(chǎn)重組作為研究對象，由于收集的數(shù)據(jù)集顯示重組成功的企業(yè)與重組失敗的企業(yè)的數(shù)目存在較大的非平衡性，雖然這是符合客觀實際，但是相對傳統(tǒng)的機(jī)器學(xué)習(xí)算法來說，通常會產(chǎn)生偏向多數(shù)類的結(jié)果，因而對于具有重要作用的少數(shù)類而言，預(yù)測的效果會相對較差。為了提高準(zhǔn)確率，本文對收集的數(shù)據(jù)進(jìn)行了平衡性處理。之后，利用單一預(yù)測模型來判斷企業(yè)資產(chǎn)重組是否取得

3、好的效果，并且選用十種方法進(jìn)行性能比較，其中包括logit、probit、SVM、MDA、CBR、BaggingLOGIT、BaggingSVM、BaggingPROBIT、BaggingCBR和BaggingMDA。結(jié)果顯示:SVM和CBR模型對上市公司資產(chǎn)重組績效的判斷準(zhǔn)確率要優(yōu)于其它八種預(yù)測模型，也就是說這些模型可以判斷出80％以上的ST公司能否在資產(chǎn)重組后1年恢復(fù)上級狀態(tài)。通過此次研究，我們可以為ST公司能否通過資產(chǎn)重組來改善企

4、業(yè)績效提供一定的理論依據(jù)。
　　其次，為了提高我國上市公司資產(chǎn)重組績效預(yù)測的準(zhǔn)確性，本文在單一預(yù)測模型的基礎(chǔ)上對預(yù)測模型進(jìn)行了改進(jìn)，采用不同與前人對資產(chǎn)重組績效研究的方法，應(yīng)用聚類混合分類器與單一預(yù)測模型以及聚類融合分類器與單一預(yù)測模型相結(jié)合，建立了十種新的預(yù)測模型，即CLOGIT、CPROBIT、CMDA、 CSVM、CCBR、BaggingCLOGIT、BaggingCPROBIT、BaggingCMDA、BaggingCSV

5、M和BaggingCCBR對資產(chǎn)重組績效進(jìn)行預(yù)測并且對這十種模型進(jìn)行性能的比較。結(jié)果顯示:聚類融合算法與聚類算法建立的模型無論是在準(zhǔn)確率還是在真正率和真負(fù)率方面都有積極的表現(xiàn)。其中，在準(zhǔn)確率和真負(fù)率方面，通過聚類混合建立的模型的預(yù)測均值要高于聚類融合分類方法建立的模型;而對于真正率，聚類融合分類得到的均值要優(yōu)于聚類混合方法建立的模型。
　　再次，為了對以上建立的二十種模型進(jìn)行驗證，本文另外收集了2011-2012年的ST公司作為新

6、樣本集進(jìn)行分析，檢驗對上市公司資產(chǎn)重組績效預(yù)測研究的重要性以及本文所用各個資產(chǎn)重組預(yù)測模型的實用價值。實驗結(jié)果表明傳統(tǒng)統(tǒng)計模型的預(yù)測結(jié)果次于人工智能方法建立的模型。其中，支持向量機(jī)及其集成、聚類形成的模型的預(yù)測結(jié)果在非平衡數(shù)據(jù)還是平衡數(shù)據(jù)中均相對穩(wěn)定且效果較好，而案例推理及其集成、聚類形成的模型的預(yù)測結(jié)果在非平衡數(shù)據(jù)中相對較好。
　　最后，本文對其研究進(jìn)行總結(jié)，并指出了相關(guān)的管理啟示，在實際應(yīng)用中具有重要的作用，并為企業(yè)管理者進(jìn)行