具有新型預測能力的財務困境模型研究——Logit模型的加權極大似然法.pdf

1、財務困境預警一直都是投資和財務管理領域的一個重要的研究方向，因為一個公司是否陷入財務困境狀態(tài)不僅是公司本身對未來的預期與戰(zhàn)略制定的決定因素之一，而且該公司的投資者和債權人的利益是否能夠取得及取得的多寡都與之息息相關。 企業(yè)從財務狀況正常到財務困境的發(fā)生，可能是突發(fā)性的債務危機，也可能是逐漸的財務狀況惡化所引起的。實踐中，通常大多數(shù)企業(yè)陷入財務困境都是由財務狀況從正常到逐步惡化再至財務困境或破產(chǎn)這樣一個漸進的過程。因此，一般而言，

2、企業(yè)的財務困境不但具有先兆，而且是可預測的。在美國和英國等國家有眾多的提供財務困境預測或破產(chǎn)預測服務的機構，如英國的Data stream公司、美國第一銀行信托分部和Performance AnalysisServices公司，而且Alterman在1977年發(fā)展的ZETA評分模型曾被作為商品出售一事也說明了在國外研究財務困境預警具有現(xiàn)實意義。 我國從1998年證券市場引入ST制度以來，各種財務預警的方法層出不窮，雖有少部分是定

3、性分析的，但大多數(shù)都是定量的建模分析。 在定量的建模分析方法中，根據(jù)對被解釋變量的設定，大致能夠分為兩種做法：第一種做法是假設訓練集的被解釋變量與檢驗集的被解釋變量年份相同，也即若要預測2009年公司是否為ST，就用2009年公司是否為ST的數(shù)據(jù)訓練模型。第二種做法則把訓練集和檢驗集的被解釋變量年份錯開，避免了第一種的錯誤。但目前第二種做法大多是用訓練集訓練后的模型直接套用下一年份財務數(shù)據(jù)來預測下一年份的公司分類，這樣做的前提是

4、模型在時間上必須是穩(wěn)定或不變的。要證明模型的這種時不變性比較困難，因此本文在分析了Logit模型的極大似然法之后，從另一個角度考慮引入包含時間因素的信息，務求信息的利用更全面。 本文的第1章導論首先介紹了研究的背景，然后根據(jù)以上思考的結果分別討論了本文研究的理論意義和現(xiàn)實意義。 接著本文第2章對國外和國內的文獻做一個總體的回顧和概覽，為本文以下章節(jié)的財務困境預警的討論做鋪墊。 回顧國外的財務困境預警研究，一般分為

5、單變量分析和多變量分析兩大類。前者是早期研究不成熟階段的產(chǎn)物，因為單個變量獨立開來的分析顯然和復雜的現(xiàn)實經(jīng)濟市場情況不對應，一般現(xiàn)在已經(jīng)很少用到；后者最初的模型也較簡單，但隨著計算機技術的發(fā)展，各種方法紛紛涌現(xiàn)，模型越來越復雜，似乎是為了寫文章而缺乏深入研究——各種諸如神經(jīng)網(wǎng)絡、支持向量機很少見發(fā)表于經(jīng)典的經(jīng)濟學雜志就是很好的例證。 而國內的財務困境預警研究，基本上是在ST制度實行以來才跟著國外的腳步走過來的，其基本理論和模型大

6、多借鑒的是國外的文獻。 雖然很多國內文獻對ST的制度做了很多討論，但就像上文提到的一樣，很多文獻都有第一種做法的錯誤，還有一些文獻則沒有考慮模型時間因素的影響。 因此本文的第3章對傳統(tǒng)的Logit模型分析財務困境的方法做了系統(tǒng)的討論，并給出了改進的思路。第3章的基本結構如下： ①首先給出變量的篩選規(guī)則介紹 本文變量篩選按相關系數(shù)分析、獨立樣本T檢驗兩步進行。相關系數(shù)分析是為了解決模型的解釋變量之間存在相關

7、性的問題。首先為了去掉異常值的影響，本文要比較參數(shù)相關系數(shù)和非參數(shù)相關系數(shù)的異同。若前者和后者無太大差別，則選用參數(shù)相關系數(shù)，理由是參數(shù)相關系數(shù)包含了更多的數(shù)據(jù)信息；若前者和后者差別很大，則選用非參數(shù)相關系數(shù)，以減少異常值的影響。在相關系數(shù)分析以后，由于存在太多的兩兩相關的解釋變量，不能簡單地把這些變量全部剔除，因為雖然兩個變量間存在相關性，但將之全部剔除有可能反而會遺漏變量。因此本文在相關系數(shù)分析后做獨立樣本T檢驗，目的是為了剔除那些

8、存在相關性的解釋變量中和被解釋變量無關的變量。 ②給出逐步回歸的算法 逐步回歸的優(yōu)點是能夠在眾多解釋變量中找出對被解釋變量有信息增益的變量，因此本文選擇逐步回歸建模。所以在理論分析部分，本文對逐步回歸的三種算法：前向選入(Forward)、后向剔除(Backward)、逐步(Stepwise)選入剔除一一做了介紹。 ③介紹傳統(tǒng)Logit模型 由于本文是對傳統(tǒng)Logit模型的擴展，因此有必要先對傳統(tǒng)Logi

9、t模型做詳細描述，故而本文在引出改進模型以前，先介紹傳統(tǒng)模型，然后介紹傳統(tǒng)模型的估計方法——極大似然估計法，并對極大似然估計法在不存在解析解時用到的兩種迭代擬合算法：Fisher Scoring和Newton—Raphson算法做一簡單描述。 ④介紹本文改進的Logit模型 在介紹傳統(tǒng)Logit模型以后，本文提出了模型的構造和改進的過程：分析以前模型在財務困境研究領域的不足，提出改進的思路，最后構造出模型。 在做

10、了理論分析以后，本文第4章分以下3步進行實證分析： 第1步，本文在理論分析的基礎上，選取1412只上市公司作為研究對象，從短期償債能力、營運能力、長期償債能力、盈利能力、風險水平、股東獲利能力、現(xiàn)金流量能力、發(fā)展能力這八大類財務指標中選擇了34個變量作為初始的解釋變量。 第2步，本文對這34個解釋變量做相關分析和獨立樣本T檢驗，篩選出共22個變量。 第3步，本文用逐步回歸對改進Logit模型建模和估計，最終得出總

11、體預測準確率91—71％， ST公司預測準確率89.36％的結果。并且最終的逐步回歸剩下每股凈資產(chǎn)、每股經(jīng)營活動現(xiàn)金凈流量、總資產(chǎn)增長率這三個變量，其系數(shù)估計值都為負。從模型角度來說，就是說，這三個變量越大，公司為ST的概率越小。這與一般經(jīng)濟現(xiàn)象互相印證。 在第5章，首先，本文對文章做了通篇的歸納，得出3條結論： (1)從理論意義討論了傳統(tǒng)Logit模型不具有預警效果的缺陷。 (2)建立了一套真正具有預警意義的加

12、權MLE的Logit模型，并對模型的建立做了理論分析和推導。 (3)從實證意義上建立了加權MLE的Logit模型，并用之估計了2007年的上市公司的分類，得出了91.71％的總預測準確率和89.36％的ST公司預測準確率這兩個較高的預測準確率。 接著，本文并指出了文章所存在的不足： (1)假設證監(jiān)會公布的12大行業(yè)中，各行業(yè)內部的轉換概率服從二點分布，對轉換概率用頻率估計會存在樣本容量過小的問題。 (2)