財務(wù)困境預(yù)警ＳＶＭ模型的構(gòu)建及實證研究

摘要：精確的財務(wù)困境預(yù)測對企業(yè)管理層、投資者、債權(quán)人、監(jiān)管層等有著十分重要的意義。本文以支持向量機(SVM)為基礎(chǔ)，選取高斯核函數(shù)為內(nèi)積函數(shù)，分析懲罰參數(shù)和核參數(shù)對模型的影響，并通過5-fold cross-vali-dation方法與網(wǎng)格搜索算法選取最優(yōu)參數(shù)，構(gòu)建財務(wù)困境預(yù)警的SVM模型。相關(guān)的實證結(jié)果表明，SVM模型在提前3年的情況下仍能取得較好的預(yù)測效果，在預(yù)測效率上優(yōu)于傳統(tǒng)的多元判別分析方法。

關(guān)鍵詞：財務(wù)困境；預(yù)警；支持向量機

中圖分類號：F832 文獻(xiàn)標(biāo)識碼：A 文章編號：1002-2848-2007(06)-0096-05

一、引言

企業(yè)財務(wù)困境預(yù)測是以企業(yè)相關(guān)信息為基礎(chǔ)，通過設(shè)置并觀察一些敏感性財務(wù)預(yù)測指標(biāo)的變化，對企業(yè)可能面臨的財務(wù)危機實施預(yù)測。 最早的財務(wù)困境預(yù)測模型是Fitzpatrick在1932年提出的單變量模型。其后，各種各樣的相關(guān)數(shù)學(xué)模型紛紛出現(xiàn)。根據(jù)預(yù)測方法對總體的分布限制可以將預(yù)測方法分為兩類：參數(shù)方法和非參數(shù)方法。以MDA，Logistie等方法為代表的參數(shù)方法具有計算簡單、適用性強的優(yōu)點。但是，參數(shù)方法基于傳統(tǒng)母參數(shù)統(tǒng)計方法，受制于母體分配的假設(shè)前提。同時，此類方法自我學(xué)習(xí)與調(diào)整能力不強，無法提高與修正模型，預(yù)測效果不理想，不能滿足日益提高的精度要求。以神經(jīng)網(wǎng)絡(luò)、粗糙集等為代表的非參數(shù)方法能反映財務(wù)變量與財務(wù)困境之間的非線性關(guān)系，但方法的通用性不強，應(yīng)用不方便，計算量大，并且在預(yù)測過程中存在結(jié)構(gòu)難以確定、易出現(xiàn)過學(xué)習(xí)現(xiàn)象、推廣能力較差等缺點。參數(shù)方法和非參數(shù)方法優(yōu)點與缺點并存，目前并沒有公認(rèn)的最優(yōu)模型及方法。

本文將統(tǒng)計學(xué)習(xí)理論中最年輕的分支——支持向量機(Support Vector Machine，SVM)運用于財務(wù)困境預(yù)警領(lǐng)域，旨在為學(xué)術(shù)界和實業(yè)界提供有益的參考。

注：“本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文”