基于支持向量機(jī)財(cái)務(wù)預(yù)警模型的實(shí)證研究

摘要：本文結(jié)合主成分分析法和支持向量機(jī)模型，構(gòu)建了一種新的上市公司財(cái)務(wù)困境預(yù)警模型，并對我國A股上市公司中80家因?yàn)椤柏?cái)務(wù)狀況異常”而被“ST”的公司進(jìn)行預(yù)測，結(jié)果表明效果理想。

關(guān)鍵詞：財(cái)務(wù)預(yù)警 支持向量機(jī) 主成分分析 上市公司

0 引言

財(cái)務(wù)危機(jī)預(yù)警研究起步于20世紀(jì)60年代的美國，其主要目的是識(shí)別企業(yè)的財(cái)務(wù)危機(jī)，為企業(yè)利益相關(guān)者提供預(yù)警信號(hào)，當(dāng)時(shí)曾一度引起許多歐美學(xué)者的研究興趣。到上世紀(jì)90年代中后期，隨著金融市場全球化發(fā)展，使財(cái)務(wù)危機(jī)預(yù)警又被重新關(guān)注，再次成為公司財(cái)務(wù)領(lǐng)域的熱點(diǎn)[1]。截止2005年底，我國證券市場已經(jīng)有超過1200家上市公司。但從總體情況來看，我國上市公司的經(jīng)營業(yè)績?nèi)匀徊蝗輼酚^，最突出的問題就是上市公司的虧損面和虧損額有逐年增加的趨勢，部分上市公司還出現(xiàn)了嚴(yán)重的財(cái)務(wù)危機(jī)，潛在的市場風(fēng)險(xiǎn)越來越大[2]。

本文研究的目的就是希望能通過建立一種適合我國上市公司的財(cái)務(wù)困境預(yù)測模型。向監(jiān)管部門和廣大投資者揭示，有哪些公司可能陷入財(cái)務(wù)困境，使投資者引起警覺。財(cái)務(wù)困境的成功預(yù)測，可以為各利益相關(guān)方提供決策的依據(jù)，因而具有不可忽視的重要意義[3]。

1 基于支持向量機(jī)的財(cái)務(wù)預(yù)警模型

模型如圖1所示。在圖中，我們能清楚的看到一個(gè)財(cái)務(wù)預(yù)警系統(tǒng)應(yīng)包括數(shù)據(jù)源，分析引擎和響應(yīng)模塊三個(gè)部分。模型中的數(shù)據(jù)源是模型的基礎(chǔ)模塊，所有數(shù)據(jù)都由這個(gè)模塊提供。分析引擎則是模型的核心模塊，這里采用SVM分類器[4]。在數(shù)據(jù)源和分析引擎之間增加了數(shù)據(jù)預(yù)處理模塊，可以視作數(shù)據(jù)源的延伸。

第一步是數(shù)據(jù)的預(yù)處理模塊。首先，對財(cái)務(wù)指標(biāo)原始數(shù)據(jù)進(jìn)行歸一化處理，和主成分分析處理。然后輸入原始數(shù)據(jù)，通過主成分分析處理便可以得到的一組七維輸入向量。

第二步是確定核函數(shù)以及生成最終判別表達(dá)式。本模型的分析引擎是基于SVM技術(shù)的，在本質(zhì)上是機(jī)器學(xué)習(xí)問題。這個(gè)過程要完成的主要工作是：確定適合的核函數(shù)，要使之適合輸入數(shù)據(jù)的特性。根據(jù)財(cái)務(wù)數(shù)據(jù)多呈現(xiàn)非線性關(guān)系的特點(diǎn)，因此，本模型選擇的是對非線性關(guān)系支持較好的RBF核函數(shù)。RBF核函數(shù)模型有兩個(gè)待確定的參數(shù)：核參數(shù)?滓和誤差懲罰系數(shù)C。

確定參數(shù)的過程可描述為：首先，任意預(yù)先給出參數(shù)C和?滓的幾個(gè)值；接著，根據(jù)參數(shù)C和?滓的幾個(gè)值的兩兩組合，分別建立最終判別表達(dá)式。根據(jù)支持向量機(jī)原理，建立模型的根本是找到最優(yōu)分類超平面，即以最大間隔分離兩類樣本。

然后，通過訓(xùn)練樣本對分別建立的最終判別表達(dá)式進(jìn)行測試，看哪一個(gè)表達(dá)式將訓(xùn)練數(shù)據(jù)分為兩類的正確率最高，則選定那一對參數(shù)C和?滓，同時(shí)也得出了最終判別表達(dá)式。

第三步是用測試樣本數(shù)據(jù)對最終判別表達(dá)式的推廣能力進(jìn)行測試。具體方法仍然先要對樣本數(shù)據(jù)歸一化處理和主成分分析處理，然后再將處理后的數(shù)據(jù)代入最終判別表達(dá)式（5）。如果由最終判別表達(dá)式得出的結(jié)果的正確率達(dá)到目標(biāo)要求，則說明此預(yù)警系統(tǒng)的推廣能力可信。

第四步便可以用此預(yù)警模型對輸入樣本進(jìn)行預(yù)測了，看其財(cái)務(wù)運(yùn)營是否健康，是否需要進(jìn)行改革。

2 實(shí)證分析

本文選取了2003年和2004年我國A股上市公司中80家因?yàn)椤柏?cái)務(wù)狀況異常”而被“ST”的公司，并按照相同的行業(yè)和資產(chǎn)規(guī)模相當(dāng)?shù)呐鋵?biāo)準(zhǔn)選取了相同數(shù)目的非“ST”公司作為研究的樣本。首先進(jìn)行財(cái)務(wù)指標(biāo)體系的建立，選擇13個(gè)傳統(tǒng)財(cái)務(wù)指標(biāo)，利用主成分分析的方法得到7個(gè)主成分指標(biāo)[5]。然后采用支持向量機(jī)方法建立財(cái)務(wù)預(yù)警模型，并且最終得到了模型的函數(shù)表達(dá)式，運(yùn)用此函數(shù)表達(dá)式對建模樣本和檢測樣本分別進(jìn)行了預(yù)測。

根據(jù)模型建立第一步，先將140家建模樣本數(shù)據(jù)通過歸一化處理、主成分分析處理，得到140×7的矩陣作為財(cái)務(wù)預(yù)警分析引擎的輸入向量。其中，前70家ST公司對應(yīng)的y值為1，表示財(cái)務(wù)有問題；后70家非ST公司對應(yīng)的y值為-1，表示財(cái)務(wù)正常。

根據(jù)模型建立第二步，初始選取C為5，10，15，2?滓2為0.2，0.4，0.6，共9種組合。分別建立9個(gè)判別表達(dá)式，然后用建模樣本數(shù)據(jù)進(jìn)行測試，看這9個(gè)判別表達(dá)式哪一個(gè)能最準(zhǔn)確將樣本數(shù)據(jù)分離。經(jīng)過實(shí)驗(yàn)，得到以下實(shí)驗(yàn)數(shù)運(yùn)行Mat lab軟件。其中，test表示用來測試的已經(jīng)數(shù)據(jù)預(yù)處理的建模樣本數(shù)據(jù)；而Error Rate則表示模型對于建模樣本的判斷錯(cuò)誤率。從結(jié)果可以看出，當(dāng)C取10，2?滓2取0.4時(shí)，模型對于建模樣本的判斷準(zhǔn)確率最高，因此，最終確定核函數(shù)為

誤差懲罰系數(shù)C取值為10。

可求得α*=［5.0000，1.0077，1.7802，…，1.2907，0.9517］，闊值b*=-0.1523。這樣，就得到了最終的判別表達(dá)式。

根據(jù)模型建立第三步，用測試樣本對預(yù)警模型進(jìn)行檢驗(yàn)。首先是將測試樣本進(jìn)行歸一化處理、主成分分析處理；然后則是通過最終判別表達(dá)式進(jìn)行預(yù)測判斷，看其判斷的準(zhǔn)確率是否達(dá)到要求。其中，test表示用來測試的已經(jīng)數(shù)據(jù)預(yù)處理的測試樣本數(shù)據(jù)；而Error

Rate則表示模型對于測試樣本的判斷錯(cuò)誤率。下表為檢測樣本的預(yù)測情況：(如表2)

從檢測樣本的預(yù)測情況來看，總共只出現(xiàn)了三個(gè)預(yù)測錯(cuò)誤，分別是*ST中科、ST深物業(yè)和美羅藥業(yè)，這表明基于支持向量機(jī)的財(cái)務(wù)預(yù)警模型在推廣能力方面同樣有著較為理想的精度。

3 結(jié)論

通過本文的研究，給出主要的政策建議。在日益發(fā)展但尚不成熟的中國證券市場中，許多上市公司的財(cái)務(wù)狀況頻頻陷入困境，這不僅嚴(yán)重?fù)p害了廣大股票投資者、債權(quán)人的利益，也嚴(yán)重影響了我國證券市場的健康發(fā)展。

因此，采用各種純技術(shù)手段對公司的財(cái)務(wù)狀況進(jìn)行監(jiān)控顯得非常重要。在財(cái)務(wù)評(píng)價(jià)模型研究還不夠成熟的今天，應(yīng)該加強(qiáng)這方面研究的投入，它不僅具有較高的學(xué)術(shù)價(jià)值，而且有著巨大的應(yīng)用前景。如果能夠?qū)⑦@種研究成果推廣到其它各種非上市公司，用以指導(dǎo)所有類型企業(yè)來防范其自身的財(cái)務(wù)風(fēng)險(xiǎn)，就更具現(xiàn)實(shí)意義，特別是對于規(guī)模較小，自身抵御風(fēng)險(xiǎn)能力較弱的公司來說，即時(shí)的預(yù)警就更顯得重要了。

參考文獻(xiàn)：

[1]Atiya A. F..Bankruptcy Prediction for Credit Risk Using Neural Networks:A Survey and New Results[J].IEEE Transactions on Neural Networks，2001，12(4):929-935.

[2]吳世農(nóng)，盧賢義.我國上市公司財(cái)務(wù)困境的預(yù)測模型研究[J].經(jīng)濟(jì)研究，2005，6:46-55.

[3]吳德勝，梁樑，殷尹.不同模型在財(cái)務(wù)預(yù)警實(shí)證分析中的比較研究[J].管理工程學(xué)報(bào)，2007，2:105-108.

[4]安金龍，王正歐.一種新的支持向量機(jī)多類分類方法[J].信息與控制.

[5]陳靜.上市公司財(cái)務(wù)惡化預(yù)測的實(shí)證分析[J].會(huì)計(jì)研究，2001，6:34-37.