基于人群搜索算法的上市公司的Z—Score模型財(cái)務(wù)預(yù)警研究

趙海蕾　周方召　金德環(huán)

摘要：針對(duì)傳統(tǒng)的Z-Score財(cái)務(wù)預(yù)警模型預(yù)警能力的不足，導(dǎo)致無(wú)法準(zhǔn)確判定上市公司的財(cái)務(wù)風(fēng)險(xiǎn)狀況，將SOA算法的良好尋優(yōu)能力和Z-Score財(cái)務(wù)預(yù)警模型結(jié)合起來(lái)，提出一種改進(jìn)的Z-Score財(cái)務(wù)預(yù)警模型，構(gòu)建出SOA算法優(yōu)化Z-Score財(cái)務(wù)預(yù)警模型的適應(yīng)度函數(shù)。仿真對(duì)比發(fā)現(xiàn)，改進(jìn)的Z-Score財(cái)務(wù)預(yù)警模型其平均識(shí)別率高達(dá)96.33%，遠(yuǎn)遠(yuǎn)高于SVM算法和AdaBoost算法的平均識(shí)別率，改進(jìn)的算法極大地提升了Z-Score財(cái)務(wù)預(yù)警模型的預(yù)測(cè)能力，使其更具適應(yīng)性。

關(guān)鍵詞： Z-Score模型；人群搜索算法；尋優(yōu)能力；數(shù)學(xué)模型；適應(yīng)度

中圖分類號(hào)：F275；F224文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1003-7217（2015）02-0066-05

一、引言

當(dāng)前，國(guó)際金融危機(jī)導(dǎo)致我國(guó)很多上市公司受到很大影響，國(guó)內(nèi)和國(guó)際訂單大量減少，使得很多企業(yè)處于破產(chǎn)的危機(jī)之中，因此，針對(duì)上市公司進(jìn)行財(cái)務(wù)預(yù)警分析，有利于及時(shí)發(fā)現(xiàn)上市公司的財(cái)務(wù)危機(jī)，提出有效的應(yīng)對(duì)措施。

2009年陳靜等人[1]選取54個(gè)上市公司樣本數(shù)據(jù)，其中ST公司27個(gè)及非ST公司27個(gè)，將凈資產(chǎn)收益率、資產(chǎn)負(fù)債率等6個(gè)財(cái)務(wù)指標(biāo)作為分析對(duì)象，通過(guò)判別實(shí)證分析發(fā)現(xiàn)誤判率最低的財(cái)務(wù)指標(biāo)。

2012年周首華等人[2]提出一種改進(jìn)的Z計(jì)分模型，建立起財(cái)務(wù)危機(jī)預(yù)警模型，通過(guò)實(shí)證分析發(fā)現(xiàn)改進(jìn)的Z計(jì)分模型的預(yù)警能力優(yōu)于未改進(jìn)的Z計(jì)分模型。

2013年向德偉等人[3]選取上交所和深交所80家上市公司A股樣本數(shù)據(jù)為研究對(duì)象，通過(guò)實(shí)證分析，發(fā)現(xiàn)Z-Score模型針對(duì)80家上市公司的預(yù)警分析是基本有效的。

在前人研究的基礎(chǔ)上，本文以我國(guó)部分上市公司為研究對(duì)象，在Z-Score模型的基礎(chǔ)上，利用人群搜索算法的良好尋優(yōu)能力對(duì)Z-Score模型的參數(shù)進(jìn)行優(yōu)化修正，之后運(yùn)用修正的Z-Score模型對(duì)上市公司財(cái)務(wù)風(fēng)險(xiǎn)實(shí)證分析，從而實(shí)現(xiàn)修正Z-Score模型財(cái)務(wù)預(yù)警能力的提高。

二、Z-Score模型

為了有效檢驗(yàn)和預(yù)警將要投資的企業(yè)或股票的風(fēng)險(xiǎn)性，美國(guó)Altman教授提出Z-Score財(cái)務(wù)預(yù)警模型對(duì)上市公司的財(cái)務(wù)狀況預(yù)警分析。通過(guò)Altman教授長(zhǎng)期實(shí)證研究，選取5個(gè)財(cái)務(wù)指標(biāo)乘以不同系數(shù)，建立起Z-Score財(cái)務(wù)預(yù)警模型[4]，通過(guò)該模型可以分析出上市公司的風(fēng)險(xiǎn)狀況。

式（1）中，Z表示Z-Score，X1、X2、X3、X4、X5分別表示不同財(cái)務(wù)指標(biāo)，X1=營(yíng)運(yùn)資金/總資產(chǎn) ，X2=保留盈余/總資產(chǎn)，X3=息前稅前凈利/總資產(chǎn)，X4=股東權(quán)益市值/總負(fù)債的賬面價(jià)值，X5=銷售金額/總資產(chǎn)。

由式（1）可知，Altman的結(jié)論為：Z-Score≥2.675時(shí)，財(cái)務(wù)健全；Z-Score<2.675時(shí)，財(cái)務(wù)不佳。因此，通過(guò)Z-Score模型可以輕易地分析出上市公司的財(cái)務(wù)狀況。

三、人群搜索算法（Seeker Optimization Algorithm，SOA）

（一）SOA算法基本思想

SOA算法模擬人的隨機(jī)搜索行為，將人的智能搜索行為直接應(yīng)用于對(duì)優(yōu)化問(wèn)題解的搜索。在優(yōu)化計(jì)算中，人的隨機(jī)搜索行為可理解為：在連續(xù)空間的搜索過(guò)程中，較優(yōu)解的周圍可能存在更優(yōu)的解，最優(yōu)解可能存在于較優(yōu)解的鄰域內(nèi)。因此，當(dāng)搜尋者所處位置較優(yōu)時(shí)，應(yīng)該在較小鄰域內(nèi)搜索；當(dāng)搜尋者所處位置較差時(shí)，應(yīng)該在較大鄰域內(nèi)搜索。為此，SOA利用能有效描述自然語(yǔ)言和不確定性推理的模糊邏輯來(lái)對(duì)上述搜索規(guī)則進(jìn)行建模，并確定搜索步長(zhǎng)。

SOA通過(guò)社會(huì)學(xué)習(xí)和認(rèn)知學(xué)習(xí)，分別獲取社會(huì)經(jīng)驗(yàn)和認(rèn)知經(jīng)驗(yàn)，并結(jié)合智能群體的自組織聚集行為、以自我為中心的利己主義行為和人的預(yù)動(dòng)行為，確定個(gè)體搜索方向。

（二）SOA算法步驟

四、基于SOA優(yōu)化Z-Score模型

本文利用SOA算法優(yōu)良的尋優(yōu)能力，對(duì)Z-Score模型的系數(shù)進(jìn)行優(yōu)化修正，使其更加準(zhǔn)確地預(yù)測(cè)和表征我國(guó)上市公司的財(cái)務(wù)風(fēng)險(xiǎn)狀況，其算法流程如圖3所示。假設(shè)存在5個(gè)未知變量，分別為K1、K2、K3、K4、K5，使得式（9）誤差最小，式（9）如下：

Fitness（K）=Z-實(shí)際-Z-預(yù)測(cè)（9）

式（9）中，Z-實(shí)際、Z-預(yù)測(cè)分別表示Z-Score實(shí)際得分和Z-Score預(yù)測(cè)得分，其表達(dá)式分別如式（10）和式（11）所示：

五、實(shí)證分析

本文以20家上市公司財(cái)務(wù)數(shù)據(jù)為研究對(duì)象，其財(cái)務(wù)指標(biāo)數(shù)據(jù)如表1所示，其中X1、X2、X3、X4、X5分別表示不同財(cái)務(wù)指標(biāo)，Y則表示上市公司的財(cái)務(wù)狀況（0表示危機(jī)公司，1表示正常公司）。根據(jù)Altman的結(jié)論Z-Score≥2.675時(shí)，財(cái)務(wù)健全；Z-Score<2.675時(shí)，財(cái)務(wù)不佳。通過(guò)計(jì)算這20家上市公司的Z-Score并將其同表1中的數(shù)據(jù)對(duì)比發(fā)現(xiàn)，通過(guò)計(jì)算上市公司的Z-Score判斷公司的財(cái)務(wù)狀況，只有3、8、9、10、12和第17家上市公司的財(cái)務(wù)狀況正確，因此判定傳統(tǒng)的Z-Score模型有進(jìn)一步優(yōu)化和提升的空間。以MATLAB軟件為平臺(tái)，SOA算法參數(shù)設(shè)置：種群規(guī)模sizepop=100，最大迭代次數(shù)Iteration=100，最大隸屬度值U-max =0.9500，最小隸屬度值U-min =0.0111，權(quán)重最大值W-max =0.9，權(quán)重最小值

1通過(guò)SOA算法優(yōu)化Z-Score模型，其適應(yīng)度最小時(shí)，其對(duì)應(yīng)的模型參數(shù)K1、K2、K3、K4、K5分別為1.3204、1.4531、3.2482、0.6751和1.1912。由圖7和表2可知，本文算法其平均識(shí)別率高達(dá)96.33%，遠(yuǎn)遠(yuǎn)高于SVM算法和AdaBoost算法的平均識(shí)別率。

六、結(jié)論

針對(duì)傳統(tǒng)的Z-Score財(cái)務(wù)預(yù)警模型存在診斷率不高，導(dǎo)致無(wú)法準(zhǔn)確判定上市公司的財(cái)務(wù)風(fēng)險(xiǎn)狀況，本文利用SOA算法的良好尋優(yōu)能力，將其與Z-Score財(cái)務(wù)預(yù)警模型結(jié)合，提出一種改進(jìn)的Z-Score財(cái)務(wù)預(yù)警模型，構(gòu)建出SOA算法優(yōu)化Z-Score財(cái)務(wù)預(yù)警模型的適應(yīng)度函數(shù)，仿真結(jié)果表明，改進(jìn)的Z-Score財(cái)務(wù)預(yù)警模型其平均識(shí)別率高達(dá)96.33%，遠(yuǎn)遠(yuǎn)高于SVM算法和AdaBoost算法的平均識(shí)別率，改進(jìn)算法極大地提升了Z-Score財(cái)務(wù)預(yù)警模型的預(yù)測(cè)能力，使其更具適應(yīng)性。

參考文獻(xiàn)：

[1]陳靜.上市公司財(cái)務(wù)惡化預(yù)測(cè)的實(shí)證分析[J].會(huì)計(jì)研究，2009，（4） ： 31-38.

[2]周首華.“Z-Score”模型在我國(guó)中小企業(yè)板上市公司財(cái)務(wù)預(yù)警中的應(yīng)用研究[J].管理學(xué)報(bào)，2012，（8）：41-47.

[3]向德偉.運(yùn)用“Z記分法”評(píng)價(jià)上市公司經(jīng)營(yíng)風(fēng)險(xiǎn)的實(shí)證研究[J].會(huì)計(jì)研究，2013，（12）：21-25.

[4]Chen H，Hu Z，Ye z.Research of P2P Traffic identification based on BP neural network[A].Proc of the 1st Int Symp on Computer Network and Multimedia Technology[C].Piscataway，NJ：IEEE，2009：11-17.

[5]Yang A，Jiang S，Deng H.A P2P network traffic classification method using SVM[A].Proc of the 9th Int Conf on Young Computer Scientists[C].Piscataway，NJ：IEEE，2011：398-403.

[6]程劍峰，徐俊艷.學(xué)習(xí)矢量量化的推廣及其典型形式的比較[J]. 計(jì)算機(jī)工程與應(yīng)用，2012，（17）：23-28.

[7]付忠良，趙向輝等.AdaBoost算法的推廣一組集成學(xué)習(xí)算法[J].四川大學(xué)學(xué)報(bào)（工程科學(xué)版），2010， 6（42）： 91-98.

[8]莊嚴(yán)，白振林，許云峰.基于蟻群算法的支持向量機(jī)參數(shù)選擇方法研究[J]. 計(jì)算機(jī)仿真，2011，（5）：8-13.

（責(zé)任編輯：鐵 青）