基于人群搜索算法的上市公司的Z—Score模型財務預警研究

趙海蕾　周方召　金德環

摘要：針對傳統的Z-Score財務預警模型預警能力的不足，導致無法準確判定上市公司的財務風險狀況，將SOA算法的良好尋優能力和Z-Score財務預警模型結合起來，提出一種改進的Z-Score財務預警模型，構建出SOA算法優化Z-Score財務預警模型的適應度函數。仿真對比發現，改進的Z-Score財務預警模型其平均識別率高達96.33%，遠遠高于SVM算法和AdaBoost算法的平均識別率，改進的算法極大地提升了Z-Score財務預警模型的預測能力，使其更具適應性。

關鍵詞： Z-Score模型；人群搜索算法；尋優能力；數學模型；適應度

中圖分類號：F275；F224文獻標識碼：A文章編號：1003-7217（2015）02-0066-05

一、引言

當前，國際金融危機導致我國很多上市公司受到很大影響，國內和國際訂單大量減少，使得很多企業處于破產的危機之中，因此，針對上市公司進行財務預警分析，有利于及時發現上市公司的財務危機，提出有效的應對措施。

2009年陳靜等人[1]選取54個上市公司樣本數據，其中ST公司27個及非ST公司27個，將凈資產收益率、資產負債率等6個財務指標作為分析對象，通過判別實證分析發現誤判率最低的財務指標。

2012年周首華等人[2]提出一種改進的Z計分模型，建立起財務危機預警模型，通過實證分析發現改進的Z計分模型的預警能力優于未改進的Z計分模型。

2013年向德偉等人[3]選取上交所和深交所80家上市公司A股樣本數據為研究對象，通過實證分析，發現Z-Score模型針對80家上市公司的預警分析是基本有效的。

在前人研究的基礎上，本文以我國部分上市公司為研究對象，在Z-Score模型的基礎上，利用人群搜索算法的良好尋優能力對Z-Score模型的參數進行優化修正，之后運用修正的Z-Score模型對上市公司財務風險實證分析，從而實現修正Z-Score模型財務預警能力的提高。

二、Z-Score模型

為了有效檢驗和預警將要投資的企業或股票的風險性，美國Altman教授提出Z-Score財務預警模型對上市公司的財務狀況預警分析。通過Altman教授長期實證研究，選取5個財務指標乘以不同系數，建立起Z-Score財務預警模型[4]，通過該模型可以分析出上市公司的風險狀況。

式（1）中，Z表示Z-Score，X1、X2、X3、X4、X5分別表示不同財務指標，X1=營運資金/總資產 ，X2=保留盈余/總資產，X3=息前稅前凈利/總資產，X4=股東權益市值/總負債的賬面價值，X5=銷售金額/總資產。

由式（1）可知，Altman的結論為：Z-Score≥2.675時，財務健全；Z-Score<2.675時，財務不佳。因此，通過Z-Score模型可以輕易地分析出上市公司的財務狀況。

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

（一）SOA算法基本思想

SOA算法模擬人的隨機搜索行為，將人的智能搜索行為直接應用于對優化問題解的搜索。在優化計算中，人的隨機搜索行為可理解為：在連續空間的搜索過程中，較優解的周圍可能存在更優的解，最優解可能存在于較優解的鄰域內。因此，當搜尋者所處位置較優時，應該在較小鄰域內搜索；當搜尋者所處位置較差時，應該在較大鄰域內搜索。為此，SOA利用能有效描述自然語言和不確定性推理的模糊邏輯來對上述搜索規則進行建模，并確定搜索步長。

SOA通過社會學習和認知學習，分別獲取社會經驗和認知經驗，并結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動行為，確定個體搜索方向。

（二）SOA算法步驟

四、基于SOA優化Z-Score模型

本文利用SOA算法優良的尋優能力，對Z-Score模型的系數進行優化修正，使其更加準確地預測和表征我國上市公司的財務風險狀況，其算法流程如圖3所示。假設存在5個未知變量，分別為K1、K2、K3、K4、K5，使得式（9）誤差最小，式（9）如下：

Fitness（K）=Z-實際-Z-預測（9）

式（9）中，Z-實際、Z-預測分別表示Z-Score實際得分和Z-Score預測得分，其表達式分別如式（10）和式（11）所示：

五、實證分析

本文以20家上市公司財務數據為研究對象，其財務指標數據如表1所示，其中X1、X2、X3、X4、X5分別表示不同財務指標，Y則表示上市公司的財務狀況（0表示危機公司，1表示正常公司）。根據Altman的結論Z-Score≥2.675時，財務健全；Z-Score<2.675時，財務不佳。通過計算這20家上市公司的Z-Score并將其同表1中的數據對比發現，通過計算上市公司的Z-Score判斷公司的財務狀況，只有3、8、9、10、12和第17家上市公司的財務狀況正確，因此判定傳統的Z-Score模型有進一步優化和提升的空間。以MATLAB軟件為平臺，SOA算法參數設置：種群規模sizepop=100，最大迭代次數Iteration=100，最大隸屬度值U-max =0.9500，最小隸屬度值U-min =0.0111，權重最大值W-max =0.9，權重最小值

1通過SOA算法優化Z-Score模型，其適應度最小時，其對應的模型參數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，本文算法其平均識別率高達96.33%，遠遠高于SVM算法和AdaBoost算法的平均識別率。

六、結論

針對傳統的Z-Score財務預警模型存在診斷率不高，導致無法準確判定上市公司的財務風險狀況，本文利用SOA算法的良好尋優能力，將其與Z-Score財務預警模型結合，提出一種改進的Z-Score財務預警模型，構建出SOA算法優化Z-Score財務預警模型的適應度函數，仿真結果表明，改進的Z-Score財務預警模型其平均識別率高達96.33%，遠遠高于SVM算法和AdaBoost算法的平均識別率，改進算法極大地提升了Z-Score財務預警模型的預測能力，使其更具適應性。

參考文獻：

[1]陳靜.上市公司財務惡化預測的實證分析[J].會計研究，2009，（4） ： 31-38.

[2]周首華.“Z-Score”模型在我國中小企業板上市公司財務預警中的應用研究[J].管理學報，2012，（8）：41-47.

[3]向德偉.運用“Z記分法”評價上市公司經營風險的實證研究[J].會計研究，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.學習矢量量化的推廣及其典型形式的比較[J]. 計算機工程與應用，2012，（17）：23-28.

[7]付忠良，趙向輝等.AdaBoost算法的推廣一組集成學習算法[J].四川大學學報（工程科學版），2010， 6（42）： 91-98.

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

（責任編輯：鐵 青）