上市公司財務(wù)風(fēng)險控制方法研究

文/馮嘉姝

一、引言

當(dāng)財務(wù)狀況處于危險之中時，會增加公司發(fā)生財務(wù)危機(jī)的可能性，財務(wù)危機(jī)嚴(yán)重的公司將面臨破產(chǎn)。這不僅會影響證券市場已形成的秩序，還會嚴(yán)重威脅大多數(shù)投資者的利益。

如果上市公司能夠提前監(jiān)控財務(wù)危機(jī)發(fā)生的前兆，就可以及時采取相應(yīng)措施，增強(qiáng)抵御風(fēng)險的能力[1]。因此，通過利用上市公司的財報數(shù)據(jù)建立合適的數(shù)理統(tǒng)計模型，實時關(guān)注公司財務(wù)狀況的發(fā)展現(xiàn)狀和趨勢，就可以及時辨識財務(wù)危機(jī)的前兆，避免財務(wù)風(fēng)險的影響。

二、常用財務(wù)風(fēng)險控制方法

（一）Logistic回歸模型

Logistic回歸模型是利用分類變量和一組變量來研究某一結(jié)果是否在某些因素下發(fā)生的，它廣泛應(yīng)用于兩類甚至多分類問題中。通常，通過極大似然估計方法估計回歸模型的參數(shù)。與多元線性回歸相比，Logistic回歸模型結(jié)果解釋能力較強(qiáng)，假設(shè)條件要求低。然而，Logistic模型作為一種回歸模型，也存在諸如多重共線性和泛化能力不足等常見回歸模型問題[2]。Logistic回歸模型推導(dǎo)如下：

（二）因子分析模型

因子分析模型主要思想是降維。從企業(yè)綜合財務(wù)指標(biāo)相關(guān)矩陣內(nèi)的依賴關(guān)系研究入手，將一些關(guān)系復(fù)雜的財務(wù)指標(biāo)表示為少數(shù)財務(wù)指標(biāo)和僅對一個財務(wù)指標(biāo)有影響的特殊財務(wù)指標(biāo)的線性組合。因子分析使用中會把大量的財務(wù)指標(biāo)進(jìn)行分組，遵循組內(nèi)財務(wù)指標(biāo)高度相關(guān)，組間財務(wù)指標(biāo)相關(guān)性較低的原則；目的是為了降低分析問題的復(fù)雜度，將大量的財務(wù)指標(biāo)簡化為有代表意義的財務(wù)指標(biāo)。最后，獲得彼此獨(dú)立的變量。同時，公因子（共同變量）具有高度代表性和解釋性[3]。因子分析理論模型如下：

假設(shè)有N個公司，每個公司觀測P個財務(wù)指標(biāo)，同時假設(shè)這些指標(biāo)具有強(qiáng)相關(guān)性，首先對公司的財務(wù)指標(biāo)（處理后的變量均值為0，方差為1）進(jìn)行標(biāo)準(zhǔn)化，X表示變量向量，用

（三）多元線性判別模型

多元線性判別模型是一種綜合反映企業(yè)財務(wù)狀況的多個財務(wù)指標(biāo)，并通過計算總判別得分來評價企業(yè)財務(wù)狀況的模型。模型假設(shè)如下：①樣本分布滿足正態(tài)分布；②總體方差矩陣相等；③協(xié)方差矩陣，均值向量，先驗概率和誤判代價已知；④變量符合獨(dú)立性要求[4]。

定義因變量Y為總判別得分值，自變量X1、X2……Xk為反映企業(yè)財務(wù)狀況的指標(biāo)，建立如下所示多元線性回歸模型：

（四）BP神經(jīng)網(wǎng)絡(luò)模型

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是一個多層前饋神經(jīng)網(wǎng)絡(luò)，可以模擬并簡化大腦神經(jīng)元的工作，包括輸入層、隱藏層（中間層）和輸出層。輸出層中的神經(jīng)元數(shù)量與要擬合的數(shù)據(jù)數(shù)量相同，輸入層中的神經(jīng)元數(shù)量與輸入數(shù)據(jù)的維數(shù)相同。隱藏層中的神經(jīng)元數(shù)量和層數(shù)需要由設(shè)計者根據(jù)一些規(guī)則和目標(biāo)來設(shè)置。BP神經(jīng)網(wǎng)絡(luò)中僅連接相鄰的神經(jīng)網(wǎng)絡(luò)層。

BP神經(jīng)網(wǎng)絡(luò)的特征如下：①每個神經(jīng)元具有輸出值。②相鄰層之間的節(jié)點連接具有權(quán)重，其值介于[-1,1]。③該值乘以相應(yīng)權(quán)重加上偏移量的總和。④除輸入層之外的每一層的偏移值介于[0,1]之間。⑤對每個節(jié)點的輸入值進(jìn)行非線性變換以產(chǎn)生輸出值。訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的目的是調(diào)整網(wǎng)絡(luò)的權(quán)重和偏移量。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程可分為兩部分。一部分是正向傳輸，逐層波形輸出值；另一部分是反向反饋，它可以調(diào)整層的重量和偏移量[5]。

三、財務(wù)風(fēng)險控制方法比較

Logistic回歸模型被廣泛使用，主要用于解決二分類問題。此外它的函數(shù)表達(dá)式可用顯式直接表達(dá)，從而可以較快地對模型進(jìn)行求解，在實際問題中用起來非常便利

因子分析模型就是要從數(shù)據(jù)中提取對變量起解釋作用的少數(shù)公因子，在提取公因子時，了解每個公因子的意義，不僅要注意變量之間是否有相關(guān)關(guān)系，更要關(guān)注因子間相關(guān)性的強(qiáng)弱，提取公因子不僅可以起到降維的作用，而且可以很好地解釋結(jié)果。

多元線性判別模型主要用來對樣本根據(jù)不同的特征分類，并且對于未決變量進(jìn)行量化的預(yù)測，在預(yù)警效果方面比多元線性回歸模型有顯著改善。但是，多元線性判別模型也存在一些不足，如模型的假設(shè)條件過于嚴(yán)格，限制了模型的使用范圍；同時該模型的能力被局限在線性判別函數(shù)里，更注重預(yù)測結(jié)果的準(zhǔn)確度，無法理解任何兩個輸入變量間的相互作用，使得該模型缺乏理論邏輯，結(jié)果的解釋性較差；此外用該模型處理基于特定時間和特定空間的樣本，可能無法向其他時間和其他區(qū)域的樣本企業(yè)發(fā)出預(yù)警，因此多元線性判別的普適性較差。

BP神經(jīng)網(wǎng)絡(luò)可以以定義的合適的方式對輸入矢量行分類。與其他模型相比，BP神經(jīng)網(wǎng)絡(luò)的理論較為抽象，“黑匣子操作”過程使得使用者不需要了解具體的分類過程，但這也使得分類結(jié)果難以解釋。相比其他模型，BP神經(jīng)網(wǎng)絡(luò)具有非常好的非線性映射能力，泛化能力和容錯能力，特別值得一提的是自學(xué)習(xí)能力和自適應(yīng)能力[6]，但它同時也有訓(xùn)練時間長，迭代步驟多等缺點。

四、結(jié)語

企業(yè)發(fā)展離不開數(shù)理統(tǒng)計模型方法的應(yīng)用，而不同的數(shù)據(jù)統(tǒng)計方法的類型適用于不同類型的財務(wù)分析?？傮w而言，數(shù)據(jù)統(tǒng)計模型可以實現(xiàn)對現(xiàn)代企業(yè)財務(wù)分析的動態(tài)評估，對于企業(yè)財務(wù)狀況做出階段性規(guī)劃和檢查，實現(xiàn)企業(yè)全面且有效的快速發(fā)展。本文對數(shù)理統(tǒng)計方法在上市公司財務(wù)風(fēng)險控制中的應(yīng)用進(jìn)行了深入分析和探討。可見靈活運(yùn)用數(shù)理統(tǒng)計模型是可以實現(xiàn)對企業(yè)財務(wù)狀況精確檢測，及時發(fā)現(xiàn)財務(wù)風(fēng)險，并進(jìn)行預(yù)防和改進(jìn)，為企業(yè)的長期可持續(xù)發(fā)展做好準(zhǔn)備。