基于熵權(quán)法的神經(jīng)網(wǎng)絡(luò)模型與logistic回歸的財(cái)務(wù)預(yù)警模型比較與分析.pdf

1、中國經(jīng)濟(jì)體在2015年經(jīng)歷了爬坡上坎的一年。上半年的中國股市狂飆進(jìn)入瘋牛時(shí)期，下半年證監(jiān)會(huì)強(qiáng)力去杠桿之后虛高的資產(chǎn)泡沫被戳破，千股跌停，IPO被暫停。有史以來的第一次強(qiáng)制杠桿調(diào)整，導(dǎo)致了大量資產(chǎn)的蒸發(fā)，緊接出現(xiàn)人民幣貶值熱錢外流，這些都使得整個(gè)經(jīng)濟(jì)體系付出了巨大的代價(jià)。在如此起伏不定的經(jīng)濟(jì)形勢下，2015年以來上市公司被特殊處理與特殊轉(zhuǎn)讓的狀況呈現(xiàn)井噴之勢，已達(dá)到110例之多。
　　而在2015年11月19日召開的常務(wù)會(huì)議中，股票

2、發(fā)行的持續(xù)盈利條件被取消，股票上市跨入注冊制的門檻。施行注冊制調(diào)低了小微創(chuàng)新企業(yè)的上市門檻，降低了對凈利潤的嚴(yán)格要求。同時(shí)，我國也迎來了股票期權(quán)的時(shí)代。在上市企業(yè)中，向管理階層發(fā)放期權(quán)，是減少代理成本的有效措施。這些都將對上市公司的財(cái)務(wù)危機(jī)預(yù)測造成影響。在經(jīng)濟(jì)疲軟且未來經(jīng)濟(jì)形式不明朗的當(dāng)下，如何抓住機(jī)遇，規(guī)避轉(zhuǎn)讓上市公司的風(fēng)險(xiǎn)，預(yù)防財(cái)務(wù)危機(jī)，平穩(wěn)有序的發(fā)展經(jīng)濟(jì)是我們現(xiàn)在以及未來都需要面對的一個(gè)話題。
　　作為國民經(jīng)濟(jì)重要組成部分，

3、面對不可阻擋的經(jīng)濟(jì)下行趨勢，制造產(chǎn)業(yè)也面臨人口紅利消失，勞動(dòng)密集所帶來的利潤被不斷壓縮的危機(jī)，轉(zhuǎn)型已經(jīng)迫在眉睫。因此，當(dāng)下制造業(yè)上市公司不僅需要預(yù)測及調(diào)節(jié)發(fā)展態(tài)勢，防范其陷入財(cái)務(wù)困境也是制造業(yè)產(chǎn)業(yè)變革所必須打下的基礎(chǔ)。
　　而我國金融市場逐漸成熟，股市主力軍依然是中小股民，他們倚靠自己的分析能力解析上市公司的公開信息。但由于財(cái)務(wù)危機(jī)爆發(fā)的突發(fā)性，使用簡單的指標(biāo)分析難以捕捉危機(jī)的出現(xiàn)。因而，對于財(cái)務(wù)危機(jī)的預(yù)測變得更有存在的意義。

4、r>　　近年來，對于預(yù)警模型的數(shù)學(xué)方法集成的研究從未停止過。比如李曉峰(2004)提出的粗糙集與神經(jīng)網(wǎng)絡(luò)結(jié)合的RST-BPNN模型，岑涌(2008)等利用遺傳算法優(yōu)化的GA-SVM模型，以及彭靜等(2008)提出的PSO-SVM模型。PSO-SM模型將PSO粒子群算法運(yùn)用到核函數(shù)優(yōu)化中，驗(yàn)證了新模型的預(yù)測性能。本文擬基于前人的研究，將信息熵運(yùn)用到指標(biāo)篩選中來，與人工神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，再與傳統(tǒng)統(tǒng)計(jì)模型相比較。并基于財(cái)務(wù)會(huì)計(jì)的某些分析角度

5、，將一些新指標(biāo)運(yùn)到預(yù)警模型體系中去，為預(yù)警指標(biāo)集合的科學(xué)性與完備性做出一些貢獻(xiàn)。
　　本文首先通過對財(cái)務(wù)危機(jī)預(yù)警的以往文獻(xiàn)的模型和指標(biāo)進(jìn)行研究。總結(jié)國內(nèi)外對財(cái)務(wù)危機(jī)的定義，并給出本文對財(cái)務(wù)危機(jī)概念的定義。同時(shí)，多角度分析現(xiàn)有財(cái)務(wù)危機(jī)預(yù)警模型:從單變量模型、多變量模型的角度，從定量分析模型、定性分析模型的角度分別闡述，并描述其優(yōu)缺點(diǎn)，為后文的模型選擇提供理論依據(jù)。
　　在對相關(guān)文獻(xiàn)進(jìn)行綜述之后，本文闡述了與財(cái)務(wù)危機(jī)預(yù)警相關(guān)的理

6、論基礎(chǔ)，包括經(jīng)濟(jì)周期與經(jīng)濟(jì)預(yù)警理論、代理成本理論、內(nèi)部控制理論、財(cái)務(wù)分析理論以及會(huì)計(jì)信息失真的理論。
　　在此之后，本文開始對后續(xù)模型所需的一切指標(biāo)、樣本等進(jìn)行設(shè)計(jì)。首先，對本文的實(shí)證研究內(nèi)容作出假設(shè)，其中包含對新模型準(zhǔn)確度的假設(shè)、財(cái)務(wù)危機(jī)漸進(jìn)性的假設(shè)以及對于本文擴(kuò)建新指標(biāo)的假設(shè)。關(guān)于樣本，僅選取由于財(cái)務(wù)問題而由財(cái)務(wù)正常變?yōu)镾T以及由財(cái)務(wù)正常變?yōu)?ST的上市公司作為財(cái)務(wù)危機(jī)企業(yè)備選樣本;考慮到2007年1月1日國內(nèi)上市公司開始實(shí)行

7、新的通用會(huì)計(jì)準(zhǔn)則和2015年發(fā)生的股災(zāi)，樣本的研究時(shí)間段為2007年初至2014年末;針對危機(jī)樣本公司按照1∶1的比例選取同行業(yè)同規(guī)模的企業(yè)。將被ST或*ST的時(shí)刻定義為T時(shí)刻，本文主要研究T-2、T-1時(shí)刻的數(shù)據(jù)，欲以T-1和T-2時(shí)刻的數(shù)據(jù)分別篩選指標(biāo)、構(gòu)建模型，再使用預(yù)測樣本數(shù)據(jù)對模型進(jìn)行檢驗(yàn)，并且用以建模和預(yù)測的樣本比例為2∶1。對指標(biāo)的選取服從全面、敏感、可度量的原則，從償債、盈利、經(jīng)營、風(fēng)險(xiǎn)、發(fā)展、股權(quán)結(jié)構(gòu)、現(xiàn)金流量的角度分

8、t-1、t-2時(shí)刻進(jìn)行顯著性檢驗(yàn)，通過檢驗(yàn)的指標(biāo)成為后文模型的初始指標(biāo)集。
　　最后，運(yùn)用SPSS軟件對初始指標(biāo)集進(jìn)行降維分析，通過因子分析之后建立logistic模型;再利用MATLAB軟件，根據(jù)熵權(quán)法對第四章中的初始指標(biāo)集進(jìn)行了篩選，保留累計(jì)熵權(quán)為0.99之前的所有指標(biāo)，并運(yùn)用clemintine構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，并通過添加新的預(yù)警指標(biāo)（財(cái)務(wù)狀況指標(biāo)與利潤分析指標(biāo)），驗(yàn)證了新指標(biāo)對于神經(jīng)網(wǎng)絡(luò)模型的精度提升作用。前文對實(shí)證研究內(nèi)

9、容的假設(shè)都得到了驗(yàn)證。
　　實(shí)證結(jié)果表明logistic模型不論在哪個(gè)階段，對于構(gòu)建和預(yù)測的準(zhǔn)確度，都不如神經(jīng)網(wǎng)絡(luò)高。原因可能在于神經(jīng)網(wǎng)絡(luò)能相對完整的保留指標(biāo)相互作用而造成的影響，同時(shí)使用熵權(quán)法篩選指標(biāo)是單獨(dú)考慮指標(biāo)的變異程度能夠提供的信息，不因多重共線性而過濾重要的數(shù)據(jù)。而傳統(tǒng)模型由于數(shù)據(jù)分布限制和分析條件限制，在使用相關(guān)性分析篩選指標(biāo)時(shí)就可能漏掉一些重要指標(biāo)。并且神經(jīng)網(wǎng)絡(luò)的自適應(yīng)性和推理能力也能提高預(yù)測的精度。對于財(cái)務(wù)危機(jī)發(fā)生

10、的前兩年T-2時(shí)刻，盈利能力指標(biāo)均未入選預(yù)警指標(biāo)，這代表至少在財(cái)務(wù)危機(jī)發(fā)生的往前兩年，盈利指標(biāo)不論是經(jīng)過利潤操縱或是真實(shí)數(shù)據(jù)，均未與正常公司區(qū)別開來。這也證明了財(cái)務(wù)危機(jī)的暴露是漸進(jìn)的。
　　同時(shí)我們也可以看到在對指標(biāo)進(jìn)行擴(kuò)充之后，財(cái)務(wù)狀況指標(biāo)的添加使得模型預(yù)測準(zhǔn)確有所提高，而利潤操縱指標(biāo)則使得模型準(zhǔn)確度明顯上升?？v向?qū)Ρ饶Ｐ涂梢园l(fā)現(xiàn):t-2時(shí)刻的所有模型的預(yù)測準(zhǔn)確度都低于相應(yīng)的t-1時(shí)刻的模型。這其中有指標(biāo)滯后作用的影響，也有財(cái)務(wù)

11、危機(jī)分階段漸進(jìn)式爆發(fā)的原因。
　　經(jīng)過實(shí)證分析，我們應(yīng)該有一些清晰的認(rèn)知:針對每個(gè)行業(yè)，預(yù)警指標(biāo)都應(yīng)該有針對性的偏移。例如本文研究的樣本為制造業(yè)，作為負(fù)債常年處于較高狀態(tài)的行業(yè)，其償債能力就是需要提起重視的研究視角。財(cái)務(wù)危機(jī)是由綜合性的風(fēng)險(xiǎn)造成的，在風(fēng)險(xiǎn)質(zhì)變成為危機(jī)之前，各個(gè)類別的風(fēng)險(xiǎn)并不是同時(shí)段全面發(fā)生的，比如文中t-2時(shí)刻的盈利能力指標(biāo)在所有模型中都是正常狀態(tài)。但這并不意味著我們就不需要對這一部分風(fēng)險(xiǎn)提高警覺。因此，制定科學(xué)全

12、面的風(fēng)險(xiǎn)防范措施是預(yù)防財(cái)務(wù)危機(jī)爆發(fā)所必須的。
　　本文的研究采用了多種研究方法。具體來說，在確定初始指標(biāo)集之前使用峰度和偏度來判定是否服從正態(tài)分布，由于指標(biāo)數(shù)據(jù)均不服從正態(tài)分布，于是采用秩和檢驗(yàn)進(jìn)行均值差異分析。在logistic模型中，采用了Spearman秩相關(guān)分析，效度檢驗(yàn)則采用KMO和Bartlett's Test，使用因子分析法進(jìn)行指標(biāo)降維處理。在基于熵權(quán)法的神經(jīng)網(wǎng)絡(luò)模型中，首先使用MATLAB計(jì)算指標(biāo)的熵值，通過排序來

13、刪除變異程度不高的指標(biāo)，再利用clemintine快速構(gòu)建神經(jīng)網(wǎng)絡(luò)模型。
　　本文的創(chuàng)新點(diǎn)主要有以下兩個(gè)方面:
　?、傩轮笜?biāo)的引入。其一為財(cái)務(wù)狀況（綜合）指標(biāo)，它是把幾個(gè)重點(diǎn)指標(biāo)糅合為一個(gè)指標(biāo)，保留了指標(biāo)的內(nèi)部作用力。其二是利潤操縱指標(biāo)，體現(xiàn)了財(cái)務(wù)會(huì)計(jì)信息被操縱的程度，被引入之后對模型預(yù)測準(zhǔn)確率的提升有很大的影響。
　?、诒疚膶㈧貦?quán)法與神經(jīng)網(wǎng)絡(luò)模型相結(jié)合運(yùn)用于制造業(yè)上市公司的研究。對通過了均值差異檢驗(yàn)的指標(biāo)計(jì)算熵值，對

14、指標(biāo)的熵權(quán)進(jìn)行排序來篩選重要的指標(biāo)。將此種集成的方法用于研究制造業(yè)上市公司的財(cái)務(wù)危機(jī)預(yù)警模型并進(jìn)行詳細(xì)論述，是本文的創(chuàng)新點(diǎn)之一。
　　在最后的結(jié)論部分，對財(cái)務(wù)預(yù)警模型的未來進(jìn)行了展望并總結(jié)了不足（包括本文的指標(biāo)選取只是針對制造業(yè)，指標(biāo)在其他行業(yè)的運(yùn)用中還存在局限性等）。指出未來可以從指標(biāo)的擴(kuò)充著手進(jìn)一步的研究，包括本文囿于各種原因未能加入新模型進(jìn)行分析的β與股價(jià)偏離度，還有傳統(tǒng)分析中的行業(yè)、地區(qū)相關(guān)指標(biāo);同時(shí)，本文并未采用Cox生