| 基于不平衡支持向量机的上市公司财务预警系统研究 |
| 来源：一起赢论文网 日期：2013-06-02 浏览数：3596 【 字体： 大 中 小 大 中 小 大 中 小 】 |
|
摘 要 基于不平衡支持向量机的上市公司财务预警系统研究 企业在生存和发展的过程中，要面临各种风险，应对财务危机。特别是 2008 年全球金融危机的爆发以及当前欧美经济增速乏力，造成我国企业破产的情况屡见不鲜。所以，在当前的经济背景下，对企业的财务状况进行预警显得尤为重要，构建一种财务危机预警系统已经成为我国企业的迫切需求。 目前，我国财务危机预警的相关研究还处于起步阶段，大量的实证研究还是借鉴国外的一些传统方法。近年来，机器学习是人工智能与模式识别领域研究的重要内容。以统计学习理论为基础而发展起来的机器学习方法——支持向量机，已经成为机器学习界的研究热点，并在很多领域取得了成功的运用，其在处理小样本、非线性、高维数据等方面已经表现出优于其他方法的特质。由于企业财务数据中高维、非线性等特征严重影响着预警系统的准确性，所以将支持向量机算法应用到企业财务危机预警模型中，利用其在处理小样本、非线性、高维数据等方面的优异特质来提高模型精度，会为企业进行财务预警提供一个具有参考价值的方法。 本文首先介绍了选题的背景和意义，回顾了国内外的研究现状；其次详细阐述了企业财务预警系统的基本理论和概念，确定了财务预警模型的样本数据和预警变量，分别利用归一化和主成分分析法对预警变量进行相应的预处理；然后采用标准 C-SVM 构建企业财务预警模型；针对当样本数据不平衡时, 标准 C-SVM 模型的预测具有倾向性缺陷，分别从算法和数据两个层面改进支持向量机算法，对于标准 C-SVM 模型，通过设置不同的惩罚参数，采用Biased-SVM 进行算法改进，对于不平衡数据集，利用 SMOTE 方法生成出新样本，使不同类别的数据趋于平衡，从而提高分类器精度；最后对各种预警模型进行训练和预测效果检验。实证结果显示：本文改进的 SMOTE-Biased-SVM 财务预警模型的训练效果比较理想，对上市公司的财务预警准确率可以达到 84%。 关键词：财务危机；财务预警；支持向量机；不平衡数据；SMOTE 算法 Abstract Financial Early-warning System of Listed CompanyBased on Biased Support Vector Machine The enterprises will face with various risks and cope with the financial crisis during thesurvival and development. Especially the outbreak of the financial crisis in 2008 and the currentEuropean and American economic growth is weak, resulting in numerous cases of China'sEnterprise Bankruptcy. Therefore, in the current economic context, the financial position of theenterprise warning is particularly important. The current enterprises have become an urgent need tobuild a financial crisis early warning system.At present，the research on financial crisis early-warning in China is in a infancy．A lot ofempirical researches draw on traditional methods abroad. In recent years, machine learning is animportant part of the research in the field of artificial intellige nce and pattern recognition. Based onstatistical learning theory developed new machine learning method---support vector machine hasbecome a research hotspot of machine learning community, and made successful use in many areas,its processing of the small sample size, non- linear, high-dimensional data has shown characteristicssuperior to other methods. Due to corporate financial data in high-dimensional, nonlinearcharacteristics severely affect the accuracy of the early warning system, so this paper will applysupport vector machine algorithm to the enterprise financial crisis early warning model, the use ofthe excellent qualities in dealing with a small sample, non- linear, high-dimensional data to improvemodel accuracy and provide a valuable reference method for financial early warning of theenterprises.This article from domestic enterprises financial crisis proceed, first introduced the backgroundand significance of the topic and a review of the research status home and abroad; secondelaborated the theory of enterprise financial crisis and financial crisis warning, determined thesample data and warning variables of the model of financial crisis early warning, respectivelynormalized and principal component analysis of early warning variables corresponding pretreatment;and then used the standard C-SVM to build a model of enterprise financial early warning, forunbalanced sample data, predictions of the standard C-SVM can have some tendentious defects, sohave a proposal of improved support vector machine algorithm from the algorithm level and datalevel, we can use Biased-SVM algorithm to improve the standard C-SVM model by settingdifferent parameters of the punishment, we can use SMOTE method to generate a new sample forimbalanced data sets, so as to balance the different categories of data, and thereby improve theaccuracy of the classifier; at last we have a train of various early warning model and inspect theeffect of prediction.The empirical results show that: the training effect of the SMOTE-Biased-SVM model offinancial early warning improved in this paper is ideal, and the accuracy rate of financial earlywarning of listed companies can reach 84%. Keywords:Financial Crisis; Financial Early-warning; Support Vector Machine; Imbalance Data; SMOTEAlgorithm 目 录 第 1 章 绪 论 ..........................................1 1.1 研究背景和意义....................................... 1 1.1.1 研究背景 ......................................... 1 1.1.2 研究意义 ......................................... 2 1.2 国内外研究现状....................................... 3 1.2.1 国外研究现状...................................... 3 1.2.2 国内研究现状...................................... 4 1.3 本文主要研究内容..................................... 5 第 2 章 企业财务预警系统综述 ...............................6 2.1 财务危机的基本概念及产生原因.......................... 6 2.1.1 财务危机的基本概念 ................................ 6 2.1.2 财务危机的产生原因 ................................ 6 2.2 财务预警系统的概念和方法 ............................. 7 2.2.1 财务预警系统的概念 ................................ 7 2.2.2 财务预警系统的方法 ................................ 7 2.3 财务危机预警步骤.................................... 10 第 3 章 样本数据和预警变量的选取 ..........................11 3.1 样本数据的选取...................................... 11 3.1.1 样本数据的来源................................... 11 3.1.2 样本的具体选取................................... 11 3.2 预警变量的选取...................................... 12 3.2.1 预警变量的选取原则 ............................... 12 3.2.2 预警变量的初选................................... 13 3.2.3 预警变量的预处理 ................................. 13 第 4 章 标准 SVM 财务预警模型 ..............................17 4.1 SVM 概述............................................ 174.1.1 基本概念 ........................................ 17 4.1.2 硬间隔线性支持向量机 ............................. 18 4.1.3 软间隔线性支持向量机 ............................. 19 4.1.4 软间隔非线性支持向量机 ........................... 19 4.2 C-SVM 财务预警模型 .................................. 21 4.3 数值实验 ........................................... 21 第 5 章 不平衡 SVM 财务预警模型 ............................24 5.1 Biased-SVM 模型 ..................................... 24 5.1.1 Biased-SVM 模型惩罚参数的选择 ..................... 24 5.1.2 Biased-SVM 财务预警模型 ........................... 25 5.1.3 数值实验 ......................................... 25 5.2 SMOTE-Biased-SVM 模型................................ 26 5.2.1 SMOTE 方法对 Biased-SVM 模型的优化 ................. 26 5.2.2 SMOTE-Biased-SVM 财务预警模型 ..................... 27 5.2.3 数值实验 ......................................... 27 5.3 三种模型分类结果对比分析 ............................. 29 第 6 章 结论和展望 .......................................31 参考文献.................................................32 附 录.................................................34 作者简介及在学期间所取得的科研成果.........................38 致 谢.................................................39 第 1 章 绪 论 机器学习是近年来人工智能与模式识别领域研究的重要内容。以统计学习理论为基础而发展起来的机器学习方法——支持向量机(Support Vector Machine，简称 SVM)已经成为机器学习界的研究热点，并在很多领域取得了成功的运用，其在处理小样本、非线性、高维数据等方面已经表现出优于其他方法的特质。企业在生存和发展的过程中，要面临各种风险，应对财务危机，因此，构建一种财务危机预警系统已经成为当前企业的迫切需要。但企业财务数据中高维、非线性等特征严重影响着预警系统的准确度，所以本文将支持向量机算法应用到企业财务危机预警模型中，利用其在处理小样本、非线性、高维数据等方面的优异特质来提高模型精度，为企业财务预警提供一个具有参考价值的方法。 1.1 研究背景和意义 1.1.1 研究背景随着世界经济的快速发展，企业的募集资金渠道逐渐转向资本市场，所以企业的财务状将直接影响到企业管理者、债权人和投资者的三方利益，更是企业能否健康持续发展的关键[1]。现代市场竞争激烈，机遇与风险并存。企业在发展阶段随时可能会面临财务危机，如果不能对其进行及时有效的发现、处理，就会使企业慢慢走向破产。因此，能够及时准确地预测企业财务危机，对企业自身的生存与发展，对保护债权人和投资者的利益，对政府部门的监管，都具有特别重要的意义。 目前，我国已有 2000 多家公司在上海和深圳证券交易所上市，它们已经成为了国民经济的重要支柱，是证券市场健康稳定发展的基石。随着我国资本市场的不断发展和市场经济体制改革的不断深化，特别是加入世界贸易组织以来，在国际化进程的浪潮中，企业所遇到的风险和危机不断增大。企业“超越时”发展的同时，一些企业的衰败速度也是令人惊讶，并且这种现象也屡见不鲜，例如三株药业、巨人集团等。据中国证监会资料统计，1994 年仅有2 家上市公司亏损，而到 2005 年亏损的上市公司数量上升到了 200 多家，仅仅 10 年的时间里，亏损的上市公司数量增加了 100 多倍，而亏损额的增长也是令人触目惊心的，1994 年的3279 万元上升到 2005 年的 400 多亿，增长了 1000 多倍[2]。由此可见，如何采取有效的措施对企业的财务危机进行预警，对提高企业的竞争力、生命力是十分必要的。 我国证券交易所成立以来，中国证监会和沪深两市证券交易所为了保证证券市场的正常 交易秩序以及保护广大投资者和债权人的合法权益，相继制定了一系列的规章制度。例如，中国证监会在 1998 年 3 月发布《关于上市公司状况异常期间的股票特别处理方式的通知》[3]，通知规定，证券交易所要对出现以下情况的上市公司的股票实行特别处理(Special Treatment，简称 ST)：（1）公司出现财务状况；（2）公司出现损害投资者权益的状况。2003 年 4 月，上海、深圳证券交易所又发布了《关于对存在股票终止上市风险的公司加强风险警示等有关问题的通知》[4]，通知规定：对于出现财务状况异常或者其它可能损害投资者合法权益的上市公司将实行 ST 风险警示或者退市风险警示（简称*ST），并且明确了这两种风险警示的差异，同时，该通知也向广大投资者充分警示了上市公司出现终止上市的风险。上市公司被迫带上ST 或*ST 的帽子，不但影响公司未来的生产经营和发展，而且也会给债权人和广大投资者带来巨大的损失[5]。因此，企业未出现财务危机前，就对企业的财务状况进行监控和预警是企业健康发展一个必不可少的过程。一个财务健康并且运营状况良好的企业不但在市场中可以提高自身信誉，也会增强投资者的投资信心，扩展筹资渠道；而陷入财务危机的企业则会由于资金来源短缺，使广大投资者和债权人对其丧失信心，从而面临巨大的风险[6]。所以，研究企业财务危机预警的意义重大。 目前，现代上市公司大多数是通过财务信息系统对企业的财务状况进行管理，财务信息系统是以数据库、internet 网络、财务软件等手段，专门收集、存储、传输和加工财务数据，输出财务信息的系统。财务信息系统还具有财务监督的功能，对企业的财务风险进行预测。现代财务信息系统进行风险预测主要是以企业的财务数据、相关经营资料以及外部环境资料为依据，依靠现有的理论研究成果和先进的信息技术，将企业财务预警的指标和模型信息化，通过分析企业发生财务危机的原因并将其预先通知企业经营者和其他投资者，从而为企业管理者提供决策和依据，实现计算机预警[7]。 1.1.2 研究意义 财务危机通常是由财务正常渐渐发展形成的，它并不是突然的，而是一个渐变的过程。企业的财务危机先兆会在这个过程中表现出来，但它是可以预测的。财务危机预警系统作为一种诊断工具，对于企业防范财务危机的发生、保护投资者和债权人的合法权益，具有十分重要的现实意义，主要体现在以下几个方面[8]： 第一，企业的管理部门可以根据预警模型的结果，适时调整企业的生产经营策略，及时改善财务状况，避免财务危机情况的发生； 第二，企业的投资者，可以根据预警模型的预测结果及时调整自己的投资方向和投资策略，以获得利益最大化； 第三，企业债权人，可以根据预警模型的预测结果评估贷款人是否具备贷款条件以及是否具有破产风险，来制定相关的贷款政策，将自己的风险降低到最低； 第四，政府和银行等国家机构，可以根据预警模型有效的评估企业的经营和财务状况，从而制定宏观层面上的存贷政策，尽量使资源得到优化配置，保证国家财产安全。纵观当前的财务预警系统的研究，所使用理论己比较成熟，也具有较好的预警效果。但由于受到数据量过大、高维、非线性等因素的制约，预测准确度有待进一步提高。因此，有必要借助新的方法与技术来实现财务预警系统。支持向量机作为一门新型的机器学习方法，在很多领域已经取得了成功的应用，将其应用于财务预警领域，对于防范财务危机的发生，为各方面利益相关者提供一个比较可靠地参考依据，都具有比较重要的价值。因此，研究基于支持向量机的财务预警系统现实意义重大。 1.2 国内外研究现状 1.2.1 国外研究现状上世纪 30 年代，西方的很多学者就结合各国上市公司的财务数据陆续开始预测企业财务危机。1932 年，Fitzpatrick 进行了单变量破产预测模型研究，他主要分析了财务正常公司和财务危机公司的一些财务比率。 上世纪 60 年代初期，Beaver 以及 Altman 分别发表了财务危机预警的学术论文，这在财务危机预警史上具有里程碑的意义。Beaver 分别采用均值比较、划分测试和似然分析方法，对1954~1964年间79家破产企业和79家财务状况正常企业的30个财务数据比率进行详细分析[10]。结果显示：现金流量/债务总额、债务总额/资产总额、净收益/资产总额对预测财务危机是相当有效的，其中现金流量/债务总额指标表现最为显着，该指标从破产前一年到前五年的错误率分别为 12%、22%、24%、25%、21%。 1968 年，Altman 首先采用多变量分析技术的对企业财务危机进行分析。他以 1946 年至1965 年间 33 家破产的制造业企业和 33 家财务正常企业作为样本，采用线性多元区别分析法建立区别函数，即 Z 分数模型[11]。1977 年，Altman 对上述财务财务指标进行改进，采用对企业财务状况描述更为全面的 5个财务指标——盈利留存/总资产、股票市值/总负债、息税前利润/总资产、流动资金/总资产以及销售/总资产对 1970 年到 1973 年间财务正常公司和财务危机公司进行预测分析，准确率达到 82%[12]。 上世纪 80 年代末期，随着神经网络理论的兴起，财务危机预测也将神经网络理论引入该领域进行研究。1990 年，Sharda 和 Odour 首先利用 BP 神经网络模型对财务危机进行预测[13]，研究结果表明：BP 神经网络模型具有较好的预测效果。 1992 年，Tam 和 Kiang 分别采用经典决策树算法、线性判别法、k-邻近法、多元逻辑回 归模型和神经网络模型[14]，针对 1985 至 1987 年间 59 家破产和 59 家财务正常银行的财务数据进行比较分析，并对商业银行的财务危机状况进行了预测。研究结果表明：在所有上述模型中，神经网络模型预测精度更高。 1998 年，Luther 分别采用了多元逻辑回归模型和基于遗传算法优化的神经网络算法构建预警模型[15]，研究结果证明：后者模型的预测精度远高于前者。 2005 年，Marc Leclere 分别选取了两个变量：时间依赖和时间独立，将它们对生存分析模型参数估计的影响进行了比较，并应用于财务危机预测中[16]。实验结果表明，时间依赖变量比时间独立变量预测效果更好。 1.2.2 国内研究现状 我国企业财务危机预警的相关研究始于上世纪 80 年代末期，与国外研究相比，仍存在一定的差距。但经过 20 余年的发展，国内的许多学者依据我国的实际国情，采用多种方法进行了大量的探索性研究，得出了很多重要成果。纵观国内学者研究的方法大致由统计类方法向非统计方法过渡，由非统计类方法向机器学习方法过渡，其中统计类方法以多元回归模型为代表，非统计类方法以神经网络和遗传算法为代表，机器学习类方法则以支持向量机为代表。 1986 年，吴世农和黄世忠介绍了具有显着性效应的企业破产财务指标以及国外相关的预警模型，但他们对仅仅从经验角度上对企业财务危机进行分析，没有相关的实证研究[17]。 1999 年，陈静分析了中国的财务状况是否适用于国外的财务危机预警模型，并首先对我国上市公司财务危机预测进行研究[18]。2000 年，陈晓、陈治鸿将被特别处理的上市公司作为财务危机公司[19]，采用多元逻辑回归模型，对我国上市公司的财务危机进行了预测。2001 年，卢贤义、吴世农选取 1998 年至 2000 年我国 70 家处于财务危机和 70 家财务正常的上市公司，作为数据样本，分别采用了 Logistic 回归分析、Fisher 线性判定分析和多元线性回归分析三种方法，对上述数据样本进行预测分析[20]。 2002 年，乔卓等人采用 Levenberg-Marquardt 算法优化前馈神经网络预测模型[21]。通过实证研究发现，优化的神经网络模型的预测精度明显高于 Fisher 判别分析模型和 Logistic 回归模型，但泛化能力有待提高。 2005 年，沈轶和姚宏善将遗传算法的全局寻优能力应用于财务预警模型中，通过优化神经网络模型的输入变量，实现对上市公司财务危机的预测[22]。由于神经网络模型的不稳定性以及泛化能力弱，近几年国内学者主要采用机器学习的方法构建预警模型。2006 年，陈宇和其导师丁香乾首先利用主成分分析法对财务指标进行降维，然后通过支持向量机完成预警模型的建立，取得很好的预警效果[23]，但其训练样本选择较少，泛化能力 有待商榷。2007 年，黄珍和其导师张作泉完成了财务预警系统的多分类问题，将预警类型分成重警、中警和轻警三种情况，利用支持向量机建立多分类预警模型，预警效果比较理想[24]。 2008 年，郎凡和其导师张作泉提出遗传算法改进支持向量机进行财务预警研究，通过遗传算法优化 SVM 的惩罚参数，预测结果达到 87.5%[25]，但是其训练样本数量较少，且没有考虑到样本数据的偏斜性问题。 2011 年，卢永艳和王维国提出基于平均影响值的 SVM 方法[26]，文章通过 SVM 方法筛选出基于平均影响值得预警变量，再利用 SVM 模型进行财务危机预测，并取得比较理想的预测效果。近年来，随着人工智能算法的兴起，支持向量机作为一类新型的机器学习方法，已经成为财务预警领域研究的热点，但是部分研究样本数量选择较少，且没有考虑到样本类数量不平衡问题，作为财务危机和财务健康上市公司，在总体中的数量比例肯定是不平衡的，所以，本文选取了 300 家上市公司，其中财务正常公司 250 家，财务危机公司 50 家，着重研究了样本类数量不平衡的支持向量机财务预警系统，这对于上市公司具有比较重要的现实意义和参考价值。 1.3 本文主要研究内容 本文主要针对上市公司中财务正常与财务危机公司样本数据的严重不平衡性现状，提出不平衡支持向量机来构建预警模型，取得了比较好的预测效果。论文首先论述了研究财务预警问题的背景及其现实意义，大体回顾了国内外的研究现状；其次详细阐述了企业财务预警系统的基本理论和概念，包括财务危机的基本概念，财务预警系统的定义和预警方法；然后结合上市公司的实际情况，选取了样本数据和预警变量；最后分别用三种支持向量机——标准 C-SVM、Biased-SVM、SMOTE-Biased-SVM 和 BP 神经网络构建预警模型，并对各种模型的预测结果进行对比分析。各章节内容可以概述如下： 第 1 章介绍了财务危机预警问题的研究背景、意义及国内外研究现状。 第 2 章阐述了企业财务危机预警的基本理论。 第 3 章介绍了样本数据和预警变量的来源和选取依据。 第 4 章介绍了支持向量机的基本理论，利用标准 C-SVM 构建财务预警模型，并对模型进行训练和预测精度检验。 第 5 章介绍了改进的支持向量机算法——Biased-SVM 和 SMOTE-Biased-SVM，分别用两种改进算法构建财务预警模型，并对模型进行训练和预测精度检验。 第 6 章总结了本论文所作的工作和存在的不足以及下一步研究的方向。 |
| [返回] |
下一篇：基于K均值聚类与支持向量机的电力系统短期负荷预测