《Z值模型(翻译版)》由会员分享，可在线阅读，更多相关《Z值模型(翻译版)（56页珍藏版）》请在金锄头文库上搜索。
1、. . 公司财务分布预测:修订 Z-S SCORE 和 ZETA模型edward i. altman *2000年7月* 纽约大学斯特恩商学院 max l. heine 金融教授。本文改编自 e. altman, 财务比率、判别分析和公司破产预测。金融杂志, 1968年9月;ad. e. altman、r. haldeman 和 p. narayanan, zeta 分析: 识别公司破产风险的新模式,银行与金融杂志, 1977年1月1日。 . . . 预测公司的财务困境:重温 z 分和 zeta模型背景本文讨论了两种评估工业危难的令人尊敬的模型。公司。这些是所谓的 z-分数模型 (1968)
2、和 zeta1977) 信用风险模型。这两种型号仍在被从业者使用全世界都是后者是 zeta services inc. (nj, hoboken) 订户的专有模式。本摘要的目的有两个方面。首先, 研究了业务失败的这些独特特征, 以便具体说明和量化作为公司困境的有效指标和预测指标的变量。通过这样做, 我希望强调使用财务比率所固有的分析价值和实际价值。具体而言, 一套金融和经济比率将在企业危难预测的上下文中使用多重判别统计方法进行分析。通过这项工作, 我将不仅探讨潜在破产的可量化特征, 而且还探讨一个非常恶意的人的效用d 财务分析技术: 比率分析。尽管我们将要讨论的模型是在1960年代末和70年代
3、中期开发的, 但我将把我们的测试和发现扩大到包括适用于未公开交易的公司, 并将其应用于非制造业还提到了一种新的新兴市场企业债券债券评级等价模型。后者使用的是一个名为 z 的 z-分数模型的版本。本文还更新了1999年对违约和破产的预测测试。正如我在1968年首次写的那样, 在 20世纪90年代末, 学者们似乎正在朝着消除比率分析作为评估企业绩效的一种分析技术的方向发展。理论家降级套利y 经验法则 (如公司比率比较) 被从业者广泛使用。由于对比率分析相关性的攻击来自学术界的许多尊敬的成员, 这是否意味着比率分析是仅限于 螺母和螺栓 的世界？或者, 这种方法的意义是否没有吸引力, 因此受到了不公平
4、的阻碍？我们能不能弥合传统比率分析与更严格的差距, 而不是切断这种联系？近年来在院士中流行的统计技术？除了我们的主要兴趣, 公司破产, 我也关注的是比率分析作为一种分析技术的评估。应该指出的是本文部分材料的基础研究是在1967年进行的, 随后的几项研究对 z-分数模型及其有效性进行了评论, 包括1995年对新兴市场产品的信用分析进行了改编的影响。而且, 作者共同开发了1976年开发的 第二代 模型 (zeta)。传统比率分析发现公司经营和财务困难是一个特别容易分析的问题与财务比率。在制定公司业绩量化计量之前, 设立了机构, 以提供评估特定商家信誉的定性信息。(例如, 先行者 of 著名的 du
5、n & bradstreet, inc. 于1849年在俄亥俄州辛辛那提成立, 目的是提供独立的信贷调查)。与商业失败的征兆有关的正式综合研究在20世纪30年代是显而易见的。其中一个经典在比率分析和破产分类领域的工作是由海狸 (1967年) 进行的。从真正意义上说, 他对一些破产的单变量分析预测器设置的多变量尝试的阶段, 由这个作者和其他, 随后。比弗发现, 一些指标可以区分失败和非倒闭公司的匹配样本, 时间长达失败前的五年。他质疑多元分析的使用, 尽管一位讨论者认为尝试此过程。z-分数模式就是这么做的。迪金随后的一项研究 (1972年) 使用了比弗分析的14个变量, 但他将它们应用于一系列多
6、元判别模型中。上述的存根这意味着作为破产的预测因素的比率的明确潜力。一般来说, 衡量盈利能力、流动性和偿付能力的比率是最重要的指标。它们的重要性顺序并不清楚, 因为几乎每一项研究都引用了不同的比率是即将出现的问题的最有效的指示。尽管这些作品对特定测量的性能和趋势确立了某些重要的概括, 但对结果的调整评估公司的破产潜力, 无论是理论上的还是实践上的, 都是值得怀疑的。在几乎所有情况下, 方法本质上都是单一的, 重点放在即将出现问题的个别信号上。比率分析前以这种方式的存在是容易被错误的解释, 并有可能是混乱。例如, 盈利能力和偿付能力记录不佳的公司可被视为潜在破产。然而, 由于其高于平均水平的流动
7、性,情况可能不被认为是严重的。在几家公司的相对业绩方面可能存在的模糊之处是显而易见的。任何单变量分析所固有的缺点的症结就在其中。以前的适当扩展因此, 所引用的研究将在其研究结果的基础上, 将若干措施结合到一个有意义的预测模型中。在这样做的时候, 将强调而不是降级比率分析作为一种分析技术的亮点。的问题(1) 比率是最重要的。发现破产潜力, (2) 应附加哪些权重到这些选定的比率, 以及(3) 权重应如何客观确定。判别分析后仔细考虑问题的性质和本分析的目的, 我选择了多重判别分析 (mda) 作为适当的统计技术。虽然没有回归分析那么流行, 但 mda 已经被用于一个变量中y 的学科, 因为它的第一
8、次应用在20世纪30年代。在早期, mda 主要用于生物和行为科学。近年来, 这种技术在实际商业领域也越来越流行。在学术界。奥特曼等。(1981) 深入讨论判别分析, 并回顾了几个财务应用领域。mda 是一种统计技术, 用于将观测结果分为若干先验分组取决于观察的个性特征。它主要用于对因变量以定性形式出现的问题进行分类和预测, 例如男性或女性、破产或非破产。因此, 第一步是建立h 显式组分类。原始组的数量可以是两个或多个。一些分析人士将判别分析称为 倍数, 只有当组数超过两个时。我们倾向于多重概念指的是多元性质分析。在组建立后, 将收集组中对象的数据; 在建立组之后, 将收集组中的对象的数据。m
9、da 以其最简单的形式试图推导出这些特征的线性组合, 这些特征 最佳 区分了群体。如果一个粒子例如, 一个公司的对象具有特征 (财务比率), 可以在分析中量化给所有的公司, mda 确定一组判别系数。当这些系数应用于实际比率时, 一个基础分类到一个相互排斥的分组存在。mda 技术的优点是考虑到相关公司共有的特征的整体特征, 以及这些专业人员的相互作用。佩蒂。另一方面, 单变量研究只能考虑一次一个用于小组分配的测量。mda 的另一个优点是在维度上减少分析师的空间, 即从不同自变量的数量到 g-1 维度, 其中 g 等于原始的先验组。这种分析与两个格鲁有关由破产和非破产公司组成。因此, 分析被转换
10、为其最简单的形式: 一个维度。判别函数, 形式 z = v1X1, 12X2+. + vnXn变换单个变量值为单个变量值蚂蚁得分, 或 z 值, 然后用于对对象进行分类, 其中V1X2, . . . .Vn= 判别系数和 v1X2, . . . .Xn= 自变量mda 计算判别系数;Vi而自变量 xi是实际值。在评估公司破产潜力时, 使用一份全面的财务比率清单时, 有理由相信, 有些测量结果会有彼此高度的相关性或共线性。虽然这一方面在判别分析中并不严重, 但它通常会促使仔细选择预测变量 (比率)。它还具有潜在的优势相对较少的选定测量, 传达了大量的信息。这些信息很可能表明各群体之间的差异, 但
11、这些差异是否显著和有意义, 这一点更为重要, 因为分析的建议。也许 mda 在处理分类问题方面的主要优势是有可能同时分析对象的整个变量轮廓, 而不是按顺序检查其个人的特点。正如线性和整数规划对传统的资本预算技术进行了改进一样, mda 方法与传统的比率分析方法一样, 也有可能正确地重新表述问题。具体来说, 组合可以将比率离子一起分析, 以消除在早期传统比率研究中观察到的可能的歧义和错误分类。正如我们将看到的, z-分数模型是一个线性分析, 因为五个度量值是客观加权和总结, 以得出一个总分, 然后成为企业分类的基础之一先验分组 (苦恼和不苦恼)。z-评分模型的开发样品选择初始样品由 66 co
12、组成。与这两个集团中的每一个有33家公司进行了合作。破产 (受困) 集团 (第1组) 是在1946年至1965年期间根据国家破产法第十章提出破产申请的制造商。20年并不是最好的选择因为平均比率确实会随着时间的推移而变化。理想情况下, 我们倾向于检查时间 t 的比率列表, 以便在接下来的时间段对其他公司做出预测 (t+1)。不幸的是, 由于数据 limi 的原因, 无法做到这一点定。认识到这个群体并不完全是同质的 (由于行业和规模的差异), 我试图作出一个精心挑选的非破产 (非苦恼) 公司。第2组由一个对样本的制造公司选择了分层随机的基础上。这些公司按行业和规模进行分层, 资产规模限制在 1 5
13、00万至 2 500万美元之间。第二集团的公司平均资产规模 (960万美元) 略高于第1组, 但马钦g 这两个群体的确切资产规模似乎没有必要。在分析时, 第2组的公司仍然存在。此外, 收集到的数据来自与为破产公司编制的年份相同。对于最初的样本e. 测试时, 数据来自破产前一个年度报告期的财务报表。这些数据来自于穆迪工业手册以及选定的年度报告。财务报表的平均交货时间为大约七个半月。一个重要的问题是确定要取样的资产大小组。决定从最初的抽样中取消小公司 (总资产低于100万美元) 和非常大的公司由于第1组中公司的资产围。此外, 在1966年之前, 这家大型资产公司的破产事件相当罕见。这从1970年开
14、始改变了, 出现了几个非常大的破产, 例如, pencen自1978年以来, 大规模的工业破产数量也有所增加。自一九七八年 (现行破产法制定以来) 以来, 共有至少100篇第11章破产个案, 超过10亿元。一个频繁的论点是, 财务比率就其性质而言, 具有按规模缩小统计数据的效果, 因此消除了大量的规模效应。z-分数模型, 下面讨论, 似乎是足够强大, 以适应大公司。zeta 模式确实包括规模较大的问题公司, 无疑与大小公司都相关。变量选择在确定了最初的组并选定了公司之后, 资产负债表和损益表数据被共同是的由于在过去的研究中发现大量变量是公司问题的重要指标, 因此为评价遵守了一份22个可能有用的
15、变量 (比率) 的清单。这些变量被分为五个标准大鼠包括流动性、盈利能力、杠杆、偿付能力和活动。比率是在根据它们在文献中的受欢迎程度和与研究的潜在相关性, 并在 t。他的分析。海狸研究 (1967年) 的结论是, 现金流与债务的比率是最好的单一比率预测指标。我1968年的研究没有考虑到这一比率, 因为缺乏一致和准确的折旧和现金流数据。的结果然而, 获得仍然优于海狸获得的结果与他的单一最佳比例。现金流量措施已列入 zeta 模型测试 (见下文讨论)。从最初的22个变量列表中, 选择了5个变量作为最佳整体工作在一起预测公司破产。此配置文件并不包含独立测量的所有最重要的变量。这不一定会对前面描述的单一分析进行改进。公司对整个配置文件的归因进行了评估, 由于这个过程本质上是迭代的, 因此没
