《基于神经网络方法的财务风险识别》由会员分享，可在线阅读，更多相关《基于神经网络方法的财务风险识别（5页珍藏版）》请在金锄头文库上搜索。
1、基于神经网络方法的财务风险识别喻胜华摘要：本文利用上市公司披露的信息数据库为平台，将神经网络方法应用于财务风险识别。实证结论表明：我们不仅把模型的仿真度提高到 100%，而且显著提高了财务状况特征识别的准确率。从而克服了国内以往的数据挖掘研究极大忠诚于外国文献、重理论轻实践的缺点，生动、形象地展现了基于神经网络方法的知识发现过程。关键词：上市公司、财务风险识别、神经网络一、引言在我国的证券市场上，监督上市公司的一个重要的手段就是信息披露，通过信息披露我们可以知道上市公司的财务状况、经营情况、现金流量以及经营决策等有利于外界了解公司、分析公司的信息。投资者通过这些信息决定是否投资，债权人通过这些
2、信息评估债务人的信用，税收部门通过这些信息保证国家税收收入，政府监管部门通过这些信息维护健康的市场环境。所有这些，都需要利用公司的财务报告数据来评价公司的业绩和财务状况，有关这方面的研究已有久远的历史。Fitzpartrick（1932）进行了一项单变量的破产预测研究，他以 19 对破产和非破产公司作为样本，运用单个财务比率将样本划分为破产和非破产两组，发现判别能力最高的是净利润/股东权益与股东权益/负债这两个比率。但一直到 1966 年才有人沿着他的这条思路继续研究财务危机的预测问题。Beaver（1966）提出了单变量判定模型，他首先使用 5 个财务比率作为变量，分别对 79 家经营失败和
3、 79 家经营成功的公司进行了一元判定预测，发现现金流量/负债总额能够最好地判定公司的财务状况（误判率最低），其次是资产负债率，并且离经营失败日越近，误判率越低，预见性越强。1968 年，美国学者 Altman 博士首次利用多元判别分析对财务危机预测进行了研究，他对美国的破产和非破产的生产企业进行观察，采用了 22 个财务比率，经过数理统计筛选建立了著名的 5 变量 Z 值模型，根据判别分析确定的临界值对研究对象进行财务危机判别。Altman 的研究成果克服了单变量模型出现的对于同一公司不同比率预测出不同结果的现象。与此同时，在西方掀起了企业财务危机预测的研究热潮。如 Logit 模型、Pro
4、bit 模型、回归分析、聚类分析、数学规划、K 近邻判别法和专家系统等方法在财务危机预测中的使用。进入 20 世纪 90 年代后，随着科学技术的发展，西方理论界及企业界对上述的线性方法提出了质疑，因为它们的有效性依赖于严格的假设条件，如变量的等方差、独立性及多元正态分布等。只有当这些假设条件满足，这些方法才有很好的效果。同时，海量的财务数据和经营信息并不能给人们一个清晰的认识，过去人们习惯用降维的思想来处理这些海量信息，可是，降维的过程中存在很多人为因素，其中最主要的就是权的确定，虽然人们想出了确定客观权值的方法，但那些方法却不可避免地丢失一些信息，这样一来，人们不得不去追求一种尽可能少地丢失
5、信息，同时又尽可能排除人为因素的方法。神经网络方法就是这样一种方法，它本身就是一个智能系统，在学习的前提下工作。由于它的非线性、非参数和自适应学习等特征，因而可作为模式识别的一个强有力的工具。近年来，神经网络已广泛地应用于经济、金融和管理等领域，其中包括财务危机预测，许多学者运用不同的神经网络模型对企业的财务危机预测进行了研究：I.Poddig 使用了多层感知器（MLP）对财务危机预测进行了研究，结果表明它比多元判别分析（MDA）方法有更好的预测稳定性。L.Kryzanowski 等使用玻尔兹曼机理论（Boltzman Machine）评估了 66 个加拿大公司的财务状况，并用了 14 个财务
6、比率进行分析，结果表明玻尔兹曼机理论是构建神经网络的有效工具，而增加训练样本有助于神经网络预测的准确性。D.Fletoher 等使用交叉检验（Cross Validation）的方法对模型进行了研究，使神经网络的适应性和预测能力有所提高。已有研究表明：神经网络具有对数据分布的要求不严格、非线性的数据处理方法、强鲁棒性和动态性等优点。这使之成为财务危机预测研究中的一个热点。本文把前馈神经网络方法应用于上市公司相关信息的数据挖掘，不仅提高了模型的仿真度，而且显著地提高了财务状况特征识别的准确率。这里要交代清楚的是：实验中我们以公司是否被特别处理（ST）过作为财务风险的评价标准。根据 1998 年实
7、施的上市规则，沪深证券交易所从1998 年 4 月 2 日起，有权对财务状况或其他状况出现异常的上市公司的股票交易进行特别处理，这里的财务状况或其他状况异常主要是指上市公司经审计连续两个年度的净利润为负值，或是上市公司最近一个会计年度经审计每股净资产低于股票面值。二、样本和指标选择本文选择的样本分训练样本和检验样本两类，每类样本分别由代表财务危机的上市公司和代表财务健康的上市公司组成。实证研究中先通过训练样本建立模型，然后用检验样本对模型的预测能力进行检验。作为训练样本和检验样本的存在财务危机的上市公司的选取标准是：（1）只发行 A 股股票的上市公司；（2）其股票于 2000 年 1 月 1
8、日前已在上海证券交易所上市交易的公司；（3）于 2003 年因财务状况异常首次被特别处理（ST）的上市公司。满足条件的上市公司总计 21 家，为了研究方便，把剔除 ST 渝万里（60087）外的 20 家上市公司等分为两组分别作为训练样本和检验样本。训练样本包括：ST 江纸（600053）、ST宁窖（600159）、ST 华丰（600615）等；检验样本包括：ST 啤酒花（600090）、ST 绵高新（600139）、ST 民百（600738）等。作为训练样本和检验样本的财务健康的上市公司的选取标准是：（1）只发行 A 股股票的上市公司；（2）其股票于 2000 年 1 月 1 日前已在上海证
9、券交易所上市交易的公司；（3）截止 2003 年 12 月 31 日从未因财务状况异常而被特别处理的上市公司。从满足条件的财务健康的上市公司中共选取 30 家，其中 20 家作为训练样本，其余 10 家作为检验样本。训练样本包括：中国国贸（600007）、青旅控股（600138）、申能股份（600642）等；检验样本包括：江南重工（600072）、多佳股份（600086）、宁夏恒力（600165）等。根据我国上市公司年报披露制度，上市公司公布其当年年报截止日期为下一年的 4 月 30 日，故上市公司（t-1）年的年报和其在 t 年是否会因财务状况异常而被特别处理这两件事几乎是同时发生的，故我们
10、选择（t-2）年和（t-3）年的财务指标进行判别。考虑到我国财务管理的实际情况，本文从盈利能力、经营能力、偿债能力、成长能力和现金流量等五个方面选择 15 个指标构建评价上市公司财务状况的指标体系，选择作为研究中使用的初始变量，根据证券市场研究、湖南证券网提供的财务数据，计算得到这些指标值。为了选择对ST 公司和非 ST 公司区分能力最强的指标变量以及解决过多的指标带来的多重共线性问题，本文分别进行单变量组间均值相等检验和指标变量的相关性检验，最终选定主营业务利润率 、净资产收益率 、资产负债率 、每股净资产312tt、X32tt、X323tt、X和总资产增长率 十个变量作为自变量用于建模。4
11、tt 5tt三、实证分析前馈神经网络用于预测上市公司财务状况异常的原理是：把用来衡量财务状况的建模变量作为神经网络的输入向量，将代表分类结果的量作为神经网络的输出向量，用训练样本来训练这个网络，使训练样本中的财务状况异常公司和财务健康公司的输入向量对应区分两类不同公司的输出向量，一旦训练完毕，使可作为上市公司财务状况特征识别的有效工具。神经网络设计：财务状况异常特征识别神经网络的建立可视为构建一个包含输入层、若干隐含层与输出层的多层前馈式神经网络。设计的网络输入具有 10 个元素（即 10 个财务指标）的输入向量，输出一个具有 2 个元素的输出向量（正常情况下，对于一个输入，输出向量（1，0）
12、表示符合财务异常状况特征；输出向量（0，1）表示不符合财务异常状况特征）。文中训练样本的目标输出为： 111100 00001根据 Input 的维数，设置 10 个输入节点（即 10 个神经元）；输入层到隐含层之间的传递函数为 Logsig；根据 Target 的维数，输出层设置 2 个节点（即 2 个神经元）；隐含层到输出层之间的传递函数为 Logsig。网络结构见图 1：图 1 基于两年指标的财务状况特征识别神经网络结构图运用 MATLAB6.5 中的神经网络工具箱，选择训练参数：误差目标为 0，最小梯度为 1E-010，自适应因子 的初始值为 0.001，其增加系数为 10，减小系数为
13、 0.1，最大值设定为 1E10，选定输入文件和输出文件，从初始化阶段系统自动给出的初始权值矩阵和偏差矢量出发，对网络进行训练。经过训练可获得输入层与隐含层之间的最终权值矩阵 ，1,iw偏差矢量 ；隐含层与输出层之间的最终权值矩阵 ，偏差矢量 ：1b 1,2iw2b 207.9534.697.32.06.1827.341.689.374.528. 610859502169 8153 .4.0 072359326804178144782 6.1.067.8.9.3.26.21.6. 498157905359 4.5.,iw Tb 40 1908.35.97.286.301.2984.316.02
14、4.3576.4.1 680539,iw82b训练的仿真模拟结果如下： 111100 000011显而易见，网络的仿真度为 100%输入检验样本，让网络进行特征识别的网络输出为： 10101001检验样本的实际特征为： 通过对比我们发现，网络错误识别数为 5，网络特征识别的准确率为 75%。在两年十个指标的特征识别神经网络设计的基础上，我们把输入改为 5 个提前二年的财务指标，输出不变，设计神经网络见图 2：图 2 基于一年指标的财务状况特征识别神经网络结构图通过学习，该神经网络的仿真度达到 100%。检验样本特征识别的输出为： 1110101 00由上可知，网络特征识别的准确率为 80%，该网络对财务健康公司的判断的准确率为100%。在实际判断中，我们可以把两个网络结合起来使用，从而把财务状况识别的准确率提高到 90%。实证结果表明：相对于传统的统计方法而言，神经网络方法凭借其优良的非线性逼近的特点，大大提高了财务状况特征识别的准确率和模型的仿真度，由此可知神经网络方法在处理复杂识别问题时具有巨大的优势。（作者单位：中南大学数学科学与计算技术学院）
