《时间序列远期财务危机预警模型与实证研究》由会员分享，可在线阅读，更多相关《时间序列远期财务危机预警模型与实证研究（14页珍藏版）》请在金锄头文库上搜索。
1、时间序列远期财务危机预警模型与实证研究指导老师：韩德宗 作者：严睿嘉 2003年时间序列远期财务危机预警模型与实证研究摘要： 本研究引入时间序列预测财务数据，并结合前几年的数据建立立体数据匣子，运用因子分析和马氏距离判别法建立上市公司远期财务危机预警模型。本文从沪深A股中选出51家被特别处理（ST和*ST）上市公司和51家与其相配比的上市公司作为研究样本，选用年的财务数据进行因子分析，选取信息含量达90%以上的8个因子建立线性马氏距离判别模型。回判总体准确率为90.2%。本文随机选取A股非样本的25家ST公司和25家非ST 公司作检验，总体判别准确率为88。关键词：财务危机 时间序列 预测 立
2、体数据 因子分析 马氏距离判别财务危机是指企业由于营销、决策或不可抗拒之因素的影响而使经营循环和财务循环无法正常持续或陷于停滞的状态，具体表现包括持续性亏损、无偿付能力、违约和破产。财务危机将给投资者、债权人以及银行等金融机构带来风险，他们需要在投资决策时就能得到警示。因此，建立远期财务危机预警模型具有十分重要的意义。一、文献回顾Fitzatrick（1932）最早对财务困境预测作单变量研究，指出净利润/股东权益和股东权益/负债两个比率的判别能力最高。Beaver(1966)年对破产预测问题有了新的研究成果，提出营运资本流/负债和净利润/总资产的判别准确率最高，同时他还发现用越临近破产日的财务
3、数据进行预测，判别准确率越高。在Beaver之后，研究进入了多变量分析阶段，Altman（1968）构建了一个在公司破产前一年的多元判别模型Z分数模型，其五个变量分别为（期末流动资产期末流动负债）/期末总资产，期末留存收益/期末总资产，息税前利润/期末总资产，期末股东资产的市场价值/期末总负债，本期销售收入/总资产，其模型对估计样本破产前一年的判别准确率为93.9。Ohlson（1980）采用了Logistic回归分析。他认为公司规模、资本结构、业绩和当前的变现能力是影响公司破产的显著变量。在20世纪80年代末，该领域出现了一些新的研究方法神经网络（Neutual Network，即NN法）和
4、基于达尔文进化论的遗传算法（Genetic Algorithms，即GA法）。Coats和Fant（1991）用NN方法对47家财务危机公司和47家配比的财务正常公司进行判别研究，得到了91的判别准确率， Back等人（1997）运用GA作了相关研究。1994年后，我国才有人陆续地以上市公司的财务数据为基础研究公司财务危机预警问题。比较有名的研究成果有陈静（1990）、陈晓和陈治鸿（2000）、徐国祥（2000）、吴世农和卢贤义（2001）、李华中（2001）、姜秀华等（2002）、卢宇林（2002）。在新近的一些研究中，广发证券（2003）用Fishs线性判别模型得出了71.9的判别准确率，
5、用logistic回归模型得出的判别准确率为67.9，用时序立体数据为基础的logistic回归模型判别准确率为71.3。杨保安等（2001）采用三层BP神经网络对财务预警进行了探索。二、 远期财务危机预警模型的建立以往国外在财务预警研究中都忽视了财务数据的时间序列特征及其预测作用，仅从截面上建立判别模型，并且预测期短，通常只有一年 Altman,“Financial Ratios, Discriminant Analysis, and The Prediction of Corporate Bankruptcy”, Journal of Financial,Sep.1968。在我国的研究中，
6、由于我国没有破产制度，违约又很难界定，研究大多根据财务危机的定义（持续性亏损、无偿付能力、违约和破产）和中国证券监督管理委员会于1998年3月16日颁布的证券交字【1998】六号文件关于上市公司状况异常期间的股票特别处理方式的通知的要求（证券交易所要对“状况异常”的上市公司实行股票交易的特别处理（Special Treatment，简称ST），其中所指的“状况异常”，包括“财务状况异常”和“其他状况异常”。前者指“连续两年亏损”或“每股净资产低于股票面值”，后者主要指自然灾害、重大事故等导致公司生产经营活动基本终止、公司涉及可能赔偿金额超过本公司净资产的诉讼等情况。）选取因“财务状况异常”被特
7、别处理的上市公司作为财务危机预警模型的样本。有的论文虽然用了前几年的财务数据分别建立模型 刘旻，2001年，“上市公司财务状况异常的预警分析”，资本经营。，但仍停留在截面分析上，忽略了上市公司陷入财务危机是一个渐进的过程。时间序列可以反映前几个会计年度的财务数据对未来会计年度的不同影响效果，因此，本文希望在前人研究的基础上，引入时间序列预测未来几年财务数据并分析其在财务预警中的影响程度，建立立体数据匣子，运用因子分析和判别分析建立远期财务危机预警模型。我国上市公司当年的财务报告是在次年1-3月公布，被特别处理一般在次年的4月份，也就是，ST和*ST公司在第年被实行特别处理，说明公司在第和年连续
8、两年连续出现亏损或每股净资产低于面值。因此， 年的财务数据不具有预测效果。我们选取年及以前各年的财务数据预测及分析将更合理更有效。1、立体数据因子分析1. 1时间序列自回归模型公司在存续期内每一年的经营状况都会对今后的经营有影响，且间隔年份越近，影响越大 Beaver “Financial Ratios as Predictors of Failure”，1966。文中指出离破产年份越近的数据预测准确率越高，因此我们认为离财务危机年份越近的数据影响效果越大。这种影响具有时间序列的特征。本研究引入这种特征，对样本各项财务指标前几个会计年度的财务数据作符号秩检验，寻找出两组样本存在显著性差异的会计
9、年度，建立阶自回归模型。第个样本第个财务指标的阶自回归过程的一般形式如下： （1）其中，为数据匣子中的财务变量值，其中表示第个样本（）,表示第个财务指标（），表示公司上市第年（），表示第个样本第个指标和的相关系数（）。通过式（1），运用法得出参数的估计值。 （2） 其中， ，表示预测的第年。 由上我们可以通过式（3） （3）对财务数据进行预测。由于时间序列在短期内预测较为有效，我们根据阶自回归模型仅预测年的财务数据（），用这些数据建立模型，可以达到远期预警的目的。1.2因子分析数据的建立公司出现财务危机受多种因素影响，其可从财务数据得到反映，本文用因子分析找出导致上市公司被特别处理的主要影响因
10、素。包含时间序列的数据就好像是一个匣子。匣子按不同的会计年份分层，每一层有完全相同的变量点和变量指标。为了能继续沿用经典主成份分析，我们首先要对立体数据作变换。由于上市公司陷入财务危机是一个渐进过程，每个样本每年的影响程度不同，时间序列自回归模型得出的正反映了这种影响，对其变换后作原始财务数据的权重。我们认为每个样本各个财务指标的是相同的。因此，按如下方法进行处理： （4） 其中，为样本数，且。则加权后的第个样本的第个财务指标的数据： （5）通过上述转换，立体的数据转变为平面的数据，我们便可进行经典的因子分析。2、财务数据的标准化由于财务指标的量纲不同，我们将所有的数据按以下公式： （6）进行
11、标准化。其中 为第个财务指标各样本均值，为第个财务指标各样本的标准差，为时间序列加权后第个样本第个财务指标标准化后的值。3、马氏距离判别从以往的研究中，我们发现用Logistic回归模型的判别准确率总不如判别分析，因此，本文的研究选用判别分析。进行了因子分析后，我们得到了互不相关的因子，这些因子代表了上市公司财务危机的不同影响因素。对其采用马氏距离建立判别函数。组和组间的马氏距离由下式定义： （7） （8） （9）其中， 分别表示组和组第个变量的均值， 分别为组和组的协方差矩阵，分别为组和组间的距离平方。我们将值小于0的判为组，大于0的判为组。三、 实证研究1、样本的选取我国沪、深股市A股共1
12、252家，其中ST和*ST公司127家，比例约为10:1。上市公司的经营状况与行业的发展周期密切相关。因此，我们认为若一个行业中ST和*ST公司占该行业总上市公司数量的比例低于1:10，则说明该行业总体经营状况良好，出现ST和*ST公司不具有普遍性，因此，也就不具备成为样本的基本条件。根据证券交易所上市公司标准行业分类，我们按1：10的比例选取12个细分行业。接着，我们对选取的样本作符号秩检验。由于受篇幅的限制，本文仅举例子说明。我们选取每股收益、年的原始财务数据分别作符号秩检验，结果如下：表1 每股收益的检验(b) T-5T-4T-3T-2Z-1.256(a)-2.446(a)-3.628(
13、a)-4.884(a)Asymp. Sig. (2-tailed).209.014.000.000表1显示年的检验结果显著性概率为20.9%，远远大于5%的置信度，表明ST、*ST公司和非ST公司间不存在显著性差异，因此也就不具有预测效用。而年的检验结果显著性概率均小于5%的置信度，具有显著性差异的。因此，我们选择。由于我国证券市场历史比较短，特别处理制度实行时间更短，数据不足以建立时间序列自回归模型并对预测年份作有效的检验。根据上述分析，我们选取上市4年以上的公司作为样本，年用作建模数据。再次，我们根据以下标准尽可能地找到和ST和*ST公司相配比的上市公司：（1）细分行业相同。在选取样本时是
14、按照同行业进行选取的。如食品加工业有五家ST和*ST公司，那么我们就在食品加工业中再选取五家非ST公司。（2）主营业务尽可能相同。按照一对一配比选取样本，尽可能选取有相同主营业务的上市公司。（3）在年之前上市且用于建立立体数据匣子的会计年度相同。比如(000718)ST吉纸2002年4月被特别处理，那么与该公司配比的样本必须满足其在1998年之前上市的要求。配比样本2000年、1999年和1998年的财务报告数据进入样本。（4）上市日期尽可能相近。同时期上市的公司在政策、发展规模等因素相同或相近，因此更具有可比性。根据上述标准，我们选取了11个细分行业的51家ST公司和51家配比的非ST公司作为建模样本。行业的分类及样本见附录1。2、立体数据的建立2.1权重的设计由于我国证券市场历史比较短，特别处理制度实行时间更短，数据不足以建立时间序列自回归模型并对预测年份作有效的检验。本文将沿用自回归模型的研究思路，稍作调整。已选取的样本对模型的建立是无差别的，我们给每个样本赋相等的权重，同时根据离财务危机年份越近的数据影响越大，参考商业经济预测中的时间序列模型等统计学、财务管理的书籍，我们假设： （10）根据我们选择的统计分析年数，权重分别为。在给各年的数据赋予权重后，我们计算出，并对其进行标准化
