《残差修正之灰色模型应用於财务比率预测》由会员分享，可在线阅读，更多相关《残差修正之灰色模型应用於财务比率预测（20页珍藏版）》请在金锄头文库上搜索。
1、殘差修正之灰色模型應用於財務比率預測 97殘差修正之灰色模型應用於財務比率預測王朝弘嶺東技術學院國際貿易系摘要本文以積體電路(Integrated Circuit)製造業上市的兩家公司為研究對象，選取十五項財務比率為財務績效指標，以灰色預測模型進行預測IC製造業財務比率分析。為了提高模型預測的準確度，本文使用馬爾可夫殘差修正灰色預測模型，藉此更準確地預測企業之財務比率，提供晶圓代工業擬定營運策略及一般大眾決定投資評估參考，進而與傳統時間數列法、指數平滑法做比較，得知何種方法可提供較準確的財務比率預測，以提供管理者制定公司未來營運計劃。關鍵詞：積體電路、灰色預測模型、馬爾可夫、財務比率壹、緒論一
2、、研究動機與目的IC產業和PC產業是台灣兩大高科技產業，目前台灣位居全球第三大資訊產品生產國，而針對IC產業而言，僅次於美、日、韓，名列全球第四大國。而以消費市場，亞太地區是全球IC市場成長率最高的地區，其中以日本及台灣更是亞洲兩大IC 消費市場。根據ITIS(Industry Technology Information Service)統計，台灣半導體業產值中，自1997年以來國內晶圓代工業的成長率均優於整體半導體業，且為未來最具成長性之產業。因此，晶圓代工業除產值持續成長外，在電腦快速競爭下，對半導體之需求日益增加，顯示晶圓代工業仍將有很大之成長空間。本文以半導體產業中晶圓代工業之兩家龍
3、頭公司為研究對象，建立晶圓代工公司財務績效指標之灰色預測模型，並預測其財務績效指標。然而，一家公司經營是否良好，需透過多方面之觀察及資料之分析，才可評斷；一般而言，評斷之方法可分為財務資訊或非財務資訊之分析，非財務資訊取得不易且難以數量化，形成評斷上之困難；而財務資訊具備取得容易、具客觀性、能數量化及可作為比較基準等優點。因此，財務資訊的分析與運用，對企業管理階層來說，是一個相當重要之課題；對一般大眾而言，亦可透過對財務資訊之分析從事正確之投資進而獲取利潤。財務報表是依一般公認會計原理原則所編製，用來表達企業經營之成果。而財務報表分析是會計資料所提供之最終應用，協助報表使用者更瞭解企業營運狀況
4、，作為決策參考。因為可正確的表現企業之財務狀況，目前已被廣泛的應用於財務評估上。依文獻顯示，分析師會利用財務報表資訊，瞭解企業過去經營歷史、目前營運績效，及評估未來發展潛力，以幫助投資者作決策(張仲岳,1997)。而許多上市上櫃公司每年皆須為下一年之財務資訊提出預測數據，可是證券市場上充斥著一些無科學理論分析所得之財務預測數據，形成投資大眾之無所適從；有鑑於此，許多預測方法被應用於財務預測上，如時間序列法、指數平滑法、迴歸分析法等。由於社會現象的問題極其複雜且多樣化，就傳統的預測方法而言，理論上樣本數在50筆以上才可能有較佳之預測結果，但是實際上卻往往無法獲得有足夠之資料適用於時間序列模型，因
5、此，便有了各種不同預測方法之出現，以弭補無法獲得大量樣本之預測方法的遺憾。各種預測方法之比較如表1所示。在企業經營環境訊息萬變之下，若由上市上櫃公司之公開說明書或年度報表之五年財務資料，以上述預測方法均需大量樣本作財務預測，並不容易得到良好預測效果。如何以最少財務資料得到最佳之財務預測，對企業經營管理者而言應是一項重要之課題。投資大眾面對數百家上市上櫃公司之財務預測資訊，無法判斷其準確性也無法依據這些資訊作出正確之投資決策。本文透過良好預測準確度之灰預測模型，預測上市上櫃公司之財務比率。因各產業特性不同，加上財務比率分析需以過去趨勢、既定標準、同業同比率來比較，否則將影響財務績效評估之公平性。
6、表1：預測方法及其限制數學的方式所需最少數據數據之型態數據之間隔準備時間數學需求簡單指數型5至10個等間距短間隔短基本迴歸分析法10或20個以上同趨勢且具規律性短或中間隔短中等Causal迴歸法10個以上可各種型態相互混合短、中及長間距長高等Box Jenkins法/ARIMA模型50個以上等間距短、中及長間距長高等時間序列壓縮法2個峰值以上同趨勢且具規律性且可自我調整短或中間隔短(稍長)基本類神經網路學習資料龐大等間距及非等間距短、中及長間距長高等灰色預測法4個等間距及非等間距短、中及長間距短基本資料來源：張偉哲等(2000)二、研究限制本文主要目的在建立公司之財務比率預測模式，但是公司之經
7、營績效受到許多因素影響，本文探討內容並不完全涵蓋所有之因素，因此在進行實證研究時受到若干限制，茲說明如下：1.因為財務比率間存在一定之相關性，本文僅針對其中較具有代表性的十五項財務比率分別建立灰預測模型，並沒有包含所有之比率亦無法將所有比率同時進行預測，若業者或後續研究者認為有需要，可以本文所提供之模型，進行其他比率建模預測。2.因為企業採行之投資規模及外在因素等，均影響企業整體財務狀況與經營成果，本文之研究未能考慮基本面之影響，僅就公司之財務比率進行預測，若能考慮非財務因素，將更能反映企業之真實經營狀況。貳、文獻探討比率分析(ratio analysis)係指就某一特定日期或期間，各個項目的
8、相對性以百分比、比率或分數表示之，使原本複雜之財務資訊趨於簡單化，使報表使用者獲得明確而清晰之概念。財務比率之預測應用，大多集中於診斷企業經營是否發生危機之研究，相關文獻中，國內有施淑萍(2000) 針對財務危機預警模式與企業財務特性作研究、林鴻益(2000) 提出企業財務危機預測之模型研究、蘇文娟(2000) 以台灣上市企業財務危機預測作實證研究，而研究企業財務資料預測者，有陳榮方與楊敏里(1997)採用南亞塑膠公司民國81至85年之財務資料，以灰預測模型與迴歸預測法作預測。國外文獻有Gu(1999) 預測旅館經營的潛在危機，研究發現，旅館的破產預測模型與製造業的營運失敗模型有非常相似的共同
9、點。此外尚有Shch and Murtaza(2000)使用類神經網路模型預測電腦產業營運失敗因素，結果發現此模型只限制應用於電腦的軟硬體產業的某些財務比率預測，可得良好預測效果。Greenlee and Trusse(2000)對慈善機構提出財務指標的預測模型，將企業的財務報表中較易受到影響的指標予以預測。根據以上文獻得知，雖然有許多學者針對各種不同產業提出不同的預測方法，希望能找出各產業中，成功或失敗的相關的財務資訊。但在文獻中，對於IC產業的財務預測，沒有廣泛的被討論或提出相關的方法。以上文獻所提出的論文採用研究方法不外乎logit、probit、類神經網路等，均著眼於應用財務比率於企業
10、財務危機預測模式之研究。這些方法在使用上均需符合大樣本之假設前提，而且使用者需具備專業軟體與知識，形成應用上之不便。其中以類神經網路有較高之進入障礙，因為需要大量之歷史資料樣本作為訓練，才能有較好之預測結果。但是，企業財務比率每年有不同之變化，大量之歷史財務比率反而不能真實反應未來之變化情況，形成財務資訊的灰色地帶。因此，如何以企業近期財務比率資料對未來財務比率作短期之預測，對企業主及投資人而言，應是相當重要。預測之方法相當多，如迴歸分析法、ARIMA時間數列法、類神經網路、指數平滑法等，一般企業之單一財務比率通常無法達到大樣本之要求。近年來新興的預測模式以人工智慧(artificial in
11、telligent)為發展方向，廣義之人工智慧涵蓋範圍很大，包括模糊理論(fuzzy theory)、灰色理論(Grey theory)、類神經網路模式(neural network model)及專家系統(expert system)等。因此本文採用適用於少量樣本之灰預測模型進行研究，透過文獻也顯示，灰預測模式較迴歸分析法、指數平滑法及時間數列法等預測方法在少量樣本下有較佳之預測效果(Hsu and Wen,1998; 徐歷常,2001)。因此，目前灰預測模型被廣泛應用於各研究領域，諸如電力系統、財務、航運量、壽險、加權股價指數等方面之預測，並發表相關論文。國內有許巧鶯與溫裕弘(1998);
12、劉定焜與施能仁(1998);施東河與徐桂祥(1999)等。參、研究架構與方法一、研究架構本文實證以兩家晶圓代工公司從1993至1998年之財務比率為樣本資料，預測1999年之十五項財務比率，藉以判斷灰預測模型是否可作為財務比率之預測模型。研究架構如圖一所示。以晶圓代工業上市公司為樣本財務比率選取指數平滑法時間序列模型馬爾可夫殘差修正模型灰預測GM(1,1)模型進行模型精度檢驗預測公司第7年各項財務比率結 論圖1：本文研究架構灰預測模型大多為GM(1,1) 或GM(1,N)之應用註1，其中，GM(1,N)模型適合於建立系統狀態模型，各個動態關聯分析及適合高階系統建模，若預測模型是單變量的模型，即
13、是GM(1,N)中，令N=1，成為GM(1,1)模型，表示一階微分，而輸入變數為一個，來作數值建模(施東河與徐桂祥,1999)。就GM(1,1)模型而言，是使用最近的幾點資料去預測未來值，對於較隨機之資料及中央對稱之曲線時，預測效果不佳，為了提升灰模型在預測上的效果，Hsu and Wen(1998)提出馬爾可夫殘差修正模型修正GM(1,1)模型殘差，可得到良好之效果。本文以傳統的時間數列、指數平滑法及具有良好特性之灰預測方法所建立的財務比率之GM(1,1)模型註2，並藉馬爾可夫殘差修正模式修正其殘差，增進財務比率預測值之準確度，以預測次年財務資料。茲將上述方法敘述如下：二、研究方法(一) G
14、M(1,1)模型建模方式GM(1,1)模型之建立，通常是透過對原始資料的累加生成後求得數據矩陣及係數向量，然後經由灰微分方程求得數列，再經累減生成即可得預測估計式，在此，將GM(1,1)模型建模步驟敘述如下：步驟一：設原始數列為， ，亦即各財務比率之時間序列資料。步驟二：建立累加生成數列，由經累加生成(AGO: Accumulated Generating Operation)形成新數列，保證建模的精度，並提高預測之可信度及改善數據的雜亂性，而，其中，。步驟三：建立灰微分方程式(白化方程)，由建立灰微分方程式為：， (1)其中，。依Wen and Huang(2000)一文結論，為參數且，選用
15、之準則應是適用於最小預測誤差要求時作為最佳值之決定使用。步驟四：建立數據矩陣，並利用最小平方法(Least Square Method)求解待定參數、註3：令，。 (2)步驟五：解微分方程式，依微分方程式求解公式求解，可求得時間響應函數為，其中，。 (3)步驟六：經由累減生成之形成(IAGO：Inverse Accumulated Generating Operation)，來還原預測之數據，可得預測估計式如下：，。 (4)(二) 馬爾可夫殘差修正模式建模方式為修正GM(1,1)殘差，本文針對GM模式之缺點，引用馬爾可夫鏈(Markov Chain)預測模式來捕捉殘差符號上的動態隨機變化，預測殘差符號未來的發展變化，以修正GM(1,1)模型預測準確度。其修正之方法，以正負號2個狀態集合及一組轉移機率矩陣，所建構之2階馬爾可夫鏈，預測未來之殘差符號，茲將馬爾可夫殘差修正模式敘述如下： 首先，定義殘差數據，其中，為財務比率真實值，為財務比率GM(1,1)模型預測值。再將上述殘差序列取絕對值，得序列，如下，其中，。
