財務(wù)困境預(yù)測模型概述財務(wù)困境預(yù)測模型研究的根本問題——\o"財務(wù)困境"財務(wù)困境財務(wù)困境(Financialdistress)又稱“財務(wù)危機(jī)〞(Financialcrisis)，最嚴(yán)重的財務(wù)困境是“企業(yè)破產(chǎn)〞(Bankruptcy)。\o"企業(yè)"企業(yè)因財務(wù)困境導(dǎo)致破產(chǎn)實際上是一種\o"違約行為"違約行為，所以財務(wù)困境又可稱為“\o"違約風(fēng)險"違約風(fēng)險〞(Defaultrisk)。事實上，企業(yè)陷入財務(wù)困境是一個逐步的過程，通常從財務(wù)正常漸漸開展到\o"財務(wù)危機(jī)"財務(wù)危機(jī)。實踐中，大多數(shù)企業(yè)的財務(wù)困境都是由\o"財務(wù)狀況"財務(wù)狀況正常到逐步惡化，最終導(dǎo)致財務(wù)困境或\o"破產(chǎn)"破產(chǎn)的。因此，企業(yè)的財務(wù)困境不但具有先兆，而且是可預(yù)測的。正確地預(yù)測企業(yè)財務(wù)困境，對于保護(hù)投資者和\o"債權(quán)人"債權(quán)人的利益、對于經(jīng)營者防范財務(wù)危機(jī)、對于政府管理部門監(jiān)控\o"上市公司"上市公司質(zhì)量和\o"證券市場"證券市場風(fēng)險，都具有重要的現(xiàn)實意義?？v觀財務(wù)困境判定和預(yù)測模型的研究，涉及到三個根本問題：1、財務(wù)困境的定義；2、預(yù)測變量或判定指標(biāo)的選擇；3、計量方法的選擇。[\o"編輯段落:財務(wù)困境預(yù)測模型分類"編輯]財務(wù)困境預(yù)測模型分類預(yù)測變量或判定指標(biāo)的選擇財務(wù)困境預(yù)測模型因所用的信息類型不同分為\o"財務(wù)指標(biāo)"財務(wù)指標(biāo)信息類模型、\o"現(xiàn)金流量"現(xiàn)金流量信息類模型和市場收益率信息類模型。1、財務(wù)指標(biāo)信息類模型Ahman(1968)等學(xué)者(Ahman，Haldeman和Narayanan，1980；Platt和Platt，1991)使用常規(guī)的財務(wù)指標(biāo)，如\o"負(fù)債比率"負(fù)債比率、\o"流動比率"流動比率、\o"凈資產(chǎn)收益率"凈資產(chǎn)收益率和\o"資產(chǎn)周轉(zhuǎn)速度"資產(chǎn)周轉(zhuǎn)速度等，作為預(yù)測模型的變量進(jìn)行\(zhòng)o"財務(wù)困境預(yù)測"財務(wù)困境預(yù)測。盡管財務(wù)指標(biāo)廣泛且有效地應(yīng)用于財務(wù)困境預(yù)測模型，但如何選擇財務(wù)指標(biāo)及是否存在最正確的財務(wù)指標(biāo)來預(yù)測財務(wù)困境發(fā)生的概率卻一直存在分歧。Harmer(1983)指出被選財務(wù)指標(biāo)的相對獨(dú)立性能提高模型的預(yù)測能力。Boritz(1991)區(qū)分出65個之多的財務(wù)指標(biāo)作為預(yù)測變量。但是，自Z模型(1968)和\o"ZETA模型"ZETA模型(1977)創(chuàng)造后，還未出現(xiàn)更好的使用財務(wù)指標(biāo)于預(yù)測財務(wù)困境的模型。2、現(xiàn)金流量信息類模型現(xiàn)金流量類信息的財務(wù)困境預(yù)測模型基于一個理財學(xué)的根本原理：\o"公司"公司的價值應(yīng)等于預(yù)期的\o"現(xiàn)金流量"現(xiàn)金流量的\o"凈現(xiàn)值"凈現(xiàn)值。如果公司沒有足夠的\o"現(xiàn)金"現(xiàn)金支付到期\o"債務(wù)"債務(wù)，而且又無其他途徑獲得\o"資金"資金時，那么公司最終將破產(chǎn)。因此，過去和現(xiàn)在的現(xiàn)金流量應(yīng)能很好地反映公司的價值和破產(chǎn)概率。在Gentry，Newbold和Whitford(1985a；1985b)研究的基礎(chǔ)上，Aziz、Emanuel和Lawson(1988)開展了現(xiàn)金流量信息預(yù)測財務(wù)困境模型。公司的價值來自經(jīng)營的、政府的、債權(quán)人的、\o"股東"股東的現(xiàn)金流量的\o"折現(xiàn)值"折現(xiàn)值之和。他們根據(jù)配對的破產(chǎn)公司和非破產(chǎn)公司的數(shù)據(jù)，發(fā)現(xiàn)在破產(chǎn)前5年內(nèi)兩類公司的\o"經(jīng)營現(xiàn)金流量"經(jīng)營現(xiàn)金流量均值和現(xiàn)金支付的所得稅均值有顯著的差異。顯然，這一結(jié)果是符合現(xiàn)實的。破產(chǎn)公司與非破產(chǎn)公司的經(jīng)營性現(xiàn)金流量會因投資質(zhì)量和經(jīng)營效率的差異而不同，二者以現(xiàn)金支付的\o"所得稅"所得稅也會因\o"稅收會計"稅收會計的處理差異而不同。Aziz、Emanuel和Lawson(1989)比較了Z模型、\o"ZETA模型"ZETA模型、現(xiàn)金流量模型預(yù)測企業(yè)發(fā)生財務(wù)困境的準(zhǔn)確率，發(fā)現(xiàn)現(xiàn)金流量模型的預(yù)測效果較好。3、市場收益率信息類模型Beaver(1968)是使用股票市場收益率信息進(jìn)行\(zhòng)o"財務(wù)困境預(yù)測"財務(wù)困境預(yù)測研究的先驅(qū)。他發(fā)現(xiàn)在有效的\o"資本市場"資本市場里，\o"股票收益率"股票收益率也如同財務(wù)指標(biāo)一樣可以預(yù)測破產(chǎn)，但時間略滯后。Altman和Brenner(1981)的研究說明，破產(chǎn)公司的\o"股票"股票在破產(chǎn)前至少1年內(nèi)在資本市場上表現(xiàn)欠佳。Clark和Weinstein(1983)發(fā)現(xiàn)破產(chǎn)公司股票在破產(chǎn)前至少3年內(nèi)存在負(fù)的\o"市場收益率"市場收益率。然而，他們也發(fā)現(xiàn)破產(chǎn)公告仍然向市場釋放了新的信息。破產(chǎn)公司股票在破產(chǎn)公告日前后的兩個月時間區(qū)段內(nèi)平均將經(jīng)歷26％的\o"資本損失"資本損失。Aharony，Jones和Swary(1980)提出了一個基于市場收益率方差的\o"破產(chǎn)預(yù)測模型"破產(chǎn)預(yù)測模型。他們發(fā)現(xiàn)在正式的破產(chǎn)公告日之前的4年內(nèi)，破產(chǎn)公司的股票的市場收益率方差與一般公司存在差異。在接近破產(chǎn)公告日時，破產(chǎn)公司的股票的市場收益率方差變大。計量方法的選擇財務(wù)困境的預(yù)測模型因選用變量多少不同分為1、單變量預(yù)測模型2、多變量預(yù)測模型：多變量預(yù)測模型因使用計量方法不同分為1）線性判定模型2）線性概率模型3）\o"Logistic回歸模型"Logistic回歸模型。此外，值得注意的是，近年來財務(wù)困境預(yù)測的研究方法又有新的進(jìn)展，網(wǎng)絡(luò)神經(jīng)遺傳方法已經(jīng)開始被應(yīng)用于構(gòu)建和估計財務(wù)困境預(yù)測模型。[\o"編輯段落:上市公司財務(wù)困境預(yù)測模型比較研究[1]"編輯]上市公司財務(wù)困境預(yù)測模型比較研究[1]一、建模方法1.統(tǒng)計方法采用MDA、Logistic回歸、近鄰法，以及分類和回歸樹(CART)四種方法建立統(tǒng)計模型，其中前兩者屬于參數(shù)法，后兩者屬于非參數(shù)方法。MDA和Logistic回歸都屬于多元統(tǒng)計學(xué)方法，根本思路是由一些類別的訓(xùn)練樣本，根據(jù)判別準(zhǔn)則建立判別函數(shù)(模型)，用來對新樣本進(jìn)行分類。這兩種方法的最大優(yōu)點在于具有明顯的解釋性，存在的缺陷是過于嚴(yán)格的前提條件。如兩者都對變量之間多重共線性敏感，且MDA要求數(shù)據(jù)服從多元正態(tài)分布和等協(xié)方差。近鄰法根據(jù)新樣本在特征空間中K個近鄰樣本中的多數(shù)樣本的類別來進(jìn)行分類，因此具有直觀、無需先驗統(tǒng)計知識、無需學(xué)習(xí)等特點。但當(dāng)樣本的維數(shù)較高時，存在所謂的“維數(shù)禍根〞——對高維數(shù)據(jù)，即使樣本量很大，其散布在高維空間中仍顯得非常稀疏，這使得“近鄰〞的方法不可靠CART是一種現(xiàn)代非參數(shù)統(tǒng)計方法，它根據(jù)一定的標(biāo)準(zhǔn)，運(yùn)用\o"二分法"二分法，通過建立二元分類樹來對新樣本進(jìn)行預(yù)測。CART模型宜于理解，能處理缺失數(shù)據(jù)，并且對噪聲有一定的魯棒性。它的缺點是，作為一種前向選擇方法，當(dāng)它引入新的分類規(guī)則時并沒有考慮前面的分類方法，因而有可能同一個分類變量會重復(fù)出現(xiàn)但判別點發(fā)生變化。2.神經(jīng)網(wǎng)絡(luò)方法\o"神經(jīng)網(wǎng)絡(luò)"神經(jīng)網(wǎng)絡(luò)是由大量的簡單處理單元相互聯(lián)結(jié)組成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)。作為非參數(shù)的分類方法，它克服了選擇模型函數(shù)形式的困難，同時對樣本及變量的分布特征沒有限制。采用在財務(wù)困境\o"預(yù)測研究"預(yù)測研究中應(yīng)用最廣的三種神經(jīng)網(wǎng)絡(luò)：反向傳播網(wǎng)絡(luò)(BPNN)、概率神經(jīng)網(wǎng)絡(luò)(PNN)和學(xué)習(xí)矢量量化網(wǎng)絡(luò)(LVQ)來建立模型。BPNN是應(yīng)用最廣泛的一種神經(jīng)網(wǎng)絡(luò)。在建立財務(wù)困境預(yù)測模型時，一般選三層BPNN：輸入層由代表\o"財務(wù)比率"財務(wù)比率的節(jié)點構(gòu)成；隱層節(jié)點個數(shù)由經(jīng)驗試錯法確定；輸出層僅有一個節(jié)點，該節(jié)點輸出值大于預(yù)設(shè)閾值時為一類，小于預(yù)設(shè)閾值時為另一類。PNN主要是用估計各個類別核密度的方法完成樣本分類。當(dāng)用于財務(wù)困境預(yù)測時，PNN通常取三層：輸入層節(jié)點數(shù)等于建模所用財務(wù)比率個數(shù)；中間層節(jié)點數(shù)等于訓(xùn)練集樣本個數(shù)；輸出層節(jié)點數(shù)等于樣本類別數(shù)。與BPNN相比，PNN的優(yōu)勢在于要估計的參數(shù)少，訓(xùn)練時間短，而且能夠?qū)δＰ蜕傻慕Y(jié)果做出概率上的解釋。LVQ是在自組織映射神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上改良的一種有導(dǎo)師監(jiān)督分類器，它允許對輸入樣本按照所屬的類別進(jìn)行指定。用于財務(wù)困境預(yù)測的LVQ由三層節(jié)點組成。輸入層節(jié)點數(shù)等于建模所用的財務(wù)比率個數(shù)，輸出層節(jié)點數(shù)對應(yīng)于輸入樣本的類別個數(shù)。與前兩種神經(jīng)網(wǎng)絡(luò)不同的是，LVQ競爭層的每個節(jié)點只與輸出層的一個節(jié)點相連接，即被指定屬于這個輸出層節(jié)點所對應(yīng)的類別。也就是說，競爭層將輸入矢量分成不同子類，輸出層負(fù)責(zé)將競爭隱層的子類轉(zhuǎn)換為使用者定義的類別。神經(jīng)網(wǎng)絡(luò)具有一些\o"統(tǒng)計方法"統(tǒng)計方法無法比擬的優(yōu)點，如：對數(shù)據(jù)分布的要求不嚴(yán)格；非線性的函數(shù)映射方式；高魯棒性和自適應(yīng)性等。然而，由于神經(jīng)網(wǎng)絡(luò)缺乏統(tǒng)一的數(shù)學(xué)理論，在如何確定\o"網(wǎng)絡(luò)結(jié)構(gòu)"網(wǎng)絡(luò)結(jié)構(gòu)、如何提高模型的解釋性、過學(xué)習(xí)和局部極小點等問題上還未有實質(zhì)突破，并且實際效果也不太穩(wěn)定。3.交叉驗證所謂m重交叉驗證，就是將樣本總數(shù)為n的樣本集隨機(jī)地分成m個不相交的組，每組有nlm個樣本。用(m-1)個組的樣本訓(xùn)練分類器，并用剩余的1個組的樣本作為測試集測試分類器，求得一測試誤差。重復(fù)這一過程，直到m個組中的每一組都成為過一次測試集為止。將m個組所對應(yīng)濺試誤差的平均值作為分類器在整個樣本集上的測試誤差。交叉驗證能減少估計偏差，從而更客觀地評價模型。二、樣本和變量選擇1.樣本選擇我國滬深股市1998～2002五年間258家公司選作建模樣本，其。申ST公司和配對的非ST公司各129家，將2003,2004兩年內(nèi)被ST的106家公司和246家非ST公司作為獨(dú)立的預(yù)測集，所有610家公司假設(shè)是在t年被ST或未被ST。樣本選擇標(biāo)準(zhǔn)如下：1)從1998～2002五年間所有的151家sT公司中剔除因“其它狀況異常〞而被ST的公司22家，保存因“財務(wù)狀況異常〞(“連續(xù)兩年虧損〞或“每股凈資產(chǎn)低于股票面值〞)而被ST的129家公司作為財務(wù)困境公司；根據(jù)同行業(yè)與總資產(chǎn)規(guī)模相當(dāng)標(biāo)準(zhǔn)，從同一財務(wù)年度選出129家配對的非ST公司；2)在構(gòu)造預(yù)測集時，為了評價模型實際預(yù)測效果，將2003-2004兩年內(nèi)所有ST公司全部選人預(yù)測集，沒有進(jìn)行任何剔除；在選擇非ST樣本時，同樣為了評價模型實際預(yù)測效果，沒有根據(jù)配對原則來選，只是隨機(jī)地選取了這兩年內(nèi)246家非ST公司；2.比率選擇由于缺乏具體的經(jīng)濟(jì)理論指導(dǎo)，而公司被ST的本質(zhì)原因又不盡相同，所以很難用簡單的幾個財務(wù)比率對財務(wù)困境進(jìn)行充分描述。研究者選用的財務(wù)比率有所差異，通常選擇盡可能多的財務(wù)比率，這些不同的財務(wù)比率反映著企業(yè)不同的財務(wù)側(cè)面，如\o"盈利能力"盈利能力、\o"償債能力"償債能力、\o"營運(yùn)能力"營運(yùn)能力和現(xiàn)金能力等方面。從研究結(jié)果來看，得出的預(yù)測財務(wù)困境最有效的財務(wù)比率也不盡相同心。財務(wù)比率共有41個(見下表)，反映了企業(yè)財務(wù)狀況的各個方面，以便從中找出統(tǒng)計檢驗顯著性強(qiáng)的比率進(jìn)行建模三、模型選擇為了消除財務(wù)比率量綱和數(shù)量級差異的影響，首先對原始數(shù)據(jù)進(jìn)行\(zhòng)o"標(biāo)準(zhǔn)化"標(biāo)準(zhǔn)化，即變換為均值為0和\o"標(biāo)準(zhǔn)差"標(biāo)準(zhǔn)差為1的新數(shù)據(jù)。然后進(jìn)行ST公司和非ST公司財務(wù)比率差異的單變量檢驗。根據(jù)檢驗結(jié)果，首先選出兩類公司間具有\(zhòng)o"顯著差異"顯著差異(P<0.05)的比率：被ST前的(t-2)財政年度包括X3?X9,X11,X15,X17?X26,X19,X31,X37,X40,X41；被ST前的(t-3)財政年度包括X5?X8,X14,X15,X17,X18,X20,X22?X26,X28,X29,X37?X411.統(tǒng)計模型MDA和\o"Logistic回歸模型"Logistic回歸模型預(yù)測變量集(t-2)(t-3)X6,X17,X23,X24,X25X7,X20,X28,X38,X41對于MDA和longistic回歸，首先采用10重交叉驗證+和逐步回歸選擇變量方法對上述初選的比率集進(jìn)行再次篩選，如果某一財務(wù)比率在10次結(jié)果中出現(xiàn)了4次以上。則被選人。然后經(jīng)過多重共線性檢驗剔除冗余變量，最終選出的預(yù)測變量如表2對于近鄰法，仍采用上述財務(wù)比率集{X_6,X_17,X_23,X_24,X_25}和{X_7,X_20,X_28,X_38,X_41}作為(t-2)和(t-3)年模型的預(yù)測變量集。并應(yīng)用10重交叉驗證選擇近鄰數(shù)K，具體如表3。可見，最近鄰(K=1)具有最正確分類效果近鄰法K選擇的10重交叉驗證分析K(t-2)(t-3)總正確數(shù)一類錯誤數(shù)二類錯誤數(shù)總正確數(shù)一類錯誤數(shù)二類錯誤數(shù)124.40.70.723.51.11.232320.820.72.62.5522.22.31.319.83.12.9722.32.41.119.73.13922.52.40.919.93.22.7注:表3-表7中數(shù)據(jù)均為10次交叉測試結(jié)果的平均值由于決策樹屬于非參數(shù)化的自上而下的歸納學(xué)習(xí)算法，所以對于CART模型，不必對變量進(jìn)行篩選但是，為防止“過擬合〞發(fā)生，需要對樹進(jìn)行修剪，修剪程度的大小由10重交叉驗證確定，結(jié)果如下表?？梢?，未剪枝的CART在10個測試集上的平均效果最好，但與剪枝2的效果沒有明顯差異，根據(jù)Occam剃刀原理㈨，選用剪枝度為2的CART模型CART剪枝度選擇的10重交叉驗證分析剪枝程度(t-2)(t-3)總正確數(shù)一類錯誤數(shù)二類錯誤數(shù)總正確數(shù)一類錯誤數(shù)二類錯誤數(shù)024.11.10.622.31.91.8123.81.20.821.91.92223.61.11.121.61.92.33231.31.521.31.82.72.神經(jīng)網(wǎng)絡(luò)模型由于神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)能力和非線性映射能力很強(qiáng)，輸入變量間是否存在多重共線性對數(shù)據(jù)處理結(jié)果的影響不大，因此在構(gòu)建神經(jīng)網(wǎng)絡(luò)模型時沒有進(jìn)行變量篩選，而僅僅使所選財務(wù)比率盡可能包含比較多的信息。選取了X3、X7、X13、X15、X18、X_20、X_24、X25、X29和X41共10個比率作為神經(jīng)網(wǎng)絡(luò)的輸入變量，它們?nèi)娴胤从沉似髽I(yè)的\o"盈利能力"盈利能力、\o"償債能力"償債能力、\o"營運(yùn)能力"營運(yùn)能力和現(xiàn)金能力等各個方面。對于BPNN，采用小隨機(jī)數(shù)作為初始權(quán)值，以使初始點盡量防止局部極小。隱層節(jié)點數(shù)由經(jīng)驗公式確定。(1)其中，s值經(jīng)四舍五人取整后作為中間層節(jié)點數(shù)，m為輸入層節(jié)點數(shù)，n為輸出層節(jié)點數(shù)。由上可知m=10，n=1計算得中間層的節(jié)點數(shù)為6。采用10重交叉驗證確定BPNN的訓(xùn)練誤差參數(shù)，結(jié)果如表5。可見，對于(t-2)年數(shù)據(jù)，誤差參數(shù)為0。06時BPNN的平均效果最好；對于(t-3)年數(shù)據(jù)，誤差參數(shù)為0.09時BPNN的平均效果最好BPNN誤差參數(shù)的10重交叉驗證分析誤差(t-2)(t-3)總正確數(shù)一類錯誤數(shù)二類錯誤數(shù)總正確數(shù)一類錯誤數(shù)二類錯誤數(shù)0.0523.11.61.120.82.12.90.0623.611.221.71.92.20.0823.21.11.521.71.82.30.0922.22.11.5221.52.30.1231.51.320.42.52.9對于PNN，需要用戶設(shè)置的唯一未知參數(shù)是σ，它表示有效的高斯窗的寬度。用10重交叉驗證技術(shù)確定。結(jié)果如下表?？梢?，對于(t-2)和(t-3)年數(shù)據(jù)，σ=1時PNN的平均效果都是最好PNN參數(shù)σ的lO重交叉驗證分析σ(t-2)(t-3)總正確數(shù)一類錯誤數(shù)二類錯誤數(shù)總正確數(shù)一類錯誤數(shù)二類錯誤數(shù)123.21.21.421.41.72.7222.51.61.719.72.33.8322.121.719.32.73.8LVQ的學(xué)習(xí)速率飲由lO重交叉驗證確定，結(jié)果如下表。可見，當(dāng)學(xué)習(xí)速率LR=0.05時(t-2)年模型平均效果最好；當(dāng)LR=0.01時(t-3)年模型平均效果最好。LVQ學(xué)習(xí)速率10重交叉驗證分析LR(t-2)(t-3)總正確數(shù)一類錯誤數(shù)二類錯誤數(shù)總正確數(shù)一類錯誤數(shù)二類錯誤數(shù)0.00