基于神经网络方法的财务风险识别.doc

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、Probit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