混沌精英引导的深度学习方法构建及其在退市预警中的应用.pdf

摘要

公司退市预警一直是公司财务风险管理领域一个不可忽视的问题。若遭遇财

务危机，可能会导致公司被迫从市场上撤出，对个体乃至整个经济的健康发展都

会带来严重影响，这一点不容忽视。因此，构建一个高效且精准的退市预测模型，

及时向各方发出预警，变得尤为关键。目前，退市预警研究主要依赖于多元线性

回归、Logistic回归以及神经网络等分析方法，这些方法的运用为学者们提供了

有力的工具来探索退市风险，然而这些模型在描绘真实情况时都存在一定局限，

仅呈现出线性或表面上的关联。考虑到公司退市风险的根源十分复杂，传统的模

型已经不能完全展现这种错综复杂的联系。随着大数据时代的到来，深度学习模

型凭借其捕捉高维数据间错综复杂非线性关系的能力，正被广泛应用于各个领域

中。同时，为了进一步提升深度学习模型的性能，我们引入了智能优化算法来优

化影响模型性能的超参数。本文致力于将深度学习模型应用于公司退市风险预警

领域，以期能够获取更为精准的预测效果，为公司财务风险管理提供有力支持。

本研究创新性地提出了一种基于混沌精英鲸鱼优化算法的深度学习退市预

警模型（AWOA-DL），该模型旨在精准预测上市公司在退市预警不同阶段所面临

的财务风险状态，为企业的风险防控提供有力支持。具体而言，在退市预警阶段，

通过分析选定的24个财务指标，依据样本公司（t-2）年度的财务数据，对公司

在t年是否被标记为面临退市风险进行预测。而在退市风险预警状态解除（摘帽）

阶段，则是利用21个财务指标，根据样本公司t年的财务数据，来预测其是否

在（t+1）年摘除风险警示标志。为深入探讨沪深A股上市公司在2002年至2021

年间所面临的退市风险状况，本研究特别选取了这一时间段内每年首次被*ST标

记的公司作为退市风险样本，以期全面揭示其风险特征。同时，每年还选择了与

退市风险公司数量相比5倍的非*ST公司作为财务正常样本。基于7：3的划分

原则，我们将这些样本分别归入训练集和测试集，其中训练集占比70%，测试集

占比30%。在深度神经网络的训练过程中，引入了混沌精英鲸鱼优化算法，建立

了AWOA-DL退市预警模型。最后，使用测试集对AWOA-DL模型进行验证，

并评估其预测准确性。同时，还和Logistic模型、DNN模型和TLBO-DL模型的

预测结果进行了对比。研究发现：AWOA-DL模型在预测上市公司不同阶段的退

市情况时表现出色，尤其是在预测少数类*ST公司样本的退市状态方面，AWOA-

DL模型的预测效果最为显著，胜于TLBO-DL模型，明显优于DNN模型和

Logistic模型。这一结果充分展示了所构建的深度学习模型在解决上市公司退市

预警问题上的较强实用性。基于上述研究成果，本文旨在为公司管理者、相关投

资者以及监管当局提供具有实际价值的建议，以帮助他们更好地应对退市风险，

确保市场的稳定和公司的健康发展。

关键词：退市预警；混沌精英鲸鱼优化算法；深度学习方法；AWOA-DL模型

Abstract

Earlywarningofcompanydelistinghasalwaysbeenanon-negligibleissueinthe

fieldofcorporatefinancialriskmanagement.Ifafinancialcrisisisencountered,itmay

leadtothecompanybeingforcedtowithdrawfromthemarket,whichcanhavea

seriousimpactonthehealthydevelopmentofindividualsandeventhewholeeconomy,

whichcannotbeignored.Therefore,itbecomesespeciallycrucialtoconstructan

efficientandaccuratedelistingpredictionmodeltoprovidetimelywarningtoa