基于深度學習的上市公司財務(wù)風險預警研究

劉洪濤

一、緒論

(一)研究背景和目的

深度學習（Deep Learning）是基于對人腦神經(jīng)元結(jié)構(gòu)的研究提出的一種很復雜的機器學習分類算法，它在圖像、聲音的識別以及自然語言處理等領(lǐng)域都表現(xiàn)出強大的能力。TensorFlow 是由谷歌人工智能團隊谷歌大腦（Google Brain）開發(fā)和維護的深度學習框架。自2015 年11 月9 日起，TensorFlow 依據(jù)阿帕奇授權(quán)協(xié)議（Apache 2.0 open source license）開放源代碼。

財務(wù)風險預警是指基于企業(yè)歷史財務(wù)數(shù)據(jù)對企業(yè)的財務(wù)風險做出預測。隨著我國資本市場的發(fā)展，上市公司的披露信息的數(shù)量和質(zhì)量都有了很大提升，這為使用深度學習評價上市公司財務(wù)狀況奠定了基礎(chǔ)。

雖然深度學習在人工智能領(lǐng)域表現(xiàn)出了很強大的能力，但是目前理論上缺乏足夠的支撐。2017 年的NIPS（Neural Information Processing Systems）上，谷歌工程師Ali Rahimi 稱，深度學習成為了今天的“煉金術(shù)”?；诖?，本文的寫作目的是在應(yīng)用層面驗證深度學習財務(wù)預警的有效性。

(二)財務(wù)風險的界定

企業(yè)的風險可以分為經(jīng)營風險和財務(wù)風險，其中財務(wù)風險特指企業(yè)在生產(chǎn)經(jīng)營中的財務(wù)活動與財務(wù)治理中所面臨的風險。理論界對于財務(wù)風險的界定分為狹義和廣義兩個層面。財務(wù)風險的狹義觀點是指由于利用負債給企業(yè)帶來的破產(chǎn)風險或普通股收益發(fā)生大幅度變動的風險；廣義觀點認為財務(wù)風險是指企業(yè)整個財務(wù)活動過程存在的不確定性可能導致企業(yè)的實際收益與預期不一致。廣義的財務(wù)風險是一個多變量、多層次的復合性概念，比較接近于企業(yè)整體的風險，最終反映在企業(yè)的財務(wù)報表中。本文中的財務(wù)風險是指廣義的財務(wù)風險。

(三)文獻綜述

受第一次經(jīng)濟危機的影響，西方學者開始財務(wù)風險預警的研究。財務(wù)預警定量分析開始于1932 年Fitz Patrick 進行的一項研究：他以19 對破產(chǎn)和非破產(chǎn)公司作為樣本，運用單個財務(wù)比率將樣本劃分為破產(chǎn)和非破產(chǎn)兩組，發(fā)現(xiàn)判別能力最高的兩個指標是凈資產(chǎn)收益率和股東權(quán)益/負債。1966 年，Beaver 沿著Fitz Patrick 的思路，使用5 個財務(wù)比率作為變量，分別對79 家經(jīng)營成功和79 家經(jīng)營失敗的公司進行了一元判定預測，發(fā)現(xiàn)最好的財務(wù)指標是現(xiàn)金流量/負債，其次是資產(chǎn)負債率。

為減少使用單一指標的片面性，人們開始嘗試使用多變量模型預測財務(wù)風險。1968 年，Altman 提出了Z 計分模型。該模型運用5 種財務(wù)比率來預測財務(wù)風險，分別是營運資金/資產(chǎn)、留存收益/資產(chǎn)、EBIT/資產(chǎn)、股東的權(quán)益資產(chǎn)/負債和銷售額/資產(chǎn)。同樣在20 世紀70 年代，日本開發(fā)銀行調(diào)查部發(fā)表的《利用經(jīng)營指標進行企業(yè)風險評價的新嘗試——利用多變量分析的探索》中使用6 種財務(wù)比率來預測財務(wù)風險，分別是銷售額增長率、總資本利潤率、利息率、資產(chǎn)負債率、流動比率和粗附加值生產(chǎn)率。

1977 年，Altman、Haldeman 和Narayanan 提 出 了ZETA 模型，對Z 模型做了一些優(yōu)化。同年，Martin 第一次建立了多元logistic 財務(wù)風險預警模型。1980 年，Ohlson運用Logistic 模型對1970-1976 年的105 家破產(chǎn)公司和2058 家正常公司進行了財務(wù)預警分析。他發(fā)現(xiàn)以資產(chǎn)規(guī)模、資本結(jié)構(gòu)、資產(chǎn)報酬率和短期流動性四項財務(wù)指標的財務(wù)預警的準確度可達96.12%，同時發(fā)現(xiàn)在研究選用的財務(wù)指標往往滯后于財務(wù)危機的發(fā)生日，所以存在高估預測能力的情況。

財務(wù)風險預警模型先后經(jīng)歷了單變量模型、多變量模型、Logistic 模型等線性模型發(fā)展階段。由于線性模型依賴于嚴格的假設(shè)，且沒有自適應(yīng)學習的能力，人們又探索了人工神經(jīng)網(wǎng)絡(luò)模型等非線性的預測模型。

上世紀80 年代，西方學者開始將人工智能技術(shù)應(yīng)用到企業(yè)財務(wù)風險預警上來。1988 年，Dutta 和Shekhar 首次將神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用到企業(yè)債券等級的預測上。隨后，在1990 年Odom 和Sharda 將神經(jīng)網(wǎng)絡(luò)應(yīng)用到企業(yè)財務(wù)風險預警的問題上。他們以129 家企業(yè)（65 家破產(chǎn)企業(yè)和64 家非破產(chǎn)企業(yè)）作為研究樣本，以Z 模型中的5 個財務(wù)指標作為輸入變量，結(jié)果發(fā)現(xiàn)預測效果比判別分析法好。1993 年，Coats 和Fant 沿著這一思路，繼續(xù)以Z 模型的5 個財務(wù)變量作為輸入變量建立神經(jīng)網(wǎng)絡(luò)模型，結(jié)果發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型比Z 模型更適合于企業(yè)長期財務(wù)風險的預測。

國內(nèi)關(guān)于神經(jīng)網(wǎng)絡(luò)在財務(wù)風險預警中應(yīng)用的研究起步較晚。1995 年，黃小原等在《預測》雜志上發(fā)表了關(guān)于神經(jīng)網(wǎng)絡(luò)預警系統(tǒng)的理論介紹，但由于數(shù)據(jù)量、機器算力都有限，這篇文章只能停留在理論層面。2002 年之后，隨著大數(shù)據(jù)和人工智能應(yīng)用的發(fā)展，與神經(jīng)網(wǎng)絡(luò)和財務(wù)預警相關(guān)的文獻出現(xiàn)快速增長。楊保安等選取了15 項財務(wù)指標、30 個訓練樣本設(shè)計三層（15*15*3）的BP 神經(jīng)網(wǎng)絡(luò)，這篇文章引起了較大的關(guān)注和更多相關(guān)的嘗試，但文章中的神經(jīng)網(wǎng)絡(luò)訓練節(jié)點數(shù)高于訓練樣本數(shù)，可能存在過擬合的問題。黃宏遠等通過變異系數(shù)和相關(guān)系數(shù)對最為常用的衡量公司績效的22 項指標進行初步篩選和二次篩選，將相關(guān)程度較高的輸入轉(zhuǎn)換成少數(shù)幾個因子作為神經(jīng)網(wǎng)絡(luò)的輸入。這種做法類似卷積神經(jīng)網(wǎng)絡(luò)的卷積過程，可以有效減少數(shù)據(jù)的維度。

在大多數(shù)文獻中，訓練神經(jīng)網(wǎng)絡(luò)時訓練集的數(shù)據(jù)量都是幾十到兩三百家上市公司一到兩年的數(shù)據(jù)，很難滿足神經(jīng)網(wǎng)絡(luò)的訓練要求。近幾年來，隨著數(shù)據(jù)獲取技術(shù)、財務(wù)數(shù)據(jù)庫的發(fā)展，數(shù)據(jù)量級的提升使得神經(jīng)網(wǎng)絡(luò)的預測結(jié)果能夠更加可靠。曹興選取A 股全部非ST 上市公司2014 年的數(shù)據(jù)，同時選取2008 至2016 年ST 企業(yè)前兩年的數(shù)據(jù)作為訓練樣本，訓練的神經(jīng)網(wǎng)絡(luò)成功預測了兩年后ST 博元的財務(wù)危機。宋歌等采用2007 年至2016年3513 家上市公司的相關(guān)財務(wù)數(shù)據(jù)為研究樣本，結(jié)果顯示神經(jīng)網(wǎng)絡(luò)對所有上市公司是否陷入財務(wù)危機的預測準確率可以達到72%以上。

(四)本文的研究思路

本文認為，在之前的研究文獻中，大多存在兩方面的問題：第一是對行業(yè)因素考慮不充分，第二是多以ST/非ST 分類作為標記高風險企業(yè)的基礎(chǔ)。首先，不同行業(yè)的企業(yè)的財務(wù)指標呈現(xiàn)的特征并不總是一樣的，如輕、重資產(chǎn)企業(yè)在營運資本、周轉(zhuǎn)率上就有明顯的不同。如果不考慮行業(yè)因素，神經(jīng)網(wǎng)絡(luò)得出的結(jié)論就會出現(xiàn)問題，最終的輸出可能取決于訓練集中輕、重資產(chǎn)企業(yè)所占比重。其次，經(jīng)過對大量ST 企業(yè)財務(wù)指標的分析，本文認為簡單地以ST/非ST 分類方法標記高風險企業(yè)是有問題的，因為ST 公司中存在很多通過盈余管理美化財務(wù)指標的情況，而非ST 公司首年出現(xiàn)虧損并不會被ST，所以公司是否ST 與其財務(wù)指標所反映出情況的好壞沒有確定性的關(guān)系。

本文的研究思路具體可以劃分為以下四步：

1.財務(wù)指標的選取

選取合適的財務(wù)指標，可以代表企業(yè)的財務(wù)狀況并作為神經(jīng)網(wǎng)絡(luò)的輸入。

2.數(shù)據(jù)收集、處理和標記

收集足夠多的數(shù)據(jù)，剔除其中不能使用的數(shù)據(jù)，并按神經(jīng)網(wǎng)絡(luò)的輸入要求進行處理（主要是標準化和標記數(shù)據(jù)的過程）。同時把其中一部分數(shù)據(jù)劃分出來作為測試集，不參與神經(jīng)網(wǎng)絡(luò)的訓練。

3.訓練和調(diào)整神經(jīng)網(wǎng)絡(luò)

搭建并訓練神經(jīng)網(wǎng)絡(luò)模型，通過調(diào)整訓練參數(shù)，獲得一個近似最優(yōu)的預測模型。

4.預測和分析

使用在測試集上表現(xiàn)最好的神經(jīng)網(wǎng)絡(luò)預測部分2018 年非ST 公司的財務(wù)風險，并結(jié)合對這些公司的財務(wù)分析得出預測結(jié)果是否可靠的結(jié)論。

二、神經(jīng)網(wǎng)絡(luò)財務(wù)風險預測體系設(shè)計

(一)財務(wù)指標體系的建立

本步驟包含兩個主要問題：選取財務(wù)指標的數(shù)量和選取哪幾個指標。選取的財務(wù)指標的數(shù)量關(guān)系到神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點個數(shù)，也就關(guān)系到整個網(wǎng)絡(luò)的規(guī)模。在數(shù)據(jù)量有限的情況下，顯然選取的指標不能越多越好，應(yīng)該保持在一個合理的區(qū)間內(nèi)。另一方面，選取什么樣的財務(wù)指標直接關(guān)系到最終預測結(jié)果的好壞。

本文先分析以往研究中被選用次數(shù)較多的財務(wù)指標，再從中選擇本文使用的財務(wù)指標。下表列出了本文文獻綜述中涉及的大部分財務(wù)指標。

表1 文獻綜述中的財務(wù)指標匯總

秦志敏(2012）對我國上市公司財務(wù)預警變量的選擇問題做了一些研究，通過分析這篇論文中提到的國內(nèi)外經(jīng)典研究成果，發(fā)現(xiàn)在經(jīng)典文獻中被使用次數(shù)最多的財務(wù)指標依次是：總資產(chǎn)報酬率、資產(chǎn)負債率、流動比率、總資產(chǎn)周轉(zhuǎn)率、凈資產(chǎn)收益率、產(chǎn)權(quán)比率、留存收益/總資產(chǎn)和營運資本/總資產(chǎn)。非財務(wù)指標中，審計意見和董事所占股份比例被多次使用。在較新的文獻中，被更多考慮的是現(xiàn)金流量指標、每股指標和成長能力指標。

綜合以上信息，本文在選用指標時盡量選用在經(jīng)典文獻中常用的指標，同時選用一些新文獻中使用的指標。本文把選用的指標分為9 類，分別是結(jié)構(gòu)比率、償債能力、盈利能力、營運能力、成長能力、每股指標、現(xiàn)金流量、非財務(wù)指標和反映行業(yè)盈利能力的行業(yè)指標。具體指標的選取如下表所示：

表2 財務(wù)指標體系

(二)數(shù)據(jù)收集、處理和標記

本文中使用的原始數(shù)據(jù)全部取自國泰安數(shù)據(jù)庫及相關(guān)公司財務(wù)報告。參與訓練的有效數(shù)據(jù)條數(shù)為18225 條，包括國泰安數(shù)據(jù)庫中2005 年-2017 年全部滬深A 股上市公司數(shù)據(jù)和2018 年部分滬深A 股上市公司數(shù)據(jù)。本文在數(shù)據(jù)清理時去掉了含缺失項的數(shù)據(jù)和本行業(yè)內(nèi)公司數(shù)量過少的公司數(shù)據(jù)，便于以后的數(shù)據(jù)處理。

一般來說，輸入數(shù)據(jù)可以使用歸一化的處理方法，以消除各指標計量單位不同的影響。但本文采用的數(shù)據(jù)極差較大，經(jīng)初步測試直接歸一化后的數(shù)據(jù)呈現(xiàn)兩極化的特點，此時離差歸一化方法（最大最小值歸一化）就不再適用了。

本文中標準化過程采用Z-score 標準化，這種方法適用于原始數(shù)據(jù)近似服從高斯分布的情況。本文的行業(yè)分類采用證監(jiān)會二級行業(yè)分類（共82 類）。下式中的均值是對應(yīng)指標同年度的行業(yè)均值，標準差是對應(yīng)指標同年度的行業(yè)標準差。

在沒有進行進一步數(shù)據(jù)處理的情況下，本文直接使用標準化后的數(shù)據(jù)訓練了幾次神經(jīng)網(wǎng)絡(luò)。在訓練集上測試神經(jīng)網(wǎng)絡(luò)時，輸出的預測值往往集中在一個較小的區(qū)間中，區(qū)分度較小。經(jīng)分析本文認為，由于ST 公司往往會進行盈余管理美化財務(wù)指標，且一家公司只有連續(xù)虧損才會被ST，所以直接選用ST 公司的財務(wù)指標作為危機企業(yè)的指標是不盡合理的，同時非ST 公司也不一定意味著其財務(wù)狀況良好。

在危機企業(yè)的標記方法上，本文采用了手工標記的方式，重點關(guān)注盈利能力、成長能力、現(xiàn)金流量和行業(yè)指標四個方面。雖然這種方法具有很強的主觀色彩，但實踐證明這種標記方法的效果甚至會優(yōu)于直接使用ST/非ST 分類的標記方法。

(三)訓練和調(diào)整神經(jīng)網(wǎng)絡(luò)

經(jīng)大量實驗，本文訓練的神經(jīng)網(wǎng)絡(luò)確定為3 個隱藏層（14*9*5）、輸出層節(jié)點數(shù)為1 的4 層神經(jīng)網(wǎng)絡(luò)，輸出的結(jié)果經(jīng)Sigmoid 函數(shù)轉(zhuǎn)化為0-1 之間的實數(shù)。

訓練過程中l(wèi)oss 值的下降如下圖所示：

(四)測試結(jié)果

在本階段的測試中按照輸出值的大小進行分級，預測結(jié)果和對應(yīng)級別如下表所示：

表3 基于預測結(jié)果的評級表

測試集為數(shù)據(jù)收集階段隨機選出的100 家正常公司（標記為0）的數(shù)據(jù)和100 家高風險公司（標記為1）的數(shù)據(jù)。在測試集上測試的結(jié)果如下表所示，其中正確率的計算公式為：預測風險級別為3 級及以上的公司數(shù)量/預測風險級別為2 級及以下的公司數(shù)量。

表4 預測結(jié)果統(tǒng)計表

三、應(yīng)用實例

本文從滬深A 股的非ST 公司中隨機抽取55 家，使用這些公司2018 年年報的數(shù)據(jù)計算各指標并標準化，輸入神經(jīng)網(wǎng)絡(luò)后得到如下的結(jié)果：

表5 應(yīng)用實例預測結(jié)果表

本文對預測級別為第5 級的三家公司（股票代碼000502、002186 和002248）進行驗證，三家公司的基本信息如下：

表6 風險等級為5 的公司基本信息

以上三家公司2018 年度主營業(yè)務(wù)收入增長率和總資產(chǎn)增長率均為負數(shù)。綠景控股報告了重大資產(chǎn)出售事項，且其本報告期盈利的原因是子公司廣州明安出售北京明安100%股權(quán)、明安康和100%股權(quán)及南寧明安70%股權(quán)，本期確認投資收益。全聚德披露的信息顯示，其2018 年歸屬股東凈利潤較2017 年幾乎減少一半，營收和利潤的跌幅均為自2004 年上市以來最高。華東數(shù)控披露的審計報告中提到：“華東數(shù)控2016 年度虧損，2017年度利潤主要來源于政府補助和資產(chǎn)處置收益，2018 年度繼續(xù)虧損”，“其流動資產(chǎn)小于流動負債，這些事項或情況表明存在可能導致公司持續(xù)經(jīng)營能力產(chǎn)生重大疑慮的重大不確定性?！?/p>

通過以上簡單分析，三家公司的確出現(xiàn)了財務(wù)危機，可見神經(jīng)網(wǎng)絡(luò)的預測風險較高時，預測的結(jié)果是可靠的。

一般認為企業(yè)財務(wù)狀況的變化是連續(xù)的，企業(yè)出現(xiàn)高度財務(wù)風險暗示著其必然經(jīng)過了中低風險、中風險、中高風險這些階段。財務(wù)風險預警當然是越早越好，所以本文更關(guān)心的是神經(jīng)網(wǎng)絡(luò)輸出中低風險時，預測的結(jié)果是否可靠。再從表5 中預測風險等級為2 的公司中隨機抽取1 家（股票代碼為600692），其基本信息如表7 所示：

表7 風險等級為2 的公司基本信息

亞通股份主要財務(wù)數(shù)據(jù)如表8 所示：

表8 亞通股份2017 與2018 年主要財務(wù)數(shù)據(jù)

與2017 年相比，亞通股份2018 年營收和凈利潤均出現(xiàn)了負增長。亞通股份在其披露的年度報告中表示，2018 年主營業(yè)務(wù)收入較上年減少主要系國際鋼材貿(mào)易減少和房地產(chǎn)交付率下降所致。亞通股份的財務(wù)風險確有增大的趨勢，可見神經(jīng)網(wǎng)絡(luò)輸出中低風險的預測結(jié)果時，仍然可以起到較好的風險提示作用。

四、總結(jié)

本文采用滬深A 股部分上市公司的財務(wù)指標為樣本，使用TensorFlow 框架搭建神經(jīng)網(wǎng)絡(luò)模型，訓練后的神經(jīng)網(wǎng)絡(luò)達到了75%左右的正確率，且在實際應(yīng)用中能起到較好的風險提示作用。本文較之前研究的創(chuàng)新之處主要體現(xiàn)在以下兩點：第一，充分考慮了行業(yè)因素，不僅在指標標準化時采用了行業(yè)均值和標準差，還在神經(jīng)網(wǎng)絡(luò)的輸入中加入了一個基于行業(yè)整體盈利能力的行業(yè)指標；第二，放棄了傳統(tǒng)的基于ST/非ST 公司的分類方式，盡量減少公司盈余管理對預測效果的影響。同時，本文最大的缺陷也在于此，因為這種方法帶有很強的主觀判斷。

本文通過訓練好的神經(jīng)網(wǎng)絡(luò)評價了2018 年部分非ST 公司的財務(wù)風險，并結(jié)合中低風險公司亞通股份的預測情況，驗證了神經(jīng)網(wǎng)絡(luò)在財務(wù)風險預警中的有用性。通過應(yīng)用實例的驗證，可以認為本文訓練的神經(jīng)網(wǎng)絡(luò)在實際應(yīng)用中是比較可靠的。

綜上所述，深度學習在處理非線性問題上有很大優(yōu)勢，在財務(wù)風險預測領(lǐng)域也有很好的表現(xiàn)和發(fā)展前景。