• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      FA-SVM模型在上市公司財務預警中的應用

      2020-03-20 09:59:34黃衍
      北方經(jīng)貿 2020年1期
      關鍵詞:財務預警支持向量機因子分析

      黃衍

      摘要:將因子分析和支持向量機相結合構建組合預測模型,并以317家制造業(yè)上市公司為樣本,進行財務預警研究。結果表明:因子分析提高了支持向量機的判別效率,能有效預測企業(yè)的財務危機,該組合預測模型具有較強的實用價值。

      關鍵詞:財務預警;支持向量機;因子分析

      中圖分類號:F275? ? 文獻標識碼:A

      文章編號:1005-913X(2020)01-0102-02

      財務預警模型是指利用企業(yè)財務指標或非財務指標體系來預測或判斷企業(yè)財務狀況的模型。傳統(tǒng)的財務預警方法主要有:單變量判別分析、多元判別分析、Logistic回歸模型、Fisher模型、Bayes模型等。傳統(tǒng)的模型通常建立在嚴格的假設前提下,然而現(xiàn)實中有些假設往往很難滿足,從而導致模型的判別效率不高。隨著數(shù)據(jù)挖掘技術的發(fā)展,神經(jīng)網(wǎng)絡被應用到財務預警中,且被證實其判別能力優(yōu)于傳統(tǒng)的模型。支持向量機作為一種新的神經(jīng)網(wǎng)絡,擁有強大的分類泛化功能,已在眾多領域得到了廣泛的應用。雖然支持向量機的判別準確率很高,但對多元共線性敏感,當變量的相關程度較高時,將會影響到模型的預測準確率。因此,引入因子分析法對樣本變量進行處理,使其不存在共線性問題,同時降低了問題的維度,提高了計算速度。

      一、因子分析和支持向量機組合模型

      首先將原始數(shù)據(jù)進行因子分析(FA),即對原始變量進行特征提取和壓縮,得到低維度且不相關的數(shù)據(jù),也就是將大量的輸入變量濃縮成幾個公共因子。然后將新的數(shù)據(jù)輸入到支持向量機(SVM)中,進行模型訓練,從而建立因子分析和支持向量機組合的預測模型(FA-SVM)。圖1是FA-SVM模型的流程圖。

      二、FA-SVM財務預警模型的應用

      (一)模型樣本的選擇

      將上市公司財務狀況虧損作為財務危機的標志,在選取危機企業(yè)樣本時,以因連續(xù)兩年虧損而被標注*ST的制造業(yè)企業(yè)為危機企業(yè),排除因其他原因被標志*ST的企業(yè)。選取滬深兩市A股市場上2015-2017年三年中被標注*ST的制造業(yè)公司共77家,非*ST公司240家。假設被標注*ST的年份是第t年,選擇樣本公司t-3年的財務年報數(shù)據(jù)來建立模型。數(shù)據(jù)均來至銳思金融研究數(shù)據(jù)庫。

      (二)財務指標體系

      1.財務指標的初步選擇

      為了比較全面地反映企業(yè)的財務狀況,在參照國內外學者己有的研究成果的基礎上,并結合我國制造業(yè)上市公司的實際情況,初步選取了25個財務指標,涵蓋盈利能力、償債能力、成長能力、營運能力、現(xiàn)金流量五個方面,具體見表1。

      2.財務指標的檢驗

      進入模型的變量應在*ST公司和正常公司之間有顯著差異,才能得到較好的判別效果。采用獨立樣本T檢驗對各指標進行篩選。在顯著性水平0.05的情況下篩選出15個指標,見表2。

      (三)因子分析

      對數(shù)據(jù)進行KMO檢驗和Bartlett球形度檢驗,其中KMO=0.596,同時Bartlett球形度檢驗給出的相伴概率為0.0000,即Sig=0,小于顯著水平0.05,因此,認為數(shù)據(jù)適合于因子分析。按照特征值大于1的標準提取公因子,可提取前6個,分別設為F1、F2、F3、F4、F5和F6。這6個公因子所解釋的樣本總方差的累積比率為81.98%,說明這6個公因子可以反映原數(shù)據(jù)81.98%的信息量。6個公因子所代表的含義解釋如表3所示。計算各個樣本在這6個因子上的得分,并將其作為支持向量機模型的輸入。

      (四)支持向量機模型建立及結果分析

      將因子分析得到的各樣本的因子得分作為模型的輸入,并將樣本的50%劃分為訓練樣本,另外50%作為測試樣本。通過Clementine軟件的多次訓練,得到最優(yōu)模型預測結果見表4,表中同時給出未經(jīng)因子分析處理得到的模型預測結果。

      財務預警模型的目標是發(fā)現(xiàn)財務出現(xiàn)危機跡象的公司,對投資者和債券人來說可以避免因決策失誤造成的損失,對于企業(yè)管理者來說可以及早發(fā)現(xiàn)財務異常跡象,調整企業(yè)的經(jīng)營策略,改善財務狀況。因此對*ST的錯判造成的損失是巨大的,模型的評價也應以*ST的預測精度為主。根據(jù)表4,單純使用支持向量機模型(SVM)的訓練樣本總體預測精度達到86.25%,*ST的預測精度達到77.50%。但是其測試樣本中*ST的預測精度只有56.76%,總體的預測精度也只有75.16%。測試樣本的預測精度相對于訓練樣本降低了很多,特別是*ST的預測精度降到了60%以下,這樣的預測精度將給模型使用者帶來極大的風險。因此,因此單純的SVM模型應用于預測不太合適。結合因子分析的支持向量機模型(FA-SVM)的結果無論是訓練樣本還是測試樣本都比SVM模型理想。訓練樣本*ST的預測精度達到了85.00%,測試樣本*ST的預測精度也達到了70.27%,說明FA-SVM模型的泛化能力還是不錯的,基本滿足實際應用的需要。

      三、結論

      利用因子分析對支持向量機模型的輸入數(shù)據(jù)進行處理,降低了數(shù)據(jù)的維度,減小了指標間的相關性。利用317家制造業(yè)上市公司財務數(shù)據(jù),構建財務預警模型,從模型的對比分析結果可以看出,F(xiàn)A-SVM模型具有較高的預測精度和較強的實用價值。但是在實際應用中也注意到,該模型是建立在一定假設基礎上的,本文假設被標注*ST的公司就是財務困境公司,假設各公司的財務指標是在財務會計準則下計算的,若財務會計準則發(fā)生變化,模型也應做相應的調整。同時,在建模中發(fā)現(xiàn),支持向量機的參數(shù)設置對模型的預測能力有很大影響,如何確定最佳參數(shù),是下一步研究的重點。

      參考文獻:

      [1] 王寶富,李 南.財務困境的預測研究[J].南京航空航天大學學報:社會科學版,2007,9(3):61-64.

      [2] 馬超群,蘭秋軍,陳為民.金融數(shù)據(jù)挖掘[M].北京:科學出版社,2007.

      [3] 何曉群.多元統(tǒng)計分析[M].北京:中國人民大學出版社,2008.

      [責任編輯:龐 林]

      猜你喜歡
      財務預警支持向量機因子分析
      企業(yè)財務危機預警問題研究
      動態(tài)場景中的視覺目標識別方法分析
      論提高裝備故障預測準確度的方法途徑
      價值工程(2016年32期)2016-12-20 20:36:43
      公司債券違約的財務預警體系
      判別分析在財務預警中的應用
      基于熵技術的公共事業(yè)費最優(yōu)組合預測
      價值工程(2016年29期)2016-11-14 00:13:35
      基于主導產(chǎn)業(yè)視角的戰(zhàn)略性新興產(chǎn)業(yè)識別以及實證研究
      淺談企業(yè)如何實施財務預警分析
      基于省會城市經(jīng)濟發(fā)展程度的實證分析
      中國市場(2016年33期)2016-10-18 12:16:58
      山東省縣域經(jīng)濟發(fā)展評價研究
      商(2016年27期)2016-10-17 07:17:42
      甘肃省| 成安县| 温宿县| 建平县| 青河县| 大城县| 天祝| 沂源县| 潢川县| 黎川县| 交口县| 双桥区| 盖州市| 南宁市| 平陆县| 镇沅| 当涂县| 陵川县| 永兴县| 河北区| 杭锦旗| 新蔡县| 同仁县| 镶黄旗| 西安市| 晋中市| 赤水市| 霍城县| 五台县| 平度市| 彩票| 塘沽区| 启东市| 武汉市| 汨罗市| 札达县| 乡宁县| 海盐县| 黑龙江省| 望江县| 宁武县|