残差修正之灰色模型应用於财务比率预测

《残差修正之灰色模型应用於财务比率预测》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、殘差修正之灰色模型應用於財務比率預測97殘差修正之灰色模型應用於財務比率預測王朝弘嶺東技術學院國際貿易系摘要本文以積體電路(IntegratedCircuit)製造業上市的兩家公司為研究對象，選取十五項財務比率為財務績效指標，以灰色預測模型進行預測IC製造業財務比率分析。為了提高模型預測的準確度，本文使用馬爾可夫殘差修正灰色預測模型，藉此更準確地預測企業之財務比率，提供晶圓代工業擬定營運策略及一般大眾決定投資評估參考，進而與傳統時間數列法、指數平滑法做比較，得知何種方法可提供較準確的財務比率預測，以提供管理者制定公司未來營運計劃。關鍵詞：積體電路、灰色預測模型、馬爾可

2、夫、財務比率殘差修正之灰色模型應用於財務比率預測97壹、緒論一、研究動機與目的IC產業和PC產業是台灣兩大高科技產業，目前台灣位居全球第三大資訊產品生產國，而針對IC產業而言，僅次於美、日、韓，名列全球第四大國。而以消費市場，亞太地區是全球IC市場成長率最高的地區，其中以日本及台灣更是亞洲兩大IC消費市場。根據ITIS(IndustryTechnologyInformationService)統計，台灣半導體業產值中，自1997年以來國內晶圓代工業的成長率均優於整體半導體業，且為未來最具成長性之產業。因此，晶圓代工業除產值持續成長外，在電腦快速競爭下，對半導體之需求日

3、益增加，顯示晶圓代工業仍將有很大之成長空間。本文以半導體產業中晶圓代工業之兩家龍頭公司為研究對象，建立晶圓代工公司財務績效指標之灰色預測模型，並預測其財務績效指標。然而，一家公司經營是否良好，需透過多方面之觀察及資料之分析，才可評斷；一般而言，評斷之方法可分為財務資訊或非財務資訊之分析，非財務資訊取得不易且難以數量化，形成評斷上之困難；而財務資訊具備取得容易、具客觀性、能數量化及可作為比較基準等優點。因此，財務資訊的分析與運用，對企業管理階層來說，是一個相當重要之課題；對一般大眾而言，亦可透過對財務資訊之分析從事正確之投資進而獲取利潤。財務報表是依「一般公認會計原理原

4、則」所編製，用來表達企業經營之成果。而財務報表分析是會計資料所提供之最終應用，協助報表使用者更瞭解企業營運狀況，作為決策參考。因為可正確的表現企業之財務狀況，目前已被廣泛的應用於財務評估上。依文獻顯示，分析師會利用財務報表資訊，瞭解企業過去經營歷史、目前營運績效，及評估未來發展潛力，以幫助投資者作決策(張仲岳,1997)。而許多上市上櫃公司每年皆須為下一年之財務資訊提出預測數據，可是證券市場上充斥著一些無科學理論分析所得之財務預測數據，形成投資大眾之無所適從；有鑑於此，許多預測方法被應用於財務預測上，如時間序列法、指數平滑法、迴歸分析法等。由於社會現象的問題極其複雜且

5、多樣化，就傳統的預測方法而言，理論上樣本數在50筆以上才可能有較佳之預測結果，但是實際上卻往往無法獲得有足夠之資料適用於時間序列模型，因此，便有了各種不同預測方法之出現，以弭補無法獲得大量樣本之預測方法的遺憾。各種預測方法之比較如表1殘差修正之灰色模型應用於財務比率預測97所示。在企業經營環境訊息萬變之下，若由上市上櫃公司之公開說明書或年度報表之五年財務資料，以上述預測方法均需大量樣本作財務預測，並不容易得到良好預測效果。如何以最少財務資料得到最佳之財務預測，對企業經營管理者而言應是一項重要之課題。投資大眾面對數百家上市上櫃公司之財務預測資訊，無法判斷其準確性也無法依

6、據這些資訊作出正確之投資決策。本文透過良好預測準確度之灰預測模型，預測上市上櫃公司之財務比率。因各產業特性不同，加上財務比率分析需以過去趨勢、既定標準、同業同比率來比較，否則將影響財務績效評估之公平性。表1：預測方法及其限制數學的方式所需最少數據數據之型態數據之間隔準備時間數學需求簡單指數型5至10個等間距短間隔短基本迴歸分析法10或20個以上同趨勢且具規律性短或中間隔短中等Causal迴歸法10個以上可各種型態相互混合短、中及長間距長高等BoxJenkins法/ARIMA模型50個以上等間距短、中及長間距長高等時間序列壓縮法2個峰值以上同趨勢且具規律性且可自我調整短

7、或中間隔短(稍長)基本類神經網路學習資料龐大等間距及非等間距短、中及長間距長高等灰色預測法4個等間距及非等間距短、中及長間距短基本資料來源：張偉哲等(2000)二、研究限制本文主要目的在建立公司之財務比率預測模式，但是公司之經營績效受到許多因素影響，本文探討內容並不完全涵蓋所有之因素，因此在進行實證研究時受到若干限制，茲說明如下：1.因為財務比率間存在一定之相關性，本文僅針對其中較具有代表性的十五項財務比率分別建立灰預測模型，並沒有包含所有之比率亦無法將所有比率同時進行預測，若業者或後續研究者認為有需要，可以本文所提供之模型，進行其他比率建模預測。殘