上市公司财务预警模型对比分析.doc

《上市公司财务预警模型对比分析.doc》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、学无止境上市公司财务预警模型对比分析摘要：当前我国上市公司信息披露仍存在着许多不规范的现象，个别上市公司在面临财务危机时，粉饰其财务风险，进行财务造假。本文利用上市超过3年的A股共3002家上市公司的财务数据，通过对ST、*ST和10家2019年退市的公司样本分析，根据不同的时间窗口，构建了财务预警因子库，共96个因子。分别采用机器学习中的逻辑斯蒂回归、支持向量机、决策树模型对因子数据进行训练。将数据集分为训练集和测试集，用训练集训练模型，并将模型应用在测试集中进行预测。结果如下：（1）三种模型均有较好的预测能力，其准确率都在94%以上；

2、（2）决策树模型的预测效果最佳，支持向量机模型次之，逻辑斯蒂回归模型的预测效果最差；（3）三种模型都存在将较多的财务预警公司预测为正常公司的情况。本文通过将三种模型进行对比分析，以寻找更加优质的财务预警模型，来更好地帮助企业识别财务风险。关键词：财务预警；机器学习；逻辑回归模型；支持向量机模型；决策树模型目前，我国宏观经济正面临着下行压力，许多企业在大形势下都面临着融资困难和财务风险暴露的问题，目前我国上市公司信息披露仍存在着许多不规范的现象，因此，识别可能进行财务造假的公司，有助于帮助投资者合理投资，更有利于维护经济社会的健康良性发展。

3、由于企业财务风险暴露是有征兆的，所以企业的财务危机是可以预测的，因此本文基于大数据和机器学习方法，构建识别上市公司财务造假的三种不同的财务预警模型，通过对比分析得出更有价值的财务预警模型，这能帮助企业识别财务风险，有助于实现财务状况的良性循环，具有巨大的应用价值。一、数据处理与因子库构建3学海无涯学无止境1.数据来源。本文样本公司的相关财务数据主要来自锐思RESSET数据库以及同花顺金融数据库。我们选取了3002家A股上市公司以及10家2019年退市的上市公司的相关数据作为样本，考虑到上市不满三年的公司，业绩变动幅度可能相对较大且业绩表现

4、不够稳定，因此将其剔除。2.构造因子库。根据国内外已有的关于上市公司财务造假的相关研究成果，结合定性分析和定量分析，从企业的偿债能力、营运能力、盈利能力以及其他能力等四方面，提取出30个相关财务指标作为可提取因子。由于对出现风险暴露或者已退市的上市公司来说，出现财务问题年度的前三年是公司财务状况发生变化的重要转折点，因此我们选取了最近3年-5年的上市公司年度数据，将选取的财务指标进行不同年度的处理，最终形成了包含96个可提取因子的因子库。二、模型构建根据现有研究，国内学者建立的财务预警模型较多，不同模型具有其自身优缺点，其中利用逻辑斯蒂回

5、归、支持向量机和决策树方法的研究受到较多关注，因此本文选择这三种模型进行对比分析。1.逻辑斯蒂回归模型。（1）模型概述逻辑斯蒂回归（LR）是在进行数据挖掘时经常使用的一种分类模型，该方法的基本原理为：在线性回归的基础之上，与sigmoid函数两者相结合，利用极3学海无涯学无止境大似然函数估计回归参数w和b，公式如下所示：（2）模型的计算和结果分析本论文通过Matlab中的机器学习工具箱求解。LR模型所得结果的准确率如下表所示：由上表可知，LR模型在训练集和测试集中所得的准确率分别是94.8%和92.38%。由上表4可知，LR模型在全样本中

6、的准确率为94.39%，精确度为38.58%，召回率为32.67%，F值为35.38%。由此可知，召回率并不高，其判断的精确度为35.38%，相对较低。从总体结果看，无论是训练集还是测试集准确率都在92%以上，体现出较好的总体准确率，该模型对发生财务预警的公司预测结果则较差，而对未发生财务预警的公司预测较准确。2.支持向量机模型。（1）模型概述支持向量机（SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。支持向量机属于有监督学习模型可以用于数据的分析、分类、回归以及检测异常值。（2

7、）模型的计算和结果分析SVM模型所得结果的准确率如下表所示：由上表5可知，SVM模型在训练集和测试集中所得的准确率分别是95.72%和93.55%。与LR模型的准确率相近。由表7可知，SVM模型在全样本中的准确率为95.35%，精确度为59.26%，召回率为21.33%，F值为31.37%。由此可知，比LR模型召回率低11.34%，其判断的精确度为59.26%，相对LR模型较高。3.决策树模型。（1）模型概述决策树是在进行数据挖掘时经常使用的分类和预测方法，该方法的基本原理为：根据算法规定的分类条件对整体数据进行分类，产生一个决策节点，仍

8、然按照该算法规则分类，在下一个决策节点重复上述操作，运算到无法继续分类为止。而对于BoostedTree算法为，每添加一次树，即为学习一个新的目标函数，在这棵树上寻找最佳节点进行特征分裂。（2