基于大数据的企业金融衍生工具风险管理预警系统及实证检验
发布时间：2021-09-05 08:12
大数据分析的方法应用于企业规避财务风险领域主要可以通过网络、数据库等渠道,收集巨量的网络评论数据、企业交易金融产品的数据,建立模型挖掘其内在规律。本文通过综述前期文献的方法,提出构建基于大数据的企业金融衍生工具风险管理预警系统。通过实证分析发现,危机预警指标（DS）在加入大数据信息筛选的信息变量后,预警效果得到改善。企业选择运用金融衍生工具使得危机预警信号有所增强,增加了企业经营风险;企业运用金融衍生工具的选择在网络舆情下放大了危机预警信号,说明网络舆情对企业危机预警有一定的帮助。本研究发现企业运用金融衍生工具确实会增强企业的危机预警信号,而网络舆情使这种特性增强。建议企业在运用金融衍生工具时需要更多考虑利益相关者的意见,至少在社会传播的信息中获得更多的支持,以降低危机预警信号。
【文章来源】：特区经济. 2019,(07)
【文章页数】：6 页
【部分图文】：
基于大数据的企业金融衍生工具风险管理预警系统原理
10－2015年上市公司年度报告部分数据来源于巨潮资讯网（cninfo.com.cn）；部分网络数据来源于互联网，由编者整理；其他数据来源于《CSMAR中国上市公司财务指标分析数据库》和《CSMAR中国上市公司财务报告数据库》。2.研究方法聚类法（clusteranalysis）能够根据信息源具有的某些特征把信息源区分为不同的潜在类型。因此我们根据信息源对不同影响因素的反应，试图区分出不同的信息类型。根据前期的分析，我们将信息源区分为三种类型：积极信息、中性信息、消极信息。图3模型验证过程图此外，参考宋彪等（2015）的研究方法（如图3），在对变量集的选择上，除了危机预警指标（DS）外，本文还采用了以下控制变量：资本结构（CS）、公司规模（Size）、成长性(Growth)、非债务性税盾(NDTS)、盈利能力（Prof）、股权集中度(OC)、有形资产比例(Tang)、所有权结构(Cont)、金融衍生工具控制变量（FD）。下文将对变量含义详细说明。具体实证模型如下：DSt=γ0+γ1DSt-1+γ2CSt+γ3OCt+γ4Proft+γ5Sizet+γ6Contt+γ7FDt+εt(1)dst=γ0+γ1dst-1+γ2CSt-1+γ3OCt-1+γ4Proft-1+γ5Sizet-1+γ6Contt+γ7FDt+εt(2)由于变量间可能存在自相关、内生性，因此我们选择方程（1）的非虚拟控制自变量的滞后一期变量作为方程（2）的工具变量。作为对比，实证模型将引入积极变量α、中性变量β、消极变量λ、信息频次变量δ作为有效性检验。具体实证模型如下：DSt=γ
图2基于大数据的企业金融衍生工具风险管理预警系统预设的数据分析机理数据源在数据分析过程中扮演着“传感器”的角色，“利益相关者”和企业之间的相互作用的反应会因为线上、线下和企业之间的复杂关系而表现出差异，进而进一步刺激“利益相关者”对企业产生不同的信息。互联网通过多样的渠道汇集这些信息源，进而被机器收集分析，不同的信息源经过网络的“发酵”过程，最终形成一种合力。企业的某种状态就是通过这些“利益相关者”的“合力”反应出来[4]。因此，我们假设：引入企业在网络上留存的痕迹，通过机器收集后把他们分类为：积极变量α、中性变量β、消极变量λ、信息频次变量δ，以其为的风险预警模型的自变量，可以挖掘出预警效果。三、实证检验1.样本与数据说明为了提高数据收集效率，本文将选取在沪深主板上市的上市公司作为研究样本。本文选取的样本期为2010－2015年，选取的样本公司为2009年底前在沪深证券交易所上市的公司，并对样本进行以下筛选：第一，剔除停牌超过半年的公司；第二，剔除与预设变量信息数据不全的公司。最终得到的样本公司数共798家。2010－2015年上市公司年度报告部分数据来源于巨潮资讯网（cninfo.com.cn）；部分网络数据来源于互联网，由编者整理；其他数据来源于《CSMAR中国上市公司财务指标分析数据库》和《CSMAR中国上市公司财务报告数据库》。2.研究方法聚类法（clusteranalysis）能够根据信息源具有的某些特征把信息源区分为不同的潜在类型。因此我们根据信息源对不同影响因素的反应
【参考文献】：
期刊论文
[1]大数据时代金融衍生工具财务管理风险分析的文献综述[J]. 吴健鹏,黄佑军. 金融经济. 2017(08)
[2]基于大数据的企业财务预警研究[J]. 宋彪,朱建明,李煦. 中央财经大学学报. 2015(06)
[3]基于大数据时代的财务分析研究[J]. 任禾. 中外企业家. 2015(13)
博士论文
[1]基于大数据的企业财务预警理论与方法研究[D]. 宋彪.中央财经大学 2015
本文编号：3384985
【文章来源】：特区经济. 2019,(07)
【文章页数】：6 页
【部分图文】：
基于大数据的企业金融衍生工具风险管理预警系统原理
10－2015年上市公司年度报告部分数据来源于巨潮资讯网（cninfo.com.cn）；部分网络数据来源于互联网，由编者整理；其他数据来源于《CSMAR中国上市公司财务指标分析数据库》和《CSMAR中国上市公司财务报告数据库》。2.研究方法聚类法（clusteranalysis）能够根据信息源具有的某些特征把信息源区分为不同的潜在类型。因此我们根据信息源对不同影响因素的反应，试图区分出不同的信息类型。根据前期的分析，我们将信息源区分为三种类型：积极信息、中性信息、消极信息。图3模型验证过程图此外，参考宋彪等（2015）的研究方法（如图3），在对变量集的选择上，除了危机预警指标（DS）外，本文还采用了以下控制变量：资本结构（CS）、公司规模（Size）、成长性(Growth)、非债务性税盾(NDTS)、盈利能力（Prof）、股权集中度(OC)、有形资产比例(Tang)、所有权结构(Cont)、金融衍生工具控制变量（FD）。下文将对变量含义详细说明。具体实证模型如下：DSt=γ0+γ1DSt-1+γ2CSt+γ3OCt+γ4Proft+γ5Sizet+γ6Contt+γ7FDt+εt(1)dst=γ0+γ1dst-1+γ2CSt-1+γ3OCt-1+γ4Proft-1+γ5Sizet-1+γ6Contt+γ7FDt+εt(2)由于变量间可能存在自相关、内生性，因此我们选择方程（1）的非虚拟控制自变量的滞后一期变量作为方程（2）的工具变量。作为对比，实证模型将引入积极变量α、中性变量β、消极变量λ、信息频次变量δ作为有效性检验。具体实证模型如下：DSt=γ
图2基于大数据的企业金融衍生工具风险管理预警系统预设的数据分析机理数据源在数据分析过程中扮演着“传感器”的角色，“利益相关者”和企业之间的相互作用的反应会因为线上、线下和企业之间的复杂关系而表现出差异，进而进一步刺激“利益相关者”对企业产生不同的信息。互联网通过多样的渠道汇集这些信息源，进而被机器收集分析，不同的信息源经过网络的“发酵”过程，最终形成一种合力。企业的某种状态就是通过这些“利益相关者”的“合力”反应出来[4]。因此，我们假设：引入企业在网络上留存的痕迹，通过机器收集后把他们分类为：积极变量α、中性变量β、消极变量λ、信息频次变量δ，以其为的风险预警模型的自变量，可以挖掘出预警效果。三、实证检验1.样本与数据说明为了提高数据收集效率，本文将选取在沪深主板上市的上市公司作为研究样本。本文选取的样本期为2010－2015年，选取的样本公司为2009年底前在沪深证券交易所上市的公司，并对样本进行以下筛选：第一，剔除停牌超过半年的公司；第二，剔除与预设变量信息数据不全的公司。最终得到的样本公司数共798家。2010－2015年上市公司年度报告部分数据来源于巨潮资讯网（cninfo.com.cn）；部分网络数据来源于互联网，由编者整理；其他数据来源于《CSMAR中国上市公司财务指标分析数据库》和《CSMAR中国上市公司财务报告数据库》。2.研究方法聚类法（clusteranalysis）能够根据信息源具有的某些特征把信息源区分为不同的潜在类型。因此我们根据信息源对不同影响因素的反应
【参考文献】：
期刊论文
[1]大数据时代金融衍生工具财务管理风险分析的文献综述[J]. 吴健鹏,黄佑军. 金融经济. 2017(08)
[2]基于大数据的企业财务预警研究[J]. 宋彪,朱建明,李煦. 中央财经大学学报. 2015(06)
[3]基于大数据时代的财务分析研究[J]. 任禾. 中外企业家. 2015(13)
博士论文
[1]基于大数据的企业财务预警理论与方法研究[D]. 宋彪.中央财经大学 2015
本文编号：3384985
本文链接：https://www.wllwen.com/guanlilunwen/fengxianguanli/3384985.html
