基于熵权法的神经网络模型与logistic回归的财务预警模型比较与分析

发布时间：2017-11-14 18:11

  本文关键词：基于熵权法的神经网络模型与logistic回归的财务预警模型比较与分析

  更多相关文章： 财务危机预警 熵权法 神经网络模型 logistic模型 制造业上市公司

【摘要】：中国经济体在2015年经历了爬坡上坎的一年。上半年的中国股市狂飙进入疯牛时期,下半年证监会强力去杠杆之后虚高的资产泡沫被戳破,千股跌停,IPO被暂停。有史以来的第一次强制杠杆调整,导致了大量资产的蒸发,紧接出现人民币贬值热钱外流,这些都使得整个经济体系付出了巨大的代价。在如此起伏不定的经济形势下,2015年以来上市公司被特殊处理与特殊转让的状况呈现井喷之势,已达到110例之多。而在2015年11月19日召开的常务会议中,股票发行的持续盈利条件被取消,股票上市跨入注册制的门槛。施行注册制调低了小微创新企业的上市门槛,降低了对净利润的严格要求。同时,我国也迎来了股票期权的时代。在上市企业中,向管理阶层发放期权,是减少代理成本的有效措施。这些都将对上市公司的财务危机预测造成影响。在经济疲软且未来经济形式不明朗的当下,如何抓住机遇,规避转让上市公司的风险,预防财务危机,平稳有序的发展经济是我们现在以及未来都需要面对的一个话题。作为国民经济重要组成部分,面对不可阻挡的经济下行趋势,制造产业也面临人口红利消失,劳动密集所带来的利润被不断压缩的危机,转型已经迫在眉睫。因此,当下制造业上市公司不仅需要预测及调节发展态势,防范其陷入财务困境也是制造业产业变革所必须打下的基础。而我国金融市场逐渐成熟,股市主力军依然是中小股民,他们倚靠自己的分析能力解析上市公司的公开信息。但由于财务危机爆发的突发性,使用简单的指标分析难以捕捉危机的出现。因而,对于财务危机的预测变得更有存在的意义。近年来,对于预警模型的数学方法集成的研究从未停止过。比如李晓峰(2004)提出的粗糙集与神经网络结合的RST-BPNN模型,岑涌(2008)等利用遗传算法优化的GA-SVM模型,以及彭静等(2008)提出的PSO-SVM模型。PSO-SM模型将PSO粒子群算法运用到核函数优化中,验证了新模型的预测性能。本文拟基于前人的研究,将信息熵运用到指标筛选中来,与人工神经网络模型相结合,再与传统统计模型相比较。并基于财务会计的某些分析角度,将一些新指标运到预警模型体系中去,为预警指标集合的科学性与完备性做出一些贡献。本文首先通过对财务危机预警的以往文献的模型和指标进行研究。总结国内外对财务危机的定义,并给出本文对财务危机概念的定义。同时,多角度分析现有财务危机预警模型：从单变量模型、多变量模型的角度,从定量分析模型、定性分析模型的角度分别阐述,并描述其优缺点,为后文的模型选择提供理论依据。在对相关文献进行综述之后,本文阐述了与财务危机预警相关的理论基础,包括经济周期与经济预警理论、代理成本理论、内部控制理论、财务分析理论以及会计信息失真的理论。在此之后,本文开始对后续模型所需的一切指标、样本等进行设计。首先,对本文的实证研究内容作出假设,其中包含对新模型准确度的假设、财务危机渐进性的假设以及对于本文扩建新指标的假设。关于样本,仅选取由于财务问题而由财务正常变为ST以及由财务正常变为*ST的上市公司作为财务危机企业备选样本；考虑到2007年1月1日国内上市公司开始实行新的通用会计准则和2015年发生的股灾,样本的研究时间段为2007年初至2014年末；针对危机样本公司按照1：1的比例选取同行业同规模的企业。将被ST或*ST的时刻定义为T时刻,本文主要研究T-2、T-1时刻的数据,欲以T-1和T-2时刻的数据分别筛选指标、构建模型,再使用预测样本数据对模型进行检验,并且用以建模和预测的样本比例为2：1。对指标的选取服从全面、敏感、可度量的原则,从偿债、盈利、经营、风险、发展、股权结构、现金流量的角度分t-1、t-2时刻进行显著性检验,通过检验的指标成为后文模型的初始指标集。最后,运用SPSS软件对初始指标集进行降维分析,通过因子分析之后建立logistic模型；再利用MATLAB软件,根据熵权法对第四章中的初始指标集进行了筛选,保留累计熵权为0.99之前的所有指标,并运用clemintine构建神经网络模型,并通过添加新的预警指标(财务状况指标与利润分析指标),验证了新指标对于神经网络模型的精度提升作用。前文对实证研究内容的假设都得到了验证。实证结果表明logistic模型不论在哪个阶段,对于构建和预测的准确度,都不如神经网络高。原因可能在于神经网络能相对完整的保留指标相互作用而造成的影响,同时使用熵权法筛选指标是单独考虑指标的变异程度能够提供的信息,不因多重共线性而过滤重要的数据。而传统模型由于数据分布限制和分析条件限制,在使用相关性分析筛选指标时就可能漏掉一些重要指标。并且神经网络的自适应性和推理能力也能提高预测的精度。对于财务危机发生的前两年T-2时刻,盈利能力指标均未入选预警指标,这代表至少在财务危机发生的往前两年,盈利指标不论是经过利润操纵或是真实数据,均未与正常公司区别开来。这也证明了财务危机的暴露是渐进的。同时我们也可以看到在对指标进行扩充之后,财务状况指标的添加使得模型预测准确有所提高,而利润操纵指标则使得模型准确度明显上升。纵向对比模型可以发现：t-2时刻的所有模型的预测准确度都低于相应的t-1时刻的模型。这其中有指标滞后作用的影响,也有财务危机分阶段渐进式爆发的原因。经过实证分析,我们应该有一些清晰的认知：针对每个行业,预警指标都应该有针对性的偏移。例如本文研究的样本为制造业,作为负债常年处于较高状态的行业,其偿债能力就是需要提起重视的研究视角。财务危机是由综合性的风险造成的,在风险质变成为危机之前,各个类别的风险并不是同时段全面发生的,比如文中t-2时刻的盈利能力指标在所有模型中都是正常状态。但这并不意味着我们就不需要对这一部分风险提高警觉。因此,制定科学全面的风险防范措施是预防财务危机爆发所必须的。本文的研究采用了多种研究方法。具体来说,在确定初始指标集之前使用峰度和偏度来判定是否服从正态分布,由于指标数据均不服从正态分布,于是采用秩和检验进行均值差异分析。在logistic模型中,采用了Spearman秩相关分析,效度检验则采用KMO和Bartlett's Test,用因子分析法进行指标降维处理。在基于熵权法的神经网络模型中,首先使用MATLAB计算指标的熵值,通过排序来删除变异程度不高的指标,再利用clemintine快速构建神经网络模型。本文的创新点主要有以下两个方面：①新指标的引入。其一为财务状况(综合)指标,它是把几个重点指标糅合为一个指标,保留了指标的内部作用力。其二是利润操纵指标,体现了财务会计信息被操纵的程度,被引入之后对模型预测准确率的提升有很大的影响。②本文将熵权法与神经网络模型相结合运用于制造业上市公司的研究。对通过了均值差异检验的指标计算熵值,对指标的熵权进行排序来筛选重要的指标。将此种集成的方法用于研究制造业上市公司的财务危机预警模型并进行详细论述,是本文的创新点之一。在最后的结论部分,对财务预警模型的未来进行了展望并总结了不足(包括本文的指标选取只是针对制造业,指标在其他行业的运用中还存在局限性等)。指出未来可以从指标的扩充着手进一步的研究,包括本文囿于各种原因未能加入新模型进行分析的β与股价偏离度,还有传统分析中的行业、地区相关指标；同时,本文并未采用Cox生存分析、支持向量机等方法构造模型进行对比,未来可在这个方面对文章进行进一步的完善。在数据处理上,在未来或许可以利用灰色系统在不完备的小样本信息上的处理优势,提升数据处理的科学性。同时也对大数据在个性化企业的财务预警系统中的运用作了展望。
【学位授予单位】：西南财经大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F275

【相似文献】

中国期刊全文数据库 前10条

1 徐云龙;李剑英;陈玲熙;;一种神经网络模型在医学中的应用[J];消费导刊;2008年14期

2 杨则正;声识别中的神经网络模型[J];管理科学文摘;1995年09期

3 王春景;;一类神经网络模型的稳定性分析[J];科技创新导报;2009年13期

4 汪健雄;刘春煌;单杏花;朱建生;;基于双层次正交神经网络模型的铁路客运量预测[J];中国铁道科学;2010年03期

5 黄小原;;动态经济系统的神经网络模型和预报[J];数量经济技术经济研究;1992年05期

6 贺力群,朱克强;企业市场占有率预测神经网络模型[J];北京理工大学学报;1998年06期

7 欧阳江林;重复传播神经网络模型及其学习算法的探讨[J];浙江工贸职业技术学院学报;2002年01期

8 黄静;;神经网络模型在股票预测上的应用[J];电脑知识与技术(学术交流);2007年07期

9 吴玉鸣,李建霞;非线性神经网络模型及在粮食生产预测中的应用[J];河南师范大学学报(自然科学版);2002年04期

10 秦江波;王宏起;;商业银行信贷风险识别的神经网络模型[J];商业研究;2009年11期

中国重要会议论文全文数据库 前10条

1 孙宝成;刘锡荟;;时间序列神经网络模型[A];全国青年管理科学与系统科学论文集（第1卷）[C];1991年

2 周金荣;胡泽新;黄道;;一种多层混合型神经网络模型的研究[A];1995中国控制与决策学术年会论文集[C];1995年

3 王阿明;刘天放;;高阶神经网络模型特性研究[A];中国地球物理学会年刊2002——中国地球物理学会第十八届年会论文集[C];2002年

4 屈景怡;王如彬;;大脑皮层神经网络模型同步问题研究[A];第十四届全国非线性振动暨第十一届全国非线性动力学和运动稳定性学术会议摘要集与会议议程[C];2013年

5 张美恋;林熙;;经济增长的神经网络模型[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 陈昭炯;叶东毅;;一个改进的竞争神经网络模型[A];1996中国控制与决策学术年会论文集[C];1996年

7 郭成安;李建华;李明伟;;从观测数据学习后验概率函数:一种最佳神经网络模型的设计与分析[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

8 李媛;康春艳;于亚芳;;交指型缺陷接地结构共面波导的神经网络模型[A];2009年全国微波毫米波会议论文集（上册）[C];2009年

9 禹建丽;苏中义;杨卫平;;牵引传动中润滑油牵引系数的神经网络模型[A];2005年中国智能自动化会议论文集[C];2005年

10 胡金亮;李建生;余学庆;沈建京;周涛;王永炎;;用于中医证候量化诊断的神经网络模型的探索[A];计算机在诊法中的应用与研究论文汇编[C];2005年

中国重要报纸全文数据库 前1条

1 自治区交通厅养路费征稽处 程爱娟;应用“神经网络模型”预测妇女的平均工资水平[N];新疆科技报(汉);2000年

中国博士学位论文全文数据库 前10条

1 袁朝晖;二元离散神经网络模型的动力学分析[D];湖南大学;2003年

2 王军平;几类离散神经网络模型的动力学分析[D];复旦大学;2006年

3 南晋华;决策神经网络模型及应用研究[D];华中科技大学;2008年

4 周日贵;量子神经网络模型研究[D];南京航空航天大学;2008年

5 刘艳青;时滞神经网络模型的稳定性研究[D];天津大学;2005年

6 赵灵晓;基于部件神经网络模型的制冷系统混合仿真方法及应用[D];上海交通大学;2010年

7 朱红;高速（HS-K-WTA）神经网络模型[D];南京理工大学;2003年

8 熊佩英;几类神经网络模型的动力学分析[D];湖南大学;2013年

9 刘开宇;几类二元神经网络模型的动力学性质研究[D];湖南大学;2004年

10 黄振坤;几类神经网络模型的动力学分析[D];浙江大学;2007年

中国硕士学位论文全文数据库 前10条

1 杨巍;三元离散神经网络模型的稳定性与分岔分析[D];东北林业大学;2010年

2 孙文渊;基于BP神经网络模型下预测吉林省GDP[D];延边大学;2015年

3 李波;一类带有分段连续控制项的非线性递推关系的渐近周期性[D];延边大学;2015年

4 巩云野;两类具有时滞项的Cohen-Grossberg神经网络模型的稳定性分析[D];东北林业大学;2015年

5 王薇;一类离散时间双极人工神经网络模型的周期性[D];延边大学;2015年

6 李辰风;改进遗传BP网络的地表沉降预测方法研究[D];江西理工大学;2015年

7 尤军;民用建筑沉降监测与预报方法应用研究[D];宁夏大学;2015年

8 吴娇娇;基于时空神经网络模型的瓦斯浓度预测研究[D];中国矿业大学;2015年

9 李灵光;细长导轨加工变形分析与参数优化技术[D];北京理工大学;2015年

10 王鹏;切换Cohen-Grossberg神经网络模型的动力学分析[D];长沙理工大学;2014年

，

本文编号：1186468