组合预测在上市公司财务预警中的应用

摘要：在Logistic模型和BP神经网络两种单一预测模型的基础上，将Logistic模型输出的违约概率引入到BP神经网络中，从而构建一种非线性组合预测模型，并将其应用于上市公司财务预警。实证结果表明，该组合预测模型能有效提高预测精度，具有良好的应用前景。

关键词：上市公司；财务预警；Logistic模型；BP神经网络；组合预测

建立上市公司财务预警系统，能对公司的财务风险起到未雨绸缪的作用，它能以财务指标数据形式将公司面临的潜在危险预先告知经营者，促使管理层通过全面分析公司内部经营、外部环境的各种资料，寻找财务危机发生的原因和公司财务管理体系中隐藏的问题，并制定解决问题的有效措施，以避免或降低公司的财务危机。同时，建立上市公司财务预警系统还有利于投资者的决策和证券市场的规范。

一、组合预测的优势及应用思路

现有的上市公司财务预警方法可大致分为定性预警分析和定量预警模式两类。定性预警方法主要包括：灾害理论、专家调查法、“四阶段症状”分析法等。定量预警方法主要包括：单变量判定模型、多变量线性判定模型、多元逻辑(Logistic)模型、多元概率比(Probit)回归模型、神经网络(NN)分析模型、支持向量机(SVM)等。然而，单一预测方法所用到的信息是有限的，对同一问题只采用一种方法进行预测。其预测精度往往不高，预测风险较大。由于不同的预测方法所用到的信息是不相同的，因此，可以将各种单一的预测结果进行组合得到一种组合预测结果，以达到改善预测效果的目的。自Bates J.M和GrangerC.W.J(1969)首次提出组合预测方法以来，由于组合预测方法利用了更多的信息，其精度要比单一的某种预测方法得到的结果好，因而受到国内外预测工作者的重视。Clemen R.T(1989)曾指出，组合预测将成为预测研究的主流之一。目前，组台预测研究正从定权向变权、线性组合向非线性组台的方向发展。近年来，组台预测技术已被成功引入到信用风险评估中，并取得了较好的预测精度。有鉴于此，本文尝试将组合预测应用于上市公司财务预警。

神经网络是20世纪40年展起来的一种预决策技术，神经网络模型除了具备自组织与自适应能力外还能有效地对非线性问题进行处理，分类能力较高，因而被广泛应用于企业信用评估、财务预警等问题的研究中。组合预测的核心问题是组合机理和权值的确定，在对各类参数方法的组台中，困难之一就是在将各种不同预测的结果加权重组时权值的确定问题。而神经网络是一种非参数的方法，所以避免了传统组合预测技术对权值设定的困难。Logistic模型无需假定任何概率分布，也不要求等协方差性，因而在企业财务预警中得到了广泛应用。基于此，本文借鉴文献的研究思路，在Logistic模型和BP神经网络两种单一预测模型的基础上，将Logistic模型输出的违约概率引入到BP神经网络中，从而构建一种非线性组合预测模型，并将其应用于上市公司财务预警。实证结果表明，该组合预测模型的预测精度高于任何一种单一预测模型，具有良好的应用前景。

二、实证分析

(一)指标体系与样本数据

企业财务危机的迹象通常都将直接或间接地在一些敏感性财务指标的变化上反映出来，本文参考国内外有关文献提出的企业财务预警指标体系，遵循指标选取的系统性、科学性、客观性、可操作性及敏感-性等原则，从偿债能力、营运能力和盈利能力等三个方面，选取流动比率、速动比率、资产负债率、利息保障倍数、应收账款周转率、存货周转率、固定资产周转率、总资产周转率、净资产报酬率、总资产报酬率、销售净利率、股本报酬率等12项财务比率指标建立上市公司财务预警初始指标体系。

本文选取沪、深股市中的信息产业上市公司(包括涉足信息产业的上市公司)作为研究对象，数据来源于国泰安数据库和CCER数据库。将上市公司因财务状况出现异常而被特别处理(ST)作为企业财务预警的标志，定义ST企业为财务危机公司，非ST企业为财务健康公司。样本区间选定为2006-2008年，其中，ST企业采用被ST前两年的年报数据进行试验，最终取得的样本总数为104个。将实验样本集分为训练样本和测试样本。采用分层抽样方法，从104个样本中，分别对非ST企业和ST企业，随机抽取70％(共72个样本)作为训练样本建立模型(其中：非ST企业36家，ST企业36家)；剩余的30％(共32个样本)作为测试样本检验模型(其中：非ST企业16家，ST企业16家)。

考虑到上市公司财务预警初始指标体系中可能存在冗余指标，本文还借助ROSEtTA分析软件，运用粗糙集属性约简遗传算法对初始指标进行约简，从12个初始指标中剔除了6个冗余指标。由此得到流动比率、资产负债率、应收账款周转率、固定资产周转率、净资产报酬率、总资产报酬率等6个对信息产业上市公司财务风险识别具有重要影响的指标。

(二)Logistic模型

鉴于企业财务危机预测可归于二值响应变量(正常和危机)预测问题，根据国内外相关研究的使用频率和效果，本文以上述6个指标为自变量，二元变量0和1为因变量，运用Logistic二元回归模型构建信息产业上市公司财务预警模型。利用SPSS16.0软件对训练样本进行Loglstic回归分析，分类临界值设置为0.5，即预测值(可近似看成违约概率)大于0.5的取1，预测值小于0.5的取0。采用训练样本对模型进行内部检验，同时，采用测试样本对模型进行外部检验。LogiStic模型预测结果见表1。其中，第一类错误是指将ST企业误判为非ST企业，第二类错误是指将非ST企业误判为ST企业。

(三)BP神经网络模型

神经网络的输八层节点数对应于财务预警的指标数，即输入层节点数n＝6。神经网络输出层节点数取决于财务预警等级的评价结构，本文将样本公司分为两个等级：财务危机和财务健康，因此，输出层节点数m＝2，对应输出值为(1，0)和(0，1)。在三层BP神经网络中，隐含层节点数不是固定不变的。经验公式显示：隐含层神经元数等于输入层神经元数乘以二再加上一。以经验公式为参考，经多次试算，根据误差最小化原则，最终确定隐含层节点数为15。BP神经网络采用有一定阈值特性且连续可微的sigmoid函数作为神经元的激发函数。目标值为1.00E-06，学习率为0.91，最大学习次数为3000，系统每10步显示一次训练误差的变化曲线。经过100次训练得到神经网络模型，逼近误差为18774E-05，总体误差达到要求。BP神经网络模型预测结果见表1。

(四)组合预测模型

组合预测模型将Logistic模型输出的违约概率引入到BP神经网络中，这样网络的输入就包括初始的6个财务指标和1个表示上市公司违约概率的变量，共7个输入。该模型采用与上述BP神经网络模型相同的算法，所不同的只是网络的结构

和学习的参数。经100坎训练之后得到一个具有7个输入层节点、18个隐合层节点和2个输出层节点的网络，其中。目标值为100E-06。学习率为0.86，逼近误差为2.8869E-06。组合预测模型预测结果见表1。

表1显示，组合预测模型在训练样本集中的预测准确率达到89.34％，高于其余两种模型，其中，第一类错误率略高于BP神经网络，但远低于Logistic模型，第二类错误率均低于其余两种模型；在测试样本集中的预测准确率达到87.80％，高于其余两种模型，其中，第一类错误率略高于BP神经网络，但远低于Logistic模型，第二类错误率均低于其余两种模型。由此可见，组合预测模型的预测精度总体上较优。此外，本文还考察了三种模型的鲁棒性，比较测试样本集与训练样本集的预测准确率。BP神经网络模型下降了0.98％，组台预测模型下降了1.72％，Logistic模型下降了7.61％，显然，组合预测模型的鲁棒性较好，能够满足实际应用的需要。

三、结　语

在Logistic模型和BP神经网络两种单一预测模型的基础上，将Logistic模型输出的违约概率引入到BP神经网络中，从而构建一种非线性组合预测模型，并将其应用于上市公司财务预警。由于组合预测模型利用了更多的信息。因而其预测精度总体上较优，鲁棒性较好，具有良好的应用前景。神经网络虽然对样本数据的分布没有严格要求。且具有处理非线性问题的能力，但其缺点也较为明显，主要表现在：一是存在“黑箱性”问题，无法获知其运行方式，不具备解释性，缺乏坚实的统计理论和基础；二是算法容易形成局部极小，而得不到全局最优；三是算法迭代次数多，且收敛速度缓慢。因此，选择更为完备的非参数方法进行组合预测有待于进一步研究。

参考文献：

[1]王平心，杨冬花，基于熵值法的我国上市公司财务预警系统研究，商业研究，2005(15)：86-88

[2]李志强，上市公司财务预警研究述评[J]金融理论与实践

[3]王春峰，万海晖，张维，组合预测在商业银行信用风险评估中的应用，管理工程学报，1999，13(1)：5-8

[4]韩平，席酉民，基于模糊神经网络的信贷风险组合预测，数量经济技术经济研究，2001(5)：107-110

[5]姜明辉，袁绪川，基于GP的个人信用评估非线性组合预测模型，电子科技大学学报(社科版)，2008，10(1)：1-5

[6]王国胤，Rough集理论与知识获取[M]西安：西安交通大学出版社，2001

[7]陈晓，陈治鸿，中国上市公司的财务困境预测，中国财务与会计研究，2000，3(9)7-15