基于AdaBoost整体模型的公司财务危机预测研究

摘要：以中国A股上市公司财务数据为研究样本，运用主成分分析提炼出对财务危机具有显著影响的指标变量作为输入变量，建立AdaBoost财务危机预测整体模型。最后将BPNN和GA-BPNN作为实验对比模型进行比较分析，进而运用分类准确率对三种公司财务危机预测模型的预测精度进行检验、评价。结果表明，三种财务危机预测模型对我国上市公司财务危机预测的分类准确率分别为92%、84%、88%；相比其他两种财务危机预测模型，AdaBoost财务危机预测整体模型效果更好，说明AdaBoost算法能够提高单种财务危机预测模型的预测准确性，有利于解决公司财务危机问题。

关键词：财务危机；AdaBoost；BPNN；GA-BPNN

中图分类号：F275；F224文献标识码：A文章编号：1001-8409（2013）12-0130-05

1引言

长期以来，公司财务危机管理一直是政府经济决策部门和公司经营管理者所关注的焦点。近年来的全球金融危机更是告诫人们，必须强化企业危机管理意识、加强危机监控、提升危机预测精度。只有对公司财务危机进行及时准确地预测，才能做出正确的决策、采取防范措施，从而避免危机的发生和减少危机所带来的损失。因此，从这个角度讲，如何准确有效地对公司财务危机进行预测就显得尤为重要。

目前，已有大量文献运用多元判别分析、逻辑回归模型以及主成分分析法等统计方法对公司财务危机预测进行了研究。虽然这些统计方法的提出和应用有效地推动了公司财务危机预测研究的快速发展，并取得较好的研究效果，但也存在条件过于苛刻、指标选择主观性强等缺陷，因而在实际应用中受到了极大的限制。因此，具有高度容错性和非线性拟合等优点的人工神经网络受到了学者们的普遍关注，并被运用于提高财务危机预测精度研究中，取得了一系列有价值的研究成果。而在众多神经网络模型中，BP神经网络应用最为广泛。虽然BP神经网络相比MDA、逻辑回归等模型更能有效解决财务危机问题，但存在学习时间较长、需设定的参数多等缺点。另外，有学者运用遗传算法对神经网络进行优化，极大地提高了对财务危机的预测精度。需要指出的是，遗传算法也存在着编码复杂、处理规模小和局部搜索能力差等缺点。

针对单种模型存在的不足，一些学者开始尝试运用整体模型对危机预测进行研究，以期望减少预测的误差，提高预测精度。整体模型是一种新的机器学习方式，它将不同的“弱分类器”的输出结果进行“合并”，构建出一个高精度的“强分类器”，并通过多次迭代计算，调整各个“弱分类器”的权值，从而提高对危机预测的准确性。Hansen等[1]是最早对整体模型进行研究的学者之一，他们发现，无论在训练集还是测试集，相同结构的神经网络整体模型的预测效果均要优于单种神经网络模型。Lean等[2]的实证结果说明，在对信用风险进行预测时，神经网络整体模型比单独三种神经网络模型和多数投票整体模型预测准确性更高。Tsai等[3]运用神经网络整体模型和单种神经网络模型对银行破产危机预测，研究表明，在大多数情况下整体模型预测精度都要高于单种模型。Sun等[4]对整体模型中各单个“弱分类器”的选择进行了研究。所有的这些研究成果不仅表明整体模型更能对危机进行准确预测，而且对于如何构建整体模型和提高危机预测精度都具有积极的现实作用和理论价值。

Bagging和AdaBoost是目前两种最为流行的整体模型算法，并被广泛运用于危机预测研究之中。Alfaro等[5]采用AdaBoost算法对危机预测进行研究，并得到AdaBoost算法能够减少误差提高预测精度的结论；Alfaro等[6]对银行破产进行预测，发现AdaBoost算法比神经网络减少了30%的预测误差；Bauer等[7]的研究也表明整体模型中AdaBoost算法普遍优于Bagging算法。由此可见，运用AdaBoost算法对危机进行预测更能减少预测误差、提高预测精度。因此，本文引入AdaBoost算法对上市公司财务危机预测进行研究。

中国是最大的新兴市场之一，在国际金融市场发挥着越来越重要的作用。然而，随着世界经济一体化的不断加速以及近年来国际金融市场的动荡加剧，中国金融市场必将遭受更多压力与挑战，中国上市公司也必将面临更为复杂的投资经营环境。因此，探讨中国上市公司财务危机预测，具有极其重要的理论价值与现实意义。

基于以上认识和分析，本文以中国A股上市公司财务数据为研究样本，首先运用主成分分析提炼出对财务危机有显著影响的指标；然后将提炼出的指标作为输入变量，建立AdaBoost财务危机预测模型；最后将BPNN和GA-BPNN模型与AdaBoost模型进行对比分析，进而运用分类准确率对三种模型的预测效果进行检验、评价，为政府经济决策部门和公司经营管理者提供决策参考。

迄今为止，已有相当一部分文献对中国上市公司财务危机进行了研究。李晓峰和徐玖平[8]运用粗糙集结合神经网络对中国上市公司财务危机进行了研究；张玲等[9]运用多元判别法和神经网络对公司财务危机进行了研究；韩建光等[10]建立了Kalman公司财务危机动态预警模型。虽然上述研究取得了较好的研究效果，但仍然以单种危机预测模型进行研究，很少有运用整体模型特别是AdaBoost算法对中国上市公司财务危机进行预测研究。令人欣喜的是，Sun等[11]运用AdaBoost整体模型对中国上市公司财务危机进行了预测研究，但他们并未将BP神经网络作为“弱分类器”，也没有将GA-BPNN作为对照组进行对比分析。

与其他文献相比，本文存在明显的差异：（1）运用主成分分析提炼出对财务危机具有显著影响的指标，以消除输入变量过多造成的“维数灾难”；（2）选用AdaBoost算法建立中国A股上市公司财务危机预测整体模型，同时将在单种危机预测模型中具有独特优势的BP神经网络作为整体模型的“弱分类器”；（3）将AdaBoost整体模型在中国A股上市公司的实际运用效果与BPNN、GA-BPNN模型的预测结果进行对比研究。

2公司财务危机预测方法构建

2.1公司财务危机预测模型构建

至此可以根据上述算法建立AdaBoost公司财务危机预测模型，其主要结构如图1。首先将样本数据分为n组，分别建立n个网络结构相同的BP神经网络“弱分类器”进行学习训练。接着，根据AdaBoost算法调整各个“弱分类器”的权值。最后，当误差到达可接受范围内时，根据此时各“弱分类器”的权值计算出整体模型的预测输出值c（x）。根据预测输出值就能对公司将是否发生危机进行判断，从而提前采取措施，减少或避免危机发生所造成的损失。

此外，有学者运用遗传算法对BP神经网络进行优化，有效克服了BP神经网络收敛速度过慢和局部最优的缺点。同时，为考察AdaBoost算法对财务危机预测的优越性，本文将遗传算法优化的GA-BPNN模型与AdaBoost模型的预测结果进行对比分析。

遗传算法优化BP神经网络的主要要素包括编码、适应度值计算、选择操作、交叉操作和变异操作。首先对BP神经网络进行初始化，并对其权值和阈值进行遗传编码，然后计算出BP神经网络的预测误差并作为个体的适应度值；接着进行遗传算法的选择、交叉和变异操作，寻求最优的权值和阈值；最后将得到的最优权值和阈值赋值到BP神经网络重新进行学习训练，得到所期望的预测结果。

2.2公司财务危机预测模型效果评价方法

准确有效地预测财务危机，是政府经济决策部门和公司经营管理者所关心的焦点，而如何对危机进行划分又是对危机有效预测的首要问题。本文根据文献[4]对危机的定义，将2011年被ST的上市公司定义为发生了财务危机其期望输出值为-1。同样，将未被ST的上市公司定义为未发生财务危机，其期望输出值为1。

4结论

本文以中国A股上市公司为研究对象，运用整体模型中的AdaBoost算法对其财务危机进行预测研究。针对变量过多可能造成的“维数灾难”问题，运用主成分分析提炼出财务危机主要影响变量。为了对AdaBoost模型的实际运用效果进行评价，采用了分类准确率评价方法，同时将其结果与BPNN模型和GA-BPNN模型预测结果进行对比分析。

通过研究，得到了以下有价值的结果：（1）利用主成分分析所提炼出的8个变量能够很好地反映公司财务状况，8个变量的累计贡献率为84.552%。（2）AdaBoost模型以及BPNN模型和GA-BPNN模型均能有效对公司财务危机进行预测，三种方法的分类准确率分别为92%、84%和88%。（3）从分类准确率排序来看，AdaBoost模型效果最好，GA-BPNN模型其次，这说明运用整体模型中AdaBoost算法更能对我国上市公司财务问题进行准确预测，从而为经济管理者和股权投资者提供决策借鉴。

参考文献：

[1]Hansen L K， Salamon P. Neural Network Ensembles[J]. Transaction on Pattern Analysis and Machine Intelligence， 1990， 12： 993-1001.

[2]Lean Yu， Shouyang Wang， Kin Keung Lai. Credit Risk Assessment with a Multistage Neural Network Ensemble Learning Approach[J]. Expert Systems with Applications， 2008， 34： 1434–1444.

[3]Tsai C F， Wu J W. Using Neural Network Ensemble for Bankruptcy Prediction and Credit Scoring[J]. Expert Systems with Applications， 2008， 34： 2639-2649.

[4]Sun J， Li H. Financial Distress Prediction Based on Serial Combination of Multiple Classifiers[J]. Expert Systems with Applications， 2009， 36： 8859–8666.

[5]Alfaro E， Gamez M， Garcia N， Multiclass Corporate Failure Prediction by AdaBoost[J]. Advanced Economic Research， 2007， 13： 301-312.

[6]Alfaro E， Garcia N， Gamez M， et al. Bankruptcy Forecasting： An Empirical Comparison of AdaBoost and Neural Networks[J]. Decision Support Systems， 2008， 45： 110-122.

[7]Bauer E， Kohavi R. An Empirical Comparison of Voting Classification Algorithms： Bagging， Boosting and Variants[J]. Machine Learning， 1999， 36： 105–139.

[8]李晓峰，徐玖平.企业财务危机预警Rough-ANN 模型的建立及其应用[J]. 系统工程理论与实践， 2004， 10： 8-14.

[9]张玲，陈收，张昕. 基于多元判别分析和神经网络技术的公司财务困境预警[J]. 系统工程， 2005， 23： 49-56.

[10]孙晓琳，田也壮，王文彬. 基于Kalman滤波的企业财务危机动态预警模型[J]. 系统管理学报，2010， 19： 408-414.

[11]Jie Sun， Ming-yueJia， Hui Li. AdaBoost Ensemble for Financial Distress Prediction： An Empirical Comparison with Data from Chinese Listed Companies[J]. Expert Systems with Applications， 2011， 38： 9305-9312.