導(dǎo)語：FA-SVM在上市公司財(cái)務(wù)預(yù)警的應(yīng)用一文來源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要：將因子分析和支持向量機(jī)相結(jié)合構(gòu)建組合預(yù)測模型，并以317家制造業(yè)上市公司為樣本，進(jìn)行財(cái)務(wù)預(yù)警研究。結(jié)果表明：因子分析提高了支持向量機(jī)的判別效率，能有效預(yù)測企業(yè)的財(cái)務(wù)危機(jī)，該組合預(yù)測模型具有較強(qiáng)的實(shí)用價(jià)值。

關(guān)鍵詞：財(cái)務(wù)預(yù)警；支持向量機(jī)；因子分析

財(cái)務(wù)預(yù)警模型是指利用企業(yè)財(cái)務(wù)指標(biāo)或非財(cái)務(wù)指標(biāo)體系來預(yù)測或判斷企業(yè)財(cái)務(wù)狀況的模型。傳統(tǒng)的財(cái)務(wù)預(yù)警方法主要有：單變量判別分析、多元判別分析、Logistic回歸模型、Fisher模型、Bayes模型等。傳統(tǒng)的模型通常建立在嚴(yán)格的假設(shè)前提下，然而現(xiàn)實(shí)中有些假設(shè)往往很難滿足，從而導(dǎo)致模型的判別效率不高。隨著數(shù)據(jù)挖掘技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)被應(yīng)用到財(cái)務(wù)預(yù)警中，且被證實(shí)其判別能力優(yōu)于傳統(tǒng)的模型。支持向量機(jī)作為一種新的神經(jīng)網(wǎng)絡(luò)，擁有強(qiáng)大的分類泛化功能，已在眾多領(lǐng)域得到了廣泛的應(yīng)用。雖然支持向量機(jī)的判別準(zhǔn)確率很高，但對(duì)多元共線性敏感，當(dāng)變量的相關(guān)程度較高時(shí)，將會(huì)影響到模型的預(yù)測準(zhǔn)確率。因此，引入因子分析法對(duì)樣本變量進(jìn)行處理，使其不存在共線性問題，同時(shí)降低了問題的維度，提高了計(jì)算速度。

一、因子分析和支持向量機(jī)組合模型

首先將原始數(shù)據(jù)進(jìn)行因子分析（FA），即對(duì)原始變量進(jìn)行特征提取和壓縮，得到低維度且不相關(guān)的數(shù)據(jù)，也就是將大量的輸入變量濃縮成幾個(gè)公共因子。然后將新的數(shù)據(jù)輸入到支持向量機(jī)（SVM）中，進(jìn)行模型訓(xùn)練，從而建立因子分析和支持向量機(jī)組合的預(yù)測模型（fa-svm）。圖1是FA-SVM模型的流程圖。

二、FA-SVM財(cái)務(wù)預(yù)警模型的應(yīng)用

（一）模型樣本的選擇。將上市公司財(cái)務(wù)狀況虧損作為財(cái)務(wù)危機(jī)的標(biāo)志，在選取危機(jī)企業(yè)樣本時(shí)，以因連續(xù)兩年虧損而被標(biāo)注*ST的制造業(yè)企業(yè)為危機(jī)企業(yè)，排除因其他原因被標(biāo)志*ST的企業(yè)。選取滬深兩市A股市場上2015-2017年三年中被標(biāo)注*ST的制造業(yè)公司共77家，非*ST公司240家。假設(shè)被標(biāo)注*ST的年份是第t年，選擇樣本公司t-3年的財(cái)務(wù)年報(bào)數(shù)據(jù)來建立模型。數(shù)據(jù)均來至銳思金融研究數(shù)據(jù)庫。（二）財(cái)務(wù)指標(biāo)體系。1.財(cái)務(wù)指標(biāo)的初步選擇。為了比較全面地反映企業(yè)的財(cái)務(wù)狀況，在參照國內(nèi)外學(xué)者己有的研究成果的基礎(chǔ)上，并結(jié)合我國制造業(yè)上市公司的實(shí)際情況，初步選取了25個(gè)財(cái)務(wù)指標(biāo)，涵蓋盈利能力、償債能力、成長能力、營運(yùn)能力、現(xiàn)金流量五個(gè)方面，具體見表1。2.財(cái)務(wù)指標(biāo)的檢驗(yàn)。進(jìn)入模型的變量應(yīng)在*ST公司和正常公司之間有顯著差異，才能得到較好的判別效果。采用獨(dú)立樣本T檢驗(yàn)對(duì)各指標(biāo)進(jìn)行篩選。在顯著性水平0.05的情況下篩選出15個(gè)指標(biāo)，見表2。（三）因子分析。對(duì)數(shù)據(jù)進(jìn)行KMO檢驗(yàn)和Bartlett球形度檢驗(yàn)，其中KMO=0.596，同時(shí)Bartlett球形度檢驗(yàn)給出的相伴概率為0.0000，即Sig=0，小于顯著水平0.05，因此，認(rèn)為數(shù)據(jù)適合于因子分析。按照特征值大于1的標(biāo)準(zhǔn)提取公因子，可提取前6個(gè)，分別設(shè)為F1、F2、F3、F4、F5和F6。這6個(gè)公因子所解釋的樣本總方差的累積比率為81.98%，說明這6個(gè)公因子可以反映原數(shù)據(jù)81.98%的信息量。6個(gè)公因子所代表的含義解釋如表3所示。計(jì)算各個(gè)樣本在這6個(gè)因子上的得分，并將其作為支持向量機(jī)模型的輸入。（四）支持向量機(jī)模型建立及結(jié)果分析。將因子分析得到的各樣本的因子得分作為模型的輸入，并將樣本的50%劃分為訓(xùn)練樣本，另外50%作為測試樣本。通過Clementine軟件的多次訓(xùn)練，得到最優(yōu)模型預(yù)測結(jié)果見表4，表中同時(shí)給出未經(jīng)因子分析處理得到的模型預(yù)測結(jié)果。財(cái)務(wù)預(yù)警模型的目標(biāo)是發(fā)現(xiàn)財(cái)務(wù)出現(xiàn)危機(jī)跡象的公司，對(duì)投資者和債券人來說可以避免因決策失誤造成的損失，對(duì)于企業(yè)管理者來說可以及早發(fā)現(xiàn)財(cái)務(wù)異常跡象，調(diào)整企業(yè)的經(jīng)營策略，改善財(cái)務(wù)狀況。因此對(duì)*ST的錯(cuò)判造成的損失是巨大的，模型的評(píng)價(jià)也應(yīng)以*ST的預(yù)測精度為主。根據(jù)表4，單純使用支持向量機(jī)模型（SVM）的訓(xùn)練樣本總體預(yù)測精度達(dá)到86.25%，*ST的預(yù)測精度達(dá)到77.50%。但是其測試樣本中*ST的預(yù)測精度只有56.76%，總體的預(yù)測精度也只有75.16%。測試樣本的預(yù)測精度相對(duì)于訓(xùn)練樣本降低了很多，特別是*ST的預(yù)測精度降到了60%以下，這樣的預(yù)測精度將給模型使用者帶來極大的風(fēng)險(xiǎn)。因此，因此單純的SVM模型應(yīng)用于預(yù)測不太合適。結(jié)合因子分析的支持向量機(jī)模型（FA-SVM）的結(jié)果無論是訓(xùn)練樣本還是測試樣本都比SVM模型理想。訓(xùn)練樣本*ST的預(yù)測精度達(dá)到了85.00%，測試樣本*ST的預(yù)測精度也達(dá)到了70.27%，說明FA-SVM模型的泛化能力還是不錯(cuò)的，基本滿足實(shí)際應(yīng)用的需要。

三、結(jié)論

利用因子分析對(duì)支持向量機(jī)模型的輸入數(shù)據(jù)進(jìn)行處理，降低了數(shù)據(jù)的維度，減小了指標(biāo)間的相關(guān)性。利用317家制造業(yè)上市公司財(cái)務(wù)數(shù)據(jù)，構(gòu)建財(cái)務(wù)預(yù)警模型，從模型的對(duì)比分析結(jié)果可以看出，F(xiàn)A-SVM模型具有較高的預(yù)測精度和較強(qiáng)的實(shí)用價(jià)值。但是在實(shí)際應(yīng)用中也注意到，該模型是建立在一定假設(shè)基礎(chǔ)上的，本文假設(shè)被標(biāo)注*ST的公司就是財(cái)務(wù)困境公司，假設(shè)各公司的財(cái)務(wù)指標(biāo)是在財(cái)務(wù)會(huì)計(jì)準(zhǔn)則下計(jì)算的，若財(cái)務(wù)會(huì)計(jì)準(zhǔn)則發(fā)生變化，模型也應(yīng)做相應(yīng)的調(diào)整。同時(shí)，在建模中發(fā)現(xiàn)，支持向量機(jī)的參數(shù)設(shè)置對(duì)模型的預(yù)測能力有很大影響，如何確定最佳參數(shù)，是下一步研究的重點(diǎn)。

參考文獻(xiàn)：

[1]王寶富，李南.財(cái)務(wù)困境的預(yù)測研究[J].南京航空航天大學(xué)學(xué)報(bào)：社會(huì)科學(xué)版，2007，9(3):61-64.

[2]馬超群，蘭秋軍，陳為民.金融數(shù)據(jù)挖掘[M].北京：科學(xué)出版社，2007.

[3]何曉群.多元統(tǒng)計(jì)分析[M].北京：中國人民大學(xué)出版社，2008.

作者:黃衍 單位:福州大學(xué)