财务管理前沿

财务管理理论前沿课程论文

开课时间： 2014年3月10日 学 院: 经济与管理学院 学科专业: 工商管理 学生姓名: 吴 凤 娟 学号: 2013210753 学位类别: 硕 士 学 位 任课教师: 郭付华 职称:

教 授

交稿日期: 2014年6月20日 联系电话: 18758925085

浙江师范大学研究生学院制

1

支持向量机在财务困境预警中的应用

摘要：企业的财务通过对资金运动和价值形态的管理，像血液一样渗透贯通到企业的生产、

经营等一切管理领域。如果财务状况出现问题，它将直接关乎着企业的生死存亡。所以，对财务风险的规避是每个企业时刻面对的一门功课，出现问题就要及时解决，并且防患于未然。那么，这就需要企业能够根据实时的财务数据来判断企业当下的财务状况，防止财务困境的发生。因此，一个好的财务困境预警机制的出现变得越来越迫切。财务困境预警理论的研究已经成为越来越多学者迫切关注的问题。财务危机预警理论已经从传统的单一、多元判别模式转化为人工智能方法。那么，本文着重于分类效果较好的经典数据挖掘方法—支持向量机在财务困境预警中的应用。

关键字：财务危机预警；支持向量机

一、财务困境的界定

我国学者对于财务困境智能预警的研究是从 20 世纪末开始的，取得了不少成果。谷棋和刘淑莲（1999）[1]将财务困境定义为企业由于经营管理不善，资产流动性降低，资不抵债直至破产所经历的各种困难状态。并指出，因资金管理技术性失败而导致的支付困难，一般是短暂的和不重要的，可以通过采取债务重组等措施进行有效的补救。

陈静（1999）[2]根据中国证券监管会规定的因发生严重亏损或连续两年亏 损的财务异常状况而被特别处理的公司作为陷入财务困境的标志，并且总结了两 个特征来判别企业是否发生了财务困境。首先，看企业在最近两年的年度审计报 告中，净利润是否都出现了负值；然后，看最近一年的年度审计报告中，股东权 益是否低于注册资本。陈晓和陈治鸿（2000）[3]、吴世农、卢贤义(2001)[4]、吕长江和韩慧博（2004）[5]、杨淑娥、黄礼(2005)[6]、苏慧英（2007）[7]等也同样将上市公司是否被特别处理作为是否陷入财务困境的标准。 本文依据陈静（1999）、陈晓和陈治鸿（2000）、吴世农、卢贤义(2001)、吕长江和韩慧博（2004）、杨淑娥、黄礼(2005)、苏慧英（2007）等的定义阐述，将财务困境定义为上市公司因为财务状况异常而被特别处理(ST)的情况。

所谓的 ST 公司是指，境内上市的公司由于财务状况恶化而导致的严重亏损 或连续二年亏损致使证券交易所对其股票实施特别处理的公司，ST 是特别处理 （Special Treatment）的简称。企业财务困境的发生实际上是由于企业经营不善而导致的盈利能力衰弱，具体体现是企业由于发生严重亏损或连续亏损而被特别处理。所以，企业是否被 ST 成为企业是否陷入财务困境的标志。

二、财务困境预警的意义

为了防止企业出现财务问题，甚至由于宏观经济恶化导致大规模企业破产而 引起经济危机，防范各经济主体的经营管理风险，必须加强对企业财务困境的预 防与控制，形成一套完整、可靠、高效、灵敏的财务困境预警系统。本文正是致 力于该领域的研究，通过继承与开拓，从非平衡的视角进一步完善了财务困境预 警系统的构建，使研究更贴合实际，财务困境的预警精度更高，对于加强公司管 理、维护投资人和债权人利益、方便政务监督与调控等方面具有重要的现实意义：

2

第一，对于公司的管理层而言，健康的财务状况是公司正常运转的前提，需要对其保持绝对的警觉。而一套高效的财务困境预警系统能够及时的发现公司运营过程中出现的财务问题和漏洞，弥补人肉眼观测的盲区，降低了企业管理中的风险。同时，根据预测系统反馈的结果，管理层能够立即分析找出财务问题出现的原因，及时采取相应的对策，将财务困境的发生扼杀在摇篮之中。

第二，对投资者和债权人而言，通过财务困境预警系统反馈的信息，能够清楚的分析估计对应关系公司当前的财务状况。投资者能够据此作为投资决策的依据，并作为后续的风险评估标准之一，以便决定是否及时撤资，规避风险；债权人能够根据预警的结果做出及时的判断，若债务公司出现财务问题，立即采取相应的措施，确保贷款的安全性，保护自己的利益。

第三，对政府而言，财务预警结果有助于政府部门对上市公司进行有效及时 的监督和调控，防止由于个别大公司出现财务问题而引起的连锁反应。同时对于 政府扶植或者产业链影响较大的公司，根据其预警结果，政府和各方能够及时采 取行动，给予必要的援助，防止大规模公司破产的发生。

第四，对关联业务公司而言，一个公司从原材料采购，到最终将产品推向市 场的整个过程都离不开与其它公司的业务往来与合作，业务公司财务状况的稳定 直接关系到了合作的长久性，所以财务预警系统的应用既帮助了公司自身对于财 务困境的防范，也给合作公司吃了一颗定心丸，使合作关系更加稳定。

三、支持向量机分类模型介绍

（一）支持向量机简介

支持向量机（SVM， Support Vector Machine）是由 Vapnik（1992）[39]在 1992 年发表的文章中提出的，是一种基于线性和非线性数据的较有前途的分类算法， 其出色的学习性能和较为简单的分类复杂性，使之成为当前人工智能学习领域研 究的热点。支持向量机的主要思想是通过一个非线性映射，将原训练样本从低维 空间映射到一个高维特征空间，并且在新的高维特征空间通过构造最优决策函数 寻找线性最优超平面。支持向量机的训练过程，是一个较简单的（凸）二次优化解决问题，能够破除局部最小值现象的出现，使全局获得最优解，增加了模型分类的泛化性能。与其他分类模型相比所具有的优越特性，使得支持向量机在不同的领域得到了广泛的使用。

（二）支持向量机原理

支持向量机方法来源于线性可分情况下的最优分类超平面。假定 N个训练样 本集D={（x1,y1),(x2,y2),...,（xn,yn)},其中，xi?Rn(i=1,2,……n)表示输入的第i 个数据向量，yi?Rn(i=1,2,……n)表示相对于第 i 个输入数据向量xi的类别输出结果向量，并且yi?{＋1,－1},＋1和-1表示对于输入数据向量xi的类别表示。要使分类超平面能够正确的区分不同类别的样本，必须使训练数据满足下面的形式:

3

?WTxi?b??1　　yi??1　　i?1,2,??N　　（１１）. ?T?Wxi?b??1　　yi?－1这两个不等式稍加变形便得到下面的式子：

yi(WTxi?b)??1　　　i?1,2,??N　　　（１２）.

通过上式容易得出，使分类面间隔最大就是要使||w||/2 最小。所以满足上式 并且使||w||/2最小的分类面就是最优超平面。而介于两个最优超平面之间并且离最优超平面最近的点，即能够使?(w)?||w||2成立的那些向量被称为支持向量 （Support Vectors，SV）。

由于我们要找到最大化与各个类之间最短距离的超平面，于是支持向量机模 型的构建求解就可以化为如下的二次规划问题：

?(w)?1/2||w||2?1/2wTw　　　　　　　　　　（１３）.yi(wxi?b)??1　　　　i?1,2??NT

并引入拉格朗日(Lagrange)乘子?i，并构建拉格朗日函数来求解：

?４L(w,b,?)?1/2ww???i(yi(wTxi?b)?1　　　　１.?

Ti?1N通过构建这个函数，目的是求得最小的 w 和 b 的值，所以按照求解函数最 小值的方法对构造的拉格朗日函数中的 w 和 b 分别进行偏微分，并使微分结果为 0 得到：

N??L?0?w??yx???wi?1iii　　　　　（１５）. ??LN??0??i?1?iyi?0??b这样构建最优超平面的问题就转化为较简单的对偶问题：

N1NTmaxQ??N?yiyjxixj?i?j???i2i,j?1ai?1s.t.

Ｎ??iyi?0??　　　　　　　　　　　　　　　　（１６）.?i?1???i?0　i?1,2,??N通过求解上述对偶问题，便得到了的最优分类函数：

y(x)?sign(??iyixix?b)　　　　　　　（１７）.

T 其中 sign( )为数学符号函数，b 为分类的阈值，可以通过带入任一支持向量 计算求得。经过计算得出的y (x) 的值决定样本 x所属的类别。在财务困境预

4

警研究中，通常把返回的y (x)值设为 1 和-1，分别代表财务困境样本和财务正常样本所属的类别。

对于线性不可分的情况, 可以通过非线性变换将原低维特征空间中的非线性 问题转化为高维特征空间中的线性问题，然后再构造最优分类超平面.得到的分 类判定函数可表示为：

y(x)?sign(??iyiK(xi,x)?b)　　　　　　　（１８）.

i?1N式中：K(xi,x) 为核函数。与线性可分情况一样，线性不可分情况下构造最优超平面也是寻找所有取值不为零的?i，与这些非零?i 相对应的所有数据点xi 就是这个最优超平面的支持向量。

四、支持向量机在财务困境预测中的应用

具体流程如图： 选择核函数

确定模型参数 构建SVM模型

预测财务状况

（一）选择核函数

财务危机预测问题的警度类别标识和定量财务指标之间往往是非线性的关系，所以需要通过核函数来势得样本空间非线性地映射到高维特征空间。 （二）确定模型参数

不恰当的参数设置会导致训练过程的过拟合或拟合不足问题，然而目前还没有对SVM参数选择进行指导的理论依据。所以目前采用交叉验证和网格搜索相结合的方法来确定SVM模型参数。 （三）构建 SVM 模型

用选定的核函数和模型参数训练 SVM，寻找财务危机预测的支持向量，并构造 SVM 财务危机预测函数。 （四）预测财务状况

按照构造的 SVM 财务危机预测函数，预测目标企业财务状况。

五、实验方案设计

（1）实验数据集：

实验数据来源于中国股票市场研究数据库系统以及和讯网、新浪网和凤

5

凰网的股票数据模块。以 2005 年至 2013 年期间，上交所和深交所的上市公司年度财务报表为数据来源。以全部ST公司按资产规模配对同等数量非ST公司。同时采用第 t-2 年的数据作为样本数据，主要原因是：我国法律是根据公司发生财务状况异常的前一年的数据报告来判定是否对该公司进行特别处理的，如果将第 t 年定为实施 ST 的年份，那么实际发生财务困境的年份应该是 t-1年。既然我们的研究目的是为了尽早的预测财务困境发生的可能性，为了更好的体现财务困境预测的特性，用于预测的输入变量数据应该是发生财务困境的前一年的各项财务指标，即 t-2 年。因此，根据上述分析，本文采用财务困境发生前的第二年，也就是 t-2 年的财务数据作为财务困境预警研究的实验数据来源。 （2）指标体系的构建

根据全面性、概括性、敏感性、可度量、先验性等五个原则，初始选择了涉及偿债能力、盈利能力、营运能力、发展能力四个方面的 46 个财务指标作为备选财务指标，通过统计软件SPSS进行相关性检验和显著性检验，得出精简的财务指标11个。

（3）采用 10 重交叉验证和网格搜索方法确定 SVM 模型参数。

（4）为了更加准确地反映对训练样本之外企业的财务危机预测能力，采用余 1 交叉验证准确率来对 SVM 财务危机预测方法的有效性进行评价。分别以数据集中的每个样本作为测试样本，并用剩余的样本训练 SVM 分类函数，并用它对取出的样本进行测试。经过 s（s 为样本总量）次训练和测试后，将每个样本的测试类别标识与目标类别标识进行比较，计算余 1 交叉验证准确率。同时，将余 1 交叉验证准确率与训练准确率进行比较，计算它们之间的差额幅度来辅助评价。 （5）在台湾大学林智仁老师开发的 LIBSVM 软件基础上，结合MATLAB 编程语言和 Python 软件的画图功能来实现 SVM 的建模和测试过程；

六、实验结果分析

根据上述实验得出SVM在判断财务困境预警的准确度高达91.4%，在拟合能力、泛化能力、模型稳定性方面都具有较好的表现，达到了最好的平衡。SVM能够从训练样本中挖掘企业财务危机预测的支持向量，来对训练样本之外的企业是否存在财务危机进行较好地预测，并且能够在训练样本发生一定变化的情况下保持模型预测准确率的较好稳定性。因此，SVM 是企业财务危机预测的有效手段，不但在理论上是很好的分类器，而且具有实际应用价值，在企业财务危机预测实践中应该加以推广应用。

但是，在实际操作中，由于ST公司和非ST公司在数量上有很大差异，是个显然的类别非平衡问题，但是单纯地支持向量机很难处理非平衡问题，因为支持向量机关注分类准确率问题，当少数类别非常少的时候，支持向量机的分类超平面会偏向多数类样本，导致难以区分少数类样本，所以在非平衡处理的问题上，单纯地支持向量机显然是不够的，有待进一步研究探讨。

6

参考文献

[1] 谷琪，刘淑莲．财务危机企业投资行为分析与对策[J]．会计研究，1999，(10)： 28-31．

[2] 陈静．上市公司财务恶化预测的实证分析[J]．会计研究， 1999，4：31-38． [3] 陈晓，陈治鸿．我国上市公司的财务困境预测[J]．中国会计与财务研究， 2000(2)：55-72．

[4] 吴世农，卢贤义．我国上市公司财务困境的预测模型研究[J]．经济研究， 2001(6)：46-55．

[5] 吕长江，韩慧博．财务困境、财务困境间接成本与公司业绩[J]．南开管理 评论．2004，7(3) ：80-85．

[6] 杨淑娥，黄礼．基于 BP 神经网络的上市公司财务预警模型[J]．系统工程 理论与实践．2005，(1)：12-18．

[7] 苏慧英．公司财务困境预警模型研究[D]．暨南大学硕士学位论文，2007．

7

8

本文来源：https://www.bwwdw.com/article/bd86.html