基于FOA算法的Logistic回归模型的财务预警研究

制造行业中企业的财务危机频发使得财务预警系统显得格外的重要.针对现有的预警模型对制造业企业的财务风险预测精度不高的问题,以最近两年被特别处理的上市公司为研究对象,将FOA算法与Logistic财务预警模型相结合构建了FOA-Logistic财务预警模型,并对其进行了测试,测试结果显示FOA-Logistic的识别率大幅提升,证明了模型的有效性.     

基于Lasso+SVM的制造业上市公司财务风险组合预警模型

根据组合预测思想构建了基于Lasso+SVM的制造业上市公司财务风险组合预警模型,包括串联型组合和信息融合型组合两种,并选取22个财务指标建立了财务预警指标体系,对我国86家制造业上市公司的财务状况进行了预测,还与单一风险预警模型预测效果进行了比较,结果发现:财务风险组合预警模型的预测效果明显高于单一预警模型,用第t-1年的财务数据进行预测的准确率达到了95%以上;串联型组合预警模型的预测效果最优,用第t-1和t-2年的财务数据进行预测的准确率分别达到了100%和90%.     

考虑集团化经营特征的企业财务困境风险预警研究

企业的集团化经营特征将会对财务困境风险产生重要的影响.在分析集团化经营企业财务风险特征的基础上,考虑集团内部交叉持股复杂度、关联交易程度和相互担保程度对集团化经营企业财务状况的影响,使用KMV模型计算集团化经营企业的违约距离,构建了全新的集团化经营企业财务困境预警的评价体系.并运用Logistic回归模型对集团化经营企业财务困境进行预警.实证结果表明该指标体系与模型具有可行性和有效性.     

多层感知器信用评模型及预警研究

本文利用多层感知器 ( MLP)原理建立神经网络信用评价模型 ,用来对我国 2 0 0 0年 1 0 6家上市公司进行信用评级 ,并进一步对我国 2 0 0 1年公布的 1 3家预亏公司进行预警研究 .按照各上市公司的经营状况分为“好”、“差”两类 ,每一类由 5 3家上市公司构成数据样本 .对于每一家上市公司 ,主要考虑其经营状况的四个财务指标 :每股收益 ,每股净资产 ,净资产收益率和每股现金流量 .仿真结果表明 ,本文所建立的神经网络信用评价模型有很高的分类准确率 ,达到 98.1 1 % .又由于该信用评价模型有很强的适应能力 ,故可以进一步用来对企业的财务危机进行预警研究 .预警实证分析表明 ,该信用评价模型对我国 2 0 0 1年公布的 1 3家预亏公司进行预警分析 ,预警准确率达到 1 0 0 % .此外 ,文中还给出 MLP网络模型的学习算法和步骤     

KMV模型运用于中国上市公司财务困境预警的实证检验

我国目前关于上市公司财务困境预警的研究大多建立在试误的基础上,缺少经济理论依据;并且经我们证明,按照配对原则设定的分析样本会出现过度抽样等问题,这将会大大高估模型的预警能力。因此本文将基于期权定价理论的KMV模型首次运用到财务困境预警中,引入功率曲线进行对照分析,经过大量的实证研究后得出结论:KMV模型运用到中国上市公司财务困境预警中是完全可行的,而且相对基于大量历史数据得到了Logistic、Fisher等模型,其优势是明显的。     

一种利用Pls提取因子的财务危机预警模型

为了克服直接使用财务指标建立Logit模型存在的估计和检验不可靠问题,在所有的财务比率指标基础上,通过删除完全共线、意义相同和缺失数据指标,建立海选指标集.利用t检验筛选指标,删除t检验不显著的指标,保留t检验显著的指标,构建财务危机预警指标体系.通过提取互不相关的Pls因子,估计Pls-logit模型对因子赋权.将Pls因子回归代入Pls-logit模型对指标赋权,建立基于Pls-logit模型的财务危机预警模型.以2010年381家制造业上市公司作为建模样本进行了实证分析,表明Pls-logit模型中31个系数在5%的显著性水平下显著,说明建立的财务预警指标体系能够显著解释财务危机.以2010年和2011年随机抽取的制造业公司为检验样本进行回溯检验,检验结果表明预警总准确率达到91.7%以上.2010年危机预警准确率为66.7%;2011年危机预警率为100%.Pls-logit模型的总体预警准确率明显优于财务指标logit模型.     

上市公司资本成本面板数据模型与实证分析

本文利用我国上市公司1997至2002年的有关财务数据,建立了我国上市公司资本成本面板数据模型,运用该模型分析了我国上市公司资本成本与财务杠杆、企业规模的关系.结果表明,财务杠杆的提升、企业规模的扩大将使资本成本下降.该结论对我国上市公司优化资本结构、提高企业价值具有一定的参考价值.     

基于时间相依Cox回归的动态财务预警模型及实证

本文以中小企业为研究对象,从偿债能力、盈利能力等财务因素,加之公司治理、宏观环境等非财务因素出发,利用共线性检验和时间相依Cox回归构建动态财务预警模型,并与经典的Cox模型、logit模型进行对比分析。本研究的特色有二:一是通过时间相依Cox回归模型,构建随时间而变化的预警指标数据与财务危机之间的函数关系。利用偏似然估计、Breslow估计量分别拟合回归系数和基准危险强度,构建财务预警模型,预测企业在未来一段时间内每个时间点上的财务危机概率。相比于基于传统Cox模型的预警研究仅用一期的截面数据建模,本研究考虑了预警指标的动态变化对财务风险的影响,涵盖了更多的历史信息,达到提高预警精度的目的。二是考虑第一类错误“危机企业判为正常”与第二类错误“正常企业判为危机”给投资者造成的损失差异,衡量预警的“错误成本”,以错误成本最低为目标,反推出财务正常和财务危机之间的预警阈值,实现了对财务危机发生与否的提前预警功能。经过实证,本研究的财务预警模型精度较高,尤其对财务危机企业的正确识别率达到75%。相较于传统的Cox回归、logit模型,危机企业的正确识别率更高、错误成本更低。盈利能力、公司治理水平是对企业财务风险影响最为显著的因素。     

基于财务状况多分类的上市公司财务危机预警

目前的财务危机预警模型大多局限于二分类研究,而公司陷入财务危机往往会经历一个逐步衰败的过程,简单的二分类有时会掩盖某些上市公司财务状况逐渐变差的事实.为了更准确地判断公司的财务状况,将公司分为财务稳定公司、潜在危机公司、财务危机公司和破产公司四类,运用t-2年的财务数据构建了有序多分类logistic回归模型.实证结果表明,模型的预测能力较好,误判成本较低,能提供更加准确的信息.     

上市公司财务危机预警的实证研究

以是否被特别处理为财务危机标志,利用我国上市公司近几年的年报财务数据,选取了财务危机和健康企业各50家作为开发样本.首先研究了开发样本财务指标的数据特征和财务危机出现前3年内这两类企业的财务指标的显著性差异,其后利用因子分析法筛选了8个指标作为建立模型的自变量,运用Logistic模型构建了上市公司财务危机预测模型,并对估计样本的40家企业进行了检验.实证分析结果表明:其一,我国上市公司财务比率不服从正态分布;其二,尽管我国资本市场的会计数据质量不尽人意,但财务数据仍具有一定的信息含量;其三,利用开发样本构建的Logistic模型在财务危机发生前1年和前2年有比较高回判准确率,估计样本在财务危机发生前1年和前2年有比较高的预测准确率.     

财务危机预测主要方法比较研究

本文以我国沪深A股上市公司为研究对象,将被特别处理的ST公司视为财务危机公司,使用多种方法建立了财务危机预测模型,并对各模型的预测准确率、优缺点进行了对比,结果表明,人工智能方法预测准确率更高,遗传算法模型成为最优预测模型。     

上市公司退市风险预警模型研究

运用统计方法,选取有效建模变量,建立了L og istic预测模型对我国上市公司退市风险进行了预测,研究结果表明该模型具有良好的预测精度,该模型预测精度可达98.10%,可以作为证券投资者和分析人员使用的一种有效预测上市公司退市风险的工具.     

基于遗传算法的上市公司财务危机预测模型研究

本文以我国沪深A股上市公司为研究对象,选取制造业公司376家,其中被特别处理的ST公司188家,与其配对的健康公司188家,使用遗传算法和21个财务比率建立了财务危机预测模型,并与Logistic回归和BP神经网络模型进行了比较,结果表明,使用遗传算法可以获得不受统计约束且预测准确率更高的模型。     

基于稀疏主成分的我国上市公司信用风险评价与预测

把我国2016-2018年沪深Ａ股上市公司中164家ST公司作为信用违约样本，492家非ST上市公司作为非违约样本进行实证研究.从营运能力、偿债能力、盈利能力和成长能力等4个方面选取了25个财务指标，然后运用稀疏主成分方法提取主成分因子，并加入公司规模、第一大股东持股比例和股权质押3个非财务指标，作为Logistic回归模型的输入参数.在此基础上构建Logistic模型进行信用风险评价和预测.     

企业财务危机预警Rough-Fuzzy-ANN模型的建立及应用

本文提出了一种基于粗糙一模糊神经网络（Rough-Fuzzy-ANN）的企业财务危机建模和预测新方法，并给出了相应的算法，在通过以我国上市公司财务数据为基础进行的实证分析之后，结果表明，Fuzzy-Rough-ANN模型具有预测精度高。学习和泛化能力强，适应性广的优点；同时有效、可行，为企业财务危机的动态预警提供了一条新的途径。     

基于XGBoost的上市企业财务违约预测研究

公司年度报告中的管理层讨论与分析部分是企业信息披露的重要组成.构建表面情感语调STONE和隐含违约倾向IPD两个文本特征指标对年报中管理层讨论与分析的定性文本数据进行量化，并提出了一种基于XGBoost的上市公司财务违约预测模型，该方法对上市公司财务违约实现了较好的预测效果.根据特征重要性排序对特征与财务违约之间的关系进行挖掘，进一步利用敏感性分析验证了表面情感语调和隐含违约倾向指标的有效性.     

上市公司经营业绩的多因素层次模糊评价

本在全面分析上市公司财务报告的基础上，引用模糊数学中的评价方法提出了评价上市公司经营业绩的指标体系，并应用隶属矩阵及其相关概念建立了多因素层次模糊评价模型，进而给出了评价的一般方法，能更客观地评价上市公司的经营业绩。     

Prediction of financial distress: An empirical study of listed Chinese companies using data mining

The deterioration in profitability of listed companies not only threatens the interests of the enterprise and internal staff, but also makes investors face significant financial loss. It is important to establish an effective early warning system for prediction of financial crisis for better corporate governance. This paper studies the phenomenon of financial distress for 107 Chinese companies that received the label ‘special treatment’ from 2001 to 2008 by the Shanghai Stock Exchange and the Shenzhen Stock Exchange. We use data mining techniques to build financial distress warning models based on 31 financial indicators and three different time windows by comparing these 107 firms to a control group of firms. We observe that the performance of neural networks is more accurate than other classifiers, such as decision trees and support vector machines, as well as an ensemble of multiple classifiers combined using majority voting. An important contribution of the paper is to discover that financial indicators, such as net profit margin of total assets, return on total assets, earnings per share, and cash flow per share, play an important role in prediction of deterioration in profitability. This paper provides a suitable method for prediction of financial distress for listed companies in China.