劉洪濤

一、緒論

(一)研究背景和目的

深度學(xué)習(xí)（Deep Learning）是基于對(duì)人腦神經(jīng)元結(jié)構(gòu)的研究提出的一種很復(fù)雜的機(jī)器學(xué)習(xí)分類算法，它在圖像、聲音的識(shí)別以及自然語(yǔ)言處理等領(lǐng)域都表現(xiàn)出強(qiáng)大的能力。TensorFlow 是由谷歌人工智能團(tuán)隊(duì)谷歌大腦（Google Brain）開(kāi)發(fā)和維護(hù)的深度學(xué)習(xí)框架。自2015 年11 月9 日起，TensorFlow 依據(jù)阿帕奇授權(quán)協(xié)議（Apache 2.0 open source license）開(kāi)放源代碼。

財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警是指基于企業(yè)歷史財(cái)務(wù)數(shù)據(jù)對(duì)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)做出預(yù)測(cè)。隨著我國(guó)資本市場(chǎng)的發(fā)展，上市公司的披露信息的數(shù)量和質(zhì)量都有了很大提升，這為使用深度學(xué)習(xí)評(píng)價(jià)上市公司財(cái)務(wù)狀況奠定了基礎(chǔ)。

雖然深度學(xué)習(xí)在人工智能領(lǐng)域表現(xiàn)出了很強(qiáng)大的能力，但是目前理論上缺乏足夠的支撐。2017 年的NIPS（Neural Information Processing Systems）上，谷歌工程師Ali Rahimi 稱，深度學(xué)習(xí)成為了今天的“煉金術(shù)”?；诖?，本文的寫(xiě)作目的是在應(yīng)用層面驗(yàn)證深度學(xué)習(xí)財(cái)務(wù)預(yù)警的有效性。

(二)財(cái)務(wù)風(fēng)險(xiǎn)的界定

企業(yè)的風(fēng)險(xiǎn)可以分為經(jīng)營(yíng)風(fēng)險(xiǎn)和財(cái)務(wù)風(fēng)險(xiǎn)，其中財(cái)務(wù)風(fēng)險(xiǎn)特指企業(yè)在生產(chǎn)經(jīng)營(yíng)中的財(cái)務(wù)活動(dòng)與財(cái)務(wù)治理中所面臨的風(fēng)險(xiǎn)。理論界對(duì)于財(cái)務(wù)風(fēng)險(xiǎn)的界定分為狹義和廣義兩個(gè)層面。財(cái)務(wù)風(fēng)險(xiǎn)的狹義觀點(diǎn)是指由于利用負(fù)債給企業(yè)帶來(lái)的破產(chǎn)風(fēng)險(xiǎn)或普通股收益發(fā)生大幅度變動(dòng)的風(fēng)險(xiǎn)；廣義觀點(diǎn)認(rèn)為財(cái)務(wù)風(fēng)險(xiǎn)是指企業(yè)整個(gè)財(cái)務(wù)活動(dòng)過(guò)程存在的不確定性可能導(dǎo)致企業(yè)的實(shí)際收益與預(yù)期不一致。廣義的財(cái)務(wù)風(fēng)險(xiǎn)是一個(gè)多變量、多層次的復(fù)合性概念，比較接近于企業(yè)整體的風(fēng)險(xiǎn)，最終反映在企業(yè)的財(cái)務(wù)報(bào)表中。本文中的財(cái)務(wù)風(fēng)險(xiǎn)是指廣義的財(cái)務(wù)風(fēng)險(xiǎn)。

(三)文獻(xiàn)綜述

受第一次經(jīng)濟(jì)危機(jī)的影響，西方學(xué)者開(kāi)始財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的研究。財(cái)務(wù)預(yù)警定量分析開(kāi)始于1932 年Fitz Patrick 進(jìn)行的一項(xiàng)研究：他以19 對(duì)破產(chǎn)和非破產(chǎn)公司作為樣本，運(yùn)用單個(gè)財(cái)務(wù)比率將樣本劃分為破產(chǎn)和非破產(chǎn)兩組，發(fā)現(xiàn)判別能力最高的兩個(gè)指標(biāo)是凈資產(chǎn)收益率和股東權(quán)益/負(fù)債。1966 年，Beaver 沿著Fitz Patrick 的思路，使用5 個(gè)財(cái)務(wù)比率作為變量，分別對(duì)79 家經(jīng)營(yíng)成功和79 家經(jīng)營(yíng)失敗的公司進(jìn)行了一元判定預(yù)測(cè)，發(fā)現(xiàn)最好的財(cái)務(wù)指標(biāo)是現(xiàn)金流量/負(fù)債，其次是資產(chǎn)負(fù)債率。

為減少使用單一指標(biāo)的片面性，人們開(kāi)始嘗試使用多變量模型預(yù)測(cè)財(cái)務(wù)風(fēng)險(xiǎn)。1968 年，Altman 提出了Z 計(jì)分模型。該模型運(yùn)用5 種財(cái)務(wù)比率來(lái)預(yù)測(cè)財(cái)務(wù)風(fēng)險(xiǎn)，分別是營(yíng)運(yùn)資金/資產(chǎn)、留存收益/資產(chǎn)、EBIT/資產(chǎn)、股東的權(quán)益資產(chǎn)/負(fù)債和銷售額/資產(chǎn)。同樣在20 世紀(jì)70 年代，日本開(kāi)發(fā)銀行調(diào)查部發(fā)表的《利用經(jīng)營(yíng)指標(biāo)進(jìn)行企業(yè)風(fēng)險(xiǎn)評(píng)價(jià)的新嘗試——利用多變量分析的探索》中使用6 種財(cái)務(wù)比率來(lái)預(yù)測(cè)財(cái)務(wù)風(fēng)險(xiǎn)，分別是銷售額增長(zhǎng)率、總資本利潤(rùn)率、利息率、資產(chǎn)負(fù)債率、流動(dòng)比率和粗附加值生產(chǎn)率。

1977 年，Altman、Haldeman 和Narayanan 提 出 了ZETA 模型，對(duì)Z 模型做了一些優(yōu)化。同年，Martin 第一次建立了多元logistic 財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。1980 年，Ohlson運(yùn)用Logistic 模型對(duì)1970-1976 年的105 家破產(chǎn)公司和2058 家正常公司進(jìn)行了財(cái)務(wù)預(yù)警分析。他發(fā)現(xiàn)以資產(chǎn)規(guī)模、資本結(jié)構(gòu)、資產(chǎn)報(bào)酬率和短期流動(dòng)性四項(xiàng)財(cái)務(wù)指標(biāo)的財(cái)務(wù)預(yù)警的準(zhǔn)確度可達(dá)96.12%，同時(shí)發(fā)現(xiàn)在研究選用的財(cái)務(wù)指標(biāo)往往滯后于財(cái)務(wù)危機(jī)的發(fā)生日，所以存在高估預(yù)測(cè)能力的情況。

財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型先后經(jīng)歷了單變量模型、多變量模型、Logistic 模型等線性模型發(fā)展階段。由于線性模型依賴于嚴(yán)格的假設(shè)，且沒(méi)有自適應(yīng)學(xué)習(xí)的能力，人們又探索了人工神經(jīng)網(wǎng)絡(luò)模型等非線性的預(yù)測(cè)模型。

上世紀(jì)80 年代，西方學(xué)者開(kāi)始將人工智能技術(shù)應(yīng)用到企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警上來(lái)。1988 年，Dutta 和Shekhar 首次將神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用到企業(yè)債券等級(jí)的預(yù)測(cè)上。隨后，在1990 年Odom 和Sharda 將神經(jīng)網(wǎng)絡(luò)應(yīng)用到企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的問(wèn)題上。他們以129 家企業(yè)（65 家破產(chǎn)企業(yè)和64 家非破產(chǎn)企業(yè)）作為研究樣本，以Z 模型中的5 個(gè)財(cái)務(wù)指標(biāo)作為輸入變量，結(jié)果發(fā)現(xiàn)預(yù)測(cè)效果比判別分析法好。1993 年，Coats 和Fant 沿著這一思路，繼續(xù)以Z 模型的5 個(gè)財(cái)務(wù)變量作為輸入變量建立神經(jīng)網(wǎng)絡(luò)模型，結(jié)果發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型比Z 模型更適合于企業(yè)長(zhǎng)期財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)測(cè)。

國(guó)內(nèi)關(guān)于神經(jīng)網(wǎng)絡(luò)在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警中應(yīng)用的研究起步較晚。1995 年，黃小原等在《預(yù)測(cè)》雜志上發(fā)表了關(guān)于神經(jīng)網(wǎng)絡(luò)預(yù)警系統(tǒng)的理論介紹，但由于數(shù)據(jù)量、機(jī)器算力都有限，這篇文章只能停留在理論層面。2002 年之后，隨著大數(shù)據(jù)和人工智能應(yīng)用的發(fā)展，與神經(jīng)網(wǎng)絡(luò)和財(cái)務(wù)預(yù)警相關(guān)的文獻(xiàn)出現(xiàn)快速增長(zhǎng)。楊保安等選取了15 項(xiàng)財(cái)務(wù)指標(biāo)、30 個(gè)訓(xùn)練樣本設(shè)計(jì)三層（15*15*3）的BP 神經(jīng)網(wǎng)絡(luò)，這篇文章引起了較大的關(guān)注和更多相關(guān)的嘗試，但文章中的神經(jīng)網(wǎng)絡(luò)訓(xùn)練節(jié)點(diǎn)數(shù)高于訓(xùn)練樣本數(shù)，可能存在過(guò)擬合的問(wèn)題。黃宏遠(yuǎn)等通過(guò)變異系數(shù)和相關(guān)系數(shù)對(duì)最為常用的衡量公司績(jī)效的22 項(xiàng)指標(biāo)進(jìn)行初步篩選和二次篩選，將相關(guān)程度較高的輸入轉(zhuǎn)換成少數(shù)幾個(gè)因子作為神經(jīng)網(wǎng)絡(luò)的輸入。這種做法類似卷積神經(jīng)網(wǎng)絡(luò)的卷積過(guò)程，可以有效減少數(shù)據(jù)的維度。

在大多數(shù)文獻(xiàn)中，訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)訓(xùn)練集的數(shù)據(jù)量都是幾十到兩三百家上市公司一到兩年的數(shù)據(jù)，很難滿足神經(jīng)網(wǎng)絡(luò)的訓(xùn)練要求。近幾年來(lái)，隨著數(shù)據(jù)獲取技術(shù)、財(cái)務(wù)數(shù)據(jù)庫(kù)的發(fā)展，數(shù)據(jù)量級(jí)的提升使得神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果能夠更加可靠。曹興選取A 股全部非ST 上市公司2014 年的數(shù)據(jù)，同時(shí)選取2008 至2016 年ST 企業(yè)前兩年的數(shù)據(jù)作為訓(xùn)練樣本，訓(xùn)練的神經(jīng)網(wǎng)絡(luò)成功預(yù)測(cè)了兩年后ST 博元的財(cái)務(wù)危機(jī)。宋歌等采用2007 年至2016年3513 家上市公司的相關(guān)財(cái)務(wù)數(shù)據(jù)為研究樣本，結(jié)果顯示神經(jīng)網(wǎng)絡(luò)對(duì)所有上市公司是否陷入財(cái)務(wù)危機(jī)的預(yù)測(cè)準(zhǔn)確率可以達(dá)到72%以上。

(四)本文的研究思路

本文認(rèn)為，在之前的研究文獻(xiàn)中，大多存在兩方面的問(wèn)題：第一是對(duì)行業(yè)因素考慮不充分，第二是多以ST/非ST 分類作為標(biāo)記高風(fēng)險(xiǎn)企業(yè)的基礎(chǔ)。首先，不同行業(yè)的企業(yè)的財(cái)務(wù)指標(biāo)呈現(xiàn)的特征并不總是一樣的，如輕、重資產(chǎn)企業(yè)在營(yíng)運(yùn)資本、周轉(zhuǎn)率上就有明顯的不同。如果不考慮行業(yè)因素，神經(jīng)網(wǎng)絡(luò)得出的結(jié)論就會(huì)出現(xiàn)問(wèn)題，最終的輸出可能取決于訓(xùn)練集中輕、重資產(chǎn)企業(yè)所占比重。其次，經(jīng)過(guò)對(duì)大量ST 企業(yè)財(cái)務(wù)指標(biāo)的分析，本文認(rèn)為簡(jiǎn)單地以ST/非ST 分類方法標(biāo)記高風(fēng)險(xiǎn)企業(yè)是有問(wèn)題的，因?yàn)镾T 公司中存在很多通過(guò)盈余管理美化財(cái)務(wù)指標(biāo)的情況，而非ST 公司首年出現(xiàn)虧損并不會(huì)被ST，所以公司是否ST 與其財(cái)務(wù)指標(biāo)所反映出情況的好壞沒(méi)有確定性的關(guān)系。

本文的研究思路具體可以劃分為以下四步：

1.財(cái)務(wù)指標(biāo)的選取

選取合適的財(cái)務(wù)指標(biāo)，可以代表企業(yè)的財(cái)務(wù)狀況并作為神經(jīng)網(wǎng)絡(luò)的輸入。

2.數(shù)據(jù)收集、處理和標(biāo)記

收集足夠多的數(shù)據(jù)，剔除其中不能使用的數(shù)據(jù)，并按神經(jīng)網(wǎng)絡(luò)的輸入要求進(jìn)行處理（主要是標(biāo)準(zhǔn)化和標(biāo)記數(shù)據(jù)的過(guò)程）。同時(shí)把其中一部分?jǐn)?shù)據(jù)劃分出來(lái)作為測(cè)試集，不參與神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

3.訓(xùn)練和調(diào)整神經(jīng)網(wǎng)絡(luò)

搭建并訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，通過(guò)調(diào)整訓(xùn)練參數(shù)，獲得一個(gè)近似最優(yōu)的預(yù)測(cè)模型。

4.預(yù)測(cè)和分析

使用在測(cè)試集上表現(xiàn)最好的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)部分2018 年非ST 公司的財(cái)務(wù)風(fēng)險(xiǎn)，并結(jié)合對(duì)這些公司的財(cái)務(wù)分析得出預(yù)測(cè)結(jié)果是否可靠的結(jié)論。

二、神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)體系設(shè)計(jì)

(一)財(cái)務(wù)指標(biāo)體系的建立

本步驟包含兩個(gè)主要問(wèn)題：選取財(cái)務(wù)指標(biāo)的數(shù)量和選取哪幾個(gè)指標(biāo)。選取的財(cái)務(wù)指標(biāo)的數(shù)量關(guān)系到神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)個(gè)數(shù)，也就關(guān)系到整個(gè)網(wǎng)絡(luò)的規(guī)模。在數(shù)據(jù)量有限的情況下，顯然選取的指標(biāo)不能越多越好，應(yīng)該保持在一個(gè)合理的區(qū)間內(nèi)。另一方面，選取什么樣的財(cái)務(wù)指標(biāo)直接關(guān)系到最終預(yù)測(cè)結(jié)果的好壞。

本文先分析以往研究中被選用次數(shù)較多的財(cái)務(wù)指標(biāo)，再?gòu)闹羞x擇本文使用的財(cái)務(wù)指標(biāo)。下表列出了本文文獻(xiàn)綜述中涉及的大部分財(cái)務(wù)指標(biāo)。

表1 文獻(xiàn)綜述中的財(cái)務(wù)指標(biāo)匯總

秦志敏(2012）對(duì)我國(guó)上市公司財(cái)務(wù)預(yù)警變量的選擇問(wèn)題做了一些研究，通過(guò)分析這篇論文中提到的國(guó)內(nèi)外經(jīng)典研究成果，發(fā)現(xiàn)在經(jīng)典文獻(xiàn)中被使用次數(shù)最多的財(cái)務(wù)指標(biāo)依次是：總資產(chǎn)報(bào)酬率、資產(chǎn)負(fù)債率、流動(dòng)比率、總資產(chǎn)周轉(zhuǎn)率、凈資產(chǎn)收益率、產(chǎn)權(quán)比率、留存收益/總資產(chǎn)和營(yíng)運(yùn)資本/總資產(chǎn)。非財(cái)務(wù)指標(biāo)中，審計(jì)意見(jiàn)和董事所占股份比例被多次使用。在較新的文獻(xiàn)中，被更多考慮的是現(xiàn)金流量指標(biāo)、每股指標(biāo)和成長(zhǎng)能力指標(biāo)。

綜合以上信息，本文在選用指標(biāo)時(shí)盡量選用在經(jīng)典文獻(xiàn)中常用的指標(biāo)，同時(shí)選用一些新文獻(xiàn)中使用的指標(biāo)。本文把選用的指標(biāo)分為9 類，分別是結(jié)構(gòu)比率、償債能力、盈利能力、營(yíng)運(yùn)能力、成長(zhǎng)能力、每股指標(biāo)、現(xiàn)金流量、非財(cái)務(wù)指標(biāo)和反映行業(yè)盈利能力的行業(yè)指標(biāo)。具體指標(biāo)的選取如下表所示：

表2 財(cái)務(wù)指標(biāo)體系

(二)數(shù)據(jù)收集、處理和標(biāo)記

本文中使用的原始數(shù)據(jù)全部取自國(guó)泰安數(shù)據(jù)庫(kù)及相關(guān)公司財(cái)務(wù)報(bào)告。參與訓(xùn)練的有效數(shù)據(jù)條數(shù)為18225 條，包括國(guó)泰安數(shù)據(jù)庫(kù)中2005 年-2017 年全部滬深A(yù) 股上市公司數(shù)據(jù)和2018 年部分滬深A(yù) 股上市公司數(shù)據(jù)。本文在數(shù)據(jù)清理時(shí)去掉了含缺失項(xiàng)的數(shù)據(jù)和本行業(yè)內(nèi)公司數(shù)量過(guò)少的公司數(shù)據(jù)，便于以后的數(shù)據(jù)處理。

一般來(lái)說(shuō)，輸入數(shù)據(jù)可以使用歸一化的處理方法，以消除各指標(biāo)計(jì)量單位不同的影響。但本文采用的數(shù)據(jù)極差較大，經(jīng)初步測(cè)試直接歸一化后的數(shù)據(jù)呈現(xiàn)兩極化的特點(diǎn)，此時(shí)離差歸一化方法（最大最小值歸一化）就不再適用了。

本文中標(biāo)準(zhǔn)化過(guò)程采用Z-score 標(biāo)準(zhǔn)化，這種方法適用于原始數(shù)據(jù)近似服從高斯分布的情況。本文的行業(yè)分類采用證監(jiān)會(huì)二級(jí)行業(yè)分類（共82 類）。下式中的均值是對(duì)應(yīng)指標(biāo)同年度的行業(yè)均值，標(biāo)準(zhǔn)差是對(duì)應(yīng)指標(biāo)同年度的行業(yè)標(biāo)準(zhǔn)差。

在沒(méi)有進(jìn)行進(jìn)一步數(shù)據(jù)處理的情況下，本文直接使用標(biāo)準(zhǔn)化后的數(shù)據(jù)訓(xùn)練了幾次神經(jīng)網(wǎng)絡(luò)。在訓(xùn)練集上測(cè)試神經(jīng)網(wǎng)絡(luò)時(shí)，輸出的預(yù)測(cè)值往往集中在一個(gè)較小的區(qū)間中，區(qū)分度較小。經(jīng)分析本文認(rèn)為，由于ST 公司往往會(huì)進(jìn)行盈余管理美化財(cái)務(wù)指標(biāo)，且一家公司只有連續(xù)虧損才會(huì)被ST，所以直接選用ST 公司的財(cái)務(wù)指標(biāo)作為危機(jī)企業(yè)的指標(biāo)是不盡合理的，同時(shí)非ST 公司也不一定意味著其財(cái)務(wù)狀況良好。

在危機(jī)企業(yè)的標(biāo)記方法上，本文采用了手工標(biāo)記的方式，重點(diǎn)關(guān)注盈利能力、成長(zhǎng)能力、現(xiàn)金流量和行業(yè)指標(biāo)四個(gè)方面。雖然這種方法具有很強(qiáng)的主觀色彩，但實(shí)踐證明這種標(biāo)記方法的效果甚至?xí)?yōu)于直接使用ST/非ST 分類的標(biāo)記方法。

(三)訓(xùn)練和調(diào)整神經(jīng)網(wǎng)絡(luò)

經(jīng)大量實(shí)驗(yàn)，本文訓(xùn)練的神經(jīng)網(wǎng)絡(luò)確定為3 個(gè)隱藏層（14*9*5）、輸出層節(jié)點(diǎn)數(shù)為1 的4 層神經(jīng)網(wǎng)絡(luò)，輸出的結(jié)果經(jīng)Sigmoid 函數(shù)轉(zhuǎn)化為0-1 之間的實(shí)數(shù)。

訓(xùn)練過(guò)程中l(wèi)oss 值的下降如下圖所示：

(四)測(cè)試結(jié)果

在本階段的測(cè)試中按照輸出值的大小進(jìn)行分級(jí)，預(yù)測(cè)結(jié)果和對(duì)應(yīng)級(jí)別如下表所示：

表3 基于預(yù)測(cè)結(jié)果的評(píng)級(jí)表

測(cè)試集為數(shù)據(jù)收集階段隨機(jī)選出的100 家正常公司（標(biāo)記為0）的數(shù)據(jù)和100 家高風(fēng)險(xiǎn)公司（標(biāo)記為1）的數(shù)據(jù)。在測(cè)試集上測(cè)試的結(jié)果如下表所示，其中正確率的計(jì)算公式為：預(yù)測(cè)風(fēng)險(xiǎn)級(jí)別為3 級(jí)及以上的公司數(shù)量/預(yù)測(cè)風(fēng)險(xiǎn)級(jí)別為2 級(jí)及以下的公司數(shù)量。

表4 預(yù)測(cè)結(jié)果統(tǒng)計(jì)表

三、應(yīng)用實(shí)例

本文從滬深A(yù) 股的非ST 公司中隨機(jī)抽取55 家，使用這些公司2018 年年報(bào)的數(shù)據(jù)計(jì)算各指標(biāo)并標(biāo)準(zhǔn)化，輸入神經(jīng)網(wǎng)絡(luò)后得到如下的結(jié)果：

表5 應(yīng)用實(shí)例預(yù)測(cè)結(jié)果表

本文對(duì)預(yù)測(cè)級(jí)別為第5 級(jí)的三家公司（股票代碼000502、002186 和002248）進(jìn)行驗(yàn)證，三家公司的基本信息如下：

表6 風(fēng)險(xiǎn)等級(jí)為5 的公司基本信息

以上三家公司2018 年度主營(yíng)業(yè)務(wù)收入增長(zhǎng)率和總資產(chǎn)增長(zhǎng)率均為負(fù)數(shù)。綠景控股報(bào)告了重大資產(chǎn)出售事項(xiàng)，且其本報(bào)告期盈利的原因是子公司廣州明安出售北京明安100%股權(quán)、明安康和100%股權(quán)及南寧明安70%股權(quán)，本期確認(rèn)投資收益。全聚德披露的信息顯示，其2018 年歸屬股東凈利潤(rùn)較2017 年幾乎減少一半，營(yíng)收和利潤(rùn)的跌幅均為自2004 年上市以來(lái)最高。華東數(shù)控披露的審計(jì)報(bào)告中提到：“華東數(shù)控2016 年度虧損，2017年度利潤(rùn)主要來(lái)源于政府補(bǔ)助和資產(chǎn)處置收益，2018 年度繼續(xù)虧損”，“其流動(dòng)資產(chǎn)小于流動(dòng)負(fù)債，這些事項(xiàng)或情況表明存在可能導(dǎo)致公司持續(xù)經(jīng)營(yíng)能力產(chǎn)生重大疑慮的重大不確定性?！?/p>

通過(guò)以上簡(jiǎn)單分析，三家公司的確出現(xiàn)了財(cái)務(wù)危機(jī)，可見(jiàn)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)風(fēng)險(xiǎn)較高時(shí)，預(yù)測(cè)的結(jié)果是可靠的。

一般認(rèn)為企業(yè)財(cái)務(wù)狀況的變化是連續(xù)的，企業(yè)出現(xiàn)高度財(cái)務(wù)風(fēng)險(xiǎn)暗示著其必然經(jīng)過(guò)了中低風(fēng)險(xiǎn)、中風(fēng)險(xiǎn)、中高風(fēng)險(xiǎn)這些階段。財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警當(dāng)然是越早越好，所以本文更關(guān)心的是神經(jīng)網(wǎng)絡(luò)輸出中低風(fēng)險(xiǎn)時(shí)，預(yù)測(cè)的結(jié)果是否可靠。再?gòu)谋? 中預(yù)測(cè)風(fēng)險(xiǎn)等級(jí)為2 的公司中隨機(jī)抽取1 家（股票代碼為600692），其基本信息如表7 所示：

表7 風(fēng)險(xiǎn)等級(jí)為2 的公司基本信息

亞通股份主要財(cái)務(wù)數(shù)據(jù)如表8 所示：

表8 亞通股份2017 與2018 年主要財(cái)務(wù)數(shù)據(jù)

與2017 年相比，亞通股份2018 年?duì)I收和凈利潤(rùn)均出現(xiàn)了負(fù)增長(zhǎng)。亞通股份在其披露的年度報(bào)告中表示，2018 年主營(yíng)業(yè)務(wù)收入較上年減少主要系國(guó)際鋼材貿(mào)易減少和房地產(chǎn)交付率下降所致。亞通股份的財(cái)務(wù)風(fēng)險(xiǎn)確有增大的趨勢(shì)，可見(jiàn)神經(jīng)網(wǎng)絡(luò)輸出中低風(fēng)險(xiǎn)的預(yù)測(cè)結(jié)果時(shí)，仍然可以起到較好的風(fēng)險(xiǎn)提示作用。

四、總結(jié)

本文采用滬深A(yù) 股部分上市公司的財(cái)務(wù)指標(biāo)為樣本，使用TensorFlow 框架搭建神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)達(dá)到了75%左右的正確率，且在實(shí)際應(yīng)用中能起到較好的風(fēng)險(xiǎn)提示作用。本文較之前研究的創(chuàng)新之處主要體現(xiàn)在以下兩點(diǎn)：第一，充分考慮了行業(yè)因素，不僅在指標(biāo)標(biāo)準(zhǔn)化時(shí)采用了行業(yè)均值和標(biāo)準(zhǔn)差，還在神經(jīng)網(wǎng)絡(luò)的輸入中加入了一個(gè)基于行業(yè)整體盈利能力的行業(yè)指標(biāo)；第二，放棄了傳統(tǒng)的基于ST/非ST 公司的分類方式，盡量減少公司盈余管理對(duì)預(yù)測(cè)效果的影響。同時(shí)，本文最大的缺陷也在于此，因?yàn)檫@種方法帶有很強(qiáng)的主觀判斷。

本文通過(guò)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)了2018 年部分非ST 公司的財(cái)務(wù)風(fēng)險(xiǎn)，并結(jié)合中低風(fēng)險(xiǎn)公司亞通股份的預(yù)測(cè)情況，驗(yàn)證了神經(jīng)網(wǎng)絡(luò)在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警中的有用性。通過(guò)應(yīng)用實(shí)例的驗(yàn)證，可以認(rèn)為本文訓(xùn)練的神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中是比較可靠的。

綜上所述，深度學(xué)習(xí)在處理非線性問(wèn)題上有很大優(yōu)勢(shì)，在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)領(lǐng)域也有很好的表現(xiàn)和發(fā)展前景。