黃衍

摘要：將因子分析和支持向量機相結合構建組合預測模型，并以317家制造業(yè)上市公司為樣本，進行財務預警研究。結果表明：因子分析提高了支持向量機的判別效率，能有效預測企業(yè)的財務危機，該組合預測模型具有較強的實用價值。

關鍵詞：財務預警;支持向量機;因子分析

中圖分類號：F275? ? 文獻標識碼：A

文章編號：1005-913X（2020）01-0102-02

財務預警模型是指利用企業(yè)財務指標或非財務指標體系來預測或判斷企業(yè)財務狀況的模型。傳統(tǒng)的財務預警方法主要有：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格的假設前提下，然而現(xiàn)實中有些假設往往很難滿足，從而導致模型的判別效率不高。隨著數(shù)據(jù)挖掘技術的發(fā)展，神經網(wǎng)絡被應用到財務預警中，且被證實其判別能力優(yōu)于傳統(tǒng)的模型。支持向量機作為一種新的神經網(wǎng)絡，擁有強大的分類泛化功能，已在眾多領域得到了廣泛的應用。雖然支持向量機的判別準確率很高，但對多元共線性敏感，當變量的相關程度較高時，將會影響到模型的預測準確率。因此，引入因子分析法對樣本變量進行處理，使其不存在共線性問題，同時降低了問題的維度，提高了計算速度。

一、因子分析和支持向量機組合模型

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

二、FA-SVM財務預警模型的應用

（一）模型樣本的選擇

將上市公司財務狀況虧損作為財務危機的標志，在選取危機企業(yè)樣本時，以因連續(xù)兩年虧損而被標注*ST的制造業(yè)企業(yè)為危機企業(yè)，排除因其他原因被標志*ST的企業(yè)。選取滬深兩市A股市場上2015-2017年三年中被標注*ST的制造業(yè)公司共77家，非*ST公司240家。假設被標注*ST的年份是第t年，選擇樣本公司t-3年的財務年報數(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）財務指標體系

1.財務指標的初步選擇

為了比較全面地反映企業(yè)的財務狀況，在參照國內外學者己有的研究成果的基礎上，并結合我國制造業(yè)上市公司的實際情況，初步選取了25個財務指標，涵蓋盈利能力、償債能力、成長能力、營運能力、現(xiàn)金流量五個方面，具體見表1。

2.財務指標的檢驗

進入模型的變量應在*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。采用獨立樣本T檢驗對各指標進行篩選。在顯著性水平0.05的情況下篩選出15個指標，見表2。

（三）因子分析

對數(shù)據(jù)進行KMO檢驗和Bartlett球形度檢驗，其中KMO=0.596，同時Bartlett球形度檢驗給出的相伴概率為0.0000，即Sig=0，小于顯著水平0.05，因此，認為數(shù)據(jù)適合于因子分析。按照特征值大于1的標準提取公因子，可提取前6個，分別設為F1、F2、F3、F4、F5和F6。這6個公因子所解釋的樣本總方差的累積比率為81.98%，說明這6個公因子可以反映原數(shù)據(jù)81.98%的信息量。6個公因子所代表的含義解釋如表3所示。計算各個樣本在這6個因子上的得分，并將其作為支持向量機模型的輸入。

（四）支持向量機模型建立及結果分析

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%劃分為訓練樣本，另外50%作為測試樣本。通過Clementine軟件的多次訓練，得到最優(yōu)模型預測結果見表4，表中同時給出未經因子分析處理得到的模型預測結果。

財務預警模型的目標是發(fā)現(xiàn)財務出現(xiàn)危機跡象的公司，對投資者和債券人來說可以避免因決策失誤造成的損失，對于企業(yè)管理者來說可以及早發(fā)現(xiàn)財務異常跡象，調整企業(yè)的經營策略，改善財務狀況。因此對*ST的錯判造成的損失是巨大的，模型的評價也應以*ST的預測精度為主。根據(jù)表4，單純使用支持向量機模型（SVM）的訓練樣本總體預測精度達到86.25%，*ST的預測精度達到77.50%。但是其測試樣本中*ST的預測精度只有56.76%，總體的預測精度也只有75.16%。測試樣本的預測精度相對于訓練樣本降低了很多，特別是*ST的預測精度降到了60%以下，這樣的預測精度將給模型使用者帶來極大的風險。因此，因此單純的SVM模型應用于預測不太合適。結合因子分析的支持向量機模型（FA-SVM）的結果無論是訓練樣本還是測試樣本都比SVM模型理想。訓練樣本*ST的預測精度達到了85.00%，測試樣本*ST的預測精度也達到了70.27%，說明FA-SVM模型的泛化能力還是不錯的，基本滿足實際應用的需要。

三、結論

利用因子分析對支持向量機模型的輸入數(shù)據(jù)進行處理，降低了數(shù)據(jù)的維度，減小了指標間的相關性。利用317家制造業(yè)上市公司財務數(shù)據(jù)，構建財務預警模型，從模型的對比分析結果可以看出，F(xiàn)A-SVM模型具有較高的預測精度和較強的實用價值。但是在實際應用中也注意到，該模型是建立在一定假設基礎上的，本文假設被標注*ST的公司就是財務困境公司，假設各公司的財務指標是在財務會計準則下計算的，若財務會計準則發(fā)生變化，模型也應做相應的調整。同時，在建模中發(fā)現(xiàn)，支持向量機的參數(shù)設置對模型的預測能力有很大影響，如何確定最佳參數(shù)，是下一步研究的重點。

參考文獻：

[1] 王寶富，李 南.財務困境的預測研究[J].南京航空航天大學學報：社會科學版，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：科學出版社，2007.

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

[責任編輯：龐 林]