摘 要：以我國的互聯(lián)網(wǎng)金融上市公司為研究樣本，在目前國內(nèi)外對于企業(yè)財務風險預警研究的基礎上，結合互聯(lián)網(wǎng)金融公司的特點，利用SMOTE算法并與隨機森林相結合，建立互聯(lián)網(wǎng)金融公司的財務風險預警模型。研究表明，隨機森林預警模型有著穩(wěn)定的識別精度和較好的預測性能，因此具有廣泛的實踐價值。

關鍵詞：SMOTE算法;隨機森林;財務風險預警

中圖分類號：F832? ? ? ? 文獻標志碼：A? ? ? 文章編號：1673-291X（2020）33-0079-02

引言

近些年來，隨著網(wǎng)絡的蓬勃發(fā)展，現(xiàn)代社會已經(jīng)變成一個信息社會。相對于傳統(tǒng)的企業(yè)，中國的互聯(lián)網(wǎng)金融企業(yè)以其迅速、靈活以及個性化的特點迅速發(fā)展。但一方面，互聯(lián)網(wǎng)金融企業(yè)在面對風險時，處理風險的時間也大大縮短。另一方面，互聯(lián)網(wǎng)金融公司發(fā)展時間較短，相關部門的監(jiān)管機制也不夠完善，公司出現(xiàn)財務風險會對整個互聯(lián)網(wǎng)金融行業(yè)造成嚴重的不良影響，有的甚至可能對整個社會造成不利影響。因此，相關監(jiān)管部門應該對企業(yè)進行評級，對于有財務風險的企業(yè)加強監(jiān)管，以減少上述問題的出現(xiàn)。

本文首先運用SMOTE算法對原始數(shù)據(jù)進行平衡處理，然后通過隨機森林算法進行財務風險預警模型的建立。試驗結果表明，本文的方法可以有效解決ST公司樣本過少所導致的數(shù)據(jù)不平衡問題，從而使互聯(lián)網(wǎng)金融公司存在的財務風險能夠被及時預警，尤其是在對ST公司的風險預警上。本文旨在使預警模型可以為更多的企業(yè)服務，也為監(jiān)管部門提供有效的參考數(shù)據(jù)。

一、互聯(lián)網(wǎng)金融公司財務風險預警模型的構建

1.模型構建。原始數(shù)據(jù)集的平衡程度對隨機森林模型的預測準確度具有較大的影響，而SMOTE算法能夠?qū)υ紨?shù)據(jù)集進行平衡，從而提高隨機森林的分類精準度。因此，將SMOTE算法與隨機森林相結合可以充分發(fā)揮兩者的優(yōu)勢，達到更準確的預測效果。故本文擬利用SMOTE-隨機森林模型對互聯(lián)網(wǎng)金融公司的財務風險狀況進行預測研究，具體的財務風險預警過程（如圖1所示）。

2.樣本選取及數(shù)據(jù)處理。本文選取包含3家ST公司和60家正常經(jīng)營的共計63家互聯(lián)網(wǎng)金融上市公司作為研究對象，以63家互聯(lián)網(wǎng)金融公司2017—2019年每個季度的財務數(shù)據(jù)作為研究樣本，經(jīng)刪除部分缺失值后，共得到752組數(shù)據(jù)，其中ST公司32組，正常公司720組。ST公司是指，因公司連續(xù)兩年虧損而被證交所特別處理的公司，可以視為有較高的財務風險（銳思數(shù)據(jù)庫）。

3.預警指標的選擇。本文在選取財務指標時，首先參考了趙囡等人的研究，在該論文中的18個指標已經(jīng)通過顯著性檢驗;然后考慮楊淑娥和王樂平選取的23個財務指標;最后，結合隨機森林自身的算法特性。本文最終采用七大類共計27個財務指標作為研究變量，這27個財務指標分別體現(xiàn)了互聯(lián)網(wǎng)金融公司的每股指標、營運能力、盈利能力、償債能力、現(xiàn)金流量、資本結構和成長能力，可以充分反映互聯(lián)網(wǎng)金融公司的財務狀況。

4.數(shù)據(jù)的平衡處理。因為預警指標中3家ST公司的數(shù)據(jù)，60家正常公司的數(shù)據(jù)，是比較嚴重的不平衡數(shù)據(jù)，為了解決非平衡數(shù)據(jù)對隨機森林模型的影響，本文用SMOTE算法對不平衡數(shù)據(jù)進行平衡處理，之后再應用隨機森林進行分類，具體的流程（如圖2所示）。

平衡前，訓練集含有500組正常公司的數(shù)據(jù)，20組ST公司的數(shù)據(jù)，測試集含有220組正常公司的數(shù)據(jù)，12組ST公司的數(shù)據(jù)。經(jīng)SMOTE算法平衡數(shù)據(jù)以后，新的訓練集含有270組正常公司的數(shù)據(jù)，200組ST公司的數(shù)據(jù)，比例接近1∶1。

二、實證研究

1.變量重要性分析。分別采用平均準確率的減少和平均不純度的減少方法，對變量進行重要性分析。結果發(fā)現(xiàn)，銷售凈利率，每股凈資產(chǎn)以及凈資產(chǎn)增長率在兩種重要性分析中均為前三，且重要性程度較高。因此對于企業(yè)來說，應該著重關注這三個財務指標，使其準確體現(xiàn)公司的財務狀況。

2.預測結果分析。圖1和圖2分別為基于SMOTE-隨機森林預警模型和數(shù)據(jù)平衡處理流程，通過對測試樣本進行100次預測，選取平均值作為最終的預測結果。我們列出了實際值和模型預測值之間的混淆矩陣。從下表中我們可以看出，未經(jīng)平衡處理的數(shù)據(jù)構建的隨機森林模型，總體預測準確率達到95.27%，對ST公司的預測準確率卻只有46.17%，而經(jīng)SMOTE算法平衡后的數(shù)據(jù)構建的隨機森林模型，對ST公司的預測準確率就高達76.41%，總體準確率為97.35%。從預測結果來看，此預測模型作為互聯(lián)網(wǎng)金融公司的財務風險預警模型，是一個比較理想的財務風險預警模型，有著較好的穩(wěn)定性和實踐價值。

三、結論與建議

通過用SMOTE-隨機森林建立的互聯(lián)網(wǎng)金融公司財務風險預警模型，可以得出以下結論與建議。第一，通過參考本文建立的財務風險預警模型，監(jiān)管部門以及投資者可以將互聯(lián)網(wǎng)金融公司財務風險的狀況作為參考，然后進行選擇，以此減少一些財務損失;銀行也可以有選擇性地進行放貸。第二，政府相關監(jiān)管部門應該加強監(jiān)管和信息披露機制，完善相關的法律法規(guī)。例如，要求公司公布公司的股東和經(jīng)營狀況等信息，這些信息不涉及企業(yè)的機密，同時也可以為后期進行財務風險預警提供數(shù)據(jù)支持和依據(jù)。

參考文獻：

[1]? 趙囡，趙哲耘.基于PCA-BPNN的互聯(lián)網(wǎng)公司信用風險預警模型[J].上海經(jīng)濟，2018，（3）：97-107.

[2]? 楊淑娥，王樂平.基于BP神經(jīng)網(wǎng)絡和面板數(shù)據(jù)的上市公司財務危機預警[J].系統(tǒng)工程理論與實踐，2007，（2）：61-67.

[3]? Leo Breiman.Random Forests[J].Machine Learning，2001，（1）.

[4]? James A.Ohlson.Financial ratios and the probabilistic prediction of bankruptcy[J].Journal of Accountancy，1980.

[5]? Gordy M.B.A comparative anatomy of credit risk models[J].Journal of Banking and Finance，（24）：119-149.

[6]? Leshno Moshe，Spector Yishay.Neural network prediction analysis the bankruptcy case[J].Neurocomputing，1996，（2）：125-147.

[7]? 蔡立新，李嘉歡.大數(shù)據(jù)時代企業(yè)財務風險預警機制與路徑探究[J].財會月刊，2018，（15）：38-43.

[8]? 于煥杰，杜子芳.基于隨機森林的企業(yè)監(jiān)管方法研究[J].管理世界，2017，（9）：180-181.

[9]? 吳悠悠.我國互聯(lián)網(wǎng)金融：問題、前景和建議[J].管理世界，2015，（4）：170-171.

[責任編輯 文 峰]

收稿日期：2020-04-09

作者簡介：李玉占（1969-），男，河南南陽人，科長，從事市場營銷研究。