譚明亮

(川北醫(yī)學(xué)院，四川 南充 637100)

1 引言

大數(shù)據(jù)、云計(jì)算、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、語義分析、深度學(xué)習(xí)和人工智能等現(xiàn)代化信息技術(shù)手段應(yīng)用于金融領(lǐng)域，對于驅(qū)動金融創(chuàng)新發(fā)展、推動金融轉(zhuǎn)型升級、化解系統(tǒng)性金融風(fēng)險、創(chuàng)新金融產(chǎn)品和服務(wù)、優(yōu)化業(yè)務(wù)流程有著非常重要的意義，融入前沿科技手段的金融科技(Fintech)和監(jiān)管科技(RegTech)已成為當(dāng)前學(xué)術(shù)界和產(chǎn)業(yè)界所共同關(guān)注的熱點(diǎn)。當(dāng)前國內(nèi)外的研究者們將支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、自組織映射網(wǎng)絡(luò)和隨機(jī)森林等多種機(jī)器學(xué)習(xí)與人工智能技術(shù)運(yùn)用于上市公司的破產(chǎn)預(yù)測、財務(wù)危機(jī)預(yù)測、信用風(fēng)險預(yù)測等上市公司風(fēng)險識別場景中，并在算法模型的準(zhǔn)確率上取得了不錯的效果。近年來，自然語言處理和文本分析技術(shù)的快速發(fā)展也為非結(jié)構(gòu)化的金融文本數(shù)據(jù)的語義理解和挖掘創(chuàng)造了條件。HDFS、MapReduce、Spark和Hadoop等大數(shù)據(jù)的存儲、計(jì)算、管理技術(shù)，以及分布式計(jì)算技術(shù)、虛擬化技術(shù)、集群技術(shù)和云平臺管理等云計(jì)算技術(shù)的基本成熟也為海量金融數(shù)據(jù)的分析和處理奠定了基礎(chǔ)。決策支持系統(tǒng)技術(shù)逐步走向成熟，并被成功地應(yīng)用于醫(yī)療輔助診斷、機(jī)器故障檢測以及突發(fā)事件應(yīng)急管理等領(lǐng)域中。

作為新一輪產(chǎn)業(yè)變革和科技革命核心驅(qū)動力的機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘和人工智能技術(shù)的研究也取得了巨大進(jìn)展，有著非常廣闊的應(yīng)用前景，推動著經(jīng)濟(jì)社會各領(lǐng)域向智能化加速躍升，這也為大數(shù)據(jù)環(huán)境下的多源異構(gòu)的金融數(shù)據(jù)資源的分析和挖掘提供了堅(jiān)實(shí)的技術(shù)基礎(chǔ)。大數(shù)據(jù)時代，如何運(yùn)用數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、自然語言處理、文本分析、知識組織、決策支持系統(tǒng)和人工智能等技術(shù)來對海量多源異構(gòu)的金融數(shù)據(jù)資源進(jìn)行分析挖掘，及時有效地識別上市公司的風(fēng)險，并以多種知識服務(wù)形式為投資者、債權(quán)人、銀行、基金管理公司、證券公司和政府監(jiān)管部門等主體的管理決策提供智能化的決策支持，成了計(jì)算機(jī)科學(xué)、管理科學(xué)與工程、金融學(xué)、情報學(xué)等學(xué)科的研究者所共同面臨的重要問題。

2 上市公司風(fēng)險識別的傳統(tǒng)經(jīng)典方法

綜合國內(nèi)外的專家學(xué)者、政府部門和相關(guān)組織機(jī)構(gòu)對風(fēng)險、企業(yè)風(fēng)險的相關(guān)定義，文章將上市公司風(fēng)險定義為：上市公司在生產(chǎn)經(jīng)營的過程中，由于各種不確定因素和發(fā)生不利事件，從而有遭受損失的可能性。作為一個特殊的企業(yè)群體，上市公司除了面臨著一般企業(yè)所面臨的破產(chǎn)風(fēng)險、信用風(fēng)險、財務(wù)風(fēng)險、政策風(fēng)險、運(yùn)營風(fēng)險、管理風(fēng)險、市場風(fēng)險、人力資源風(fēng)險、技術(shù)風(fēng)險和戰(zhàn)略風(fēng)險等共性風(fēng)險以外，還面臨著強(qiáng)制退市風(fēng)險、信息披露違規(guī)風(fēng)險和股價暴跌風(fēng)險等上市公司所特有的風(fēng)險。與此同時，不同行業(yè)、不同規(guī)模、不同商業(yè)模式、不同業(yè)務(wù)性質(zhì)、不同發(fā)展階段、不同股權(quán)結(jié)構(gòu)、不同財務(wù)狀況和不同經(jīng)營管理水平的上市公司所面臨的風(fēng)險也不盡相同。

傳統(tǒng)的上市公司風(fēng)險識別主要是通過領(lǐng)域?qū)＜液颓閳蠓治鋈藛T運(yùn)用專家分析法、財務(wù)比率分析法、SWOT分析法、KMV模型等方法來識別和分析上市公司的風(fēng)險。專家分析法主要根據(jù)專家的智慧和個人經(jīng)驗(yàn)來識別上市公司的風(fēng)險，例如5C專家分析法通過對目標(biāo)對象的道德品質(zhì)(character)、償付能力(capacity)、資本實(shí)力(capital)、擔(dān)保抵押(collateral)和經(jīng)營環(huán)境條件(condition)五個方面進(jìn)行綜合分析來識別其信用風(fēng)險。當(dāng)前專家分析法依然是標(biāo)普、穆迪等國際信用評級機(jī)構(gòu)所使用的主流方法之一。財務(wù)比率分析法主要根據(jù)上市公司財務(wù)報表(資產(chǎn)負(fù)債表、利潤表和現(xiàn)金流量表等)中的財務(wù)數(shù)據(jù)來計(jì)算相應(yīng)的財務(wù)比值，從而從財務(wù)角度實(shí)現(xiàn)上市公司風(fēng)險識別，典型的財務(wù)比率分析法包括杜邦財務(wù)分析體系和沃爾比重評分法。SWOT分析法通過對上市公司的優(yōu)勢、劣勢、機(jī)會和威脅進(jìn)行綜合分析，做出系統(tǒng)的評估從而識別其風(fēng)險。KMV模型將Black-Scholes期權(quán)定價理論和Merton的公司債務(wù)定價理論作為模型的理論依據(jù)，基于上市公司的財務(wù)數(shù)據(jù)和股票價格數(shù)據(jù)來度量和識別公司的信用風(fēng)險。

隨著企業(yè)所面臨的市場競爭日益加劇以及經(jīng)營環(huán)境變得更加不穩(wěn)定，風(fēng)險識別對于決策者的作用愈加重要。Baumann等[1]分析了頭腦風(fēng)暴法、訪談法和SWOT分析等被頻繁使用的風(fēng)險識別方法的優(yōu)缺點(diǎn)，并指出需要將多種方法進(jìn)行有機(jī)結(jié)合以更好地識別企業(yè)的風(fēng)險。蔣彧等[2]修正了KMV模型中的參數(shù)計(jì)算(估計(jì))與設(shè)定方法，以更好地適用中國的市場環(huán)境，并將修正后的KMV模型應(yīng)用于識別中國上市公司的信用風(fēng)險。吳驍遠(yuǎn)等[3]運(yùn)用文獻(xiàn)調(diào)查法和案例分析等方法來對上市光伏企業(yè)的風(fēng)險進(jìn)行識別。趙鑫[4]運(yùn)用PEST分析法、SWOT分析法、波特五力模型和財務(wù)比率分析等方法來識別其選取的一家發(fā)動機(jī)制造行業(yè)的上市公司的風(fēng)險。

國內(nèi)外的研究者們還將統(tǒng)計(jì)方法引入上市公司風(fēng)險識別中，使用的統(tǒng)計(jì)方法主要包括單變量判別分析法(UDA)、多元線性判別分析法(MDA)、多元邏輯回歸分析法(Logit)和多元概率比回歸分析法(Probit)等。單變量判別分析法是指通過單一的財務(wù)指標(biāo)來識別上市公司的風(fēng)險。多元線性判別分析法則是通過在多個財務(wù)指標(biāo)的基礎(chǔ)上構(gòu)造多元線性判別函數(shù)來實(shí)現(xiàn)上市公司風(fēng)險的識別。多元邏輯回歸分析法與多元概率比回歸分析法非常相似，都是將因變量(上市公司是否發(fā)生破產(chǎn)、財務(wù)危機(jī)等)和自變量(上市公司的財務(wù)指標(biāo)等)之間的關(guān)系轉(zhuǎn)化為概率求解問題；不同的是，前者通過線性回歸的方法求解，而后者則是通過極大似然函數(shù)的方法求解。此外，多元概率比回歸分析對于樣本數(shù)據(jù)的分布要求嚴(yán)格，要求樣本數(shù)據(jù)服從高斯分布假設(shè)，且模型計(jì)算過程相對復(fù)雜。

3 上市公司風(fēng)險識別的人工智能方法

利用統(tǒng)計(jì)方法來實(shí)現(xiàn)上市公司風(fēng)險識別提高了數(shù)據(jù)分析的效率，并且在很大程度上能夠克服專家分析法和SWOT分析法等方法的主觀性，統(tǒng)計(jì)方法與統(tǒng)計(jì)模型成了標(biāo)普、穆迪和惠譽(yù)等著名國際評級機(jī)構(gòu)最流行的工具之一。但是統(tǒng)計(jì)方法與統(tǒng)計(jì)模型存在著諸多的限制性假設(shè)，例如變量的線性假設(shè)、正態(tài)性假設(shè)和獨(dú)立性假設(shè)等；由于上市公司的財務(wù)數(shù)據(jù)等經(jīng)常會違背這些假設(shè)，因此統(tǒng)計(jì)假設(shè)的固有缺陷在一定程度上限制了統(tǒng)計(jì)方法與統(tǒng)計(jì)模型在上市公司風(fēng)險識別中的應(yīng)用和效果。

人工智能方法相較于傳統(tǒng)的統(tǒng)計(jì)方法和統(tǒng)計(jì)模型，不需要對數(shù)據(jù)的分布進(jìn)行假設(shè)，并且能夠識別和表示數(shù)據(jù)集上的非線性和非參數(shù)關(guān)系。自20世紀(jì)90年代以來，國內(nèi)外的研究者們已經(jīng)成功地將人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、隨機(jī)森林、樸素貝葉斯、基于案例的推理、粗糙集和遺傳算法等多種人工智能方法應(yīng)用于上市公司的破產(chǎn)預(yù)測、財務(wù)危機(jī)預(yù)測、信用風(fēng)險預(yù)測和退市風(fēng)險預(yù)測等上市公司風(fēng)險識別場景中。

Olson等[5]將邏輯回歸、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和決策樹等方法應(yīng)用于上市公司的破產(chǎn)預(yù)測中，并分析和比較了這些方法存在的優(yōu)缺點(diǎn)。Lee等[6]將反向傳播神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于韓國的建筑業(yè)、零售業(yè)和制造業(yè)上市公司的破產(chǎn)預(yù)測中，發(fā)現(xiàn)反向傳播神經(jīng)網(wǎng)絡(luò)能夠更好地識別變量與破產(chǎn)之間的非線性關(guān)系，在破產(chǎn)預(yù)測上的準(zhǔn)確性要優(yōu)于多元判別分析方法；與此同時，實(shí)驗(yàn)結(jié)果還表明針對特定行業(yè)建立的破產(chǎn)預(yù)測模型的預(yù)測精度要高于通用的破產(chǎn)預(yù)測模型。Serrano-Cinca等[7]將偏最小二乘判別分析法(PLS-DA)應(yīng)用于美國銀行的破產(chǎn)預(yù)測中，并將其與線性判別分析、邏輯回歸、多層感知器、K最近鄰、樸素貝葉斯、支持向量機(jī)和集成學(xué)習(xí)等破產(chǎn)預(yù)測中廣泛使用的方法進(jìn)行了對比分析。Barboza等[8]將支持向量機(jī)、集成學(xué)習(xí)和隨機(jī)森林等機(jī)器學(xué)習(xí)方法與判別分析、邏輯回歸等傳統(tǒng)的統(tǒng)計(jì)模型在破產(chǎn)預(yù)測上進(jìn)行了對比，發(fā)現(xiàn)機(jī)器學(xué)習(xí)模型的破產(chǎn)預(yù)測準(zhǔn)確率要比傳統(tǒng)的統(tǒng)計(jì)模型平均高出10%左右。

Huang等[9]比較了支持向量機(jī)(SVM)、混合聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)模型(HACT)、混合遺傳模糊聚類(hybrid GA-fuzzy clustering)和極端梯度提升模型(XGBoost)等有監(jiān)督機(jī)器學(xué)習(xí)方法以及深度信念網(wǎng)絡(luò)(DBN)和混合DBN-SVM模型在上市公司財務(wù)危機(jī)預(yù)測上的性能，發(fā)現(xiàn)在四種有監(jiān)督機(jī)器學(xué)習(xí)方法中，XGBoost具有最高的預(yù)測準(zhǔn)確率；與單獨(dú)的SVM或DBN相比，混合DBN-SVM模型具有更優(yōu)的預(yù)測能力。梁明江等[10]將集成學(xué)習(xí)方法應(yīng)用于預(yù)測A 股制造業(yè)上市公司的財務(wù)危機(jī)，發(fā)現(xiàn)該方法能夠比單個的基分類器取得更高的預(yù)測準(zhǔn)確率。陳瀟瀾[11]將BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林用于預(yù)測上市公司的信用風(fēng)險，發(fā)現(xiàn)隨機(jī)森林有著最高的分類準(zhǔn)確率。

國內(nèi)外的研究者們還將多種人工智能算法模型進(jìn)行融合和集成以更好地識別上市公司的風(fēng)險。Iturriaga等[12]將多層感知器網(wǎng)絡(luò)(MLP)和自組織映射網(wǎng)絡(luò)(SOM)相結(jié)合，建立了一個混合神經(jīng)網(wǎng)絡(luò)模型來預(yù)測美國銀行的破產(chǎn)。趙智繁等[13]將數(shù)據(jù)包絡(luò)分析(DEA)和關(guān)聯(lián)規(guī)則、決策樹等數(shù)據(jù)挖掘技術(shù)相結(jié)合以實(shí)現(xiàn)上市公司財務(wù)危機(jī)程度的預(yù)測。王魯?shù)萚14]將模糊集與自組織映射網(wǎng)絡(luò)相結(jié)合，提升了財務(wù)危機(jī)預(yù)測模型的預(yù)測性能。劉玉敏等[15]綜合運(yùn)用主成分分析、粒子群優(yōu)化算法和支持向量機(jī)等方法來提高上市公司財務(wù)危機(jī)預(yù)測的準(zhǔn)確率。鄭立[16]將粗糙集與最小二乘支持向量機(jī)方法進(jìn)行融合，并將其應(yīng)用于制造業(yè)上市公司的財務(wù)危機(jī)預(yù)測中，提高了預(yù)測的準(zhǔn)確率。

近年來，深度學(xué)習(xí)技術(shù)發(fā)展迅速，目前已經(jīng)被成功應(yīng)用于機(jī)器翻譯、圖像識別、自動駕駛、語音識別、文本生成、智能機(jī)器人、計(jì)算機(jī)視覺、問答系統(tǒng)和商品推薦等領(lǐng)域中。國內(nèi)外的研究者們也嘗試將深度學(xué)習(xí)技術(shù)應(yīng)用于上市公司的風(fēng)險識別中。Hosaka[17]將日本上市公司的財務(wù)指標(biāo)數(shù)據(jù)以圖像的形式進(jìn)行表示，并利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)對其進(jìn)行分類來實(shí)現(xiàn)破產(chǎn)預(yù)測，發(fā)現(xiàn)該方法要優(yōu)于傳統(tǒng)的CART決策樹、線性判別分析(LDA)、支持向量機(jī)(SVM)、AdaBoost集成學(xué)習(xí)算法和多層感知器(MLP)等方法。劉雪林[18]將堆棧式去噪自編碼器(SDAE)深度學(xué)習(xí)網(wǎng)絡(luò)應(yīng)用于上市公司的財務(wù)危機(jī)預(yù)測中，發(fā)現(xiàn)其預(yù)測準(zhǔn)確率要優(yōu)于Logistic回歸模型。孫琦[19]運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)來對上市公司的信用風(fēng)險進(jìn)行預(yù)測，并將其與多變量線性模型、Logistic回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果進(jìn)行了對比，發(fā)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率最高。

4 結(jié)語

當(dāng)前上市公司風(fēng)險識別研究主要關(guān)注于如何運(yùn)用新興的機(jī)器學(xué)習(xí)和人工智能技術(shù)或者改進(jìn)現(xiàn)有技術(shù)來構(gòu)建具有更高準(zhǔn)確率和更低錯誤率的上市公司風(fēng)險智能識別模型，而對于模型的實(shí)用性、透明性和可解釋性的重視程度則明顯不夠。這導(dǎo)致了當(dāng)前研究文獻(xiàn)提出的上市公司風(fēng)險識別智能模型大多是缺乏可解釋性和透明性的黑箱模型，這些黑箱模型對于模型的輸入數(shù)據(jù)和輸出結(jié)果之間的交互和關(guān)系難以給出投資者、債權(quán)人和政府監(jiān)管者等決策者所易于理解的解釋，不能為管理決策提供模型透明化的分析過程以及模型得出結(jié)論的直觀解釋；這不僅使得上市公司風(fēng)險智能識別模型的實(shí)用性降低，而且可能會導(dǎo)致決策者對模型的不信任。具有較高透明性和可解釋性的模型不僅能夠?yàn)闆Q策者的上市公司風(fēng)險識別提供直觀可靠的決策依據(jù)，提高管理決策的效果并有效地降低管理決策的風(fēng)險；同時還可以抽取和發(fā)現(xiàn)上市公司風(fēng)險識別相關(guān)的領(lǐng)域知識，從而有助于豐富上市公司風(fēng)險識別理論。