《基于机器学习方法的上市公司财务预警模型对比》
本文是财务预警和机器学习方面硕士学位毕业论文范文和学习方法有关论文范文检索.
摘 要：当前我国上市公司信息披露仍存在着许多不规范的现象,个别上市公司在面临财务危机时,粉饰其财务风险,进行财务.本文利用上市超过3年的A股共3002家上市公司的财务数据,通过对ST、*ST和10家2019年退市的公司样本分析,根据不同的时间窗口,构建了财务预警因子库,共96个因子.分别采用机器学习中的逻辑斯蒂回归、支持向量机、决策树模型对因子数据进行训练.将数据集分为训练集和测试集,用训练集训练模型,并将模型应用在测试集中进行预测.结果如下：（1）三种模型均有较好的预测能力,其准确率都在94%以上;（2）决策树模型的预测效果最佳,支持向量机模型次之,逻辑斯蒂回归模型的预测效果最差;（3）三种模型都存在将较多的财务预警公司预测为正常公司的情况.本文通过将三种模型进行对比分析,以寻找更加优质的财务预警模型,来更好地帮助企业识别财务风险.
关键词：财务预警;机器学习;逻辑回归模型;支持向量机模型;决策树模型
引言：目前,我国宏观经济正面临着下行压力,许多企业在大形势下都面临着融资困难和财务风险暴露的问题,目前我国上市公司信息披露仍存在着许多不规范的现象,因此,识别可能进行财务的公司,有助于帮助投资者合理投资,更有利于维护经济社会的健康良性发展.
由于企业财务风险暴露是有征兆的,所以企业的财务危机是可以预测的,因此本文基于大数据和机器学习方法,构建识别上市公司财务的三种不同的财务预警模型,通过对比分析得出更有价值的财务预警模型,这能帮助企业识别财务风险,有助于实现财务状况的良性循环,具有巨大的应用价值.
一、数据处理与因子库构建
1.数据来源
本文样本公司的相关财务数据主要来自锐思RESSET数据库以及同花顺金融数据库.我们选取了3002家A股上市公司以及10家2019年退市的上市公司的相关数据作为样本,考虑到上市不满三年的公司,业绩变动幅度可能相对较大且业绩表现不够稳定,因此将其剔除.
2.構造因子库
根据国内外已有的关于上市公司财务的相关研究成果,结合定性分析和定量分析,从企业的偿债能力、营运能力、盈利能力以及其他能力等四方面,提取出30个相关财务指标作为可提取因子.由于对出现风险暴露或者已退市的上市公司来说,出现财务问题年度的前三年是公司财务状况发生变化的重要转折点,因此我们选取了最近3年-5年的上市公司年度数据,将选取的财务指标进行不同年度的处理,最终形成了包含96个可提取因子的因子库.
二、模型构建
根据现有研究,国内学者建立的财务预警模型较多,不同模型具有其自身优缺点,其中利用逻辑斯蒂回归、支持向量机和决策树方法的研究受到较多关注,因此本文选择这三种模型进行对比分析.
1.逻辑斯蒂回归模型
（1）模型概述
逻辑斯蒂回归（LR）是在进行数据挖掘时经常使用的一种分类模型,该方法的基本原理为：在线性回归的基础之上,与sigmoid函数两者相结合,利用极大似然函数估计回归参数w和b,公式如下所示：
（2）模型的计算和结果分析
本论文通过Matlab中的机器学习工具箱求解.LR模型所得结果的准确率如下表所示：
由上表可知,LR模型在训练集和测试集中所得的准确率分别是94.8%和92.38%.
训练集和测试集的混淆矩阵如下表所示.
由上表4可知,LR模型在全样本中的准确率为94.39%,精确度为38.58%,召回率为32.67%,F值为35.38%.由此可知,召回率并不高,其判断的精确度为35.38%,相对较低.从总体结果看,无论是训练集还是测试集准确率都在92%以上,体现出较好的总体准确率,该模型对发生财务预警的公司预测结果则较差,而对未发生财务预警的公司预测较准确.
2.支持向量机模型
（1）模型概述
支持向量机（SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器,其决策边界是对学习样本求解的最大边距超平面.支持向量机属于有监督学习模型可以用于数据的分析、分类、回归以及检测异常值.
（2）模型的计算和结果分析
SVM模型所得结果的准确率如下表所示：
由上表5可知,SVM模型在训练集和测试集中所得的准确率分别是95.72%和93.55%.与LR模型的准确率相近.
由表7可知,SVM模型在全样本中的准确率为95.35%,精确度为59.26%,召回率为21.33%,F值为31.37%.由此可知,比LR模型召回率低11.34%,其判断的精确度为59.26%,相对LR模型较高.
3.决策树模型
（1）模型概述
决策树是在进行数据挖掘时经常使用的分类和预测方法,该方法的基本原理为：根据算法规定的分类条件对整体数据进行分类,产生一个决策节点,仍然按照该算法规则分类,在下一个决策节点重复上述操作,运算到无法继续分类为止.而对于Boosted Tree算法为,每添加一次树,即为学习一个新的目标函数,在这棵树上寻找最佳节点进行特征分裂.
（2）模型的计算和结果分析
由上表可知,Boosted Tree模型在训练集和测试集中所得的准确率分别是96.32%和95.51%.在三个模型中的准确率最高.
由上表可知,Boosted Tree模型在全样本中的准确率为96.18%,精确度为68.82%,召回率为42.67%,F值为52.68%.
三、总结
本论文针对上市公司的财务预警问题,构建因子库,分别采用了机器学习中的逻辑斯蒂回归法、支持向量机方法和决策树方法,对训练集进行了分类,并用测试集进行预测,结果对比如下表所示.
由上表可知,三种模型具有较高的准确率,均在94%以上,其中Boosted Tree准确率最高;精确度则差距较大,Boosted Tree模型最高;同时Boosted Tree模型具有高达42.67%的召回率.从上表的结果对比可以看出,尽管三种模型都对财务预警问题具有相当的预测能力,但上述三种模型预测能力由优到劣依次为：决策树模型、支持向量机模型、逻辑斯蒂回归模型.因此通过本文论述研究,认为决策树模型对公司进行财务预警是较好的选择.但是本文还有改进之处,一方面由于部分上市公司的财务数据不够真实,另一方面可能来自数据的滞后性,致使对财务公司预测效果精确度有所不足,针对这一问题笔者将会进一步改进.
参考文献：
[1]张玲玲.A股上市公司财务预警模型对比研究——基于logistic回归和BP神经网络模型[J].环渤海经濟瞭望,2019（09）：165-166.
[2]田珅,陈文熙.房地产退市风险企业财务预警研究——基于主成分分析与logistic模型对比[J].沈阳建筑大学学报（社会科学版）,2019,21（04）：376-381.
[3]姚欣.Z模型在我国上市公司财务风险预警中的适用性研究[J].会计师,2019（13）：22-23.
[4]徐碧莹,程昔武.基于Logistic回归模型的建筑业上市公司财务风险预警分析[J].景德镇学院学报,2019,34（03）：1-4.
[5]王元月,景在伦,刘伟.KMV模型在渔业上市公司财务预警中的运用——以獐子岛为例[J].中国渔业经济,2019,37（03）：56-61.
[6]郑玉玉.“互联网+”背景下ZA信息技术公司财务风险预警研究[D].东华理工大学,2019.
[7]胥光华.基于机器学习构建的公司财务预警系统研究[D].厦门大学,2014.
[8]王媛媛.基于因子分析与支持向量机的上市公司财务危机预警研究[D].西安电子科技大学,2012.
[9]梁小红.财务危机预警的SVMs模型研究——基于我国制造业上市公司经验数据[J].福建论坛（人文社会科学版）,2011（12）：37-41.
[10]刘彦文.上市公司财务危机预警模型研究[D].大连理工大学,2009.
作者简介：李星辰（1998- ）,天津科技大学本科生,主要研究方向：产业金融、国民经济;王青龙（1998- ）,天津科技大学本科生,主要研究方向：计算数学与数据分析;林国庆（1997- ）,天津科技大学本科生,主要研究方向：数据挖掘
此文点评,此文为关于财务预警和机器学习方面的大学硕士和本科毕业论文以及学习方法相关财务预警和机器学习论文开题报告范文和职称论文写作参考文献资料.
财务预警和机器学习引用文献:
[1] 财务预警和机器学习论文范文检索 财务预警和机器学习有关论文范文素材2万字
[2] 财务预警论文范文 关于财务预警类论文范文集5000字
[3] 图书馆和机器学习电大毕业论文范文 关于图书馆和机器学习方面在职开题报告范文8000字
