论文部分内容阅读
随着中国经济市场化程度的加深,公司的财务状况越来越影响着公司的整体运营情况,甚至关系到公司的生死存亡。如何有效地发现公司财务中出现的问题及时给公司利益相关者做出预警,成为当今中国乃至世界都普遍关心的问题。传统的预警方法要么过于依赖判断者的主观意识,要么需要太多的假设条件,这些都影响了应用者的使用效率。
支持向量机(SVM)是一种线性学习机器,是目前新兴的一种新的分类方法,它的核心思想是建立一个超平面作为决策曲面,以此作为分类标准,对新样本做出预测。支持向量机(SVM)建立在统计学习理论的基础之上。统计学习理论(SLT)是一种处理小样本的统计理论,为研究有限样本情况下的统计模式识别和更广泛的机器学习问题建立了一个较好的理论框架。支持向量机(SVM)由Vapnik提出后,逐渐成为流行的机器学习方法。Vapnik的统计学习理论为SVM学习方法建立了良好的数学基础,使其具有优良的泛化性能,对样本分布要求也不是很高,而且不受共线性的影响；但是标准SVM却无法自动地进行变量选择,而各项财务指标的选择如果能通过算法自动筛选,将大大的降低这一过程的主观性,因此需要对标准SVM做改进。
SCAD加罚技术是一种对模型进行改进的有效技术,能够实现变量的自动选择,因此SCAD-SVM方法,结合了加罚技术和SVM的优点,既能很好的实现判别,又能实现变量的自动选择。这正是财务预警模型所需要的,SCAD-SVM成功的实现了判别和变量选择的统一,使选择的变量更加具有实证性和解释性。
本文在前人研究成果的基础上,首先回顾了财务预警理论和SVM的发展现状及其在中国的应用情况,接着阐述了SCAD-SVM的方法的判别思路,然后选取我国沪深两市A股市场的87家上市公司财务数据作为研究样本,其中以30家ST类公司作为财务困境公司,57家非ST类作为正常公司,应用Matlab编写程序实现SCAD-SVM模型对数据进行分析,得出了比传统方法更有效的结果,同时综合比较了SCAD-SVM方法和距离判别、逻辑回归判别、标准SVM的判别效率,得出SCAD-SVM是判别效果最好的方法这一结论。
最后根据模型结果结合实际情况分析了我国上市公司的财务影响因素。其中,营业成本率,应收账款周转率,存货周转率,营业利润率,净资产收益率总资产报酬率,销售净利率7项指标被模型选中,其系数也符合传统的对指标的看法,同时我们也给出了这些指标在本文模型中的解释。