论文部分内容阅读
近年来,随着市场经济的不断发展,我国中小企业也迅速成长,逐步成为了市场经济体制下的主力军,经济增长的动力,科技创新的源泉,并且也是提供就业的主要渠道。但是由于资本结构不合理、管理方法不规范、内控制度不完善等原因,直接导致了我国中小企业抗风险能力较弱的特点。当外部各种环境发生恶化时,中小企业就很难有能力应对由此产生的风险。因此,中小企业在不断强化自身发展、抗风险能力的同时,还需要构建一套有效的财务危机预警体系,随时关注企业的财务状况,以尽早地发现企业的潜在财务危机,并通过实施有效的方案化解危机,保证企业正常、有序地运营。而实时、准确的中小企业财务危机预警系统就成为了有效的工具,它可以帮助企业相关利益者及时地把握企业的财务状况并提供相应的决策支持。尽管国内外针对企业财务危机预警模型已经进行了长期的研究,但现有的预警模型大多依赖于传统的统计学方法,以年度数据作为研究样本,时间粒度较大,造成模型的实效性较差。并且,单分类器预警模型在分类性能的提升方面也达到了一个瓶颈。因此,我们在对财务危机预警的机理作深入研究的同时,考虑采用更短时间间隔的数据如季度数据,并结合稳定、准确度较高的集成学习算法模型,在提高模型预测的时间效益的同时,建立更符合实际、更精确的预警模型,及时地跟踪、监控企业的财务状况,及早地发现财务危机信号并给出相应的预警,减轻或避免潜在的财务危机对企业经营造成的破坏。本文根据中小企业上市公司的特点及财务危机成因的特殊性,以现金流量指标为重点,选择了20个初始财务指标。在确定财务预警区间的过程中,首先选择了多指标综合评价方法中的主成分分析评价法对企业的财务状况进行了综合评分,得分的高低体现了企业财务状况的相对好坏程度；其次,为了避免人为划分预警区间的主观性,本文使用基于改进的K-means++算法初始化聚类中心以得到更优的聚类结果,并采用轮廓图(Silhouette)对分类效果进行评价,通过多次实验比较确定了聚类数为三类和四类时效果较好；最后根据综合评价得分越低财务状况越差的原则,结合ST企业在类中的分布情况作为佐证,将三类预警区间定义为第一类财务状况良好,第二类财务状况一般,第三类处于财务危机,四类预警区间定义为第一类财务状况良好,第二类财务状况一般,第三类轻度财务危机,第四类重度财务危机；为了去除冗余指标以及指标间的相关性,本文使用特征选择(Feature Selection)的方法并结合Weka软件对指标进行了筛选,同时为了避免单期指标筛选的偶然性,本文综合了六个季度的筛选结果,进行多数投票,最终选择了出现次数大于3的12个财务指标作为后续构建预警模型使用。为了避免现有集成算法模型在生成权值过程中过分依赖于训练集,从而由于过拟合现象致使集成算法在测试集上失效的情况,本文在原有训练集的基础上,通过引入基于类间距离最大化的测试集项和正则调整项,构建了基于类间距离最大化的集成学习模型(WBMCD).在前述划分的预警区间和筛选的财务指标的基础上,本文选用了粒度更小的季度数据作为样本集,分别使用t-1,t-2,t-3期的数据对第t期分类结果进行预测,证明了使用t-1期的数据进行预测得到的分类错误率最低,准确度最高,后续选择了t-1期的数据作为输入,预测第t期的分类。由于SVM学习机的的稳定性较好,本文首先通过基于自适应度变异的粒子群优化算法对SVM进行初始参数寻优,在此基础上对参数在一定范围内进行扰动,生成了多个SVM弱分类器,然后在不同权衡因子组合的作用下,使用基于线性等式约束条件的PSO粒子群算法求解WBMCD模型,选择最优的权衡因子组合得到均衡弱学习权值,最后通过加权投票得到了最终分类预测结果。并使之与传统的BP神经网络、以BP神经网络作为弱分类器的Adaboost算法相比较,证明了其预测精度更高,适合作为中小企业上市公司财务危机预警的模型。本文以中小企业上市公司作为财务危机预警建模的对象,选择了2008年8月25前上市的268家中小板企业,在2009年12月31日到2011年3月31日期间六个季度共1608条数据,在这些数据的基础上展开了构建预警模型的工作。最后本文依附于中国上市公司信息平台CFinance数据仓库(数据库平台为SQL Server2008),选取其中小板上市公司部分的数据作为数据源,使用Java语言通过Matlab应用接口调用基于类间距离最大化的SVM集成算法模型,结合Web开发技术JSP. Ajax, Struts、Hibernate框架等设计并实现了中小企业上市公司财务危机预警系统,并集成到中国上市公司信息平台上,推进了该项目决策支持系统的完成。