论文部分内容阅读
公司财务困境预测一直是国内外公司管理领域一个重要的研究问题。陷入财务困境的公司会经历一个财务状况逐渐恶化的过程，并在财务指标上直接体现出来。从目前已有的对理论与实践方面的研究来看，财务困境都是可预测的。随着中国经济全球化参与度的提高，国内企业在享受大量机遇的同时也面对着空前激烈的竞争，亟待通过完善的预测方法建立有效的财务预警机制。论文主要研究了基于贝叶斯网络方法的国内上市公司财务困境的预测问题。与已有的回归方法相比，贝叶斯网络方法不仅对变量的总体分布没有要求，而且可以针对变量间复杂关系或相互作用进行建模分析。同时，贝叶斯网络方法并不要求样本观察值必须包含完整信息，信息不完整的数据依然可以用来训练或检测模型。另一方面，贝叶斯网络具有动态性和交互特征，每当获得新的信息即可通过学习更新网络，并融合人的主观信息进行分析。最后，因为变量间相互关系可由网络图形直观的表示，因此贝叶斯网络方法与其他的机械学习方法相比，具有更好的可解释性也更易理解。在判断公司是否陷入财务困境方面，以上市公司是否因财务异常被ST作为标志。基于上市公司被ST前两年和被ST前三年的数据进行研究，样本包含了1998年至2010年因财务问题而被ST的公司。在变量预处理方面，运用相关分析方法筛选模型变量并选择EP-T方法对变量数据离散化处理。在此基础上，通过学习构建了财务困境预测贝叶斯网络模型并采用10-折交叉检验方法进行样本检测。对比以往财务困境预测研究中常用的Logistic回归模型，结果表明：基于贝叶斯网络的财务困境预测模型能够有效提高公司财务困境预测的准确性，且具有广泛的应用前景。