论文部分内容阅读
企业财务预警，是通过对企业财务报表及相关经营资料的分析，利用及时的数据化管理方式和财务数据，将企业已面临的危险情况预先告知企业经营者和其他利益关系人，并分析企业发生财务危机的可能原因和企业财务运营体系中隐藏的问题，以提前做好防范措施的财务分析系统。
至目前为止，国内外已经有很多关于上市公司财务预警方面的分析和研究，国外已经开发出若干财务危机评价模型，并在实务中得到广泛应用。而我国对财务危机判定和预测方面滞后于国际水平，仍然使用传统的评价范式，最近几年的研究尝试使用神经网络来做财务风险方面的分析，取得了一定的成果，但是仍处于理论研究阶段，实务中应用仍然较少。
本文对神经网络和统计分析理论和方法作了深入地分析后，对神经网络的财务预警方法做了进一步的改进，建立了一个将统计分析方法和神经网络技术结合的分析模型，旨在为实务工作者选择最能适合其机构特殊要求的分析和量化方法提供有力帮助，希望探索能更准确的预警企业财务的方法。
在结构安排上，全文共分为如下五章：
第一章导论主要介绍了论文的选题背景，国内外关于财务预警的研究现状及不足，论文的研究思路和方法以及本文的特色。
第二章主要介绍了财务预警时用到的神经网络和统计分析相关技术。通过回顾以往所有的研究方法，并进行比较分析，我们发现神经网络具有一些其他方法无法比拟的优点。然而，在神经网络中由于维数过多会使网络计算量激增，从而导致组合爆炸。因此要求尽量选取能表现事物本身的那些特性，剔除不可靠的、虚假的数据源，保证网络的正确训练。因为本文将采用统计分析技术来对指标进行降维处理，所以详细的在本章介绍了统计分析相关方法。
第三章首先指出目前对上市公司财务预警的研究时，研究的样本多是选择ST公司作为财务失败的样本，从而会将盈利不稳定的一些健康企业误判为危机公司。本章通过对财务危机的分析逐步地提出了自己选择样本的标准。当一家企业在陷入财务彻底失败之前一定会被戴上ST的帽子，但是并不是所有具有ST标志的公司都是财务失败公司。所以本研究将通过对ST企业进行盈利稳定性识别判断，将财务困境公司筛选出来作为研究样本中的危机样本。
然后对神经网络的模型进行了分析，指出BP网络的设计主要包括输入层、隐含层、输出层及各层之间的传输函数几个方面，并进行了详细的说明，并介绍了网络在Matlab中的实现问题。
第四章为实证分析阶段，首先将网络设计成三层BP网络模型，属于两分类问题。输入层有6个节点，输出层有1个节点，输入层到隐层的传输函数为Tansig，隐层到输出层的传输函数为Logsig，训练函数采用Trainlm函数，网络结构为6*15*1。
研究样本选择了从2002年-2005年的数据。具体过程为：首先选择沪市A股的所有上市公司，出于公司盈利稳定性的考虑，将具有ST标志，并且前4年平均每股收益都低于0.1元的公司作为财务危机公司。然后选择一部分连续四年都盈利的沪市A股上市公司的财务数据作为财务健康样本。同时由于有些指标在数据库中缺失，我们这里抽取出了31家财务危机公司和31家健康公司2002-2005年财务指标组成了我们的研究样本。
指标的设计方面，本文选择了20个具体财务指标。经过参数检验和非参数检验，能选出显著影响上市公司的13财务指标。采用主成分分析，对这些财务指标进行降维处理后，选出了六个包含原始指标的90.64％信息的主成分。
在结果比较阶段，本文首先将2002-2005年的248个数据作为研究样本，选择184个作为训练样本，64个作为检验样本，分别在将神经网络和统计分析结合的模型和单纯使用神经网络模型中进行试验，证明了改进后的神经网络模型有更高的判别正确率。然后又分别将数据分离，抽出2002-2003和2004-2005分别作为研究样本，在两种模型中进行比较分析，证明无论使用什么样本来试验，都可以明显地看到改进后的模型有更高的判别正确率。将统计分析方法和神经网络结合的方法是对神经网络模型的有效改进，是一种比较理想的预测方法，具有广泛的使用范围和较高的推广价值。
文章最后简要总结了本文的研究成果和对后续研究的建议，指出今后可以从加入非量化因素方面指标来研究，也可以通过提高神经网络的泛化能力来改进模型。
本文的主要工作和研究成果如下：
一、在将统计分析和神经网络技术结合模型下，分别以2004-2005、2002-2005和2002-2003的数据作为样本，对检验样本的判定正确率分别为91.67％、79.69％和70.83％；在单纯使用神经网络模型下，分别以2004-2005、2002-2005和2002-2003的数据作为样本，对检验样本的判定正确率分别为79.16％、67.19％和62.5％。对检验样本的判别正确率的比较，有力的证明了利用统计分析方法先处理数据，然后用神经网络技术建立的模型比单纯使用神经网络建立得模型得判定正确率高，证明了改进后的神经网络模型有更高的使用价值。
二、以2004-2005、2002-2005和2002-2003的数据作为样本，用统计分析和神经网络技术结合模型进行学习训练，对检验样本的判定正确率分别为91.67％、79.69％和70.83％的比较可以看出，时间距离公司财务失败越近，失败的征兆越明显，模型的判定正确率就越高。这也证明了我们选择样本时将上市公司的失败看成是循序渐进过程的假设的合理性。
三、将上市公司的失败看成是一个逐步地、循序渐进的过程，筛选沪市A股2006年的全部ST公司，并根据盈利的稳定性，选择了盈利情况波动不大，但是近两年持续亏损的ST公司2002-2005的数据作为危机样本，选择盈利性稳定，而且收益良好的公司2002-2005年数据作为配对样本，组成研究样本。
本文的特色之一：本文对现在常用的神经网络预警方法进行了分析，认为采用主成分方法对输入指标进行前期处理，能够有效改善神经网络方法的预测精度。对此进行了实证分析。
本文的特色之二：为了充分检验本文提出方法的适用性，在选择实证样本时，率先使用上市公司盈利稳定性和特别处理两项规则来寻找更适合作为财务失败公司的样本。同时将上市公司的财务危机看作是一个渐进的过程，因此在样本选择时采用了公司在ST之前4年的数据进行实证。