论文部分内容阅读
自从1932年FitzPartirck对财务预警问题的开拓性研究以来，国内外学者用不同的研究方法对企业财务预警问题进行了深入研究，建立了各种预警模型。人工神经网络模型具有对数据分布的要求不严格、非线性的数据处理方式、强壮性、动态性和具有良好的自我学习性等优点，可作为模式识别的很好工具，在财务预警领域得到很好的应用。
静态模型难以随着时间的变化更新模型，使得建立的模型经过一段时间后可靠性下降甚至不可信。该文利用人工神经网络技术具有动态学习性的特点，通过逐年更新学习样本的方法，建立了可逐年自动更新的动态预警模型。
该文以2003年为模型的基年，收集2003年度被ST的公司和正常公司样本，并获取样本公司在2001年的财务指标数据，把样本公司划分为训练样本和测试样本，选取了反映公司6方面能力的15个指标作为输入变量，通过1717多次训练建立拓扑结构为15×14×1的基期人工神经网络模型。经检验，基期模型对训练样本中ST公司样本和正常公司样本的判正率都达到100％，对测试样本中ST公司样本和正常公司样本的判正率分别达到75.59％和95.55％。建立2003年基期模型后，收集2004年度被ST的公司和正常公司样本，并获取样本公司在2002年的财务指标数据，把预测样本输入模型进行仿真，对2004年预测样本中ST公司样本和正常公司样本的预测正确率分别达到74.29％和87.63％。从模型检验的结果可以看出，基期模型的判别效果可以接受，但是值得改进。
收集基期模型仿真结果正确的2003年和2004年样本公司数据作为2004年后期模型的样本，把样本公司划分为训练样本和测试样本，通过1521多次训练建立后期预警模型。经检验，后期模型对训练样本中ST公司样本和正常公司样本的判正率都达到100％；对测试样本中ST公司样本和正常公司样本的判正率分别达到95.45％和100％。建立2004年后期模型后，收集2005年度被ST的公司和正常公司样本，并获取样本公司在2003年的财务指标数据，把预测样本代入模型进行仿真，对预测样本中ST公司样本和正常公司样本的预测正确率分别达到86.21％和89.25％。基期模型通过学习新的样本进行更新后，模型的判正率有了较大的提高。