论文部分内容阅读
随着我国证券市场的迅速发展，证券监管措施的近一步完善，特别是连续亏损企业的特别处理和退市制度的实施，使得我国证券市场“只进不退”的现象成为历史。上市公司是证券市场的基石，其经营成败关系着众多的利益相关方。因而如何准确预测上市公司的经营失败问题，成为理论界和实务界共同关心的问题。准确预测上市公司的经营状况，可以为投资者提供投资参考，可以提醒公司的管理层及早发现问题，采取措施，避免经营状况的恶化，可以为监管层对上市公司进行有效监管，防范股票市场风险提供依据。
本文在回顾了国内外有关企业经营失败预警模型的研究上，发现以往的研究大多基于统计判别分析，而统计判别分析是基于线性可分的假设，而在现实中线性可分的实例是很少能够遇到的，因而造成了误判率偏大。近些年来，由于人工神经网络(ANN)具有自学习、自适应和逼近任意非线性函数的优点，在模型的预测精度和推广性能方面取得了较传统的统计判别分析方法明显的优势，成为解决非线性分划的主要方法。然而基于经验风险最小化原则的神经网络分类机，虽然在训练集上能够有不错的表现，但并不能保证好的推广性能。过拟合和容易陷入局部极小值点是其面临的主要问题。基于统计学习理论的支持向量机(SVM)模型，通过实施已知有很高推广性能的数据驱动的结构风险最小化原则构建分类机。由于不需要从训练样本中导出网络的权重却能捕获特征空间的几何特性，它能够用小容量的训练数据集导出最优解。在目前我国资本市场发展时间短，特别是经营失败公司样本量偏小而对经营失败企业的识别又是有关各方特别关注的问题的现实情况下，应用支持向量机方法构建企业经营失败预警模型，以期获得较好的判别能力，特别是对经营失败企业的判别能力成为非常有意义的研究课题。
本文在回顾国内外对于企业经营失败概念的界定上，以我国上市公司被特别处理(ST)作为界定经营失败的标准。选取了2004-2009年，制造行业首次被ST的97家上市公司组成经营失败公司样本，同时选取同一时期制造行业未被ST的207家上市公司作为经营正常的公司，利用公开的财务报表，选取了能够反映企业偿债能力、获取现金能力、获利能力、经营发展能力、资产管理能力、股本扩展能力的共25个指标作为建立预警模型的备选指标。同时本文通过基于SCAD(Smoothly Clipped Absolute Deviation)算法的SVM模型，自动从备选指标中挑选出最能区分经营正常公司和经营失败公司的预警指标。通过与基于主成分分析的SVM模型进行比较，得出基于SCAD算法的SVM模型的预测精度要好，从而实现了预警指标的自动选择，避免了人为选择的主观性。
本文将全部样本划分为样本容量依次减小的四个数据集，分别构建基于SVM的企业经营失败预警模型，实证结果显示，在样本容量减少的情况下，SVM模型的预测精度，下降不明显。同时，应用BP人工神经网络对四个数据集进行建模，并与SVM模型进行比较，结果显示，在大容量数据集上(数据集1)，SVM模型与BP神经网络模型在训练集上的总体误分率上相当，分别为6.10％和7.19％；在测试集上的误分率分别为8.75％和15.20％，二者有明显的差距。随着样本容量的减少，BP神经网络的预测精度显著下降，而SVM模型的预测精度下降不明显，在训练集上的总体误分率，SVM模型为6.9％，BP神经网络模型为14.64％，在测试集上的总体误分率SVM模型为10.45％，BP神经网络模型为19.56％。特别的对于经营失败企业的识别能力上，SVM模型要明显高于BP神经网络模型。在大容量数据集上，SVM模型对经营失败企业的训练集误分率为8.88％，测试集误分率13.54％，而BP神经网络模型对经营失败企业的误分率分别为14.98％和28.12％;在小容量数据集上，SVM模型对经营失败企业的训练集误分率为11.78％，测试集误分率为16.10％，而BP神经网络模型分别为35.62％和46.85％。