BP神经网络财务危机预警实证研究，本文主要内容关键词为：神经网络论文,实证研究论文,财务危机论文,BP论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、引言
财务危机预警模型具有重要的经济研究价值，国外学者对此进行了许多相关研究，并取得了很多成果。如Ohlson[1](P109-131)，Odom[2]，Messier和Hansen[3]，Feng Yu Lin，Sally Mc Clean[4]等。由于受证券市场发展较迟的影响，国内学者对财务危机预警的研究起步较晚，但依然取得了较大的成绩，尤其在预警模型的构建研究上，对中国上市公司财务危机的预警作出了很大的贡献。[5]-[10]但深入研究中国现行会计信息供给条件的特殊性，突破常规预警指标，站在会计信息质量角度构建预警指标体系的研究，尚不显见。
中国的上市公司多数是由国有企业改制而成，是国有企业依托资本市场股份制改造的产物，大多由国家控股。因此，中国的上市公司不同于一般意义上的上市公司，导致其发生财务危机的影响因素也必然有其独特性。本研究在总结前人研究的基础上，考虑到中国现行会计信息供给状况，在选择五大类财务指标基础上，另外加入了反映会计信息披露质量的指标。最终构建了一套具有六大类、50个指标的预警指标体系，并结合中国深、沪上市公司的数据进行了实证检验，以期提高中国财务危机预警的准确性。
二、基于BP神经网络的财务预警模型的研究设计
财务预警模型的发展经历了从单变量到多变量、从统计方法到非统计方法、从单一模式到混合模式的发展过程。典型的预警模型主要有多元线性判别法、Logistic回归分析以及Probit模型等。但这些方法均因对预警指标有较为严格的要求，实用性受到限制。神经网络模型是用大量处理单元广泛连接组成人工网络，模拟人脑神经系统的结构和功能，其特色在于信息的分布式存储和并行协同处理。特别适用于处理需要同时考虑许多因素和条件的不精确和模糊的信息处理问题。在上市公司财务危机预警中具有重要的应用价值。
研究所采用的BP神经网络财务危机预警模型是一种包含输入层、隐含层与输出层的多层网络结构。其中财务预警模型的输入是各企业的财务指标，输入层的神经元个数由所确定的财务指标数决定。该研究为了说明利用关键指标建模比利用财务指标直接建模具有更好的预测效果，同时构建两个神经网络模型，这样输入层的神经元个数也就相应的有两种情况。另外，无论是直接建模还是利用关键指标建模，为了去除不同量纲的影响，均需对输入量作归一化处理，以避免由于大的输入或权值使网络陷入饱和状态。
关于隐含层的层数的确定，有关文献证明在一定条件下，一个三层的BP神经网络可以以任意精度去逼近任意映射关系。[11][12]经过实验发现，与一个隐含层相比，用两个隐含层的神经网络训练并无助于提高预测的准确率。因此笔者采用三层前馈神经网络的拓扑结构。
输出层神经元个数由输出类别决定，笔者将网络输出层定义为一个神经元，在其训练样本集中，设第i个样本的输出量为Y，定义为当第i个样本为ST公司时，Y=0；当第i个样本为非ST公司时，Y=1。
三、样本与预警指标的选择
(一)样本选择
参照以往的研究，笔者所选取的财务危机公司样本是因“财务状况异常”而被特别处理的A股上市公司。为使模型具有超前预测效果，笔者选择了连续三年的样本数据进行研究。
考虑到沪、深两个证券交易所是根据上市公司(t-1)年的财务状况来决定在t年是否对公司实施特别处理，而在实际中很多学者以危机出现前一年的指标进行预警，虽然预测准确性很高，但并非实际意义上的预测，因此，研究选取的是ST前二年、前三年和前四年的数据，即(t-2)、(t-3)、(t-4)年的数据作为样本。值得注意的是，一些财务指标是序时的，所以还需用到(t-5)年的数据作为辅助数据。数据采集自CCER经济研究服务中心网。另外，笔者不是以某一年为横截面选择样本，而是选择1999年～2006年被ST的公司作为危机样本，同时选择相应数量的配对样本。排除数据不全者，共选择了220个财务危机公司及220个配对正常公司作为样本。
(二)财务指标的筛选
神经网络模型是一种自然的非线性模型，它能识别和模拟数据的非线性关系，而无需多变量正态分布或事先概率的假定。因此，研究依据与企业危机预测是否相关、在国内外研究成果中出现的频率并结合中国上市公司的实际情况，遵循尽量全面反映上市公司财务特征的原则，选择了五类财务指标(偿债能力、资产负债管理能力、盈利能力、成长性以及现金流量)。另外，考虑到中国现行会计信息供给状况，加入了反映会计信息披露质量的指标，最终选择确定六大类50个预警指标。
四、实证结果分析
针对前述建立的预警指标体系，利用危机公司ST前二年、前三年和前四年及相应正常公司对应年度的各项数据，分别按照以全部预警指标直接建模和以通过秩和检验筛选出关键预警指标，重新构建神经网络模型两种途径进行实证检验。
(一)预警指标直接建模的神经网络模型的效果检验
研究应用的神经网络是三层前馈网络。利用预警指标直接建模的神经网络模型的拓扑结构为50*9*1。在进行神经网络的创建和训练之前，所有样本数据按照随机选取的方式分成两块，120组用来对神经网络进行训练，100组用来对神经网络进行仿真。网络训练时采用快速训练方法，即采用traingdx训练函数来训练，利用编写的Matlab语言程序，经过反复试验，确定采用如下参数进行训练：循环间隔数100，目标误差0.02，学习速率0.05，学习速率增加的比率1.05，动量因子0.9，最大循环次数1 000。
分别采用危机样本ST前二年、前三年和前四年的财务数据及正常样本相应年度的数据进行神经网络的创建和训练，分别编制对应的网络训练及仿真程序。危机样本ST前二年、前三年和前四年及正常样本相应年度的仿真结果如表1所示。
表1 财务指标直接建模的神经网络模型仿真结果 %
ST公司预测准确率
非ST公司预测准确率 仿真样本总体准确率
ST前二年 85 79 82
ST前三年 80 7376.5
ST前四年 73 6870.5
从表中的判定结果来看，利用训练样本被ST前第二年的财务数据来训练网络，得到的神经网络预警是相当有效的。但ST前三年、前四年预测结果则相对差一些，尤其是ST前四年的结果，准确率很低。这是因为任何财务危机都有一个逐步显现、不断恶化的过程，越临近危机爆发，指标的异动程度就越大，模型的预测效果也就相对越高。而距离危机爆发越远，指标的变化就越不明显，因为此时ST公司还是盈利的，企业的财务状况并未严重恶化。
由判定结果还可以看出，在该模型中，ST公司的预测准确率比相应非ST公司的要高。这是因为在模型预测中存在两类错误：第一类是将已陷入财务困境的企业判别为财务健康企业；第二类是将财务正常企业判别为已陷入财务困境的企业。两类错误的代价无法具体的数量化，所以无法绝对的判定哪类错误的代价更大。通常第一类错误的代价较大，所以文中的研究通过训练参数反复试验，倾向于减少第一类错误的出现。
(二)经过秩和检验的神经网络模型的效果检验
通过编写的Matlab语言程序对50个指标进行秩和检验，筛选出预警关键指标重新构建神经网络模型。由秩和检验结果可以发现，距离ST越近，ST公司与正常公司之间的差异就会在越多的指标上显现，这与现实是吻合的。通过比较，最终筛选出29个关键指标来代替前一个模型的50个指标作为模型的输入变量。利用经秩和检验所得关键指标重新建模的神经网络模型的拓扑结构为29*14*1。
这里的计算检验过程与直接建模基本一样。危机样本ST前二年、前三年和前四年及正常样本相应年度的经过秩和检验的神经网络模型仿真结果如表2所示。
表2 经过秩和检验的神经网络模型仿真结果 %
ST公司预测准确率
非ST公司预测准确率 仿真样本总体准确率
ST前二年 92
8789.5
ST前三年 88
8285
ST前四年 82
7679
表2的结果说明利用训练样本被ST前二年的财务数据进行训练，得到的神经网络是相当有效的。由判定结果还可以看出，在该模型中，ST公司的预测准确率比相应非ST公司的要高。除了两个模型共有的特点之外，从表2结果来看，该模型的总体结果都比没有进行秩和检验之前的准确率要高。说明经过秩和检验之后，原始指标的主要信息被综合起来了，输入神经网络的信息集中了，神经网络的拟合程度更好了。
(三)两种模型预警效果分析比较
从结果来看，虽然无论是用财务指标直接建模，还是用筛选后的关键指标建模，预测效果并没有比其他学者所研究的预警模型效果提高很多，但值得注意的是，研究中并没有用到危机样本前一年的数据。如在前面样本选择时所提到的，根据中国上市公司的年报披露制度，上市公司公布其当年年报的最后截止日期为下一年的4月30日，故上市公司危机前一年的年报和其在该年是否被特别处理这两个事件几乎是同时发生的，即一旦获得某公司危机前一年的年报信息，几乎可以同时肯定该公司是否会由于”财务状况异常”而被特别处理。因此，危机前一年的数据在实际预测时拿不到。而且，Ohlson在1980年的研究也表明，采用破产之后获得的信息来建立预测模型会高估模型的预测能力[1](P109-131)。Logistic模型在采用相同样本的条件下提前两年预测准确率为82.5%。考虑到这两方面的原因，该模型的判别正确率比较高。说明用笔者所采用的方式建立的模型是有效的，特别是经过秩和检验后的模型，其总体预测正确率(提前两年)最高可达89.5%。又由于研究所选用数据是ST前二年、前三年和前四年连续三年的，从而使模型具有更好的超前预测效果。
五、结论
笔者构建的神经网络模型充分体现了神经网络技术在预警方面的优势，具有很强的规范性和可操作性。同时，在回顾国内外的财务预警模型研究文献基础上，结合中国会计信息供给状况，探索性地建立了一套财务危机预警指标体系，通过实证研究证实了该指标体系确实具有良好的应用价值。此外，笔者采用快速训练方法，即采用traingdx训练函数来训练，与标准算法相比，大大提高了仿真预测的准确性，而参数的选取是在对训练参数反复试验的基础上得出的，所以得出的神经网络具有良好的预测结果。但是，要把财务预警模型真正做到具有很好实用价值的层面，还有很长的路要走，这是一项长期的、复杂的系统工程，因此也难免有一些局限，比如在考虑财务信息本身的可靠性和公允性以及非财务指标信息等方面，这些将是以后研究的方向。
标签：神经网络模型论文; 秩和检验论文; 财务预警论文; 预测模型论文; 数据建模论文; 财务预测论文; 模型公司论文; bp神经网络论文;