文摘

风险融资风险动态预警是非常重要的决策。知识产权质押融资是一种有效的方法来缓解财政困难技术中小企业(sme)。是非常重要的研究融资风险决策,因为它相对于其他抵押贷款风险更高。基于卡尔曼滤波器,我们建立质押融资风险决策模型和提取影响融资风险的关键变量的主成分分析。我们测试模型与88年上市的中小企业。结果表明,预测和实际值之间的平均误差为8.5%,模型的整体识别精度为89.1%。风险决策模型具有较高的判别精度和可以提供证据的风险决策。

1。介绍

科技中小企业是算作技术最先进的企业之一,伟大的大量的资金分配给他们的发展(1,2]。此外,知识产权质押融资是一种有效的方法缓解中小企业融资困难的技术。IP承诺之间的显著差异和传统物理承诺导致特异性资产估值风险和处置风险,风险是利益相关者做出融资决策时主要考虑因素。然而,风险是一个不确定的事件或条件,如果它发生了,有一个负面影响,它可能发生在任何阶段没有警告(3]。因此,许多学者研究了不同方面的知识产权质押融资的风险。彭宁顿和桑切斯(2007)和克劳福德和摩根(2008)研究了知识产权质押融资风险不同阶段从三个维度:信用风险、侵权风险,补偿风险(4,5]。此外,从知识产权质押融资风险的本质,除了保证商品的质量,保证融资的利益相关者关注融资企业的财务和运营状况。刘沛沛(2011)认为,知识产权质押融资的风险取决于正式承诺货物的价值,但从本质上说,企业的整体业务能力(6),也被大多数学者共享。当一个企业的财务状况和经营状况是一个动态的过程,发展和变化实时动态风险决策模型能更好地描述知识产权质押融资的风险。

当前知识产权质押融资的风险的研究主要集中在融资风险指标体系的建设7- - - - - -9),而对融资风险决策的研究仅限于静态评价和分析。此外,一个先进的工具,验证决策是必要的,以确保运行平稳的企业活动(10]。虽然常用的方法可以用来评估融资风险,包括因子分析方法(11],VIKOR法[12),区间数TOPSIS (13)、层次分析法和模糊综合评价方法(14),他们主要使用横截面数据,不能反映风险的累积形成过程,模型的传统方法是不够稳定,从而减少风险决策的准确性。此外,决策行动,有效地提取并利用足够的数据决定基于大数据是一种趋势15]。

为了提高风险决策的有效性,学者们试图引入一个叫做BP神经网络动态风险决策模型,计算计算输出值之间的误差和真正的价值,并不断调整,直到可接受的误差水平(16,17]。曾和明的风险评估知识产权承诺为科技型中小企业融资经验(18]。BP神经网络实现动态风险预警与深度学习算法,但它本质上是一个近似线性权重函数的算法,这是更有效的,如果没有处理数据之间的相关性。至于强相关业务操作的时间序列数据,这将减少动态风险预警的有效性。因此,知识产权质押融资风险需要方法,可以与相关时间序列分析数据,并反映了风险形成过程,和卡尔曼滤波满足这些需求。与其他方法相比,卡尔曼滤波器有两个优点。首先,处理数据之间的相关性并不会影响结果。第二,过滤过程是一个非循环递归过程的自动更新“预示校正”的最新数据,它不需要保存历史测量数据。企业的知识产权质押融资风险是企业经营的动态,和之前的风险将影响下一阶段的状态的状态。因此,卡尔曼滤波方法可以预测动态融资风险和确定融资风险的水平。

卡尔曼滤波已广泛应用于监控领域的管理风险19),尤其是对动态风险。太阳等人建立了卡尔曼滤波的动态预警模型对金融危机,和结果表明,卡尔曼滤波基于过滤器动态模型比其他预测模型(更准确20.]。朱研究了金融危机在不同生命周期阶段的企业基于卡尔曼滤波的动态模型结合逻辑回归方法(21]。福等人构建金融风险的预警模型与神经网络和卡尔曼滤波的融合和核实企业财务指标数据有很好的预测对企业财务风险的影响(22]。

总之,卡尔曼滤波器理论更适用于企业财务的动态预警风险,融资风险决策。自从卡尔曼滤波器可以描述风险变化的累积过程,并提供风险预警的时间序列数据,我们将努力建立融资风险决策模型基于卡尔曼滤波器和测试模型的准确性和有效性。

本文的贡献主要体现在两个方面:(1)我们构造一个动态决策模型,而不是以前的静态模型,提高风险决策的准确性。(2)我们引入风险决策方法不受时间序列关联数据的影响。卡尔曼滤波方法可以消除负面影响的相关数据。根据动力学和积累的融资风险,我们使用卡尔曼滤波器的self-cyclic递归特征识别的参数模型和估计风险状态时间序列的财务数据,融资风险水平并将其可视化。

2。一个风险动态决策模型

2.1。卡尔曼滤波

卡尔曼滤波是一种基于状态空间模型的方法,它可以实时估计系统的隐藏状态通过观测噪声,以解决状态估计的问题。该方法还可以包括任意数量的未知;它将信号过程的输出白噪声作用下线性系统和使用状态方程来描述这种投入产出关系,利用系统状态方程的统计特性,观测方程,和白噪声激励(系统噪声和观测噪声),形成一个过滤器算法与递归特征。的核心由以下五个方程:

状态更新方程:当前时间点的状态估计从先前的状态如下:

估计的协方差的计算当前时间点状态如下:

测量更新方程:卡尔曼增益的计算如下:

y_t我,smeasured更新状态估计。

更新误差协方差如下:

状态更新当前时间点的状态方程估计,使用估计价值从以前的时间点和获得获得的先验估计误差的协方差。另一方面,获得的测量更新方程结合先验估计的测量值来获取一种改进的后验估计,状态更新方程作为反馈,继续估计下一个时间点。因此,一个递归的过程“预示校正”就形成了。其中,卡尔曼增益在调整过程中发挥作用的观测值和预测值之间的重量,使后验估计接近真正的价值。

2.2。建立状态空间模型对风险决策

在这个方程,由随机变量 ,代表企业融资的融资风险状态时期,和由观测值的各种具体指标 ,代表indicator-specific数据处理后的主成分数据。假设每年融资企业的操作条件被视为一个离散控制过程的系统和他们的实际操作条件不能观察到,但可以预测的观测值之间的关系和白噪声激励,融资风险的动态预警状态空间模型可以表示如下状态方程和观测方程,分别为:

参数向量根据操作的历史数据估计状态的融资企业。的参数用来测量系统的测量指标的值是企业融资风险和直接对应到输出结果。和代表系统的过程噪声和测量噪声,分别是白噪声序列:

质押融资风险的空间状态模型是一个模型和单一的测量,和之前过滤、融合,所以初始值设置为0。这个知识产权质押融资风险动态预警模型构建了基于卡尔曼滤波器的时间序列数据,下列方程。 和将不断更新的促进金融数据过滤测试样品的方程。

3所示。方法

3.1。数据

根据知识产权质押融资的特点,企业已获得国家知识产权局的官方网站在中国,可以看出,大部分的知识产权质押融资企业是中小型科技企业。因此,我们选择科技中小企业的上市公司作为样本,排除如下:(1)圣圣企业有代表性的偿债能力和财务数据异常;(2)金融保险企业;(3)企业信息披露不完整的数据。结合卡尔曼滤波的要求和贷款偿还风险的特点,本文使用净利润和净营运现金流量作为两个指标来衡量企业的融资风险程度,和88年样本企业选择。卡尔曼滤波模型的区间数据越少,过滤效果越好,所以季度和半年度报告应该适当的数据进行实证分析。然而,由于缺乏季度数据,我们使用从2013年到2016年半年度报告的财务数据。数据主要来自风数据库,和个人索引数据通过搜索获得上市公司的财务报告。

3.2。构建动态风险的预警指标体系

知识产权质押融资的风险主要体现在企业的财务风险和经营风险。的影响非金融企业信息在操作状态将集中在企业的财务指标,包含大量的信息,可以用来预测企业的操作状态(23]。有明显的不同企业之间的财务指标与金融危机和企业财务状况与健康(24]。之前公司的金融危机开始恶化,有关特征将提前反映在财务指标(25]。计算财务指标是否直接或间接地通过财务报告,他们可以有效地用于研究金融风险(26]。因此,遵循科学性原则、可比性和数据可用性,我们增加了现金流量的指标和创新能力的基础上,传统的金融风险测量维度的偿债能力、盈利能力、营运能力和成长能力测试知识产权质押融资的风险。如表所示1承诺的风险预警评价指标体系融资与21个指标在6维构造。

3.3。全球动态数据的主成分分析

我们获得了616套多维时间序列立体数据来自88个家庭在7期。为了迅速从立体数据表中提取重要信息,分析系统的动态法,全局主成分分析方法被用来降低指标的维度,和一些相关的数值指标被转变成几个独立的综合指标;使用更少的指标,而不是多个指标组合最原始的信息。我们使用了全局主成分方法分析三维数据表通过SPSS 20.0。总方差和系数矩阵如表所示2和3。

为了获得最正交的主成分因素,同时保留并得到最优的大部分信息输入数据库,全球前15主成分提取的因素。累积贡献率达到94%以上,这意味着效果很好。这些全局主成分因素都是由21个财务指标的线性组合表示。根据系数矩阵,每个主成分的公式显示为

其中,提取主成分的数量吗 , 每个评价指标的系数,是指每个评价指标的标准化值。

例如,每个样本的公司的值可以表示为

的价值意味着融资风险是由15个主成分代替21最初的评估指标,并解释率可以达到94%。由于空间限制,我们只列出的公式作为样本。结果数据将用于下一个过滤计算。

4所示。结果

4.1。划分风险等级

虽然知识产权质押融资的风险是一个渐近的动态过程,企业的财务状况从好到坏,知识产权质押融资的风险程度不同的预警级别。一般来说,最严重的财务风险程度因资不抵债破产,而最严重程度的知识产权质押融资风险是缺乏足够的现金来偿还融资资金,但远离破产清算。因此,除了净利润,最重要的因素测量的风险保证资金充足的现金流。因此,在本文中,我们定义了知识产权质押融资的风险度两个指标:净利润和净营运现金流量。具体的风险等级划分按照下列标准:

健康的企业:如果企业的净利润和净营运现金流量都是积极的调查期间,表现出增加的趋势,企业被认为是健康的。有44名健康的企业在88年的样本,其中28预计和16个样本测试样品。

Mild-risk企业:如果企业的净现金流量为负结束时检查期间,净现金流量是积极的在t - 1和2,和任何时期的净利润为负在检查期间,企业确定为Mild-risk的。有24 mild-risk企业在88年的样本,其中16预计样品和8测试样品。

高风险企业:根据上市公司中小企业技术委员会的数据,只有11负净营运现金流的75个样本连续三期在2015年积极的净营运现金流量。也就是说,如果一个企业有负面净现金流在时间T, T - 1,它有一个消极的净现金流的概率85% 2期,这表明,净营运现金流量有一定的可持续性。因此,我们确定了高风险的负值度净营运现金流和负值的两倍净利润连续三期。有20高风险企业88份样品中,其中12预计样品和8测试样品。

总之,88家样本公司分为两组:第一组是预测样本组,由56个公司,包括28个健康的公司和28高风险公司,和第二组测试样本组,由32个公司,包括16健康的企业和高风险的公司。预测样本作为训练集,优化模型,和测试样本检测集验证风险决策模型的有效性。

4.2。定义风险水平阈值

在这项研究中,统计分析被用来提取阈值判断风险公司基于预测的数据样本。95%的置信概率置信系数1.6449,平均值为0.056,标准差为0.016计算的风险。的置信下限危机风险的企业样本如下:

同样,95%置信概率的前提下,置信系数为1.6449,负责健康样本均值的计算是0.063,标准差是0.007。健康的样本公司在危机的信心上限如下:

根据上述结果,信心下限为0.030,信心上限是0.075。即,当融资风险的预测价值小于0.030,高融资风险发生的可能;当融资风险的预测价值大于0.075,融资企业在一个健康的状态;当融资风险的预测价值在0.030和0.075之间,融资企业可能会轻微的融资风险。

4.3。测试动态风险决策的结果

根据全局主成分分析,我们得到15主成分的因子负荷和构建了一个综合指数公司的财务状况从特征值在每一个时期和贡献率(表2),这是每个主成分的线性组合。我们已经获得了总索引反映的融资风险状况的每半年测试样品,结果如表所示4。

输入32个测试样本的数据7期到卡尔曼滤波模型,我们每年获得的预测价值。一些样品的结果如表所示4。

由于空间的限制,我们选择四个企业的融资风险的动态预测图,其中包括两名健康的企业和两个高风险企业,在图1。

4.4。结果分析

结果表4和图1表明,基于卡尔曼滤波的动态质押融资风险决策模型是一个递归更新的过程。形成的初始估计状态后,最初的估计是每年修改输入更新的数据信息,和稳定状态的预测值和实际值是逐渐实现。累积偏差的模型是基于一个企业的财务状况随着时间的推移,代表一个企业融资风险的演化过程。在一定时期内,一个健康的企业的财务状况基本上是在一个好的类别,和变化的趋势是逐渐更好,但这并不排除暂时疲软状态。风险企业的融资风险正逐渐恶化从轻微危机严重危机。有显著的动态预警特征来预测融资风险累积变异,而不是一个横断面的状态。此外,我们可以判断融资风险是暂时的危机或连续恶化预测图的形状和观察变化的融资风险状态,从而实现融资风险决策的视觉效果。接下来,我们选择一个健康的样品和高风险样本说明预测图。

我们云南罗平县锌&电力有限公司有限公司(股票代码:002114)为例,一个健康的企业。企业成立于2000年,是一家高新技术企业。它的主要业务是铅锌矿石开采、锌冶炼、水力发电、和资源的综合利用。它也有一个集成的“mine-electricity-smelting产业链。“目前,已成功开发了一批先进的生产技术,综合利用资源,比如germanium-indium提取、净化车间渣处理、浸出渣浮选银,和锌粉磨机磨粉过程转变。从预测图,只有第六观察期略低于健康阈值,而其他观测时间高于健康阈值,表明该公司的整体偿债能力强。2015年年度价值远低于2014年的原因,在2015年下半年,由于美国经济的稳定复苏,预期利率的增加,国内高锌价格回落和继续下跌。虽然适应了快速调整其经营理念的市场,它仍然是影响整体业务风险和财务风险。2016年,由于等有利因素的影响”能力的消除,库存的消除,去杠杆化,降低成本,和缺乏薪酬委员会,“锌价格的下降有所缓解,慢慢回升。从天气预报图可以看到,尽管实际价值低,天气预报值大于健康阈值线,和实际价值在2016年底远远高于健康阈值线,显示了模型的准确性。 The actual value and forecast value of other prediction points are in the same healthy area, and the change direction of forecast value is consistent with the change direction of actual value in the next period, which further proves that Kalman filter model has good tracking and early warning of the risk of pledge financing.

我们把航空控股有限公司(股票代码:002072)为例,基于风险的企业。企业是一个棉花纺织企业在2006年上市。其主要产品有额外的宽装饰面料系列,大、小提花织物系列,等等。这是高危根据质押融资的风险分类标准的原始样本。从预测结果图表的观察期间,该地区企业的大多数时候,风险低阈值和整体情况是一个风险很高。

2014年,受到许多因素的影响,如国内实体经济的衰退和生产要素价格的上涨,棉花纺织企业增加了操作压力导致国内需求不断下滑,其国际市场竞争力显著下降;此外,纺织工业的发展变得更加困难。从个人的观察点,第三和第六阶段的真实值高于风险的下限阈值,但预计值严重的危险区域,和随后的第四和第五阶段返回到严重的危险区域,从而确认决策结果的准确性。

4.5。歧视总精度分析

整体的精度分析显示在以下三个方面:(1)总体预测精度分析。任何风险决策模型有其局限性或被忽视的影响因素。因此,没有完美的模型,预测精度达到100%。预测精度指的是善或劣势之间的拟合程度预测值和实际值预测模型产生的,它反映了预测模型的拟合程度,也是一个重要指标,判断预测方法的适用性。根据测试结果,平均误差预测值和真实值之间的seven-period半年度报告为8.5%,平均误差模型的最后一个时期是只有5.1%。因此,模型的预测精度高,预测效果好。(2)分析基于风险的测试样品的结果。的预测值计算了卡尔曼滤波的动态模型,如果整个样本的最后阶段是风险,和93%的测试样本在第六期正确预测在危机发生之前,也就是说,在风险情况出现在2016年底,他们已经低于阈值的温和的危机或进入高风险区域,和93%的样本有轻微的融资风险提前两次。(3)healthy-type测试的结果分析样本。从健康样本的预测结果,预测的值最健康的企业是高于mild-risk阈值的警戒线。个别样本的预测值暂时偏离了正常的价值观在某种程度上,但动态模型然后纠正情况。即使他们属于mild-risk区域,一些健康企业的预测值也偏离正常的值,这意味着它们略低于警戒线,并在一个临时的轻微的风险。结果112组16健康企业的动态数据显示,健康在第六期样本的识别精度为93.75%,整体识别的正确率是87.5%。

本文进一步分类分类识别的错误:A类和B类错误。当一个风险融资企业错误地判断了作为一个健康的企业,这就是所谓的a类错误。如果它被正确识别,它被认为是敏感的。相反,当一个健康的企业低估了风险企业,这就是所谓的B类错误。如果它是正确识别,它被认为是特定的。无论发生什么样的错误,这可能导致错误的决策,造成严重的损失。决策模型的准确性在识别风险类别表所示5。

结果显示在表中5卡尔曼滤波模型,综合判断率高,这表明,卡尔曼滤波模型具有良好的鲁棒性和预测能力。误判率风险公司作为一个健康的企业是9.4%,误判率一个健康的公司作为一家风险公司是12.5%,和整体模型的精度是89.1%。其中,风险企业错误地判断了健康的低于健康企业错误地判断了风险性,可进一步减少质押融资的风险。

此外,结果还说明知识产权质押融资的风险标准可能是更严格的比其他的融资方式。对于银行和其他贷款机构,有必要改变之前的谨慎态度知识产权质押融资业务。

5。结论

动态预测可以提供足够的证据对融资风险决策和降低融资决策风险。在本文中,我们建立了基于卡尔曼滤波器的质押融资风险决策模型,由于累积和时变特征的融资风险,并提取影响融资风险的关键变量的主成分分析方法。上市中小企业进行测试和分析,我们发现以下几点:(1)预测和实际值之间的平均误差为8.5%,模型具有较高的拟合精度。(2)利率风险公司错误地认为是一种健康的公司是9.4%。相反,健康公司的率是12.5%错误的判断是一个高风险的公司。整体模型的识别精度为89.1%。(3)风险决策模型判别精度高,可以提供证据的风险决策。

在本文中,我们建立的只是承诺基于卡尔曼滤波器的风险决策模型。我们都知道,知识产权质押的风险是一个非常复杂的问题。在未来的研究中,我们将探索建立风险决策模型基于卡尔曼滤波和神经网络,以进一步提高风险决策模型的准确性和有效性。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究受到了北京社会科学基金重大项目(没有。20 zda03)。