文摘

财务风险是客观的、发展的和可预见的和有一个重要的影响企业的发展和运营。中国经济目前面临的重大变化,通过引入“中国制造2025”计划,深化供应方面的改革,和人工智能的快速发展,区块链,和大数据技术,企业财务预警的重要性越来越突出。因此,通过建立和学习一些财务指标的变化,建立一个有效的企业财务预警模型,可以发现金融危机的信号,预防和消除企业金融危机的隐患,确保企业的财务安全。企业财务系统和业务管理系统正在运行。在此基础上,提出了财务预警模型的研究。首先,构建财务预警指标,现有的财务指标是用于建立一个预警指标体系,可以检测和识别企业的财务风险。然后,财务预警模型基于模糊综合评价模型和随机森林算法构造模糊综合评价使用的优点和噪声电阻集成模型的模糊综合评价模型和随机森林算法。金融数据集用于验证本研究的模型构建。实验结果表明,该模型在这项研究不仅有利于企业控制金融危机,但也是一个财务预警的作用。

1。介绍

随着日益激烈的市场竞争,金融危机将直接影响企业的生存和发展。因此,建立一个有效的财务预警模型,并将一个信号发送到企业管理在金融危机之前可以改善生产经营时间,延长企业的生命1]。财务预警是基于企业的财务报表,业务计划,和其他相关的会计数据,使用理论的会计、统计、金融、企业管理和市场营销,比率分析,比较分析,因子分析,和各种方法来分析和预测企业的经营活动和金融活动,发现潜在的运营和财务风险在企业的经营管理活动,危机之前向企业经营者发出警告,督促企业管理当局采取有效措施,避免潜在的风险演变成损失,和发挥积极的作用2]。在新经济条件下,企业财务预警已经吸引了越来越多的关注。因此,它是非常重要的建立一个有效的财务危机预警模型,及时发现企业财务管理中存在的问题,尽快发现金融危机的信号,并使管理人员采取有效措施,改善管理潜在的金融危机时。是非常重要的市场参与者,如投资者和管理。债权人和其他利益相关方有非常重要的现实意义3]。财务预警模型的意义大致可以分为以下类型。(1)理论意义:应用模糊综合评价方法建立财务预警模型可以为企业提供准确、科学的预警和克服的固有限制一些现有的预警模型。它有助于经理找到尽快报警的来源,提高预警的准确性,加强财务管理,避免财务风险(4]。它有简单的优点,理性,科学,和可操作性。它是财务管理理论具有重要意义。(2)现实意义:有利于投资者的投资决策。对于投资者来说,他们可以及时调整现有的投资组合后,发现企业财务危机的萌芽状态,或减少投资的企业,或处理所有的投资,以避免更大的损失。当投资者做出投资决策时,他们需要更多的信息。因此,如果我们可以建立有效的财务危机预警模型,它是对投资者的投资决策具有重要意义[5]。它有利于企业采取预防措施的管理。真正的财务数据可以说是企业经营业绩的最客观的成绩单。相关的财务比率分析可以提供最好的金融危机预警信息公司6]。会计信息具有重要意义的上市公司绩效评估和管理决策。如果我们能够建立一个科学有效的上市公司的财务危机预警模型,它将帮助管理提前采取措施,提高警惕,减少企业陷入财务危机的概率(7]。它有利于债权人做出科学决定根据企业的经营和管理。企业的债权人主要是指银行和其它金融机构虽然中国资本市场发生了巨大的变化,企业的直接融资比重增加,通过银行间接融资仍占相当大的比例在企业的资本结构8]。债权人急于知道上市公司未来的偿付能力和金融危机的可能性,以确保贷款的安全性和盈利能力。因此,为债权人具有重要意义要建立科学、有效的上市公司财务危机预警模型。的原因选择模糊综合评价模型和随机森林算法在这项研究如下:两个集成算法,这本质上是比大多数个人算法更精确,是高度准确的。由于两个随机性的引入,算法不容易陷入过度拟合。在行业中,引入两个随机性使得算法具有一定的抗噪声能力,这比其他算法具有一定的优势。近几十年来,模糊综合评价模型和随机森林算法发展迅速。在生物信息学领域,陈et al。9)使用相关算法研究蛋白质相互作用的研究;史密斯et al。10]探索判别分析方法和随机森林算法的比较研究细菌源跟踪数据。在经济管理领域,Dincer [11]研究客户流失使用模糊综合评价模型算法与银行客户的数据。此外,随机森林生态学中取得更好的结果,经济,医学领域,刑事调查领域,模式识别领域。本研究的主要贡献如下:(1)本研究构建财务预警指数,并使用现有的财务指标建立一个预警指标体系,可以检测和识别企业的财务风险。(2)结合模糊综合评价模型和随机森林算法,本研究提出了一个财务预警模型与模糊综合评价。(3)真正的企业财务数据集是用于验证本研究的模型构建。实验结果表明,该模型在这项研究不仅有利于企业控制金融危机的影响,但也能发挥财务预警的作用。

2。相关工作

2.1。国外研究现状

随着欧洲和美国的经济国家进入工业化之前,与市场经济日益激烈,越来越多的公司开始关注企业财务风险管理,和财务风险相关的研究成果相对丰富和成熟。通过收集和整理国外金融风险管理的研究成果,它可分为以下类型。

2.1.1。财务风险识别

黑人BOT项目中常见的风险识别的帮助下他的新风险层次结构模型12]。海狸指出,一个企业的财务风险可以有效地通过总资产利润率和确定企业的速动比率(13]。Ohlson金融危机提出了一个基于蚁群优化预测模型,它分为两个阶段:基于蚁群优化的特征选择算法和基于蚁群优化的数据分类算法14]。提出财务风险模型验证了使用五个基准数据集定性和定量相结合的方法。Sivasankar提出了一种基于粗糙集的特征选择和提高整体方法预处理基于平衡和回归预测企业财务风险(15]。Vijayakumar和阿伦提出一个自动使用非线性规划风险评估模型基于深度学习技术实现自然语言处理(16]。

2.1.2。金融风险度量

保等人提出了一种新的金融风险评价方法,综合考虑评估结果,风险发生概率,和知识维度,证明这种方法也适用于传统风险测量17]。金融风险度量的研究主要集中在证券市场领域。Pafka和Kondor分析了肥尾风险度量模型性能使用风险,忽视了正态分布的分布函数背景下的回报率(18]。风险评估更全面,阮等人提出了一个基于效用理论建立风险测量方法(19]。Valaskova等人建立了一个预测模型基于重要预测因子影响斯洛伐克的健康和未来的繁荣。通过多元回归分析,确定重要预测因子在特定经济条件下估计斯洛伐克的繁荣和盈利能力(20.]。Kolari Sanz使用神经网络映射技术来衡量银行系统性风险的动态特性随时间变化。风险度量的问题离散time-controlled部分可观测马尔可夫过程研究(21]。一个新概念的条件随机时间的一致性,提出了财务风险的度量模型和这个属性。

2.1.3。财务风险的预防和控制措施

李建造了一个管理系统的三个核心功能:自动控制、分析和评价,并实时监控(22]。借助这个系统,它可以实现全过程,全面,和智能管理监管机构相关企业财务风险来源。Rampini研究金融机构的金融风险管理与利率和外汇风险对冲的数据。在问卷调查的基础上,Brustbauer建立了风险管理的结构模型和分析中小企业中小企业的风险管理23]。结果表明,企业规模、行业会员,所有权结构影响企业风险管理的实施。博德纳等人表明,个人风险规避与其他高管特征组合套期保值发挥了关键作用,规避风险的高管更有可能依靠(保守)thick-tailed分布来估计风险敞口(24]。通过分析金融机构的金融风险,Butaru等人得出的结论是,金融机构的监管应采取一个更加个性化的方式25]。

2.2。国内研究现状

随着中国经济和社会的发展,中国企业越来越多的关注财务预警。因此,我们首先研究相关研究在中国的状态(在中国国内表示)。由于短时间内自中华人民共和国成立,计划经济在1978年之前,国内企业在这个阶段没有强烈的市场竞争意识。自1978年改革开放以来,中国在2001年加入世贸组织,企业正面临着越来越多的国内外激烈的竞争。因此,越来越多的企业开始重视内部管理和外部管理。作为企业内部管理的重要组成部分,金融风险管理吸引了近年来越来越多的学者的关注。通过收集和整理相关研究结果,本研究主要关注以下方面的金融风险管理在中国。

赵以新媒体产业为研究对象,进行了深入的分析,在这个行业财务风险的主要原因,并提出了控制财务风险的措施在这个行业通过系统分析26]。Lan-Min [27)认为,企业财务风险主要是由于企业财务活动,如融资、投资、分配和其他链接。一旦这些金融活动有问题,公司可能发生的金融风险。如飞指出,当前银行系统金融风险的监管机构主要是传统的存款和贷款业务,这个指标不能有效反映新的金融风险,银行系统在互联网时代(28]。Hong-Hai提出识别金融外包的风险两个维度和五个具体方面基于当前金融外包采用流通企业(29日]。张综合考虑4一级评价因素和47个二级评价因素服从他们,设置相应的警戒值和风险价值基于历史数据,并构建评价企业的假开放和假抵消金融风险使用上述因素和设置值(30.]。

2.3。回顾国内外研究现状

然而,尽管相关研究国外成熟和深入,相关的理论成果难以直接应用于研究在中国房地产风险管理相关的,因为伟大的宏观和微环境的中国企业和外国的国家。借鉴国内学者的研究和学习国外先进理论,突破和改进了在中国金融风险相关的研究,但大多数当前的研究主要集中在macrostudies定义,金融风险的特点和预防措施,仍然有相对较少的研究与特定的房地产企业为研究对象。

3所示。模糊综合评价模型

3.1。模糊综合评价的基本理论

针对现有的财务预警模型的局限性,本研究构建财务预警模型在模糊综合评价理论的帮助下能够有效地预测企业的财务风险(31日]。首先,建立一个全面的财务指标评价体系,这是一个收集不同的属性指标反映了企业的经营状况和发展前景,根据一定的层次结构来分析和评价企业的财务经营状况(32),向用户提供相关的财务信息的财务报表。有许多财务指标,但内容和财务信息反映在每一个指标的重要性是不同的(33]。大重量表明整个财务指标有很大的影响;否则,影响很小。接下来,介绍了模糊综合评价的三个元素。

首先,评价因素集 建立了。评价因素集组成的因素 ,和分为几组。数学表达式如下:

然后,有次级因素集 ,和每个子集包含一个不同数量的因素。所以,有以下数学表达式:

是集。它被称为一个二级因素集的元素,然后呢是一级因素集的子集 。然后,评价集 建立了。单因素评价的因素 进行,确定隶属函数,得到隶属度,建立了模糊映射。数学表达式如下:

最后,建立单因素评价是每个因素的模糊评价因素集根据评价集。数学表达式如下:

模糊关系 可以诱导 ,在哪里 ,和模糊矩阵可以形成的 ,和它的数学表达式如下:

3.2。综合评价数学模型的一般步骤

模糊综合评价的数学模型大致分为以下步骤:步骤1:确定评价对象集,因素集,和评论。第二步:建立的重量分配向量米评价因素。一般来说,有主观权重法和客观权重的方法。根据前面的分析,本研究采用专家调查法的主观权重法。具体步骤如下:步骤2.1:通过专家的分析,确定每一个财务指标的重要性,形成了调查结果步骤2.2:总结所有调查信息步骤2.3:计算财务指标的权重系数步骤3:确定评价矩阵。步骤4:运营商分析的模糊综合评价模型:模糊综合评价过程中,合成工艺是一种重要的链接影响综合评价的结论。不同的运营商将会导致不同的评估模型。操作符用于模糊综合评价的类型主要包括“小和大"操作符,乘法和加法(加权平均)算子,产品一个大型运营商,全面限制算子,平衡平均算子,等等。第五步:进行分级评价,分别包括第一级评估和二级评价。

通过以上步骤,构建模糊综合评价模型可以实现。模型的总体结构如图1。

4所示。改进的随机森林算法

随机森林(RF)是一个结合分类器。它使用引导重采样方法从原始样本中提取多个样本,进行决策树建模为每个引导样本,然后结合这些决策树一起获得最终的分类或预测结果通过投票10]。大量的理论和实证研究证明了随机森林算法具有较高的预测精度,具有良好的耐受性异常值和噪声,不容易过度拟合。本研究试图总结和解决随机森林的理论研究,这有利于后续的优化研究。然而,随机森林的研究必须包括决策树,因为随机森林的基分类器决策树没有修剪(11]。决策树是一个单一分类器分类技术。决策树是一个典型的单分类器。分类器的生成和决策过程分为三个部分。首先,生成一个树结构就像一个倒置的树通过递归分析的训练集34]。然后,树的路径从根节点到叶子节点分析生成的一系列规则。最后,新的数据进行分类或预测根据这些规则。从本质上说,决策树的分类思想实际上是一个数据挖掘过程通过生成一系列的规则,然后通过这些规则分析数据。

可以看到从算法实现,传统的决策树算法可以产生许多不同的决策树。这主要是因为选择根节点时,传统的决策树算法并没有一个固定的规则来决定哪些属性应该选为根节点;这种做法使算法有些盲目,使算法的使用限制。针对传统决策树算法带来的不确定性,不指定使用哪个测试属性,本研究改善它。显著差异的传统决策树算法,该算法在这项研究中遵守一个固定的规则在选择属性。这条规则是比较属性通过引入信息熵和确定哪些属性是分裂节点通过比较信息熵的大小。

算法在本研究中采用信息熵对应属性值作为选择的标准节点分裂。该算法从信息熵的计算,计算每个属性的信息增益率,然后使用信息增益的大小比较为节点分裂属性选择。信息增益的计算过程如下。首先,该节点的信息熵计算,及其数学表达式如下:

然后,基于预期的样本分类所需的信息根据 ,公式如下: 在哪里 充当的重量分区。较小的师,越纯。信息增益可以得到公式(6)和公式(7),如下:

显示预期的减少造成的信息需求的价值 ,这是信息增益。最大化的算法选择属性作为测试属性。此外,该算法还引入了增量学习的窗口方法解决过大的问题实例。具体步骤如下:步骤1:获得训练集 。如果所有在当前训练集样本属于同一类别,或在训练集样本属性设置为空,然后生成叶节点,算法结束。否则,转到步骤2。步骤2:根据训练集 ,计算所有属性的信息增益 。步骤3:选择属性最大的信息增益问分裂属性。如果有属性的值 ,然后x分为不相交的子集, 。通过这种方式,N分支机构生成的属性 。步骤4:将每个分支的根节点,然后,去Step1。

算法在本研究弥补了缺乏传统的决策树算法在随机选择的属性,所以当生成决策树,生成的规则是固定的和可再生的,和最终的决策树的深度是非常小的。然后,介绍了决策树的分类问题。由于决策树采用单分类器决策模式,它有其不可克服的缺点:(1)复杂的分类规则;(2)收敛于一个nonglobal局部最优;(3)过度拟合。决策树来克服上述缺点,参照单分类器为多个分类器相结合的理念,很容易想到一种方法来生成决策树,不需要具有较高的分类精度,并让所有的决策树通过投票做出决定。这是随机森林的核心理念。随机森林的建设主要包括以下三个步骤:步骤1:每一个决策树是采样生成一个训练集,每个决策树对应于一组训练。N决策树,需要生成一个相应的训练集的数量。生成N从原始训练集训练子集包括统计抽样技术。

算法的最终输出采用多数表决的方法。根据随机构造N决定子树,某个测试样本将被分类,每个子树将总结的结果。分类结果得票最多的将是最终的输出结果的算法。随机森林算法的原理图如图2。

随机森林算法在这个研究可以提高分类精度,可以应用在一些领域严格的分类精度。然而,由于只能生成的二叉树,该算法生成的决策树方法只能二进制分叉,这使得该算法只适用于二进制分类数据集应用时,需要进一步研究在未来,实现更好的结果。

5。财务预警模型建设

由于金融预警的理论基础相对较弱,缺乏经济理论指导具体的选择变量,很难与一些简单的财务比率完全描述它。通常,只可以选择不同的变量来表示不同方面的上市公司的财务状况35]。的一些财务指标是不切实际或不经济,这是难以发挥真正的预警作用。因此,根据上述指标的选择原则和指标的分析,相关专家咨询后,分析了影响评价指标和选择一个接一个36),最后,一组统一的综合评价指标体系由几个形成有效的指标。这些指标主要反映企业的财务状况的四个方面,即15财务指标四个方面的偿债能力,营运能力,盈利能力,和增长能力,和重建系统和科学的三层财务评价指标体系,如图3。

确定指标体系不是最终目标,但使用既定的财务指标体系。二级模糊综合评价方法用于实现科隆公司的财务预警研究。在模糊综合评价方法,评价财务状况,综合考虑多种因素,每个因素单独评估,然后,每个影响因素综合评估,这是一个综合评价的问题。

6。实验和结果

本研究将46圣企业和184 non-ST企业的比例1:4样本构建财务预警模型,包括对比基于SVM的财务预警模型和算法研究。我们将训练集和测试集的比例5:1包括积极的和消极的样本。来验证该算法的预测能力,我们设置了修剪阈值介于0到30和决策树的数量10 0到100之间的步骤和记录精度最高的价值作为模型参数。模型训练了10轮。本研究的实验环境如下:硬件环境是NVIDIA GTX 1080 ti;软件环境是Linux系统,Python3.7 sklearn0.20.1和其他工具包。

6.1。模型的实验结果进行了研究

的价值指标体系由22 230户样本企业财务指标从2006年到2015年十年计算。因为样本的选择是随机的,我们只能选择样本的数量。为了保持一致性,一半的圣企业的财务指标数据和non-ST企业也选择作为构建模型的训练样本,剩下的圣企业和non-ST企业作为预测样本。根据训练样本,该模型使用程序语句和MATLAB软件找到的黑盒功能,建立这22个指标之间的关系和企业是否有金融危机,也就是说,它是否将圣圣企业(分配0和1 non-ST企业)。在模型建立之后,它将预测剩余的企业是否会圣的22个指标的数据预测样本。比较与预测样本的实际结果推导模型的准确性的判断一个公司是否将经历一场金融危机。接下来,让我们看看实验的过程,本研究构建的财务预警模型。2015为例,如图4。实验过程中其他年那一年是一样的。

从图可以看出42015年,样本数据的错误显示缓慢的波动下降的趋势,低于最低的1e−8,但最高不超过1e−4,表明建立的模型是有效的。下的识别率图表是财务预警模型中,仍然以2015年为例,如图5。

从图可以看出5,训练集模型的准确性和验证准确性成立于2015年已达到100%,测试集精度已达到83.516%,加权识别率达到了96.971%,这主要是因为训练集的模拟精度达到了100%。因此,从模型的角度精度,ANN模型是有效判断企业是否会陷入金融危机。接下来,2015年为例,分析模型的预测结果对样本企业的测试集,如图6。

在图6,红色代表代表提出的随机森林模型,预测的结果和蓝色标记代表企业经营的实际结果。图的横坐标6显示的序列号115测试集样本企业:第一批20圣企业和过去95 non-ST企业。纵坐标代表样本企业的范畴,其中包括两类,“0”代表圣企业和“1”代表non-ST企业。从上面的图可以发现有15圣企业和19 non-ST企业识别错误;即模型的准确率来判断一个企业是否有一个在2015年金融危机是70.4348%(81/115),这是可以接受的。接下来,将圣企业和non-ST企业的数量在2016年发现的测试集模型作为识别率的标准,本研究分析和比较了识别率从2006年到2015年。实证结果如表所示1。

通过表1,我们可以发现,在本研究中建立的财务预警模型具有很高的精度在判断一个企业是否有一个金融危机。除了2011年,是在其他年70%或更多。结合模型的训练误差和自己的准确性在实验过程中,这足以表明,建立财务预警模型是有效的和再次表明,可以预测金融危机。

6.2。实验结果的比较

通过实证研究,发现两种类型的金融危机预警模型可以有效地预测该公司是否会陷入金融危机,但平均来说,这个模型的识别率低于SVM模型,如图7。

在图7,水平坐标表示,纵坐标代表了准确率。从上面的图可以看出,随着时间的推移,SVM模型的识别率对企业能否圣显示了一个上升趋势,虽然识别率ANN模型的波动在70%左右。通过这个图,可以清楚地看到,支持向量机模型的准确性在判断企业是否会陷入金融危机是高于这个模型。接下来,两个模型在预测的有效性测试组将通过量化指标进行比较和分析。首先,简要描述的三个指标,区分这两个模型的预测效果,如表所示2。

如表所示2通过上述三个指标的描述,我们可以知道,三项指标越小,越好,说明模型的预测效果越好。接下来,让我们看看两个模型的统计指标的性能。表3表明,两个模型的美和MSE索引相对较小,说明两个模型在测试集预测更有效。美指数的两个模型作为一个整体上呈下降趋势,而MSE指数的SVM模型作为一个整体上呈下降趋势,下降趋势的指数模型的研究中并不明显。而言,u指数,这个指数的值的两个模型比的美和MSE索引,但它仍然是相对较小的绝对数量和作为一个整体上呈下降趋势,表明这两个模型更有效地预测测试集。至于这三个指标的平均值,SVM模型的平均价值小于这个模型。

总之,发现两个模型可以有效地判断一个企业是否会变成一场金融危机。然而,在测试集的预测精度,基于SVM的财务预警模型不如在这项研究的财务预警模型。我们都知道,同样的财务指标,不同的行业有不同的合理的范围,从而降低支持向量机模型的拟合程度,然后降低识别率。

7所示。结论

基于理论分析和实证研究相结合,从环境和现有的中国上市公司所面临的财务问题,本研究建立了一个创新的综合会计指标体系通过回顾金融危机预警理论和相关的古典文学和构造一个非线性的财务预警模型使用模糊综合评价和随机森林模型。这也使得实证分析和比较分析模型的有效性。

根据金融危机预警的相关理论,本研究以圣的a股上市公司2016年作为一个例子,匹配相应的non-ST公司根据筛选条件的比例根据1:4,并把所有ST公司和匹配的non-ST公司,共有230家a股上市公司作为样本。综合财务指标体系的数据构造的组合奥特曼指数和动态会计指数从2006年到2015年,和建立财务预警模型使用示例数据。从实证分析的结果,有一个财务指标之间的非线性关系数据和该公司是否会陷入金融危机,但世界上很多事情是线性关系和非线性的组合关系。

本研究的应用价值在于以下几点:首先,对于上市公司的所有者,它可以帮助上市公司建立两个有效的非线性的财务预警模型。上市公司的股东可以选择相应的财务预警模型根据投资企业的特点,加强风险防范和内部控制的企业。目的是实现更高的投资回报。第二,上市公司的管理,在本研究中建立的财务预警模型可以帮助他们提高金融风险的识别的风险防范意识,加强管理,以免使企业濒临危机在不知情的情况下,提高他们的管理能力和性能,并获得股东的支持和相应的报酬。在未来,我们计划开展研究财务预警模型基于卷积神经网络。

数据可用性

使用的数据集或分析在当前研究可从相应的作者以合理的要求。

的利益冲突

作者宣称没有利益冲突。