文摘
在激烈的市场竞争中,公司不断面临陷入GFC的威胁。全球金融危机是指一个危机在全球金融资产或金融机构或金融市场。然而,全球金融危机的威胁(GFC)不是无助,但可以提前预测。因此,构建一个GFC预测模型对公司的发展具有重要意义。本文主要研究上市公司GFC预测模型基于统计数据和人工智能的方法。本文选择确定训练样本和测试样本的数量分别为40和16,即8公司作为测试样本是随机选择的财务状况公司和GFC公司分别,其余40成为训练样本。根据特征指标的主要选择,本文采用频率统计信息的方法,也就是说,通过之前的研究选择更高的频率,和指标选择在此基础上。本文将使用Kolmogorov-Smimov(钴测试)拟合优度检验方法。本文中的每个预警指标选择应该能够区分GFC non-GFC公司,所以选择应由指标。将每年的指标因素因子分析得到的函数公式,并得到一个新的变量组。 Then SPSS16.0 was used for binomial logistic regression analysis for each year. This article uses KMO and Bartlett identification. The assumption of the sphericity test of the Bartlett test is that the correlation coefficient matrix is an identity matrix, and statistics are obtained according to the matrix formula of the correlation coefficient matrix. The prediction accuracy of the nonlinear combination discriminant method has been improved in the first three years of the GFC, and in the year (t−3),这是一个小远离危机时间,准确率达到了83%。结果表明,结合统计和AI显著影响GFC的预测模型的预测精度的提高上市公司。
1。介绍
与活跃的资本市场的发展,公司可以从资本市场筹集低成本资金加速其发展,和投资者可以利用资本市场投资的操作,获得更高的回报。然而,现代企业正面临着一个日益不幸的市场环境,和风险总是给运营商头疼。现代商业环境的特征主要反映在经济全球化、信息技术的快速发展,客户定位、商业模式和管理方法的改变。这些因素影响到政治、经济、社会和技术。现代企业的生存过程中,各种风险不断生成和解决。当GFC发生在一个企业,它将影响不同程度和严重影响投资者的利益。
对于投资者来说,建立一个有效的GFC预警模型可以帮助企业投资者正确地分析、评价,并预测企业的财务状况,建立正确的投资理念,并作出正确的投资决策。由于信息的不对称,大部分的投资者获得的信息将会被推迟。如果投资者对企业财务状况异常,获取信息可能发生的损失。因此,能够正确判断该公司的财务状况和预测财务风险将有助于最小化投资风险,投资者很重要。
金融一体化的迅速发展,各个国家的金融安全已经严重影响其他国家的经济发展的步伐。Konstantakopoulos等人认为,全球金融危机对人们的心理健康产生了重大影响,导致增加的精神障碍的发生率和自杀。关于新的加拿大病例的诊断分类率每年,没有观察到显著性差异。尽管他的研究有一定的参考,它缺乏一些必要的数据(1]。Motsi等人研究了银行竞争行为的变化在撒哈拉以南非洲地区2007 - 2008年的全球金融危机。他采用了Panzar-Rosse竞争模型,发现撒哈拉以南非洲的银行之间的竞争程度增加了。然而,在2007/2008 GFC爆发时,成功的银行体系的发展有所缓解。随后,随着监管机构试图恢复系统稳定,再次的审慎政策进行了重大调整,影响了银行的竞争行为的变化。政策制定者应该继续制定和促进政策旨在发展金融中介机构、提高银行的竞争行为在撒哈拉以南非洲。然而,没有具体的实验操作在他的研究2]。Debunov认为企业在市场条件下,不仅利润的总和是重要的,但也其金融功能。一个公司的能力抵抗破产的威胁是一个长期的经营和可持续发展的必要条件。他提出用人工神经网络来建立一个公司财务可持续性的经济数学模型,消除人为因素,提高公司破产威胁诊断的速度和准确性。在当前条件下2014 - 2015年的经济危机后,这个模型的一个例子与乌克兰的公司。为了建立一个财务可持续性模型,他构建了一个三层人工神经网络直接信号传播。作为输入因素,他建议使用17个财务指标进行最全面的评估公司的财务可持续性。尽管他的模型有一定的参考价值的金融机构,投资基金,审计公司和企业本身来预测公司破产,它缺乏具体的实验结果(3]。
在指标体系的建设,本文选择两个方面,财务指标和非金融指标,全面、准确地反映公司的实际财务状况和公司的总体情况。在非金融指标体系的选择,影响因素主要是考虑公司的财务目标,如公司治理因素,公司所有权结构和审计。分析模型的优缺点,从三个方面:分类准确性,两种类型的误判成本和可操作性,为了找到一个模型,更适合企业GFC预警研究具有较强的可操作性,更好的帮助企业的利益相关方避免风险。
2。GFC预测模型对上市公司
2.1。统计数据和人工智能
统计数据是一个一般术语相关的数值数据和其他数据获得的国民经济和社会现象的过程中,统计工作的活动,并且测量的结果的现象。的统计是之间的相对偏差平方的总和的实际观察频率和频率预测模型。那么它的计算公式是4]:
其中,K是协变量的类型,代表的观测频率k协变类型,代表的预测频率k协变类型,和自由度的区别是协变量的数量,类型和参数的数量5]。
让代表了最大似然值估计的设置模式,代表了选择的模型与样本数据的吻合程度,和代表了饱和模型的最大似然值。 被称为似然比(6]。通常我们使用的自然对数似然比乘以−2 D统计,然后:
HL测试数据按升序排列的预测概率(7]。统计公式如下:
其中,J组的数量,J≤10;j组病例数;是j组的观察事件的数量;是预测的事件的概率j组(8]。
经验风险Remp (w)和实际风险R (w)满足以下关系至少1−的概率η(9]: 在哪里h是函数的VC维组,n是样品的数量10]。
经典的径向基函数使用以下决策规则:
其中,取决于两个向量之间的距离(11]。
一般来说,一个神经元是一个多输入,对于非线性设备,一个神经元通常有多个树突,这主要是用于接收传入的信息;虽然只有一个轴突,和有许多轴突末端的轴突的尾巴可以传输信息到其他神经元。轴突终端与其他神经元的树突传递信号。这个连接的位置是生物学上称为“突触。”,其表达式如下(12]:
其中,神经元的内部状态,是阈值,表示连接神经元的权重(13]。
神经元的输出是由函数f,S函数是最常用的实现网络的非线性特征(14]。
其中,c是一个常数。
Elman神经网络的网络结构如图1。隐层神经元可以使用非线性和线性传递函数的传播(15]。
Elman神经网络的非线性状态空间表达式(16]
其中,y,x,u,我代表m维向量,输出神经元n维向量,隐层神经元r维输入向量和n维反馈状态向量(17]。
2.2。GFC预测模型
这是一个循序渐进的过程,一个企业发展的金融风险的发生GFC的企业。因此,企业的GFC可以预测。因此,GFC的预警是一个非常重要的部分整个企业的财务风险管理,是有效的。GFC预警系统不仅可以确定企业GFC的地位,而且还分析企业GFC的原因,可以促使企业采取相应的对策,避免类似的情况(18]。此外,一个有效的GFC预警系统可以发出预警信号的企业提前GFC,这样公司就可以及时发现财务风险和规定的补救措施,采取相关的措施来控制风险及时的传播,并帮助公司恢复正常财务状况(19]。
二进制分类模型中的因变量和两种情况,在一个二进制分类模型两种情况的因变量,因变量y将代表不同的结果,自变量和因变量 。当误差项存在,回归模型可以写成如下(20.]:
如果结果值的因变量y的概率是1,是什么 ,然后结果值的概率的因变量y是0 ,因变量的值是在区间[0,1],所以写 到以下分布函数:
不同的预测模型对应不同的功能形式的 。当逻辑回归模型预测模型 需要物流功能,即 ,因此,逻辑回归模型函数形式如下:
GFC发生时,财务风险预警系统可以区分金融风险的原因,并获得最可能的公司金融风险和金融危机的原因,以便管理可以采取有效措施及时、准确,以避免危机。财务风险预警系统可以记录详细危机的原因和根源,详细分析了危机的潜在原因,并绘制一个分析报告,并制定详细的措施和计划在未来处理此类危机。现有的管理制度和法规中的漏洞可以补救改善企业财务预警系统的功能,并进一步降低金融风险的潜在隐患。
作为一个领导者在市场经济的发展,上市公司有一个相对完整的金融体系。面对复杂和快速变化的国内外经济形势,构建财务预警模型适合上市公司可以使管理检测异常早期金融业务和提前促使他们调整商业策略来减少他们的财务状况恶化的可能性。然而,不能广泛应用财务预警系统在我国上市公司的一些原因。例如,会计信息的质量影响了财务预警系统的有效性,决策水平的上市公司缺乏积极运用财务预警系统的意识,和研究的实际应用财务预警系统还没有到位。
3所示。上市公司GFC预测模型的仿真实验
3.1。财务数据的来源
本文的样本选择涉及各种行业的上市公司在我的国家。本文主要反映了我国上市公司的财务状况从五个指标:偿债能力、盈利能力、营运能力、发展能力和现金流。通过分析这些指标的意义,19个财务指标系统。在收集和整理数据时的19个财务指标,如果有缺失数据,常数的值的平均值接近缺失值填充它。数据与片面性不会被选中。本文最终选择确定训练样本和测试样本的数量分别为40和16,即8公司作为测试样本是随机选择的财务状况公司和GFC公司分别,其余40成为训练样本。样本分组情况见表1。
3.2。选择财务指标
根据特征指标的主要选择,本文采用频率统计信息的方法,也就是说,通过之前的研究选择更高的频率,保证是更普遍的,指标选择是在此基础上进行。本文最初选择23个财务指标,反映企业盈利能力的五个方面,债务偿付能力、操作能力、成长能力和现金流,如表所示2。
3.3。正常测试的早期预警指标
在统计中,有两种主要类型的多元统计分析的正常测试:一个是单独为每个变量进行正常测试。如果每个变量符合常态,据说多变量符合正态分布;第二个是要考虑多个变量同时进行多元正常测试。本文将使用Kolmogorov-Smimov(钴测试)拟合优度检验方法。本文中的每个预警指标选择应该能够区分GFC non-GFC公司,所以选择应由指标。针对这一点,正常测试适合本文应该第一个测试方法,即验证每一个指标是否符合正态分布。
3.4。GFC预测模型的建设
在创建和训练神经网络之前,首先初始化神经网络,其目的是防止任何先前的残余值或操作影响模型的创建。初始化参数的神经网络在这个研究是完全根据MALTAB软件包的默认值。神经网络的样本量越大,越好它可以训练,最终培训效果越高。因此,本文将把所有的样品分为两部分根据随机选择的方法前两年的财务数据,前三个三年,第一个四年危机的样例ST和相应的数据。415组数据作为神经网络的输入来计算输出值与期望值之间的偏差,然后计算输出层的输入层,调整每个重量减少偏差。
3.5。逻辑回归模型的测试
将每年的指标因素因子分析得到的函数公式,并得到一个新的变量组。然后使用SPSS16.0每年二项逻辑回归分析。逻辑回归模型s形曲线,预测最大值接近1,最小值是接近0。通常,50%被选中作为分割点。换句话说,如果因变量的值计算模型是大于0.5,它可分为GFC企业。否则,它可以被视为一个良好的企业。
3.6。因子分析
本文使用KMO和Bartlett识别。KMO测试统计是一个指示器用于比较简单,局部变量之间的相关系数。巴特利特球形检验的测试的假设是相关系数矩阵是一个单位矩阵,根据矩阵公式和统计得到的相关系数矩阵。如果价值很大和相应的关联概率值小于集合效度水平,假设是取消,不能使用相关系数矩阵为单位矩阵。换句话说,有一个原始变量之间的相关性,这是适合因素分析。此外,它是不适合的因素分析。
4所示。结果与讨论
短期偿债能力指标变量选择在本文中包括:流动比率(X1)、速动比率(X2)、营运资本比率(X3),现金比率(X4)和营运资金占总资产比率(X5)。变量之间的相关性分析结果X1, X2, X3, X4, X5如图2。相关分析的结果的短期偿债能力指标变量,X1和X2指标变量的相关系数达到了0.9802,这是高度相关的。其中一个应该被删除,这两个变量与其他变量之间的相关性应该进一步分析。根据较少的指标变量之间的相关性的原则,该指数变量X1是消除。根据上述方法,每个索引变量之间的相关性相比,消除了。
采取P= 0.5决策点,用培训组的样本数据来测试模型的影响,结果如表所示3。对于GFC公司来说,预测的准确性t−2年达到89.8%,t−3年达到81.6%,预测能力急剧下降t−4年,只有55.1%的GFC公司可以被识别。参考正常公司而言,该模型保持相对较高的识别率t−2t−4,最低的t−2年也达到81.6%,最高t−3 85.7%。
为了解释这些8因素,本文采用最大方差法的正交旋转因子载荷矩阵变换方法,如图3。主要成分的主要变量1是0.887费用和费用利润率,这远远高于其他指标。解释主要成分1的资本利用效率及其代表指数费用和费用的利润率。主要成分的主要变量的总资产周转率2是0.830,代表了设备资产的利用率。企业资产规模的因素负荷指数主要成分3为0.713,显著高于其他索引,所以主要的组件3可以解释为资产比例因子,及其代表指数是企业的总资产。主要组件的主要因素负荷4的总资产增长率明显高于其他指标,所以主要成分4可以被视为一种生长因子,和它的代表指标是总资产的增长速度。主要成分的主要变量5是当前的比率,它反映了公司的支付能力。因此,主要成分5可以使用流动比率代表变量和总结它的债务偿还系数。主要成分6的主要变量是每股经营性现金流的比例和短期贷款的流动性比率,反映了公司获取现金的能力。因此,主要成分6可以概括为现金流因素和每股经营性现金流。 In the main component 7 and the main component 8, the types of audit opinions and the two indicators of profit per share have increased significantly compared with other indicators. The main variables of main component 7 are profit per share, return on net assets, and return on total assets.
的准确性预测模型如表所示4。three-category物流预测模型,GFC公司被误判为non-GFC公司率是27.61%,non-GFC公司被误判为GFC公司率是7.14%,和整体准确率是87.19%。两分的逻辑回归结果表明,公司在GFC的准确率是62.70%,公司在non-GFC的准确率是94.00%,和总准确率为85.30%。从整体的角度来看,下令three-catnon-financial危机,前者是低1.14%的准确性egory物流预测模型比两分的物流预测模型,其准确率高1.89%,和误判成本相对降低。从预测的准确性的角度比后者,但从金融危机预测的准确性,前者的准确性高于后者的9.69%,这是在实际应用中具有重要意义。
实证结果费舍尔的两种类型的判别模型,Logisic回归分析模型和基于BP神经网络的非线性组合模型进行比较,如图4。可以看出,非线性组合预测精度的判别方法改进了GFC的头三年,和一年(t−3),这是一个小远离危机时间,准确率达到83%以上。这表明,组合预测模型可以全面考虑每个个体的信息预测模型在一定程度上,从而提高预测的准确性。
歧视的BP神经网络模型的结果如表所示5。BP神经网络的结果的判断和模拟控制样本和测试样本分别显示,控制样本类型我误判(GFC企业作为企业财务状况,判断失误,错误的错误的数量是0,和误判率为0%,第二类误判(财务状况来判断一个公司作为一个GFC公司,也就是说,真正的错误的数量是0,和误判率为0%。因此,误判的总数是0,误判率为0.0%。因此,分类准确率的BP神经网络控制样本是100%。误判为测试样品的数量是4,误判率为22.2%,和第二种类型是3的误判,误判率判断率是16.7%,所以判断失误的总数是7,误判率为19.5%。因此,BP神经网络的分类精度测试样品达到80.5%。一般来说,BP神经网络模型具有良好的预测效果可以提前预警GFC三年。
GFC的预测值的比较早期预警模型如图5。五个GFC预警模型的预测能力都高。一方面,ST公司的歧视的准确性高于正常的公司。它可以被理解为:尽量避免误判ST公司作为一个正常的公司在这项实验中,满足第一类错误的限制的统计检验,并减少检验。另一方面,判别分析模型和回归分析模型被广泛使用,其预测精度非常高,达到90%,其操作简单,样品的要求并不苛刻,这反映了良好的预测能力,多数学者为什么选择使用它。BP神经网络的总体预测精度高于其他两个,这主要反映了神经网络的适应性和容错。特别是,英国石油(BP)组合预测模型的预测精度高达95%。结合BP预测模型可以比较主体的信息样本。分类集成提高了预测的准确性。
PSO-SVM不同数据的准确性预测图所示6。从图可以看出,模型的平均精度达到88%,90.5%,和86%,精度0.8∼0.95的区间内。标准偏差产生的预测结果表明,该模型是整洁越来越好与持续优化的指标体系。早期预警的三组样本数据,首次筛选数据的波动相对较小,表明PSO-SVM模型在本文建立一个相对高度的识别数据筛选的第一次,已经达到了一个高度的准确性。
预警模型的性能比较图所示7。两个早期预警模型指标的80%以上,都显示良好的预警性能。分别比较指标,发现随机森林模型主导着其他性能指标除了积极的命中率。这表明尽管Lasso-logistic预警模型能更积极的反馈信息后发出预警信号时,仍有一定的差距的准确性圣预警信号覆盖和总体预测精度比随机森林预警模型。
表6显示的比较每个模型的整体精度的差异。从每个模型的整体精度的差异,在单一模型,支持向量机模型的准确性有最大的差别,达到13.3%,而费舍尔判别模型的准确性的差异是最小的,这是3.3%。整体的线性组合模型的判别精度差异比上述三种单一模型,和不同的是进一步降低到2%。可以看出组合预警模型的鲁棒性优于单一预警模型,并结合模型有利于提高模型的鲁棒性。
5。结论
日益激烈的市场竞争,上市公司被圣处理由于金融失败,造成巨大损失直接影响投资者和证券市场的健康发展。本文构造逻辑回归模型和Fisher线性判别分析模型,具有良好的预测精度在三年之前的困境。两者比较,总体准确率还是第一类准确率,逻辑回归模型是高于Fisher线性判别分析模型,和有更好的预测效果。每个GFC预警模型都有自己的优点和缺点。在实际应用程序中,早期预警模型适用于每个公司应该选择根据公司自身的情况和预警模型的特点。公司可以考虑结合各种预警模型来实现更好的预警效果。对于公司来说,最重要的是如何将自己的GFC预警模型,以避免公司的GFC,实现GFC早期预警的影响,从而达到更好的目标企业的顺利发展。
数据可用性
没有数据被用来支持本研究。
的利益冲突
作者宣称没有利益冲突。