某上市公司財務困境預測研究-資料下載頁

　　

【正文】 （）（4）判斷實際輸出和期望輸出（真實值）之間的誤差是否達到精度要求。判斷標準：所有樣本誤差 （）其中，N為訓練樣本個數，是誤差精度要求。（5）修正權值。根據誤差信號先后修正隱層和輸出層之間、輸入層和隱層之間的權值。輸出節點輸出的誤差為： （）權值修正： （）其中k為迭代次數閾值修正： （）隱層節點輸出的誤差為： （）權值修正： （）閾值修正： （）如果誤差達到精度要求或者循環次數足夠大，則結束網絡訓練，否則則繼續訓練神經網絡。BP神經網絡的輸入層與隱層之間通常采用S型的傳遞函數（如對數函數、正切函數），而隱層和輸出層之間則采用線性傳遞函數。由于正切函數關于原點對稱，學習速度較快，因而在本文中，輸入層和隱層之間的傳遞函數取正切函數： （）。隱層節點個數的選擇比較復雜，通常認為隱層節點個數應介于輸入和輸出節點個數之間，而且與樣本大小有關。本文采用Jain et al.（1997）的做法，隱層的節點個數＝樣本個數/（10（輸入層節點個數＋輸出層節點個數））。由于在BP神經網絡的訓練中，訓練次數過多往往會出現對數據的過度擬和，為了提高網絡的泛化能力，本文采取了下列兩個解決辦法：（1） 對輸入數據進行標準化處理，即均值為0、標準差為1。（2） 規則化調整，即通過調整網絡的性能函數來增強網絡泛化能力。普通的BP神經網絡一般采用網絡誤差的均方根之和作為性能函數，如 （）而調整后的網絡性能函數如下： （）其中，是性能函數，在Matlab中可以進行自動設置。使用該性能函數可以減少網絡的有效權值和閾值，并且使網絡的訓練輸出更加平滑，從而增強網絡的泛化性能。第三章 實證結果分析比較本文的多元判別分析和Logistic回歸分析采用SPSS軟件進行，而神經網絡模型的構建則采用Matlab進行，結果如下:第一節 多元判別分析 假設組合0為財務困境公司，組合1為財務健康公司，可得： 非標準化的典則判別系數表 組重心函數值表Function 1X5X7X18X28X32X34X45.008(Constant)FunctionSIGN1101.627從非標準化的典則判別系數表（）我們可以得到線性判別函數：（） 從組重心函數值表（）可以看出，兩個組合的平均Z分值分別為－。因此根據對稱分類原則，判別點＝0。當把每一家上市公司的財務指標代入判別函數得到的Z分值大于0時，則判定為財務健康公司；反之則判定為財務困境公司，判別結果如下： 多元判別分析的判別結果原始值估計樣本 預測樣本預測值合計綜合準確率%預測值合計綜合準確率0101計數0661581%20727%121608162127百分比081. 5%%100%%%100%1%%100%%%100%如前所述，本文將全部樣本分為估計樣本和預測樣本，估計樣本162家，其中財務困境公司81家，財務健康公司81家；預測樣本54家，其中財務困境公司27家，財務健康公司27家。將財務困境公司（0）誤判為財務健康公司（1）的比例用I類錯誤率表示，將財務健康公司（1）誤判為財務困境公司（0）的比例用II類錯誤率表示，我們可以看出，%，%，%；%，%，%。第二節 LOGISTIC回歸模型從最終模型的擬和優度檢驗（）可以看出，－，此值偏大，說明擬和效果一般，Cox amp。 Snell R2和Nagelkerke R2統計量偏小，也說明擬和效果一般。 and ，只能勉強接受觀測數據和預測數據之間沒有顯著差異的原假設。 最終模型的擬和優度檢驗Step2 Log likelihoodCox amp。 Snell R SquareNagelkerke R Square1.317.423 Hosmer and Lemeshow 檢驗StepChisquaredfSig.18.085，該圖反映了上市公司陷入財務困境的概率的頻數分布。，因此如果模型成功地區分了兩組觀測量，，兩組中的觀測量越是分布在兩端，說明分組效果越好。，模型的預測效果尚可。 估計概率的直方圖 16 244。 244。 243。 243。 243。 243。F 243。 243。R 12 244。 244。E 243。 243。Q 243。 243。U 243。 1 1 243。E 8 244。 1 0 244。N 243。 1 1 0 1243。C 243。 0 0 0 1 1 1243。Y 243。 0 0 0 1 1 1 1 1243。 4 244。0 1 0 00 0 1 01 1 11 1 1244。 243。0 0 01 00 0 0 1 0 01 1 1 10 1 11 1 1 11 11243。 243。0 0 00 01 10000001011 10001 11 11 10111111 11 1011 11 11243。 243。000000 00000000000000010000000000001110001110 1011011111011243。Predicted 242。242。242。242。242。242。242。242。242。242。242。242。242。242。244。242。242。242。242。242。242。242。242。242。242。242。242。242。242。244。242。242。242。242。242。242。242。242。242。242。242。242。242。242。244。242。242。242。242。242。242。242。242。242。242。242。242。242。242。242。 Prob: 0 .25 .5 .75 1 Group: 000000000000000000000000000000111111111111111111111111111111 最終模型的統計量 系數標準差Wald統計量自由度顯著性概率X5.3021.008X71.001X18.0071.045X28.8021.035X321.044X341.000X45.013.0081.111Constant.4931.005： （），根據式（），，判別結果如下： Logistic回歸模型的判別結果原始值估計樣本 預測樣本預測值合計綜合準確率%預測值合計綜合準確率0101計數0661581%20727%122598152227百分比081. 5%%100%%%100%1%%100%%%100%，%，%，%；%，%，%。第三節 神經網絡模型本文將所有樣本分成訓練集和預測集，其中訓練集有162個樣本，其中財務困境公司81家，財務健康公司81家；預測集有54個樣本，其中財務困境公司27家，財務健康公司27家。采用單隱層的BP神經網絡進行訓練，輸入層的輸入變量為多元判別分析和Logistic回歸使用的預測變量XXX1X2X3X34和X45，共有7個節點；輸出層有一個節點，輸出的導師信號為－1代表財務困境公司，1代表財務健康公司；隱層的節點個數為208/（10*（7+1））≈3。迭代次數為80000次。，當mse＝,msw=，BP神經網絡自動結束訓練。 BP神經網絡的訓練結果 神經網絡的判別結果如下： BP神經網絡的判別結果原始值訓練集 預測集預測值合計綜合準確率%預測值合計綜合準確率0101計數0681381%23427%122598132427百分比0%%100%%%100%1%%100%%%100%，%，%，%；%，%，%。第四節 判別結果比較預測樣本準確率是指利用從估計樣本中得到的判別函數（或網絡）對新樣本進行判別得到的結果。由于預測準確率不包括任何先驗信息，所以我們以預測樣本準確率為準進行比較。 預測結果比較模型誤判個數預測準確率I類II類合計I類II類綜合MDA7613%%%Logistic7512%%%神經網絡437%%%，多元判別分析和Logistic回歸的預測效果比較接近，Logistic回歸略優于多元判別分析；而神經網絡模型的預測效果則是最好的，其I類、%，%、%%。由此可見，BP神經網絡作為一種非參數統計方法更適合用于財務困境預測。 第四章 研究結論和未來的研究方向 第一節 研究結論本文以滬深兩市A股上市公司作為研究對象，將公司因財務狀況異常而被特別處理（ST）作為企業陷入財務困境的標志，進行企業財務困境預測。通過以上分析，得到以下結論：為了真實反映模型的預測能力，應采用預測樣本（即新樣本）對模型的泛化能力進行檢驗。此外，由于中國證監會是根據上市公司前兩年的年報所公布的業績判斷其是否出現財務狀況異常并決定是否要對其進行特別處理的，所以為了不夸大模型的預測能力，應至少在上市公司被ST的前三年進行預測，判斷其最終是否會被ST。本文采用逐步判別分析對52個財務指標進行篩選，發現X5（速動比率）、X7（營運資本/流動資產）、X18（利息保障倍數）、X28（總資產周轉率）、X32（營業收入凈利潤率）、X34（流動資產凈利潤率）和X45（主營業務利潤/利潤總額）等7個財務指標在企業財務困境預測中具有顯著的判別作用。特別需要指出的是，短期償債能力指標和盈利能力指標在企業財務困境預測中作用最為明顯，這說明在進行企業財務分析時，我們對上述指標應給予更多的關注。在這7個指標中，大部分指標在財務困境組和財務健康組