比较人工神经网络模型和概率模型两者对于财务预警作用的研究【外文翻译】.doc

1、1本科毕业论文外文翻译外文文献译文题目比较人工神经网络模型和概率模型两者对于财务预警作用的研究资料来源MANAGERIALFINANCIAL作者CLARENCENWTAN从20世纪60年代中后期开始，BEAVER1966在工作研究中一直对运用财务比率来进行财务预警具有相当大的兴趣。对财务预警工作的兴趣热潮开始于ALTMAN1968的研究，他结合一些财务指标总结出一元财务比率来预测财务破产。ALTMAN的方法得以普及的主要原因之一是它在同类行业中的公司进行比较时，提供了一个标准的基准。它也可以从公司的账务账目里选出一个单一指标来看出公司的财政实力。虽然这个方法能够被广泛接受，但是它也有其局限性。

2、正如GIBSON和FRISHKOFF1986的研究，指标在工业部门因采用的会计方法的不同可能存在着显著的差异。这种局限性可能在金融机构中使用财务指标来预测财务困境时体现的最明显。高杠杆的金融机构表示这些为公司企业研究的预警模型并不能完全用到财务部门。然而这种预警方法在金融机构领域仍得到认可。在澳大利亚的列证中包括霍尔和拜伦1992与克兰1993未发表的关于非银行领域的财务困境的研究分析。这些研究都使用了概率模型来处理财务困境中有限的财务数据变量的性质在TAN1997较早的研究实验中得出在人工神经网络模型的基础上对于财务危机的分析研究是一种具有可行性的替代方法。特别是，它把重点放在对于存在财务危

3、机的信用合作社进行破产预警研究时，人工神经网络模型的适用性。对于基于神经网络研究的财务预警模型与HALL和BYRON的财务比率模型的研究结果进行了比较。特别是，这项研究中HALL和BYRON使用的是相同的数据样本。这更加强了两种模型比较的公正性。研究结果表明，在相同的财务数据下人工神经网络模型的实验结果略优于财务比率模型。本文通过重建数据集扩展了上述成果/工作，在四个季度内亏损的信用社被归类为存在潜在危机，这样就能最大限度地提前四个月进行模型预测。以便能够通过预警模型最大限度的提前预测出四个季度的财务危机。因此，这项研究的动机是对同一个信用社的财务危机提供早期预警时，重新审视人工神经网络是不是

4、和财务比率模型一样好或者是优于财务比率模型。开展上述工作的主要原因是提前四个季度在其危机有一定的表现之前对信2用社的财务危机进行预测。通过对破产成本的讨论研究，一些组织将继续不断地努力以便尽快的能够预测财务危机。因此，这项研究的动机是在对于同一个信用社的财务危机提供早期预警时，重新审视人工神经网络是不是和财务比率模型一样好或者是优于财务比率模型。人工神经网络模型在某些情况下的预测结果比概率模型早对信用社的财务危机进行预警时的效果更好。人工神经网络模型的整体准确性在有样本数据的情况下大概为90，在没有样本数据的情况下结果有92左右，这些都与财务概率模型相同。预警模型包括早期预警信号，这两种模式可

5、以提高预测的准确率。是否将公司列入预警信号是至关重要的，因为它在股东和管理人员或银行贷款人的利益，能够尽快识别出财务危机。更重要的是，无论是I模型和II模型在新的规范指标下错误显著的减少，在三个信用社案例中，人工神经网络模型得出的预警信号比概率模型要早从我们的调查中，威尔逊和沙尔达1994，路德1998，和杨等人1999的研究也证明人工神经网络模型在进行财务预警时是一种很有前途的方法，能够充分的的应用到破产预测程序。因为与识别能力大量联系，因此只需要很少的统计专业知识与能力相结合，人工神经网络应该被当做在这方面进行研究时利用的工具之一。然而，神经网络模型的影响，网络训练算法的效果和学习形式都需

6、要进一步研究或者优化以便在其为分类问题提供解决方案的能力方面能有一个更好的成果。在具有财务危机的情况下判别分析已经成为用来分析财务数据的最常用的技术之一。琼斯1987，第143页这种方法被描述为“多元比例线性判定得到一个数值Z值，每个样本公司，使用一个独立的变量组合”。然后分析师根据抽样结果确定Z值的取值范围对于低于截止范围Z值的公司进行了预警，破产，高于取值结果的公司预测其保持健康。卷27第4号2001年57方法的要求主要是将一个多维的问题简化到一个单一的数值。奥特曼1968首先利用判别分析方法预测企业破产。利用判别分析方法的研究普遍被认为具有高层次的预测等级判别分析模型的缺点主要在于模型所

7、带来的统计的限制性要求。例如，独立的变量应该有一个多元正态分布的要求经常受到妨碍，例如，当虚拟独立变量被使用时。此外，该模型所产生的得分在使用其解释的结果是有限的，因为它基本上是一个顺序的排名。另外，也没有简单的方法来确定各个独立变量对最终总体数值做出的贡献。3二元逻辑回归模型，如概率模型，TOBIT回归和罗吉特，能够克服的判别分析存在的主要问题。马丁的论文1977年中银行倒闭的二元选择回归技术的使用在银行倒闭这个领域具有开创性马丁比较了二元逻辑回归与多重判别分析方法的分类精度。多重判别分析方法是在19701976年间在美联储的众多监管银行中普遍用来分析财务危机的方法。他发现，虽然罗吉特和多元

8、判别分析的准确性的水平相似，但这两种方法均优于线性判别模型。在柯林斯和格林1982在企业倒闭的研究发现，LOGIT模型的使用，减少I型错误（把财务有危机的公司检测为健康公司）的出现，但该方法没有明显比多元判别分析模型好。他们得出结论，可能没有必要运用LOGIT模型进行额外的计算，除非是非常大的I型错误的成本。最支持这些一般方法的研究是由PACEY和FAN1990对以下3个问题进行财务预警模型的方法（一）有选择性的样本和随机选择的样本在模型的估计和验证中的作用；（二）使用任意的取值范围；（三）假设在平等的成本预测下的错误。同时使用概率单模型和多元判别模型，以纠正这些问题，他们发现，当假定所有企业

9、都不会破产时无论是多元判别模型还是概率模型的预测结果都优于一个简单的模型。4外文文献原文TITLEASTUDYONUSINGARTIFICIALNEURALNETWORKSTODEVELOPANEARLYWARNINGPREDICTORFORCREDITUNIONFINANCIALDISTRESSWITHCOMPARISONTOTHEPROBITMODELMATERIALSOURCEMANAGERIALFINANCIALAUTHORCLARENCENWTANSINCEBEAVERS1966PIONEERINGWORKINTHELATE1960STHEREHASBEENCONSIDERABLEI

10、NTERESTINUSINGFINANCIALRATIOSTOPREDICTFINANCIALFAILURETHEGREATUPSURGEININTERESTPROBABLYOWEDMOSTTOTHESEMINALWORKBYALTMAN1968INWHICHHECOMBINEDFINANCIALRATIOSINTOASINGLEPREDICTOROFCORPORATEBANKRUPTCYONEOFTHEMAINREASONSFORTHEPOPULARITYOFALTMANSMETHODOLOGYWASTHATITPROVIDEDASTANDARDBENCHMARKFORCOMPARISONO

11、FCOMPANIESINSIMILARINDUSTRIESITALSOENABLEDASINGLEINDICATOROFFINANCIALSTRENGTHTOBECONSTRUCTEDFROMACOMPANYSFINANCIALACCOUNTSWHILETHEMETHODOLOGYWASWIDELYAPPEALING,ITDIDHAVELIMITATIONSASPOINTEDOUTBYGIBSONANDFRISHKOFF1986,RATIOSCOULDDIFFERSIGNIFICANTLYACROSSINDUSTRIALSECTORSANDACCOUNTINGMETHODSUSEDTHISLI

12、MITATIONWASPROBABLYNOWHEREMOREEVIDENTTHANINUSINGFINANCIALINDICATORSTOPREDICTFINANCIALDISTRESSAMONGFINANCIALINSTITUTIONSTHENATURALLYHIGHLEVERAGEOFFINANCIALINSTITUTIONSMEANTTHATMODELSDEVELOPEDFORTHECORPORATESECTORWERENOTREADILYTRANSPORTABLETOTHEFINANCIALSECTORTHEAPPROACHNONETHELESSGAINEDACCEPTANCEINTH

13、EAREAOFFINANCIALINSTITUTIONSEXAMPLESINAUSTRALIAINCLUDEDUNPUBLISHEDANALYSESOFFINANCIALDISTRESSAMONGNONBANKAREABYHALLANDBYRON1992ANDMCLACHLAN1993BOTHOFTHESESTUDIESUSEDAPROBITMODELTODEALWITHTHELIMITEDDEPENDENTVARIABLENATUREOFFINANCIALDISTRESSDATAEARLIERSTUDYBYTAN1997EXAMINEDTHEVIABILITYOFANALTERNATIVEM

14、ETHODOLOGYFORTHEANALYSISOFFINANCIALDISTRESSBASEDONARTIFICIALNEURALNETWORKSANNSINPARTICULAR,ITFOCUSEDONTHEAPPLICABILITYOFANNSASABANKRUPTCYPREDICTOROFFINANCIALDISTRESSAMONGCREDITUNIONSTHEANNBASEDMODELDEVELOPEDINTHEPAPERWASCOMPAREDWITHTHEPROBITMODELRESULTSOFHALLANDBYRONINPARTICULAR,THESTUDYWASBASEDONTH

15、ESAMEDATASETUSEDBYHALLANDBYRONTHISFACILITATEDANUNBIASEDCOMPARISONOFTHETWOMETHODOLOGIESTHE5RESULTSREPORTEDINTHEPAPERINDICATEDTHATTHEANNAPPROACHWASMARGINALLYSUPERIORTOTHEPROBITMODELOVERTHESAMEDATASETTHISPAPEREXTENDEDTHEWORKDESCRIBEDABOVEBYRECONSTRUCTINGTHEDATASETSOTHATCREDITUNIONSTHATFAILEDWITHINFOURQ

16、UARTERSWERECLASSIFIEDASINPOTENTIALDISTRESSINORDERTOALLOWFORAMAXIMUMOFFOURQUARTERAHEADFORECASTBYTHEMODELSTHEMOTIVATIONOFTHESTUDYWASTHEREFORETOREEXAMINEWHETHERANNPERFORMEDASWELLASORBETTERTHANPROBITMODELWHENPROVIDINGEARLYWARNINGPREDICTOROFFINANCIALDISTRESSAMONGTHESAMECREDITUNIONSINDISCUSSIONTHEMAINREAS

17、ONTOEXTENDTHEWORKDESCRIBEDABOVEWASTOANTICIPATEFINANCIALDISTRESSINCREDITUNIONSSTUDIEDPREVIOUSLYASEARLYASFOURQUARTERSBEFOREITWASPLACEDUNDERDIRECTIONDEPENDINGONTHECOSTOFTHEBANKRUPTCYDISCUSSED,SOMEORGANIZATIONSWOULDCONTINUALLYSTRIVETOBEABLETOPREDICTFINANCIALDISTRESSASEARLYASPOSSIBLECONCLUSIONTHEANNMODEL

18、SPERFORMEDASWELLANDINSOMECASESBETTERTHANTHEPROBITMODELSASEARLYWARNINGPREDICTORSFORPREDICTINGCREDITUNIONSINDISTRESSTHEOVERALLACCURACYOFTHEANNMODELSISALMOSTTHESAMEASTHEPROBITMODELSATAROUND90FORTHEINSAMPLEDATAAND92FORTHEOUTOFSAMPLEDATAWHENTHEPREDICTIONSINCLUDEDEARLYWARNINGSIGNALS,BOTHMODELSIMPROVEDTHEI

19、RACCURACYRATESTHEINCLUSIONOFTHEEARLYWARNINGSIGNALSWERECRITICALBECAUSEITWASINTHEINTERESTOFSHAREHOLDERSANDMANAGEMENTORBANKLENDERSTOBEABLETOIDENTIFYSUCHDISTRESSASEARLYASPOSSIBLEMOREIMPORTANTLY,BOTHTHETYPEIANDIIERRORSWEREREDUCEDSIGNIFICANTLYUNDERTHENEWSPECIFICATIONINTHREECREDITUNIONCASES,THEANNMODELSGEN

20、ERATEDEARLYWARNINGSIGNALSEARLIERTHANTHEPROBITMODELSFROMOURRESEARCH,ITCONFIRMSOTHERSTUDIESBYWILSONANDSHARDA1994,LUTHER1998,ANDYANGETAL1999THATANNSISAPROMISINGTECHNIQUETHATISROBUSTENOUGHFORAPPLICATIONTOBANKRUPTCYPREDICTIONINCONJUNCTIONWITHTHEABILITYTORECOGNIZEPATTERNSANDTHEREFOREREQUIRELITTLESTATISTIC

21、ALEXPERTISE,ANNSSHOULDBEONEOFTHETOOLSTOBECONSIDEREDANDUTILIZEDASRESEARCHINTHISAREACONTINUESHOWEVER,THEEFFECTOFNEURALNETWORKSARCHITECTURE,NETWORKTRAININGALGORITHMANDLEARNINGPARADIGMNEEDTOBEFURTHEREXAMINEDORPERHAPSOPTIMIZEDTOPROVIDEABETTERRESULTSONITSCAPABILITYOFPROVIDINGSOLUTIONSTOCLASSIFICATIONPROBL

22、EMSDISCRIMINANTANALYSISHASBEENONEOFTHEMOSTPOPULARTECHNIQUESUSEDTO6ANALYZEFINANCIALDATAINTHECONTEXTOFFINANCIALDISTRESSTHISMETHODWASDESCRIBEDBYJONES1987,P143ASAMULTIVARIATETECHNIQUETHATASSIGNSASCORE,Z,TOEACHCOMPANYINASAMPLE,USINGACOMBINATIONOFINDEPENDENTVARIABLESTHEANALYSTTHENDECIDEDONACUTOFFZSCOREBAS

23、EDONTHESAMPLERESULTSCOMPANIESBELOWTHECUTOFFWEREPREDICTEDTOBECOMEBANKRUPTANDTHOSEABOVETHECUTOFFWEREPREDICTEDTOREMAINHEALTHYTHEMAINAPPEALOFVOLUME27NUMBER4200157THISAPPROACHWASITSABILITYTOREDUCEAMULTIDIMENSIONALPROBLEMTOASINGLESCOREALTMAN1968WASTHEFIRSTTOUSEDISCRIMINANTANALYSISINPREDICTINGBANKRUPTCYSTU

24、DIESUSINGTHEDISCRIMINANTANALYSISMETHODOLOGYGENERALLYFINDAHIGHLEVELOFCLASSIFICATIONACCURACYTHEMAINCRITICISMOFTHEDISCRIMINANTANALYSISMETHODWASTHERESTRICTIVESTATISTICALREQUIREMENTSPOSEDBYTHEMODELFOREXAMPLE,THEREQUIREMENTTHATTHEINDEPENDENTVARIABLESSHOULDHAVEAMULTIVARIATENORMALDISTRIBUTIONWASOFTENVIOLATE

25、D,FOREXAMPLEWHENDUMMYINDEPENDENTVARIABLESWEREUSEDFURTHER,THESCORETHATWASPRODUCEDBYTHEMODELWASOFLIMITEDUSEININTERPRETINGTHERESULTSSINCEITWASBASICALLYANORDINALRANKINGTHEREWASALSONOSIMPLEMETHODOFDETERMININGTHESTATISTICALSIGNIFICANCEOFTHECONTRIBUTIONSOFTHEVARIOUSINDEPENDENTVARIABLESTOTHEOVERALLSCOREBINA

26、RYCHOICEMODELSORLIMITEDDEPENDENTVARIABLETECHNIQUESSUCHASPROBIT,TOBITANDLOGIT,WEREABLETOOVERCOMETHEMAINPROBLEMSOFDISCRIMINANTANALYSISMARTINSPAPER1977OFBANKFAILUREWASTHESEMINALWORKINTHEUSEOFBINARYCHOICEREGRESSIONTECHNIQUESINTHISAREAMARTINCOMPAREDTHECLASSIFICATIONACCURACYOFALOGITREGRESSIONBASEDONTHECUM

27、ULATIVELOGISTICFUNCTIONWITHMULTIPLEDISCRIMINANTANALYSISINANALYSINGFINANCIALDISTRESSAMONGALARGENUMBEROFFEDERALRESERVESUPERVISEDBANKSFROM1970TO1976HEFOUNDTHATWHILELOGITANDMULTIPLEDISCRIMINANTANALYSISHADSIMILARLEVELSOFACCURACY,BOTHMETHODSWERESUPERIORTOTHELINEARDISCRIMINANTMODELINASTUDYOFCORPORATEFAILUR

28、ESCOLLINSANDGREEN1982FOUNDTHATTHELOGITMODELAPPEAREDTOPRODUCELESSTYPEIERRORSMISCLASSIFYINGAFAILEDFIRMASHEALTHYBUTTHATTHEMETHODWASNOTSIGNIFICANTLYBETTERTHANMULTIPLEDISCRIMINANTANALYSISTHEYCONCLUDEDTHATADDITIONALCOMPUTATIONALEFFORTWOULDBEREQUIREDBYTHELOGITMODELTHATMIGHTNOTBEJUSTIFIED,UNLESSTHECOSTOFTYP

29、EIERRORSWASVERYLARGETHELEASTSUPPORTIVESTUDYOFTHESEGENERALMETHODOLOGIESWASTHATBYPACEYANDPHAM1990WHOADDRESSEDTHREEMETHODOLOGICALPROBLEMSINBANKRUPTCY7PREDICTIONMODELSITHEUSEOFCHOICEBASEDANDEQUALLYDISTRIBUTEDSAMPLESINMODELESTIMATIONANDVALIDATION,IIARBITRARYUSEOFCUTOFFPROBABILITIESANDIIITHEASSUMPTIONOFEQ

30、UALCOSTSOFERRORSINPREDICTIONSUSINGBOTHPROBITANDMULTIPLEDISCRIMINANTMODELSTOCORRECTFORTHESEPROBLEMSTHEYFOUNDTHATNEITHERTHEMULTIPLEDISCRIMINANTMODELNORTHEPROBITMODELOUTPERFORMEDANAIVEMODELWHICHASSUMEDALLFIRMSTOBENONBANKRUPTTHESTUDYTHATWASUSEDASTHEBASISFORCOMPARISONINEARLIERPAPERSWASTHATBYHALLANDBYRONHALLANDBYRONUSEDAPROBITMODELWITHTHIRTEENBASICFINANCIALRATIOSTOPREDICTFINANCIALDISTRESSAMONGCREDITUNIONSINNEWSOUTHWALESOFTHETHIRTEENRATIOS,FOURWEREFOUNDTOMAKEASIGNIFICANTCONTRIBUTIONTOPREDICTINGFINANCIALDISTRESS