1、基于 BP_Adaboost 算法的上市公司财务预警研究一、引言 随着财政部等五部委制定的企业内部控制基本规范 、 企业内部控制配套指引在上海证券交易所、深圳证券交易所主板上市公司施行，标志着适应我国企业实际情况、融合国际先进经验的中国企业内部控制规范体系基本建成并开始实施。在企业内部控制活动中，财务预警可以通过多种分析方法，利用企业过去的财务指标及非财务指标，对企业的经营活动、财务活动进行预测，并在危机发生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，起到未雨绸缪的作用；而且，作为企业经营预警系统的重要子系统，也可为企业纠正经营方向、改进经营决策和有效配置
2、资源提供可靠依据。随着当前市场环境越来越复杂，企业在经营活动中面临的风险和不确定性日趋增多，准确的财务预警机制就显得越来越重要。本文试图通过 BP 神经网络 Adaboost 算法，引入强分类器，验证公司财务预警的可行性，为上市公司的财务预警工作提供依据。 二、文献综述 （一）国外文献 关于财务预警研究，国外学者建立了许多财务危机预警预测计量模型，主要集中于统计分析类和数据挖掘类两方面，包括单变量预警法、多元线性判别法、Logit 回归模型、神经网络判别法。 例如 William Beaver 首先运用统计方法提出了单一变量模型，利用5 个财务比率预测公司财务危机，发现使用债务保障率，即现金流
3、量/总负债这一财务比率来预测企业失败的效果最优。Edward I. Altman 运用多元统计分析中的差异分析方法，对 19461965 年间申请美国破产保护的 33 家破产企业和 33 家正常经营企业的财务数据采用配对抽样法，建立以财务比率为基础的预测企业破产的多元变量财务预警模型。Ohlson分析了 19701976 年间破产的 105 家公司和 208 家正常公司组成的非配对样本，发现通过公司规模、资本结构、业绩和当前的变现能力进行财务危机的预测准确率达到 96.12%。 （二）国内文献 在中国的研究中，陈静（1999）以 1998 年的 27 家ST 公司和对应的 27 家非 ST 公
4、司，使用了 19951997 年的财务报表数据，进行了单变量分析，发现在负债比率、流动比率、总资产收益率、净资产收益率 4 个财务指标中，流动比率与负债比率的误判率最低。 苗润生（2003）采用多元差别分析方法（Multiple Discriminate Analysis，MDA）得到判断函数，建立预警系统模型。杨淑娥和王乐平（2007）在前期研究的基础上引入面板数据，以 T-2、T-3 期财务数据组合的面板数据作为研究样本，构建 BP 神经网络模型对上市公司的财务状况进行预测。 随着人工智能机器学习算法和仿真技术的发展，邓庆彪和文辉（2011）采用径向基神经网络模型从偿付能力、盈利能力、成长
5、能力三个角度对非寿险公司财务预警进行研究。周辉仁、唐万生和任仙玲（2010）利用巧妙设计的递阶遗传算法能够把网络的结构和权重同时通过训练确定，提出一种基于递阶遗传算法和 BP 神经网络的财务预警模型。张友棠和黄阳（2011）利用系统动力学原理构建企业财务预警控制模型，将行业环境风险与企业财务风险的互动关系充分表现在“风险地图”中。并通过仿真技术演绎财务预警与风险控制的有机结合，完善行业环境风险的识别方法。杨海江、魏秋萍和张景肖（2011）将 Adaboost 组合算法应用于信用评分模型中的分类问题，以解决不平衡分类问题，实证结果表明，基于改进的 Adaboost 算法的信用评分模型可以有效降低
6、由于模型错判而导致的损失。 Adaboost 算法的核心思想是寻找若干个识别率不高的弱分类算法，并将这些算法进行组合提升为识别率高的强分类算法。组合分类器的应用，克服了单一分类器的诸多缺点，如对样本的敏感性、难以提高分类精度等等，因此，本文提出将 BP 神经网络与 Adaboost 强分类器算法结合，提高上市公司财务预警的准确度，强化上市公司内部控制和风险管理能力。 三、研究设计 （一）样本选取与数据来源 本文将“ST”作为上市公司发生财务危机的标志，行业不同表现出财务特征的差异性，在一定程度上也影响了财务预警的精确度。因此，本文随机选取制造业 2010 年 92 家上市公司的 t-2 年的数
7、据为训练样本，其中包括 46 家正常企业和 46 家 ST 公司；2011 年 44 家上市公司 t-2 年的数据为测试样本，包括 22 家正常企业和22 家 ST 公司。样本数据均来于聚源数据库。 （二）研究方法 本文选取财务及非财务指标，利用因子分析法通过SPSS 软件先对所有指标进行筛选，取特征值较大的部分指标作为公司危机预警方法的最终评价指标。再将这些指标输入 BP_Adaboost 模型得到财务状况的结果，具体流程处理如图上所示。 算法步骤如下： 步骤 1：数据选择和网络初始化。从样本空间中随机选择 m 组训练数据，初始化测试数据的分布权值 Dt（i）=1/m ，根据样本输入输出维数
8、确定神经网络结构，初始 BP 神经网络权值和阈值。 四、实证结果与分析 （一）指标范围确定 本文参考了以往研究中对最终预测模型有显著贡献的预测变量及目前在实证研究中广泛采用的财务指标，再结合中国上市公司的实际情况，初步确定了盈利能力、偿债能力、营运能力和成长能力四类财务指标及总资产、审计意见类型等非财务指标，如表 1 所示。 （二）因子分析 由于评价企业财务状况的指标间存在不同程度的相关性，本文采用因子分析法来评价样本公司的财务状况。因子分析的基本目的是用少数几个因子去描述多个变量之间的关系，其基本思想是把联系比较紧密的变量归为同一个类别，而不同类别的变量之间的相关性较低，通过降维将相关性高的
9、变量聚在一起，基本原理是以相关性为基础，从协方差矩阵或相关矩阵入手把大部分变异归结为少数几个公共因子所为，把剩余的变异成为特殊因子。 首先确定进行因子分析的适宜性，用 SPSS 软件对 2008 年 46 组企业的财务指标进行 KMO 测度和 Bartlett 检验。从表 2 中可以看到，Bartlett 统计量对应的显著性概率是 0.000，小于显著性水平 0.01，由此否定相关矩阵为单位阵的零假设，说明数据具有相关性。KMO 检验用于研究变量之间的偏相关性，计算偏相关时由于控制了其他因素的影响，所以会比简单的相关系数小，一般 KMO 值小于 0.5 则不适宜做因子分析，本文中 KMO0.6
10、，意味着因子分析效果较好，适宜使用因子分析法。 在表 3 总方差分解表中，通过 SPSS 软件提取了十个公因子，给出了每个变量所解释的方差及其累积和， “提取平方和载入”一栏表述未经过旋转时被提取的 10 个公因子各自的方差贡献信息，最后一栏“旋转平方和载入”表示经过旋转后得到的新的公因子方差贡献信息，累积的方差贡献值不变。旋转后前五个特征根大于 1 的公因子的累计方差贡献率为64.746%，相对来说，信息量提取的并不充分，但是前 10 个公因子的累计方差贡献率为 95.129%，说明这 10 个公因子能较好地解释原始变量所包含的信息，将其输入 Adaboost 算法组成的分类器是合适的。 （
11、三）预测误差检验 通过因子分析法，最终找出净资产收益率、总资产周转率、公司总资产、总资产增长率、流动比率、营业现金流量、审计意见类型、每股收益、存货周转率和资产负债率十项指标作为评价指标，该十项指标能够比较全面地反映出公司的财务状况。 现将训练样本中 92 家公司的财务状况数据作为训练数据，测试样本中 44 家公司的财务状况数据作为测试数据。每组数据的输入为 10 维，代表上述的 10 个指标，输出为 1 维，代表公司财务状况，为 1 时表示财务状况良好，为-1 时表示财务状况恶化。根据数据维数，采用的 BP 神经网络结构为 1061，共训练生成 10 个 BP 神经网络弱分类器，最后用10
12、个弱分类器组成强分类器对公司财务状况进行分类。 使用强分类器时，产生的第一类分类错误为 3，第二类分类错误 2，所以总的分类错误率为 0.1136。使用 10 个弱分类器时，产生的错误分别为 3，4，5，8，6，7，8，11，4，5。10 个弱分类器的平均误差率为0.1386。强分类器的预测误差低于十个弱分类器的平均预测误差，即通过 Adaboost 算法组成的强分类器是可行的，预测的准确度高于弱分类器。如表 4 所示： 五、结论与建议 本文以 20102011 年度国内制造业上市公司为样本，通过 BP 神经网络 Adaboost 算法，将选取的指标分别输入弱分类器和强分类器，构建财务预警模型
13、进行实证研究，结果表明，用 Adaboost 算法构建财务预警模型误差率低，而且强分类器的误差率低于弱分类器的误差率，这一结论验证了用 Adaboost 算法构建强分类器进行公司财务预警的可行性，能够加强上市公司内部控制和风险管理的水平的完善与提高，本文还验证了非财务指标也可显著代表上市公司的财务状况。 财务安全状况既是公司管理者关注的核心问题，又是证券管理当局重点监控的核心内容，所以财务预警不仅关乎企业的生存，也影响证券市场的培育和完善，并显示投资者对证券市场的信心。结合本文研究的内容，对上市公司的财务预警工作提出三点建议：一是要加强对财务预警体系的研究和利用，充分挖掘科学合理的预测方法。二
14、是要建设高效的上市公司数据支持系统，尤其注重财务数据库的完善和利用。三是要建立健全企业的内部控制系统，严格依照企业内部控制基本规范及其配套指引进行财务预警等内控活动并对其进行有效性评价。 参考文献： 1陈静：上市公司财务恶化的实证分析 ， 会计研究1999 年第4 期。 2苗润生：公司财务预警系统研究 ， 中央财经大学学报2003年第 8 期。 3杨淑娥、王乐平：基于 BP 神经网络和面板数据的上市公司财务危机预警 ， 系统工程理论与实践2007 年第 2 期。 4邓庆彪、文辉：基于径向基神经网络的非寿险公司财务预警研究 ， 财经理论与实践2011 年第 1 期。 5周辉仁、唐万生、任仙玲：基于递阶遗传算法和 BP 网络的财务预警 ， 系统管理学报2010 年第 1 期。 6张友棠、黄阳：基于行业环境风险识别的企业财务预警控制系统研究 ， 会计研究2011 年第 3 期。 7杨海江、魏秋萍、张景肖：基于改进的 AdaBoost 算法的信用评分模型 ， 统计与信息论坛2011 年第 2 期。 （编辑 向玉章）
