论文部分内容阅读
自1990年12月19日和1991年7月3日上海证券交易所和深圳证券交易所分别成立,并提供股票交易服务以来,中国证券市场经历了快速发展的历程。在这快速发展过程中,因发生财务危机而被特别处理的上市公司数目也在逐渐增加。为了能够保护利益相关者的权益、增强企业抵御风险的能力,对上市公司财务危机预测的研究成了财务理论界和实务界关注的焦点。企业财务危机预测研究作为企业经营的指示灯,不仅具有较高的学术价值,而且有着很大的现实意义。
企业财务危机的预测研究是通过筛选有信息含量的指标,借助一定的分析方法构建预测模型。其中,如何准确、合理的选择预测指标和方法是企业财务危机预测研究的关键,然而传统的指标筛选法(如T检验、逐步回归等)和预测模型存在一定缺陷,阻碍了企业财务危机预测研究的进一步深入。出于对这些问题的浓厚兴趣和对其应用价值的关注,本文在对国内外文献回顾和总结的基础上,通过构造企业远期偿债能力的度量指标ω),通过引入信号噪音差方法筛选预测指标,通过对朴素贝叶斯分析法的改进等几种新的现代技术方法,构建企业财务危机的线性与非线性预测模型,并通过比较模型预测准确率的高低,来对模型进行比较。
本文以制造业上市公司为代表,借助SAS统计软件和Data Miner数据挖掘软件,构造不同方法下的企业财务危机预测模型进行研究。本文通过考察传统的指标筛选方法(T检验和逐步回归),得出T检验的缺陷在于不能给出单个指标的具体预测价值,并且T检验筛选出的预测指标数量偏多,影响了模型构建的效果,增大模型的使用成本。逐步回归方法的缺陷在于估计所得的指标系数无法说明指标和预测结果的关系,仍然没能给出单个指标的预测信息量,本文引入的信号噪音差方法解决了这些问题。文章同时也利用由逐步回归筛选的指标和信号噪音差所选指标分别构建了多元线性判别分析模型和朴素贝叶斯模型,实证结果显示信号噪音差所选指标构造的模型预测精度高于逐步回归筛选指标所建模型,并且信号噪音差所选指标构造的决策树模型具有较高的预测能力,肯定了信号噪音差在指标筛选方面的优势。鉴于以往研究一般利用公司的横截面数据来构建模型,不同的研究样本和研究数据可能得出不同的预测变量,造成预测模型的外推能力不强,并且难以反映企业从财务正常到财务危机的渐进过程。本文通过分析企业陷入财务危机的原因,提出一个新的预测变量,并利用财务报表时间序列数据和贝叶斯推断方法估计该变量,由该变量所构建的单变量预测模型和多变量预测模型都取得较好的预测准确率,为财务危机的预测研究提供了参考。