论文部分内容阅读
伴随中国经济的快速发展和资本市场的进一步对外开放,中国证劵市场已经成为数千家上市公司的主要融资平台,随着市场竞争的日趋激烈以及金融市场潜在风险的叠加,深沪两市每年都有部分上市公司的股票交易因其自身财务状况或其它异常而被证监会进行特别处理或停止上市,因此准确及时地衡量各上市公司的财务风险状况具有重要的现实意义。本文通过借鉴和学习发达资本市场先进的财务风险预警评估方法,构建了一个能适应我国证劵市场发展情况的财务危机预警系统,研究实践表明该系统具有较好的预测效果,不仅能够对我国上市公司财务风险情况进行有效地预警分析,而且对于研究我国上市公司财务风险的度量和预警机制也具有一定的理论意义。国内外已有学者从人工神经网络模型和Logistic回归模型出发建立了财务风险预警系统并取得了较好的研究成果,但现有神经网络模型的预测效果存在着一定的不稳定性,针对这一问题本文从人工神经网络出发,通过采用能够将任意弱学习器进行组合改进为强学习器的Adaboost算法与神经网络技术结合构建预警模型的方法来研究我国上市公司财务预警状况。本文构建的BP_Adaboost模型本质上是把BP神经网络作为弱分类器,通过反复训练BP神经网络、预测样本输出并结合Adaboost算法来得到由神经网络弱分类器组成的强分类器,最终利用该分类器进行预警分析及研究。本文首先选取了CCER数据库中制造业上市公司所有关键财务指标数据,通过显著性分析和因子分析筛选出了9个关键指标变量,并以2011年因财务异常被ST处理的94家制造业上市公司和同行业的94家正常公司作为研究样本,搜集其2008,2009两年的财务数据,合计196个样本空间,并使用Adaboost算法构建BP神经网络模型和Logistic回归模型这两种方法对这些财务数据进行预警研究分析,研究过程和研究结果表明,BP_Adaboost模型在上市公司财务预警研究中是可行的且预测效果显著优于Logistic回归模型,因而在实际应用中具有较好的研究及应用前景。最后,针对研究中发现的问题并结合模型的研究结论对制造业上市公司存在的问题提出了政策建议。