论文部分内容阅读
近年来,互联网金融这一新的金融服务形式迅速发展起来,以互联网信息技术为支撑,通过P2P网络借贷、移动支付、众筹融资、信息中介服务等业务极大提高金融服务效率和质量,促进了普惠金融的发展,深化了金融体制改革。同时,作为新兴事物,互联网金融快速发展的同时伴随着诸多问题,经历最初的“野蛮生长”,各种潜在的风险日益突出,不少互联网金融企业经营不善,出现了不同程度的财务危机,给投资者带来了严重损失,不利于整个金融体系的平稳运行。正是由于互联网金融行业的发展涉及多方利益,因此构建针对我国互联网金融上市公司的财务预警模型十分必要。首先阐述了财务危机的定义和财务预警理论,对以往学者在财务预警方面的研究成果进行梳理。发现过去在对上市公司进行财务预警时,总是依据样本数据按照是否标记了ST来判断财务状况的好坏,这样的划分明显不够细致,不能反映各个企业的真实财务状况,因此考虑多分类的方法。结合我国当前互联网金融行业的发展现状,选取2016、2017两年间208组样本数据为研究对象,构建了我国互联网金融上市公司的财务预警指标体系。通过聚类分析对财务状况进行分类评价,并检验聚类结果的有效性,将所研究样本的财务状况划分为“健康”、“一般”、“较差”三个级别,从而对其进行不同程度的财务预警,其中财务状况较差的企业发生财务危机的可能性较大。然后利用SPSS23统计软件对指标进行因子分析去除多重共线性的影响,用七个主成分表示所有的预警指标。最后将样本数据按7:3的方式划分为训练集和测试集,建立基于多分类SVM和多项logistic回归的财务预警模型。对于SVM模型,在核函数和核参数的选择上,借鉴国内外机器学习方面先进的研究成果,结合R软件程序包中e1071对模型进行训练和调参,采取格点搜索法确定最优参数,由此得到最优的预测模型,并利用混淆矩阵和AUC值对模型的预测效果进行分析比较。实证分析结果表明,将无监督学习与有监督学习算法结合起来,克服了过去财务预警研究时仅为ST和非ST的两极状态,可以对企业财务危机进行更细致的预警研究。同时,在处理小样本时,多分类SVM模型要优于传统的多项logistic回归模型。因此,在未来处理无标签样本数据集时,可以采用K均值聚类与SVM模型结合的方法,对我国互联网金融上市公司进行多层次的财务预警研究。