论文部分内容阅读
财务困境已成为一个世界问题,因为它会极大地影响投资者、信贷者以及银行官员的财务决策,审计人员也需要通过财务困境的判别和预测来获取财务信息。公司陷入财务困境是一个逐步的过程,不但具有先兆,而且可以预测。正确预测公司财务困境,对于保护公司投资者和债权人的利益、对于管理者防范财务危机、对于政府管理部门监控上市公司质量和证券市场风险,都具有极其重要的现实意义。自1960年财务困境预测在美国和欧洲就已经开始研究,国外公司财务困境预测研究在证券投资、信用风险管理、审计决策和公司财务管理中开始扮演越来越重要的角色。有很多方法可以用于解决财务困境预测问题,其中用的最多的就是统计方法,包括多元判别分析法(MDA)、Logit法和Probit法。MDA方法已被广泛应用于企业破产预测、企业信用评价、信贷评价等等领域。但是由于变量分布不符合MDA所需要的统计假设,所以使用MDA方法有可能导致判别结果产生偏差。作为另一个可供选择的模型,神经网络通过其神经元之间的连接来代表非线性的判别关系,所以神经网络是完全适合解决企业财务困境的预测问题的。国内这方面的研究才刚刚起步,本文利用某些函数的高阶导函数可以由其低阶导函数表示这一特性,提出了激活函数可调的级连相关算法(TAFCC),并将动态主元分析应用到变量选择中。最后应用我国上市公司的财务报表数据(1998-2002),采用集成神经网络(BP、CC、TAFCC)和动态主元分析相结合组成的新模型,对我国上市公司进行财务困境预警研究。实证结果显示新模型效果要优于MDA、logit等预测结果。