1、 財務管理理論前沿課程論文開課時間： 2014年3月10日 學 院: 經濟與管理學院 學科專業: 工商管理 學生姓名: 吳 鳳 娟 學號: 2013210753 學位類別: 碩 士 學 位 任課教師: 郭付華 職稱: 教 授 交稿日期: 2014年6月20日 聯系電話:浙江師范大學研究生學院制7支持向量機在財務困境預警中的應用摘要：企業的財務通過對資金運動和價值形態的管理，像血液一樣滲透貫通到企業的生產、經營等一切管理領域。如果財務狀況出現問題，它將直接關乎著企業的生死存亡。所以，對財務風險的規避是每個企業時刻面對的一門功課，出現問題就要及時解決，并且防患于未然。那么

2、，這就需要企業能夠根據實時的財務數據來判斷企業當下的財務狀況，防止財務困境的發生。因此，一個好的財務困境預警機制的出現變得越來越迫切。財務困境預警理論的研究已經成為越來越多學者迫切關注的問題。財務危機預警理論已經從傳統的單一、多元判別模式轉化為人工智能方法。那么，本文著重于分類效果較好的經典數據挖掘方法支持向量機在財務困境預警中的應用。關鍵字：財務危機預警；支持向量機1、 財務困境的界定 我國學者對于財務困境智能預警的研究是從 20 世紀末開始的，取得了不少成果。谷棋和劉淑蓮（1999）1將財務困境定義為企業由于經營管理不善，資產流動性降低，資不抵債直至破產所經歷的各種困難狀態。并指出，因資金

3、管理技術性失敗而導致的支付困難，一般是短暫的和不重要的，可以通過采取債務重組等措施進行有效的補救。 陳靜（1999）2根據中國證券監管會規定的因發生嚴重虧損或連續兩年虧損的財務異常狀況而被特別處理的公司作為陷入財務困境的標志，并且總結了兩個特征來判別企業是否發生了財務困境。首先，看企業在最近兩年的年度審計報告中，凈利潤是否都出現了負值；然后，看最近一年的年度審計報告中，股東權益是否低于注冊資本。陳曉和陳治鴻（2000）3、吳世農、盧賢義(2001)4、呂長江和韓慧博（2004）5、楊淑娥、黃禮(2005)6、蘇慧英（2007）7等也同樣將上市公司是否被特別處理作為是否陷入財務困境的標準。 本文

4、依據陳靜（1999）、陳曉和陳治鴻（2000）、吳世農、盧賢義(2001)、呂長江和韓慧博（2004）、楊淑娥、黃禮(2005)、蘇慧英（2007）等的定義闡述，將財務困境定義為上市公司因為財務狀況異常而被特別處理(ST)的情況。 所謂的 ST 公司是指，境內上市的公司由于財務狀況惡化而導致的嚴重虧損或連續二年虧損致使證券交易所對其股票實施特別處理的公司，ST 是特別處理（Special Treatment）的簡稱。企業財務困境的發生實際上是由于企業經營不善而導致的盈利能力衰弱，具體體現是企業由于發生嚴重虧損或連續虧損而被特別處理。所以，企業是否被 ST 成為企業是否陷入財務困境的標志。2、

5、財務困境預警的意義 為了防止企業出現財務問題，甚至由于宏觀經濟惡化導致大規模企業破產而引起經濟危機，防范各經濟主體的經營管理風險，必須加強對企業財務困境的預防與控制，形成一套完整、可靠、高效、靈敏的財務困境預警系統。本文正是致力于該領域的研究，通過繼承與開拓，從非平衡的視角進一步完善了財務困境預警系統的構建，使研究更貼合實際，財務困境的預警精度更高，對于加強公司管理、維護投資人和債權人利益、方便政務監督與調控等方面具有重要的現實意義： 第一，對于公司的管理層而言，健康的財務狀況是公司正常運轉的前提，需要對其保持絕對的警覺。而一套高效的財務困境預警系統能夠及時的發現公司運營過程中出現的財務問題和

6、漏洞，彌補人肉眼觀測的盲區，降低了企業管理中的風險。同時，根據預測系統反饋的結果，管理層能夠立即分析找出財務問題出現的原因，及時采取相應的對策，將財務困境的發生扼殺在搖籃之中。 第二，對投資者和債權人而言，通過財務困境預警系統反饋的信息，能夠清楚的分析估計對應關系公司當前的財務狀況。投資者能夠據此作為投資決策的依據，并作為后續的風險評估標準之一，以便決定是否及時撤資，規避風險；債權人能夠根據預警的結果做出及時的判斷，若債務公司出現財務問題，立即采取相應的措施，確保貸款的安全性，保護自己的利益。 第三，對政府而言，財務預警結果有助于政府部門對上市公司進行有效及時的監督和調控，防止由于個別大公司出

7、現財務問題而引起的連鎖反應。同時對于政府扶植或者產業鏈影響較大的公司，根據其預警結果，政府和各方能夠及時采取行動，給予必要的援助，防止大規模公司破產的發生。 第四，對關聯業務公司而言，一個公司從原材料采購，到最終將產品推向市場的整個過程都離不開與其它公司的業務往來與合作，業務公司財務狀況的穩定直接關系到了合作的長久性，所以財務預警系統的應用既幫助了公司自身對于財務困境的防范，也給合作公司吃了一顆定心丸，使合作關系更加穩定。3、 支持向量機分類模型介紹（1） 支持向量機簡介 支持向量機（SVM， Support Vector Machine）是由 Vapnik（1992）39在 1992年發表的

8、文章中提出的，是一種基于線性和非線性數據的較有前途的分類算法，其出色的學習性能和較為簡單的分類復雜性，使之成為當前人工智能學習領域研究的熱點。支持向量機的主要思想是通過一個非線性映射，將原訓練樣本從低維空間映射到一個高維特征空間，并且在新的高維特征空間通過構造最優決策函數尋找線性最優超平面。支持向量機的訓練過程，是一個較簡單的（凸）二次優化解決問題，能夠破除局部最小值現象的出現，使全局獲得最優解，增加了模型分類的泛化性能。與其他分類模型相比所具有的優越特性，使得支持向量機在不同的領域得到了廣泛的使用。（2） 支持向量機原理 支持向量機方法來源于線性可分情況下的最優分類超平面。假定 N個訓練樣本

9、集D=（x1,y1),(x2,y2),.,（xn,yn),其中，xiRn(i=1,2,n)表示輸入的第i 個數據向量，yiRn(i=1,2,n)表示相對于第 i 個輸入數據向量xi的類別輸出結果向量，并且yi1,1,1和-1表示對于輸入數據向量xi的類別表示。要使分類超平面能夠正確的區分不同類別的樣本，必須使訓練數據滿足下面的形式:這兩個不等式稍加變形便得到下面的式子：通過上式容易得出，使分類面間隔最大就是要使 最小。所以滿足上式并且使最小的分類面就是最優超平面。而介于兩個最優超平面之間并且離最優超平面最近的點，即能夠使成立的那些向量被稱為支持向量（Support Vectors，SV）。 由

10、于我們要找到最大化與各個類之間最短距離的超平面，于是支持向量機模型的構建求解就可以化為如下的二次規劃問題：并引入拉格朗日(Lagrange)乘子，并構建拉格朗日函數來求解：通過構建這個函數，目的是求得最小的 w 和 b 的值，所以按照求解函數最小值的方法對構造的拉格朗日函數中的 w 和 b 分別進行偏微分，并使微分結果為 0 得到：這樣構建最優超平面的問題就轉化為較簡單的對偶問題：通過求解上述對偶問題，便得到了的最優分類函數： 其中 sign( )為數學符號函數，b 為分類的閾值，可以通過帶入任一支持向量計算求得。經過計算得出的y (x) 的值決定樣本 x所屬的類別。在財務困境預警研究中，通常

11、把返回的y (x)值設為 1 和-1，分別代表財務困境樣本和財務正常樣本所屬的類別。 對于線性不可分的情況, 可以通過非線性變換將原低維特征空間中的非線性問題轉化為高維特征空間中的線性問題，然后再構造最優分類超平面.得到的分類判定函數可表示為：式中： 為核函數。與線性可分情況一樣，線性不可分情況下構造最優超平面也是尋找所有取值不為零的，與這些非零 相對應的所有數據點 就是這個最優超平面的支持向量。4、 支持向量機在財務困境預測中的應用選擇核函數 具體流程如圖：確定模型參數構建SVM模型預測財務狀況（1） 選擇核函數財務危機預測問題的警度類別標識和定量財務指標之間往往是非線性的關系，所以需要通過

12、核函數來勢得樣本空間非線性地映射到高維特征空間。（2） 確定模型參數 不恰當的參數設置會導致訓練過程的過擬合或擬合不足問題，然而目前還沒有對SVM參數選擇進行指導的理論依據。所以目前采用交叉驗證和網格搜索相結合的方法來確定SVM模型參數。（3） 構建 SVM 模型 用選定的核函數和模型參數訓練 SVM，尋找財務危機預測的支持向量，并構造 SVM 財務危機預測函數。（4） 預測財務狀況 按照構造的 SVM 財務危機預測函數，預測目標企業財務狀況。5、 實驗方案設計（1） 實驗數據集： 實驗數據來源于中國股票市場研究數據庫系統以及和訊網、新浪網和鳳凰網的股票數據模塊。以 2005 年至 2013

13、年期間，上交所和深交所的上市公司年度財務報表為數據來源。以全部ST公司按資產規模配對同等數量非ST公司。同時采用第 t-2 年的數據作為樣本數據，主要原因是：我國法律是根據公司發生財務狀況異常的前一年的數據報告來判定是否對該公司進行特別處理的，如果將第 t 年定為實施 ST 的年份，那么實際發生財務困境的年份應該是 t-1年。既然我們的研究目的是為了盡早的預測財務困境發生的可能性，為了更好的體現財務困境預測的特性，用于預測的輸入變量數據應該是發生財務困境的前一年的各項財務指標，即 t-2 年。因此，根據上述分析，本文采用財務困境發生前的第二年，也就是 t-2 年的財務數據作為財務困境預警研究的

14、實驗數據來源。（2）指標體系的構建 根據全面性、概括性、敏感性、可度量、先驗性等五個原則，初始選擇了涉及償債能力、盈利能力、營運能力、發展能力四個方面的 46 個財務指標作為備選財務指標，通過統計軟件SPSS進行相關性檢驗和顯著性檢驗，得出精簡的財務指標11個。（3）采用 10 重交叉驗證和網格搜索方法確定 SVM 模型參數。（4）為了更加準確地反映對訓練樣本之外企業的財務危機預測能力，采用余 1 交叉驗證準確率來對 SVM 財務危機預測方法的有效性進行評價。分別以數據集中的每個樣本作為測試樣本，并用剩余的樣本訓練 SVM 分類函數，并用它對取出的樣本進行測試。經過 s（s 為樣本總量）次訓練

15、和測試后，將每個樣本的測試類別標識與目標類別標識進行比較，計算余 1 交叉驗證準確率。同時，將余 1 交叉驗證準確率與訓練準確率進行比較，計算它們之間的差額幅度來輔助評價。（5）在臺灣大學林智仁老師開發的 LIBSVM 軟件基礎上，結合MATLAB 編程語言和 Python 軟件的畫圖功能來實現 SVM 的建模和測試過程；6、 實驗結果分析 根據上述實驗得出SVM在判斷財務困境預警的準確度高達91.4%，在擬合能力、泛化能力、模型穩定性方面都具有較好的表現，達到了最好的平衡。SVM能夠從訓練樣本中挖掘企業財務危機預測的支持向量，來對訓練樣本之外的企業是否存在財務危機進行較好地預測，并且能夠在訓

16、練樣本發生一定變化的情況下保持模型預測準確率的較好穩定性。因此，SVM 是企業財務危機預測的有效手段，不但在理論上是很好的分類器，而且具有實際應用價值，在企業財務危機預測實踐中應該加以推廣應用。 但是，在實際操作中，由于ST公司和非ST公司在數量上有很大差異，是個顯然的類別非平衡問題，但是單純地支持向量機很難處理非平衡問題，因為支持向量機關注分類準確率問題，當少數類別非常少的時候，支持向量機的分類超平面會偏向多數類樣本，導致難以區分少數類樣本，所以在非平衡處理的問題上，單純地支持向量機顯然是不夠的，有待進一步研究探討。參考文獻1 谷琪，劉淑蓮財務危機企業投資行為分析與對策J會計研究，1999，(10)：28-312 陳靜上市公司財務惡