導語：FA-SVM在上市公司財務預警的應用一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：將因子分析和支持向量機相結合構建組合預測模型，并以317家制造業上市公司為樣本，進行財務預警研究。結果表明：因子分析提高了支持向量機的判別效率，能有效預測企業的財務危機，該組合預測模型具有較強的實用價值。

關鍵詞：財務預警；支持向量機；因子分析

財務預警模型是指利用企業財務指標或非財務指標體系來預測或判斷企業財務狀況的模型。傳統的財務預警方法主要有：單變量判別分析、多元判別分析、Logistic回歸模型、Fisher模型、Bayes模型等。傳統的模型通常建立在嚴格的假設前提下，然而現實中有些假設往往很難滿足，從而導致模型的判別效率不高。隨著數據挖掘技術的發展，神經網絡被應用到財務預警中，且被證實其判別能力優于傳統的模型。支持向量機作為一種新的神經網絡，擁有強大的分類泛化功能，已在眾多領域得到了廣泛的應用。雖然支持向量機的判別準確率很高，但對多元共線性敏感，當變量的相關程度較高時，將會影響到模型的預測準確率。因此，引入因子分析法對樣本變量進行處理，使其不存在共線性問題，同時降低了問題的維度，提高了計算速度。

一、因子分析和支持向量機組合模型

首先將原始數據進行因子分析（FA），即對原始變量進行特征提取和壓縮，得到低維度且不相關的數據，也就是將大量的輸入變量濃縮成幾個公共因子。然后將新的數據輸入到支持向量機（SVM）中，進行模型訓練，從而建立因子分析和支持向量機組合的預測模型（fa-svm）。圖1是FA-SVM模型的流程圖。

二、FA-SVM財務預警模型的應用

（一）模型樣本的選擇。將上市公司財務狀況虧損作為財務危機的標志，在選取危機企業樣本時，以因連續兩年虧損而被標注*ST的制造業企業為危機企業，排除因其他原因被標志*ST的企業。選取滬深兩市A股市場上2015-2017年三年中被標注*ST的制造業公司共77家，非*ST公司240家。假設被標注*ST的年份是第t年，選擇樣本公司t-3年的財務年報數據來建立模型。數據均來至銳思金融研究數據庫。（二）財務指標體系。1.財務指標的初步選擇。為了比較全面地反映企業的財務狀況，在參照國內外學者己有的研究成果的基礎上，并結合我國制造業上市公司的實際情況，初步選取了25個財務指標，涵蓋盈利能力、償債能力、成長能力、營運能力、現金流量五個方面，具體見表1。2.財務指標的檢驗。進入模型的變量應在*ST公司和正常公司之間有顯著差異，才能得到較好的判別效果。采用獨立樣本T檢驗對各指標進行篩選。在顯著性水平0.05的情況下篩選出15個指標，見表2。（三）因子分析。對數據進行KMO檢驗和Bartlett球形度檢驗，其中KMO=0.596，同時Bartlett球形度檢驗給出的相伴概率為0.0000，即Sig=0，小于顯著水平0.05，因此，認為數據適合于因子分析。按照特征值大于1的標準提取公因子，可提取前6個，分別設為F1、F2、F3、F4、F5和F6。這6個公因子所解釋的樣本總方差的累積比率為81.98%，說明這6個公因子可以反映原數據81.98%的信息量。6個公因子所代表的含義解釋如表3所示。計算各個樣本在這6個因子上的得分，并將其作為支持向量機模型的輸入。（四）支持向量機模型建立及結果分析。將因子分析得到的各樣本的因子得分作為模型的輸入，并將樣本的50%劃分為訓練樣本，另外50%作為測試樣本。通過Clementine軟件的多次訓練，得到最優模型預測結果見表4，表中同時給出未經因子分析處理得到的模型預測結果。財務預警模型的目標是發現財務出現危機跡象的公司，對投資者和債券人來說可以避免因決策失誤造成的損失，對于企業管理者來說可以及早發現財務異常跡象，調整企業的經營策略，改善財務狀況。因此對*ST的錯判造成的損失是巨大的，模型的評價也應以*ST的預測精度為主。根據表4，單純使用支持向量機模型（SVM）的訓練樣本總體預測精度達到86.25%，*ST的預測精度達到77.50%。但是其測試樣本中*ST的預測精度只有56.76%，總體的預測精度也只有75.16%。測試樣本的預測精度相對于訓練樣本降低了很多，特別是*ST的預測精度降到了60%以下，這樣的預測精度將給模型使用者帶來極大的風險。因此，因此單純的SVM模型應用于預測不太合適。結合因子分析的支持向量機模型（FA-SVM）的結果無論是訓練樣本還是測試樣本都比SVM模型理想。訓練樣本*ST的預測精度達到了85.00%，測試樣本*ST的預測精度也達到了70.27%，說明FA-SVM模型的泛化能力還是不錯的，基本滿足實際應用的需要。

三、結論

利用因子分析對支持向量機模型的輸入數據進行處理，降低了數據的維度，減小了指標間的相關性。利用317家制造業上市公司財務數據，構建財務預警模型，從模型的對比分析結果可以看出，FA-SVM模型具有較高的預測精度和較強的實用價值。但是在實際應用中也注意到，該模型是建立在一定假設基礎上的，本文假設被標注*ST的公司就是財務困境公司，假設各公司的財務指標是在財務會計準則下計算的，若財務會計準則發生變化，模型也應做相應的調整。同時，在建模中發現，支持向量機的參數設置對模型的預測能力有很大影響，如何確定最佳參數，是下一步研究的重點。

參考文獻：

[1]王寶富，李南.財務困境的預測研究[J].南京航空航天大學學報：社會科學版，2007，9(3):61-64.

[2]馬超群，蘭秋軍，陳為民.金融數據挖掘[M].北京：科學出版社，2007.

[3]何曉群.多元統計分析[M].北京：中國人民大學出版社，2008.

作者:黃衍 單位:福州大學