20210804-湘财证券-上市公司财务危机预警_12页_1mb

报告摘要

上市公司财务危机预警总结

核心内容

本文围绕构建上市公司财务危机预警体系展开研究，重点探讨了Logistic回归模型、支持向量机模型（SVM）和人工神经网络模型（ANN）在财务危机预警中的应用效果。通过实证分析，研究发现人工神经网络模型在预测财务危机方面具有更高的准确率，优于其他两种模型。

研究背景

我国A股市场经过三十年发展，截至2020年底，共有4128家上市公司，总市值达88.47万亿元，位居全球第二大资本市场。
构建财务危机预警体系有助于及时发现公司财务问题，防止经营恶化，保护投资者权益，促进市场健康发展。
随着人工智能技术的发展，机器学习算法、大数据等技术被引入财务预警领域，有助于构建更高效、精准的预警模型。

主要观点

财务危机并非突发，而是存在预警信号，可以通过财务指标和公司治理结构进行分析和预测。
国内外对财务危机的界定存在差异，国外多以破产为标志，而国内则以ST或*ST处理为财务危机的标志。
本文采用计量方法构建财务危机预警模型，通过选取财务、治理、信息披露等多维度指标，进行模型训练与预测。

关键信息

3.1 样本选取

研究样本为1998年至2021年间被ST或首次被*ST的A股上市公司，共1080家危机样本。
选取与危机公司行业领先企业按1:1配对，形成538家测试样本。
自2019年起，被ST或*ST的公司数量显著增加，2020年达到110家，反映出监管趋严。

3.2 指标选取

选取了22个指标，涵盖偿债能力、经营能力、盈利能力和公司治理结构等多个方面。
指标包括：资产负债率、产权比率、总资产周转率、应收账款周转率、销售净利率、主营业务比率、每股经营产生的净现金流等财务指标，以及董事长与总经理是否一致、前十大股东持股比例、审计意见等治理与信息类指标。

3.3 实证分析

使用Logistic回归、SVM和人工神经网络模型对训练集和测试集进行分析。
在训练集中，模型准确率排序为：人工神经网络 > Logistic回归 > SVM。
在测试集中，模型预测准确率排序为：人工神经网络 > SVM > Logistic回归。
人工神经网络在判断财务危机样本与配对样本时准确率均最高，具备更好的预警能力。

3.4 测试集预测情况分析

测试集中共49家ST或*ST公司被误判，主要原因为：
- 审计意见问题（14家）
- 出现异常状况（12家）
- 控股股东非经营性占用资金或违规担保（8家）
- 净利润连续为负（8家）
- 其他原因（4家）
部分配对样本因在当年或前两年出现净利润为负或大幅下滑，导致模型误判。

模型推荐与应用建议

推荐将人工神经网络模型作为主要财务危机预警工具，因其在预测准确率和预警稳定性方面表现更优。
Logistic回归和SVM模型可作为补充，用于进一步验证和提高预测的全面性。
建议管理者、投资者和监管者结合多种模型进行综合判断，以提升预警的可靠性。

风险提示

市场环境变动风险
量化模型失效风险

参考文献

Fitzpatrick P J. A Comparison of the Ratios of Successful Industrial Enterprises with Those of Failed Companies. 1932
Lapedes A., Farber R. Nonlinear Signal Processing using Radial Basis Fuction Works, Neural Computation, 1987(3):246-257.
Min J.H., Lee Y.C. Bankruptcy Prediction using Support Vector Machine with Optimal Choice of Kernel Function Parameters, Expert Systems with Applications, 2005 (4): 603-614.
Odom M.D., Sharda R. A Neural Network Model for Bankruptcy Prediction, Neural Networks, 1990 (2); 163-168.
Ohlson J. Financial Ratios and the Probabilistic Prediction of Bankruptcy, Journal of Accounting Research, 1980 (18): 109-131.
Sevim C., Oztekin A., Bali O. Developing an Early Warning System to Predict Currency Crises, European Journal of Operational Research, 2014 (3): 1095-1104.
Shin K.S., Lee T.S., Kim H.J. An Application of Support Vector Machines in Bankruptcy Prediction Models, Supplement to Journal of Accounting Research, 2005 (22): 59-82.
Tam K.Y. Neural Network Models and the Prediction of Bank Bankruptcy, Omega, 1991 (5): 429-445.
雷振华. Logistic模型的财务预警准确度检验研究, 求索, 2012(11):54-56.
宋姣. 基于支持向量机的上市公司财务危机预警研究, 哈尔滨商业大学学报：自然科学版, 2007(5)：637-640.
王宗盛, 尚姣姣. 我国制造业上市公司财务困境预警分析, 统计与决策, 2015(3)：174-177.
杨保安, 季海, 徐晶, 温金祥. BP神经网络在企业财务危机预警之应用, 预测, 2001(2)：49-54.
杨毓, 蒙肖莲. 用支持向量机（SVM）构建企业破产预测模型, 金融研究, 2006（10）：65-75.
于文华, 岳焱. 制造业上市公司财务危机预警指标预处理研究, 浙江金融, 2011(4)：61-65.