【#文档大全网# 导语】以下是®文档大全网的小编为您整理的《基于BP神经网络的我国制造业上市公司财务危机预警》，欢迎阅读！
基于BP神经网络的我国制造业上市公司财务危机预警
[摘 要]数据挖掘技术能够使人们从大量多变的数据库中发掘有用的信息,是一种知识发现的过程,高度自动化地分析数据,做出归纳性的推理,从中挖掘出潜在的模式。本文运用基于神经网络模型的数据挖掘技术,利用我国沪深两市制造业上市公司的数据,构建财务危机的预警模型,以期供投资者参考。
[关键词]BP神经网络;财务危机;预警
1 引 言
上市公司的财务危机预警对上市公司本身和投资者来说都很重要。然而,由于商业环境的不确定性和激烈的竞争,即使是以往运营良好的上市公司也会陷入财务困境甚至破产。所以,上市公司的财务困境能否有效的、及时的被预测关乎上市公司的发展,更与无数投资者的利益息息相关,同时也关系着资本市场的秩序。
以往的财务危机预警模型大多依赖于统计技术以及数量经济模型,例如,Z-Score模型、判别分析以及Logistic模型等,这些方法虽然能够根据样本的历史数据建立预测模型,但它们不能动态地归纳新的数据,从而也就影响了其预测的准确性。近年来,随着人工智能技术的发展和数据挖掘技术的成熟,决策树技术和神经网络模型等也被应用到财务预警上来。本文拟将两者结合起来,判别和分析上市公司的财务状况。
2 神经网络模型介绍与财务预警文献回顾
2.1 神经网络
神经网络是近年来兴起的一种现代智能科学技术,它除具有较好的模式识别能力外,还可以克服统计方法的局限,因为它具有容错能力和处理资料遗漏或错误的能力;另外,该模型还具有学习能力可随时依据新的数据资料进行自我学习,并调整其内部的储存权重参数,以应对多变的企业环境。本文选取的BP(Back Propagation)神经网络模型是1985年由Rumelhart等人提出的,被认为是最适用于模拟输入、输出的近似关系,也是在神经网络算法中最成熟、应用最广泛的一种。本文采用最常用的三层BP前馈神经网络,网络各层之间完全连接,包括输入层、隐藏层与输出层,如图1所示。
2.2 文献回顾
M. Odom和R. Sharda第一次把人工神经网络用于财务危机的预测研究,他们使用了三层前馈神经网络,并与传统的多元判别分析进行了比较研究,实证表明,
神经网络具有更好的准确性和鲁棒性。COATS 和FANT(1991)对47 家财务危机公司和47 家正常公司运用神经网络模型进行判别时,对财务危机公司的预测准确率达到了91%,明显高于多元判别法72% 的准确率。
杨保安等(2001)针对统计方法中判别分析方法在实际企业财务评价应用中存在的问题,提出神经网络在财务评价应用上的优势和潜力。傅荣(2002)依据净资产收益率将上市公司分为3类。第一类为1998—1999年净资产收益率连续2年都高于同一期银行存款利率,第二类为1998—1999年净资产收益率低于同期银行存款利率但高于0,第三类为1998—1999年连续2年净资产收益率都低于0,BP神经网络在检验数据上的正确率为86%。马喜德(2005)提出了根据上市公司特别处理3年前财务指标来预测财务危机,认为以往的研究高估了神经网络的学习能力。他使用7个财务指标进行预测,对正常公司预测的准确率在76%,对财务危机公司预测准确率在71%。
实际上,财务预警模型会受到样本选取范围和样本时间区间的限制。研究发现,从不同的样本选取范围和不同的时间区间所得出的预警模型存在很大的差异。在样本的选取范围上,会受到不同国家、地区以及不同行业的限制。这样一来,模型的适用范围就会因不同的经济环境、不同行业以及不同的时间区间而产生局限性。针对上述问题,本文拟采用我国最近3年制造业的A股上市公司的经验数据建立模型,以求达到较好的效果。
3 实证分析
3.1 样本选取
本文选取沪深两市A股市场上2005—2007年3年中被特别处理的30家制造业上市公司作为研究样本。财务困境公司的选取标准为:①2004年的非ST公司,但在2005年被ST处理的15家,即现在的*ST公司;②2005年的非ST公司,但在2006年被ST处理的15家,即现在的ST公司; 同时构造了配对的非财务困境公司研究样本。配对标准为同一行业板块的公司资产规模接近。配对标准主要用来控制财务困境组与非财务困境组之间的行业特征和公司规模的差异可能带来的模型偏差。总样本由60家公司构成,见表1。
3.2 指标选取
一个企业的财务状况,可以从赢利能力、资产管理能力、企业偿债能力、成长能力和企业的现金流状况五个方面进行分析。本文在每一类指标中选取若干个财务比率,用来反映企业的财务状况和经营成果。结合已有的研究结果及其对财务指标的选取,本文将通过对涵盖上述5大类反映企业财务状况的指标中选取18项,见表2。
3.3 实证分析
本文选用BP神经网络模型对上述数据分别进行分析。输出结果为:最终的模
本文来源：https://www.wddqxz.cn/7853d833c181e53a580216fc700abb68a982ad60.html
2023-01-30
