财务预警与风险管理文献回顾.docx

《财务预警与风险管理文献回顾.docx》由会员分享，可在线阅读，更多相关《财务预警与风险管理文献回顾.docx（29页珍藏版）》请在三一办公上搜索。

1、国内外财务危机预警研究文献回顾 （徐广成）一、 研究的意义 财务危机预警研究是财务领域研究的前沿和热点问题之一，一直备受学术界和实务界关注。目前我国绝大部分国有企业负债率居高不下，处在财务危机的威胁之中，严重制约了企业的经营和发展。因此，对我国财务危机理论研究和应用状况进行剖析，具有很大的现实意义。企业存在的目的和价值就是以其所掌握的经济资源去创造更大的经济财富，实现其资产的不断增值。但是，企业经营过程中的诸多因素，加之经营管理者本身的业务素质和管理经验等，均可能使企业陷入财务危机，非但不能使企业实现资产增值，相反有可能因此而不能清偿到期债务甚至破产。“冰冻三尺非一日之寒”，企业陷入财务危机是

2、一个渐进的过程，完全有可能在危机发生之前使用有效的方法预先发现 PlattHarlanD.WhyComPanlesFail:StrateglesforDeteeting.Avo一dingandProfitingfromBankruPcy.JournalofBankingandFinanee，1986。在美国、英国等国家有众多的提供财务危机预测或破产预测服务的机构，如美国第一银行信托分部、英国的DataStream公司和Performance Analysis services公司。企业产生财务危机的原因是多方面的，既可能是企业经营者决策失误，也可能是管理失控，还可能是外部环境恶化等。但任何财务

3、危机都有一个逐步显现、不断恶化的过程，因此，如果对企业的经营管理过程进行跟踪、监控，及早地发现危机信号，一旦发现某种异常征兆就着手实施预控，从而可以有效避免企业陷入财务危机。建立企业财务危机预警模型，正确地预测企业财务危机，对于经营者防范财务危机、对于保护投资者和债权人的利益、对于政府管理部门监控上市公司质量和证券市场风险及相关利益者都具有重要的理论意义和现实意义。二、 国内外关于财务危机内涵的评述对于“财务危机”的定义国内外学者有很多不同的看法，给出了不同的解释：(一)国外学者对于财务危机的界定1为了使样本企业有较明确的标识，便于区分，很多学者将财务危机企业定义为已宣告破产的企业。如Altm

4、an(1968)认为“企业失败包括在法律上的破产、被接管和重整等”，实质上是把财务危机基本视同为企业破产，即法定破产。遵循这条思路，Deakin(1972)认为财务危机企业是指已经破产、无力偿债或者为了债权人的利益已经进行清算的企业。将财务危机基本等同于法定破产的学者还有Casey&Bartczark(1984)，Gentry et al.(1985)，Aziz etal.(1988)和Gilbert et al.(1990)等等。2为全面收集财务危机企业样本进行财务危机预警的实证研究，很多学者扩大了财务危机企业样本的选择范围。如Beaver(1966)将财务危机企业定义为：银行透支、未支付优

5、先股股利、债券违约和宣告破产等几个状态。遵循这条思路，Carmichae1(1972)认为财务危机是企业由于流动性不足、权益不足、债务拖欠及资金不足等因素，从而导致履行债务义务受阻。Scott(1981)、Bahnson&Bartley(1992)均认为以债信不足或债权到期无法偿还本息定义财务危机比较恰当。Prakash&Karels(1987)给出了一张描述财务失败定义的表，在表中给出了一系列财务失败的标准，如不能支付到期债务、银行账户透支、净现值小于零等。Ross et al.(2000)进一步从四个方面概括了企业财务危机：技术失败，即企业无法按期履行债务合约来付息还本；会计失败，即企业的

6、账面净资产出现负数，资不抵债；企业失败，即企业清算后仍无力支付到期债务；法定破产，即企业或者债权人由于债务人无法履行到期债务合约，并成持续状态时，向法院申请破产。总的来看，国外学者对财务危机的定义是根据研究课题的需要而定，通常在文献中会明确给出研究样本选择特性，其定义和描述财务危机企业样本有多种，归结起来有变现拍卖、无力支付短期债务、无力支付债券利息、无力支付债券本金、无力支付优先股股息、重整及法定破产等。因而，Charles H Gibson&Patricia AFrishkoff指出，财务失败有各种各样的标准，财务失败这个词的含义要根据所设的标准而定。（二）国内学者对于财务危机的界定国内学

7、者对于财务危机也没有统一的定义，由于在实际的实证研究中，往往需要用客观的，可以观察到的标志来确定研究样本，因此研究人员将企业是否申请破产作为企业是否陷入财务危机的标志。但是破产是一个法律行为, 除了受经济因素影响外，还受政治和其他非市场因素影响；另外陷入财务危机与企业是否破产并无确定的一一对应关系，在我国这一情况尤为突出。因此，无法明确有效地定义财务危机，而只能根据实证研究的具体内容确定。 在我国，暂时没有对财务危机进行深入研究及下一个准确的定义，只是在中华人民共和国破产法(试行)第一章第三条对破产提出了一种定义，即定义为企业因经营管理不善造成严重亏损，不能清偿到期债务。 由于国内财务危机预测

8、的研究对象主要针对上市公司, 故一般将财务危机界定为财务状况异常而被“特别处理”。1998年深沪证券交易所正式启用了当上市公司出现“异常状况”时，对上市公司进行“特别处理”的条款。“异常状况”包括“财务状况异常”和“其他状况异常”，其中因“其他状况异常”而被特别处理具有很大的不确定性，难以从财务角度进行有效预测，而对 “财务状况异常”情况的界定符合一般认为企业财务状况不健康的判断。所以国内研究人员一般将陷入财务危机的公司定义为因财务状况异常而被特别处理的公司。在国内，财务危机预测研究才刚刚起步，由于非上市公司的财务报表比较不规范，可靠性不高，加之数据很难获得，所以基本上所有的研究都以上市公司作

9、为研究对象；而由于我国证券市场的退市制度建立较晚，退市的企业不多，因而大部分研究又都把上市公司被特别处理作为企业陷入财务危机的标志，如陈静（1999），陈晓、陈治鸿（2000），吴世农，卢贤义（2001），李华中（2001）等。除此之外，长城课题组（2001）将首次出现亏损的公司界定为财务危机公司；高培业，张道奎（2000）则把企业能否按时偿还银行贷款作为企业陷入财务危机与否的界定标准。由于我国正处在经济和社会转型期，金融体系、资本市场、社会信用体系、产权市场等方面都还很不完善，因此，不能将国外的模型直接应用到国内企业上。虽然有少数国内学者建立了上市公司的财务危机预测模型，但由于样本太小，而且

10、ST公司并不等于财务危机公司，因此这些模型更多的只是一种理论上的尝试，需要更多的理论和实证研究。 目前，我国学者对财务危机的研究受到以下几个方面的限制：资本市场不成熟、破产重组法律体系不健全、市场化债务重组成功的可能性很小，而且相关数据的获得性、可信度都很低；只有电力、能源等几个国家垄断行业的少数企业可以发行企业债券，但规模非常小，也几乎不存在违约风险问题；企业融资结构单一，几乎都是银行贷款，但因为国有企业的特殊性，违约贷款的处理与国企改革、金融体制改革联系紧密，在很大程度上超出了财务危机的范畴。由于缺乏大量可信的统计数据，很难进行实证研究，目前国内财务危机的研究主要集中于破产和重组的定性分析

11、、发展企业债券市场的可行性研究等宏观政策方面，在财务危机成本的实证研究方面还是空白。三、 国外财务危机预警模型回顾自上个世纪60年代以来，财务危机预测在欧美得到广泛发展，从多元判别分析等线性预测模型，到以神经网络模型为代表的各种非参数预测模型，相关的模型、方法层出不穷。在这些模型中，有一个共同的前提假设，就是可以对公司进行分组（如可以将公司分成财务危机公司和财务健康公司），其基本的思想即利用企业的各种财务指标，建立判别模型，从而根据企业的总体财务状况进行分类。纵观国外现有的研究成果，财务危机预测方法主要有单变量分析、多元判别分析、线性概率模型、Logistic模型、递归分割算法、生存分析、专家

12、系统和神经网络模型等。（一）国外财务困境预测的线性判别模型、单变量模型单变量分析是最早应用于财务危机预测的模型，其主要思想是通过比较财务危机企业和非财务危机企业之间各个财务指标的显著差异，选定某个指标作为排序变量，让样本数据根据该指标进行排序，然后根据最佳判定点对财务危机企业和财务健康企业进行分类的一种分析方法。应用单变量进行破产预测研究在二十世纪六十年代前较为普遍，其中比较有影响的学者主要为Beaver和Zmijewski。Fitzpatrick（1932）最早利用该模型对企业财务危机进行预测，他以19家公司作为样本，运用单个财务指标进行预测，结果发现净利润/股东权益、股东权益/负债这两个财

13、务指标判别能力最高。而Smith 和Winakor（1935）进行了类似的研究，则发现营运资本/总资产这个指标的预测能力最高。此外，Merwin（1942）发现营运资本/总资产、股东权益/负债、流动资产/流动负债这三个指标能提前6年对企业破产作出预测。WHBevae的单一比率模型(Univariatediscriminnatmodel)1966年10月，美国财务分析专家WHBaeve在美国会计研究上发表了作为失败预测的财务比率一文，根据其中的介绍，该文的研究目的是通过分析财务比率对失败的预测能力来验证财务比率的有用性，提出了单一比率模型，即利用单一的财务比率来预测企业的财务失败。Bevaer首

14、先根据Moody的工业指数按上述定义选出79家失败企业，对所有这些失败企业根据不同的行业和资产规模分类，然后按照相应的行业和资产规模(失败前一年的资产规模)选出79家非失败企业。全部样本的时间跨度是1954一1964年，并都有“失败”前5年的财务数据。Baeve所选用的财务比率的原则是：1）具有普遍性2）运用以前研究成果3）增加现金流量相关指标。关于第三个原则，Bevaer认为：现金储备越多，企业失败的概率越小；营运资本流入越多，企业失败的概率越小；债务持有量越大，企业失败的概率越大；营运资金开支越大，企业失败的概率越大。在进行数据分析时，Bevae：首先比较了全部样本失败前5年的30个财务比

15、率的等权均值；然后将上述158家公司的样本随机分为两组，进行两分法检验，发现两组的财务比率均值具有明显的差异，而且离失败日越近，财务比率预测错分类率就越低;最后筛选出5个最能分开失败企业和非失败企业的比率，它们是：1)现金流量/负债总额；2)净收入/总资产；3)资产负债率；4)营运资本/总资产；5)现值率(贴现率)。Zmijewksi的单变量模型1983年Zmijewksi应用75个变量进行的预测研究也引起了人们的关注。Zmijewksi从100多个变量中选出了75个并分成十类，选用1972一1978年的72家破产企业和3573家非破产企业作为样本。zmijewski首先计算了两类企业破产前一

16、年的各个财务比率的均值;然后对两类企业的数据进行F检验;最后用单变量分析计算每一个变量的判别正确率。Zmijewksi研究表明，破产与非破产企业之间有四类财务比率有明显的差别，分别为：回报率、财务杠杆、固定收入保障和股票回报率。单变量分析是最早应用于企业财务危机预测的实证模型，虽然其开创了财务危机预测实证研究的先河，但是其具有以下的局限性：（1）相关的指标给出令人混淆的判别信号，根据不同的财务指标进行判断有可能得出相反的结论。如盈利能力差的企业有可能因为流动性稍好而被判为财务健康企业，但是如果根据盈利能力判断则很可能被判为财务危机企业。（2）实证结果表明，从总体上看单变量分析分辨非财务危机企业

17、的能力高于分辨财务危机企业的能力。（3）单个变量所包含的信息不足以反映企业的整个财务状况。这些缺陷严重影响了单变量模型的适用性和股票回报率。2、多变量模型Atlmna的多元Z值判定模型为了克服单变量分析的局限性，Altman（1968）首次将多元判别分析（MDA）的方法引入到财务危机预测领域。此后，这种方法在企业财务危机预测的实践和研究中都得到了广泛的应用。1968年，美国的Altmna就采用多元判别分析(MultipleDiseriminnatAnalysi MDA)来预测企业财务失败或破产。这就是著名的Z一Socer模型，这个模型的的是预测企业的潜在失败性。该方法假设任一家公司i，其特征可

18、以用n个独立的财务变量x组成的向量X来表示。那么对两组公司（财务危机与财务健康公司），假设两组中的自变量分布服从多元正态分布，协方差矩阵相等，但均值不同。其目的在于获得自变量的线性组合，使得组间方差与组内方差之比达到最大化。用这个方法估计出判别函数，其系数向量为A (),常数项为。由这一变量的线性组合可以得出每一家公司的Z值：， （1.1）其中，是i公司的Z分值， 是i公司的n个自变量。然后，根据组内公司数目和错误分类成本的先验概率计算出临界值。通过将各公司计算出的Z值和临界值进行比较，可以知道公司属于财务危机或是财务健康企业。Alntlna选用1946至1965年期间提出破产申请的33家破产

19、生产企业和规模相当及行业的对应的33家非破产生产企业作为样本，在经过大量的实证考察和分析研究基础上，从最初的22个财务比率选择了5个，使用破产企业破产前一年的数据和非破产企业在相应时段的数据，运用Fisher判别分析法估计出一个多元线性函数，即Z一Socer模型，其基本表达式为:Z=0.12X、+0.014X2+0.033X3+0.006X4+0.999X5式中:Z判别函数值X1营运资金/资产总额;X:X2保留利润/资产总额x3X3息税前利润/资产总额X4X4普通股、优先股市场价值总额/负债帐面价值总额;X5销售收入/资产总额在Z一Socer模型中，Ahmna提出了判断企业财务失败或破产临界值

20、:Z一Score，如果企业的Z一Socer大于2.765，表明企业财务状况良好，发生财务失败或破产的可能性比较小;如果企业的“Z一score小于2.765，则表明企业存在财务失败的危机，也就是说，企业的“Z一Socer”越低，发生财务失败或破产的可能性就越大，反之则说明企业财务状况越好。1977年Atimna对这个模型进行了改进和发展，又提出了著名的ZETA模型。该模型采用了7个变量:整体收益率、总资产、偿债能力、资产折现率、累积收益率、市场资本化和收入稳定性。这是一个适合长期预测的模型，财务困境前一年的预测正确率为%，5年前的正确率可达70%，但由于该模型被ZEAT服务有限公司作为商品出售，

21、因此，这7个比率的权重大小一直以来都是商业机密，不为公众所知。多元判别分析虽然得到广泛的应用，但是该方法也存在着一些问题，主要是其对预测变量的分布性质施加了一些统计上的限制。比如说，对于破产组和非破产组，预测变量的方差协方差矩阵必须是相等的，预测变量必须遵循正态分布等。这使多元判别分析遭到诸多学者的批评。虽然Alntlna的Z一Socer模型也存在一些不足，但是这种综合分析的观念，对财务困境预测研究的影响极为深远。事实上，其后的大多数研究虽然具体方法各异，但都沿用了多元线性判别分析，只是在个别之处加以改进，如ohlsno的条件概率模型、Zmijewksi的多变量模型。线性概率模型由于多元判别分

22、析只能直接得出判别结果，无法估计出企业破产的风险。为了估计企业破产的概率，研究者设计了线性概率模型（LPM）。线性概率模型其实是普通最小二乘回归模型的一种特例，其因变量只能取两个值，1或者0。其模型的回归形式如下： （1.2）其中，自变量是反映企业财务状况的指标。首先，从估计样本中利用最小二乘法(OLS)估计出系数，然后利用估计出的系数算出企业破产的概率，当它大于某个临界值时则认为企业属于财务危机企业，反之亦然。模型（1.2）中的回归系数除了截距外，都与多变量判别系数成固定比例，也就是说线性概率模型只是多变量判别分析（MDA）的一个特例。因此，上面所算出的LPM得分也只是判别得分的一个线性转换

23、。所以虽然MDA与LPM的模型假设不同，但是分类的结果却是相同的。但相对于MDA，LPM用于企业财务危机预测更方便（Theodossiou，1991）。 LPM的应用存在两个主要的统计问题：（1）如果采用普通最小二乘法来估计式（1.2）的系数，那么就必须假设残差项方差相同，如果出现异方差，那么OLS的系数估计虽是无偏但却是无效的。而且，如果残差项不是正态分布的，那么传统的显著性检验将没法用。不幸的是这两种情况在LPM的应用中都可能存在。（2）根据LPM计算出的概率有可能落在区间（0，1）之外，这很难加以解释。Meyer和Pifer（1970）最早将LPM运用于银行业的财务危机预测，而Laiti

24、nen（1993）也曾作过相似的研究，将LPM运用于企业财务危机预测。 LOGISTIC和PPOBIT回归模型(条件概率模型)由于MDA和LPM都受到统计假设的限制，为了克服这一局限性，引入了多元条件概率模型，并采用极大似然估计法进行参数估计。多元条件概率模型包括Logistic模型和Probit模型，两者的区别只在于累积概率函数不同。其主要优点是对破产的先验概率或预测变量的分布不需要作任何假设，基本的估计问题为：给定一家公司属于某个特定的总体，那么在某一特定期间内，公司破产的概率是多大？ 假设是第i个公司的预测变量，和为待估计参数，公司i破产的概率可以由下式给出： （1.3）在Logisti

25、c模型中， （1.4）或者 （1.5）假设第1组样本为，第2组样本为，则似然函数为： （1.6）最大化对数似然函数就可以估计出式（1.5）中的参数，从而算出公司破产的概率，基于这一概率公司可以被划分为财务危机公司与财务健康公司。Martin（1977）首次运用Logistic模型来进行银行破产预测。这一方法后来被Ohlson（1980）用于预测企业的财务危机。在Probit模型中，采用的概率函数则是累积标准正态分布函数： （1.7）虽然Probit模型与Logistic模型相似，但应用并不象后者那么广泛。关于Probit模型研究的文献很少，这可能是因为该模型包括了非线性估计，所以计算量较Log

26、istic模型大。递归分割算法递归分割算法RPA是一种基于模式识别的非参数的计算机分类技术，它同时具有传统单变量分类法和多变量分析法的特点。由RPA得到的模型呈现出分类二叉树的形式，该二叉树能够把对象分到特定的组中。RPA的输入包括一个由个对象的观测数据组成的原样本，还有它们实际的类别以及先验概率和误判成本。我们用表示某对象属于组的先验概率，用表示将属于组的对象被误判为组的成本。如图1所示，我们给出了一个实际的树，该树是RPA基于一定的先验概率和误判成本，从200家破产公司（组1）和非破产公司（组2）中构建出的。该树共有5个最终节点（terminal node），如图1中的圆圈所示。这些圆圈代

27、表所有公司最后的分类。模型根据各个公司的财务特征将其逐级往下分到各个最终节点。RPA模型的构建分两步，第一步是构建预期误判成本较小的树，第二步是通过交叉检验来选择树合理的复杂度。RPA模型的缺点是：（1）它是一种前向选择方法，当它引入新的分类规则时并没有考虑前面的分类方法，因而有可能同一个分类指标会重复出现但判别点发生变化；（2）有可能出现过度拟和现象；（3）RPA技术能将公司分割成不同风险类型，但无法将同一风险类型内的公司进行对比。 68家公司 留存收益/总资产132家公司 总负债/总资产23家公司 现金/总销售收入200家公司现金流量/总负债图1.1 RPA树注：树（1）是基于200家公司

28、的财务数据、破产组和非破产组的先验概率以及误判的成本构建而成。当某个公司的判别变量值大于判别点（cutoff）时朝右边移动。最终节点是圆圈。最左边的最终节点有45家公司，其中40家属于组1，5家属于组2。属于组1（破产）的节点在圆圈内记为B。属于组2的最终节点记为NB。该树误判了5家破产公司和15家非破产公司。 生存分析模型 (survival analysis)上述模型均运用企业破产前的数据进行预测，但并不能预测出企业破产的确切时间。Lane et al.（1986）运用一个比例危害模型对银行破产进行预测，称为生存分析。生存分析假定财务健康和财务危机的公司都来自同样的总体。公司破产的风险是通

29、过计算每家公司的生存时间来衡量的。假设T时间后公司就会破产，那么生存函数S（t）就代表Tt概率，公司在t时间前破产的概率可以用F（t）表示： （1.8）危险度函数h(t)可以由下式给出： （1.9）并且， （1.10）其中，x代表公司一系列财务比率的向量，代表系数向量，是用最大似然法进行估计的，是令x=0计算得到的。生存函数 （1.11）其中， （1.12）由于没有限制的分布，所以生存分析是一种半参数的方法，这也使之免于很多对参数方法的攻击，而且，用这种方法处理破产预测问题显得更为现实。生存分析方法可以得出期望破产时间，这给决策者提供了重要的信息。虽然相对传统的统计方法而言，生存分析方法的确是

30、很好的替代方法，但是到目前为止，它仍然得不到非常广泛的应用。（二）国外财务困境预测的非线性判别模型1、专家系统（案例推理法、归纳推理法）人工智能的发展和应用使得研究者开始采用专家系统来解决破产问题。专家系统一般是采用归纳推理（Inductive inference）方法，该方法是通过分析与所要解决的问题相关的一系列案例，从而发现规律。归纳推理方法又有两种途径：一是模型驱动型（model-driven），利用先验模型指导来发现规律；二是信息驱动型（data-driven），利用一系列案例信息来发现规律。在模型驱动型方法中，规律是建立在先验模型基础上的，然后用一系列的案例来检验。信息驱动型方法首先

31、对所有公司进行审查，然后寻找最为方便的程序系统来对这些公司进行分类，当加入新公司时就必须对所得出的规律进行修改。具体地说该方法先是把公司分成破产组和非破产组，把这些公司用一系列财务状况属性来描述，然后归纳出一个流程系统来正确分类样本公司。其中，优先用于分类的属性必须使得分类后熵（entropy）最小，假设有某家公司可能被分入n种不同的组，该公司被分入组的概率是，那么分类的熵为 （1.13）归纳推理方法的局限性表现在以下几个方面：（1）该方法很难应用于解决较大的问题，因为可以得到的样本毕竟有限，这可能可以通过把大问题分割成小的问题单元来加以解决，但这只是个设想，仍需进一步研究。（2）方法的应用中

32、如果忽视了重要的案例（公司）或是分类属性，那么将会使得该方法的预测能力大为减弱。（3）方法的应用中经常会出现相互矛盾的案例，比如说两个案例（公司）属于不同类，但是具有相同的属性，从而难于加以区分。 1988年Messier和Hansen将专家系统首次引入到财务危机预测领域，他们从知识获取角度探讨比较了专家系统(Expert System, ES)在信用分析领域的应用。通过对71家公司的数据条件下将该方法与线性判别分析（LDA）、群决策等方法加以比较，结果证明专家系统分类效果最好，ES对检验样本的正确分类率为87.5，而DA为57，并且比群决策的正确率稳定。2、人工神经网络系统模型在线性判别模型

33、和条件概率模型之后，1990年代初期，人工神经网络技术被引入到财务困境的预测分析中，其中，比较著名的有ChriSCharalambous等一些学者建立了人工神经网络系统模型(AtrifieialNeuralNetworkssystemsModel)。ANN是一种平行分散处理模式，其构建理念基于人类大脑神经运作的模拟。这方面的研究者认为，ANN是一种对数据的分布无任何要求的非线性技术，它能有效解决非正态分布、非线性的预测评估问题。且具有较好的模式识别能力、容错能力、处理资料遗漏或错误的能力以及自学习能力。因而，人工神经网络系统能够在所提供信息杂乱无章或不完整时，对既定问题做出正确反应。而进行财务

34、困境预测正是要对大量不完整或无序信息进行分析。ChrisCharalmabous利用ANN模型对19821992年间的174个样本企业进行实证研究的结果为预测正确率达到87%。神经网络模型是由大量的简单处理单元相互联结组成的复杂网络系统。它的许多功能和特性是对人脑神经网络系统的模拟，是一种自然的非线性建模过程，也被称为人工神经网络（Artificial Neural Network）。作为非参数的预测模型，它克服了选择模型函数形式的困难，同时对样本及变量的分布特征没有限制。其主要分析模型如下：图1.2 神经网络模型输出神经元隐层神经元输入神经元Layer ILayer II它的神经元一般包括三

35、种处理单元，也称为节点（Node）：输入神经元，隐层神经元和输出神经元。输入神经元接受外界环境信息的输入；输出神经元则将经过神经网络处理后的信息送到外界；而隐层神经元则处于前两种神经元之间，不直接与外界环境发生联系，它接受输入神经元的信息，经过多层次的网络内部运算，把数据结果转移给输出神经元。隐层神经元可以有多个层次（Layer）。总体来说，神经网络具有一些其他方法无法比拟的优点，体现在：(1)它根据所提供的数据进行学习和训练，找出输入与输出之间的内在联系，通过改变每个节点上的加权系数来求取问题的解，从而具有自适应的功能；(2)能够处理那些有噪声或不完全的数据，具有泛化功能和很强的容错能力；(

36、3)神经网络对于非独立因素组成的总体依然适用，并能够处理其中复杂的非线性关系。目前，主要采用的神经网络模型有反向传播（BackPropagation）算法、串级相关（Cascade Correlation）算法和遗传算法（Genetic Algorithm）等。3、支持向量机预测模型支持向量机基于统计学习理论和结构风险最小化原则,其基本思想是把输入空间的样本通过非线性变换映射到高维特征空间,然后在特征空间中求取把样本线性分开的最优分类面。算法使用分类间隔控制线性学习机器的容量,从而使结构风险最小，也使其在有限样本下具有了较强的泛化能力。不同的核函数即变换到不同的特征空间,使用核函数也避免了在高

37、维的特征空间中直接计算。1.1支持向量机的分类算法支持向量机是从线性可分情况下的最优分类面发展而来的，所谓最优分类面就是要求分类面不但能将两类正确分开, 而且使分类间隔最大。设分类面的方程为xw+b=0,使得对线性可分的样本集(xi,yi), i= 1, n, xRd , y+ 1,- 1，满足:, i = 1,2,n. （1）此时分类间隔等于=2/w, 使间隔最大等价于使w2最小。使(1)式等号成立的样本叫做支持向量，满足条件(1)且使w2最小的分类面就叫做最优分类面。使用Lagrange乘子方法解决这个约束最优问题，即在约束条件和(为Lagrange乘子,i=1,2,n)下求解下列目标函数

38、的最大值。，(2)这是一个不等式约束下二次函数寻优的问题, 存在唯一解。不为零的解所对应的样本就是支持向量。解上述问题后得到的最优决策函数是：， (3)在线性不可分的情况下, 可以在条件(1)中增加一个松弛项, 成为：, i = 1,2, n. （4）将目标改为求:, (5)的最小且，其中,C是惩罚因子,即综合考虑最少错分样本和最大分类间隔, 这样就得到广义最优分类面。对于非线性问题，只需要将输入向量非线性映射到一个更高维的特征空间，然后再构造最优分类超平面。我们不必知道具体的映射函数(xi)的表达式，因为在这个高维空间中只涉及到内积运算，若K(xi,xj)=(xi)(xj)则称K(xi,xj

39、)为内核函数,一个函数是核函数的条件由Mercer定理给出4。而相应的最优决策函数变为： ， (6)MinnadLee(2005)使用支持向量机(SupportVectorMachines，SVM)预测，应用韩国最大信用担保公司的2000一2002年中小型制造企业数据。破产样本和非破产样本各944个，通过选择最优的核函数得到的结果如表1.2所示。由于支持向量机坚实的理论基础和它在很多领域表现出的良好的推广性能，目前国际上正在广泛开展对支持向量机的研究。以下是其中主要的研究热点。（1）标准的SVM算法都是针对两类问题的，因此，如何将两类分类问题推广到多类问题上，是目前研究的一个热点。有研究认为，

40、将支持向量机扩展到多类问题，本质上是求解多个两类问题。（2）在支持向量机中有许多参数需要事先给定，比如惩罚系数C、核参数等。核函数的形式以及涉及参数的确定将直接影响分类器的类型和复杂程度。最常用的模型选择方法是“交叉验证(cross validation)”和“网格搜索”(grid search)。（3）支持向量机在理论上有突出优势，但与理论研究相比，应用研究尚比较滞后。将支持向量机运用到特定领域解决特定问题无疑也是今后的一个研究热点。甚至有人预测，支持向量机将成为继神经网络后的又一重要应用研究热点。现在在模式识别，包括字符识别、文本自动分类、人脸检测、头的姿态识别，以及函数逼近、数据挖掘和非

41、线性系统控制中均有很好的应用4、灰色预测模型灰色预测模型是一种针对少数据、灰因果条件的信息不完全条件下的预测方法。灰色系统理论指出，一般可以用离散的随机数经过数的生成这一过程，变成随机性明显削弱的较有规律的生成数列。那么，在得到的有规律的生成数列的基础上，就可以对变化过程做较长时间的描述，甚至可以确定微分方程的系数，从而建立微分方程模型，即GM模型。灰色预测包含两个过程，第一是建立GM模型，第二是利用GM模型作外推预测. 基于GM（1，1）的灰色预测称为单变量预测，基于GM（1，N）和GM（1，1）的灰色预测称为系统预测. 系统预测是指系统中各种因素相互影响协调发展变化的预测。系统中具有独立发

42、展能力的因素称为主导因素，受许多种因素影响，而无某个因素占主要地位的因素，在系统预测中往往视其为具有独立发展能力。对主导因素，在系统预测中建立GM（1，1）模型，非主导因素建立GM（1，N）模型，从而得到系统的状态方程，再按状态模型对整个系统作动态预测。若已建立GM(1,1)模型（即已知b1 ,b2），则可求得通解 （1） 如果要积分曲线（12.10）通过点（1，x（1）（1）(即（1，x(0)(1)）)，则求得,将这个c的值代入（11.10）式得特解 （2）更合理的办法是采用误差平方和最小原则来确定积分常数c的值. 由（12.10）知 （3）设，令，得 （4）如果设,令，解得 （5）首先用（

43、1），或用（2）和（3），或用（2）和（4）计算出,然后,用公式 计算的模拟值,并用对进行预测.灰色系统理论是研究少数据不确定性的理论。灰理论在分析少数据的特征、了解少数据的行为表现、探讨少数据的潜在机制、综合少数据的现象基础上，揭示少数据、少信息背景下事物的演化规律。具体来说，在少数据不确定性背景下，数据的处理、现象的分析、模型的建立、发展趋势的预测、事物的决策、系统的控制与状态的评估，是灰色理论的技术内容。灰色模型建模的精度较高，可保持原系统的特征，能较好地反映系统的实际状况。回归分析的最大缺点就是不能避免可能出现的反常情况，因为回归分析的计算主要是数据幂和四则运算，即平方和，全和等，运算

44、过程由于计算误差容易导致计算结果出现极性差错，从而使正相关变为负相关，以致正确现象受到歪曲和颠倒。财务风险的影响因素繁多，企业内部和外部的各种可控和不可控的因素都对其产生作用，因而很难找到对其进行准确预测的历史信息。其次，企业财务风险往往呈现出无规律的概率分布，因而要弄清这些原始数据分布的统计特征也是困难的。此外，对财务风险的预测直接影响到投资者的投资决策，关系到投资者的经济利益。因而对预测的准确性要求比较高。基于这些分析，认为GM模型比较适合对企业财务风险的预测。 5、混合模型混合模型是指在进行预警研究时，同时采用两种或两种以上的方法来建立模型，以实现企业财务危机预警的目的。建立混合预警模型

45、的目的，是基于同时采用两种方法，有利于克服各个方法自身的缺陷，扬长避短。很多国内外学者也以此作为突破口，对现有模型进行修正，提高模型的判断准确率。相关实证研究也表明，混合模型与其包括的单个方法模型相比，具有其特有的优势。6、其他预测理论及方法（1）期权定价理论：Charitou 和Trigeorgis（2000）使用B-S期权定价模型中的相关变量构建了财务危机判别模型，对1983年到1994年期间的139对美国企业进行了对比检验，结果发现到期债务面值、企业资产的当期市价、企业价值变化的标准差等期权变量在预测破产方面作用显著。不过，该研究的基础方法仍然建立于 Logistic回归检验之上，仅仅在

46、变量设计方面引入了期权因子，因此实际的理论贡献不大。 （2）K-近邻法由于财务困境预测实际上是一个分类问题，因此可用于分类的非参数方法K-近邻法也被应用到财务困境预测中。值得一提的是，有一些研究在财务状态的划分上也进行了尝试。Barniv等人还将财务状态划分为三状态，利用神经网络进行了财务困境预测。Lau首先采用将财务状态分为5个，采用财务健康分类表替代传统的两分支模型。此外，Gregory和Henderson(1991)43l对公司破产运用灾害理论进行阐释，并对此做实验研究，结果表明，在一定的经常发生条件下，灾害理论能在公司发布公告时预测公司股票收益率的结构性漂移，可见灾害理论能够描述公司破产。Lindsay和camPbeu(1994)刚运用应用混沌系统进行破产公司与非破产公司的判别分类，实证研究显示健康公司比非健康公司显现出更多的混沌现象，但该方法判别的稳定性稍显欠缺。charitou和T