【摘要】：創(chuàng)業(yè)板市場自2009年10月30日成立至今,已經(jīng)公開交易達九年,在這九年間,市場規(guī)模日益壯大,交易機制逐漸健全。但2018年《中國非金融類上市公司財務安全評估報告》中顯示,2018年創(chuàng)業(yè)板市場整體財務安全狀況是主板、中小板和創(chuàng)業(yè)板三個分市場中表現(xiàn)最差的,下滑速度也是三個分市場中最快的,財務風險高于主板和中小板,總體投資風險進一步加大。因此,在創(chuàng)業(yè)板整體飛速發(fā)展的同時,如何建立創(chuàng)業(yè)板公司財務風險預警模型,幫助創(chuàng)業(yè)板公司提前預測到危機,從而避免財務危機的發(fā)生,這是目前創(chuàng)業(yè)板市場迫在眉睫的問題。我國創(chuàng)業(yè)板市場是個新興的市場,和國外的創(chuàng)業(yè)板市場有所不同,所以國內外學者的研究相對較少。在樣本選取條件問題上,由于創(chuàng)業(yè)板沒有類似主板和中小板的ST警示制度,創(chuàng)業(yè)板本身的財務風險狀況也比主板和中小板差,為了更好、更及時地對創(chuàng)業(yè)板公司的財務風險進行預警,本文在分析了相關制度文件的基礎上將創(chuàng)業(yè)板財務危機公司定義為“最近一個會計年度凈利潤為負”或“最近一個會計年度凈資產(chǎn)為負”的公司,而不滿足這兩個條件之一的公司即為財務正常公司。依據(jù)此條件,本文選取了160家創(chuàng)業(yè)板公司樣本,其中有40家財務危機公司樣本和120家財務正常公司樣本,兩種樣本的配對比例為1:3,并將樣本集分為兩組,一組為訓練組,一組為測試組。本文沒有依照以往很多研究中采用的1:1平衡配對比例,是為了更貼近現(xiàn)實情況中財務風險公司和財務正常公司的真實比例。由于一個公司的財務指標繁多,不可能將其全部作為特征指標,因此本文在參考以往的大量研究后,從盈利能力、營運能力、償債能力、發(fā)展能力和現(xiàn)金流狀況五個方面選取了24個財務指標。財務危機發(fā)生的當年為T年,而根據(jù)大量研究顯示基于T-1年即財務危機發(fā)生前一年的財務數(shù)據(jù)建立的模型準確率最高,于是本文也選用了這些樣本公司T-1年的財務數(shù)據(jù)作為樣本數(shù)據(jù)。由于在選取樣本時用的是隨機抽樣法,沒有考慮創(chuàng)業(yè)板市場中各個行業(yè)板塊之間以及不同規(guī)模公司之間存在的財務數(shù)據(jù)差異,為了減少由此產(chǎn)生的異常值對建模的不良影響,本文對收集到的樣本數(shù)據(jù)進行了上下1%的Winsorize極端值處理。在數(shù)據(jù)的預處理過后,為了剔除掉在財務危機和財務正常公司這兩類樣本之間沒有顯著差異的財務指標,本文首先對樣本數(shù)據(jù)進行了T檢驗和Wilcoxon符號秩檢驗,檢驗結果顯示所有樣本數(shù)據(jù)均具有差異性。其次,為了研究是哪一類或哪幾類財務指標對財務風險這一變量產(chǎn)生了顯著影響,也為了減輕財務指標之間存在的多重共線性對后續(xù)實證研究的干擾,在數(shù)據(jù)預處理完畢之后本文對24個財務指標進行了PCA降維處理,最后得到8個公共因子,每個公共因子各自包含的財務信息都有所不同,至此樣本選取和特征指標體系的構建工作完成。在實證部分,本文根據(jù)Logit模型的原理,對8個特征指標進行了二分類Logit回歸,剔除掉不顯著的自變量之后,建立了一個基于Logit的創(chuàng)業(yè)板公司財務風險預警模型�；貧w結果顯示創(chuàng)業(yè)板公司的盈利能力和營運能力兩方面的財務指標會對公司的財務風險產(chǎn)生顯著影響。同時在運用測試組樣本對該模型進行測試后發(fā)現(xiàn),非平衡樣本下建立的普通Logit模型的分類結果會顯著偏向于財務正常公司,無法準確判斷出財務危機公司的存在,不具有實際運用的意義,因此本文引入了ADASYN方法,將財務危機樣本的數(shù)量擴大了3倍,再與原來的財務正常樣本組合形成新的樣本集。基于新樣本集,本文建立了基于ADASYN-Logit的創(chuàng)業(yè)板公司財務風險預警模型�；貧w結果顯示,創(chuàng)業(yè)板公司的盈利能力、營運能力和償債能力都會對公司的財務風險產(chǎn)生顯著影響。再運用測試集樣本進行測試,本次的測試結果顯示,ADASYN改進后的創(chuàng)業(yè)板公司財務風險預警模型整體的預測準確率為75%,對于財務危機樣本的識別能力也顯著強于基于普通Logit的財務風險預警模型。為了更準確地分析判斷兩類模型的預測性能,本文依據(jù)以往研究使用了F值和G值兩個評價標準,同時因為ADASYN是對SMOTE過采樣方法的改進,為了比較改進效果,還加入了基于SMOTE-Logit的創(chuàng)業(yè)板公司財務風險預警模型進行對比。從三個模型的F值和G值來看,在非平衡樣本下,基于ADASYN-Logit的公司財務風險預警模型的預測性能最好,基于SMOTE-Logit的公司財務風險預警模型次之,普通公司財務風險Logit預警模型最差。本文的創(chuàng)新點在于以下兩個方面:(1)因為創(chuàng)業(yè)板公司的財務風險預警研究不多,而創(chuàng)業(yè)板公司本身相對于主板和中小板公司的抗風險能力更差,發(fā)生財務風險的概率也更高,所以本文將樣本選取的視角放在了創(chuàng)業(yè)板這一板塊;(2)為了更貼近實際情況,本文沒有采用1:1的平衡樣本,而是采用了1:3的非平衡樣本,并將ADASYN方法與Logit模型相結合,對非平衡樣本下建立的基于普通Logit的創(chuàng)業(yè)板公司財務風險預警模型作出了改進。實證結果表明,改進后的模型對于財務風險這一少數(shù)類樣本的識別能力更好。另外根據(jù)回歸結果分析得知,創(chuàng)業(yè)板公司的營運能力、盈利能力和償債能力對公司財務風險的影響最大,并基于此,本文對創(chuàng)業(yè)板市場公司防范財務危機提出了相關政策建議。
【圖文】：

基于不平衡樣本下的創(chuàng)業(yè)板公司財務風險預警研究技術路線圖

資料來源：牛牛金融研究中心圖 2-1 創(chuàng)業(yè)板各年度市盈率變化情況）信息技術類上市公司最多，醫(yī)藥生物市值規(guī)模最大。對創(chuàng)業(yè)業(yè)進行分類后發(fā)現(xiàn)，信息技術類上市公司數(shù)量最多，共有 14
【學位授予單位】：成都理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：F832.51;F275

【相似文獻】

相關碩士學位論文 前1條

1 覃爽;基于ADASYN-logit的創(chuàng)業(yè)板公司財務風險預警研究[D];成都理工大學;2019年

，

本文編號：2592066