中國(guó)證券市場(chǎng)經(jīng)過(guò)三十年的發(fā)展,為我國(guó)企業(yè)提供了穩(wěn)定的融資渠道,保障了股權(quán)改革的順利進(jìn)行,同時(shí)也為廣大投資者提供了交易場(chǎng)所,吸引了大量的社會(huì)資金,為中國(guó)經(jīng)濟(jì)改革提供了潤(rùn)滑劑。隨著股票市場(chǎng)規(guī)模不斷擴(kuò)大,上市公司不斷增多,市場(chǎng)參與者的結(jié)構(gòu)也逐漸呈現(xiàn)出多元化的趨勢(shì)。然而,在經(jīng)過(guò)了股市幾輪起伏之后,不少投資者遭受虧損,這使得他們不得不開(kāi)始關(guān)注股市的風(fēng)險(xiǎn)。為進(jìn)一步促進(jìn)金融市場(chǎng)良性發(fā)展,證券交易所在退市制度的基礎(chǔ)上,出臺(tái)了“風(fēng)險(xiǎn)警示”制度,并定期向投資人公布存在退市風(fēng)險(xiǎn)和其他財(cái)務(wù)風(fēng)險(xiǎn)的企業(yè)。因?yàn)榻灰姿鶗?huì)在財(cái)務(wù)異常公司的名稱前加上“ST”,即“特別處理”的英文縮寫,所以“風(fēng)險(xiǎn)警示”制度一般也被公眾稱為“特別處理”制度�！疤貏e處理”制度作為交易所管理上市公司風(fēng)險(xiǎn)的工具,一直都是學(xué)者關(guān)注的重點(diǎn)。前人文獻(xiàn)對(duì)財(cái)務(wù)風(fēng)險(xiǎn)的研究多立足于財(cái)務(wù)指標(biāo)的有監(jiān)督模型,其優(yōu)點(diǎn)在于直觀且有效。其中,利用Logistic模型進(jìn)行二元回歸是最常見(jiàn)的做法。但是,現(xiàn)實(shí)中上市公司風(fēng)險(xiǎn)爆發(fā)的事件較少,有監(jiān)督模型存在欠采樣與過(guò)擬合的問(wèn)題。同時(shí),基于“風(fēng)險(xiǎn)警示”的單一事件,有監(jiān)督學(xué)習(xí)模型在甄別財(cái)務(wù)風(fēng)險(xiǎn)時(shí),存在數(shù)據(jù)不平衡的問(wèn)題。近年來(lái),越來(lái)越多的學(xué)者開(kāi)始利用無(wú)監(jiān)督模型來(lái)研究金融領(lǐng)域的問(wèn)題。其中,除了最常見(jiàn)的主成分分析法之外,聚類算法也逐漸進(jìn)入學(xué)者們的視野。聚類算法并不對(duì)數(shù)據(jù)進(jìn)行嚴(yán)格的二元判別,而是通過(guò)數(shù)據(jù)的內(nèi)部結(jié)構(gòu)來(lái)給樣本分組。無(wú)監(jiān)督聚類算法的這個(gè)特點(diǎn)在研究財(cái)務(wù)風(fēng)險(xiǎn)問(wèn)題時(shí)具有獨(dú)特的優(yōu)勢(shì),因?yàn)閲?guó)內(nèi)上市公司的財(cái)務(wù)風(fēng)險(xiǎn)數(shù)據(jù)存在不平衡的問(wèn)題,而傳統(tǒng)的有監(jiān)督模型難以通過(guò)大樣本的學(xué)習(xí)來(lái)建立風(fēng)險(xiǎn)判別模型。由于數(shù)據(jù)不足,有監(jiān)督模型的訓(xùn)練通�；谌藶楹Y選后的平衡數(shù)據(jù)集,這種訓(xùn)練方式會(huì)影響模型在現(xiàn)實(shí)世界中的適用性。本文分析了傳統(tǒng)財(cái)務(wù)風(fēng)險(xiǎn)模型的優(yōu)點(diǎn)和不足之處,結(jié)合2007年至2018年中國(guó)A股上市公司年度財(cái)務(wù)數(shù)據(jù)以及2008年至2019年的“特別處理”事件的公示數(shù)據(jù),使用了K均值聚類算法與高斯混合聚類算法來(lái)對(duì)上市公司的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行甄別,并構(gòu)建了高風(fēng)險(xiǎn)簇,把同類型的高風(fēng)險(xiǎn)公司從其他公司里區(qū)分出來(lái)。本文的模型構(gòu)建和訓(xùn)練過(guò)程主要由以下兩個(gè)部分組成。第一部分是K均值聚類算法對(duì)風(fēng)險(xiǎn)的甄別過(guò)程。首先,使用27個(gè)初始財(cái)務(wù)指標(biāo),從“特別處理”公司的財(cái)務(wù)數(shù)據(jù)中發(fā)掘特征,并以歐幾里得距離作為度量風(fēng)險(xiǎn)公司相似性的標(biāo)準(zhǔn),為K均值聚類算法篩選合適的特征變量。具體做法是通過(guò)排列組合,用27個(gè)指標(biāo)構(gòu)成若干個(gè)變量組合,每個(gè)組合的變量數(shù)最多為6個(gè),再分別計(jì)算每個(gè)組合的歐氏距離,距離最短的組合為最優(yōu)組合。然后,利用主成分分析法把數(shù)據(jù)降至二維,再進(jìn)行兩次K均值聚類分析,形成若干個(gè)簇,并把含有最多“特別處理”公司的簇標(biāo)記為高風(fēng)險(xiǎn)簇。最后,通過(guò)召回率、精確率來(lái)評(píng)估K均值聚類算法對(duì)公司財(cái)務(wù)風(fēng)險(xiǎn)的甄別效果。第二部分是高斯混合聚類算法對(duì)風(fēng)險(xiǎn)的甄別過(guò)程。首先,利用高斯混合模型的簇去預(yù)測(cè)“特別處理”事件,并用F1分?jǐn)?shù)作為篩選最優(yōu)財(cái)務(wù)組合的標(biāo)準(zhǔn)。具體做法是分別把指標(biāo)個(gè)數(shù)設(shè)置為2和3,再通過(guò)排列組合的方式篩選出~2_(27)+~3_(27)個(gè)財(cái)務(wù)變量組合。之后,用這些變量去預(yù)測(cè)次年的“特別處理”事件,再?gòu)腇1分?jǐn)?shù)最高的組合中篩選最優(yōu)組合。最后,繼續(xù)利用召回率和精確率來(lái)評(píng)估高斯混合模型對(duì)上市企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的甄別效果。本文主要得出以下主要結(jié)論:第一,在對(duì)“特別處理”公司財(cái)務(wù)數(shù)據(jù)進(jìn)行挖掘后發(fā)現(xiàn),若以距離來(lái)度量相似性,有形資產(chǎn)比率、現(xiàn)金資產(chǎn)比率、流動(dòng)負(fù)債比率、非流動(dòng)負(fù)債比率等資產(chǎn)結(jié)構(gòu)的指標(biāo)更能表示風(fēng)險(xiǎn)公司的共性,這與前人的研究略有不同;第二,由無(wú)監(jiān)督聚類形成的高風(fēng)險(xiǎn)簇能夠很好地體現(xiàn)風(fēng)險(xiǎn)的特征,簇內(nèi)許多公司會(huì)于此后陸續(xù)出現(xiàn)“風(fēng)險(xiǎn)警示”事件,投資人應(yīng)謹(jǐn)慎對(duì)待被劃入高風(fēng)險(xiǎn)簇的公司;第三,以“特別處理”事件評(píng)估高斯混合模型的分類效果,其召回率和準(zhǔn)確率在報(bào)表公示后的一年內(nèi)分別為58.8%和38.5%,都顯著高于K均值聚類模型的簇。
【學(xué)位單位】：江西財(cái)經(jīng)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2020
【中圖分類】：F832.51;F275
【部分圖文】：

基于聚類算法對(duì)上市公司財(cái)務(wù)風(fēng)險(xiǎn)甄別的研究6進(jìn)行優(yōu)化，所以它對(duì)數(shù)據(jù)的擬合和預(yù)測(cè)也更精確�；谶@個(gè)特點(diǎn)，機(jī)器學(xué)習(xí)算法非常適用于金融領(lǐng)域的研究。本文采用無(wú)監(jiān)督分類算法對(duì)上市公司財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行研究，具有啟發(fā)性。首先，“特別處理”制度主要考量了上市公司盈利能力、股權(quán)結(jié)構(gòu)、信息披露狀況及法律風(fēng)險(xiǎn)，其中后兩個(gè)方面具有隨機(jī)性，難以通過(guò)財(cái)務(wù)指標(biāo)事前預(yù)測(cè)。而至于前兩個(gè)方面，監(jiān)督機(jī)構(gòu)能夠通過(guò)公司的財(cái)務(wù)狀況進(jìn)行判斷。然而，如果考察的指標(biāo)趨于單一，那么該制度也會(huì)趨于僵化，這是該制度的一個(gè)缺點(diǎn)，因?yàn)樯鲜泄灸軌虿扇「鞣N方式使自己不滿足“帶帽”的條件。圖1.1為中國(guó)A股市場(chǎng)2016年度及2017年度的凈資產(chǎn)收益率（ROE）直方圖，圖中ROE在零點(diǎn)處有一個(gè)巨大的跳躍，這說(shuō)明雖然大多數(shù)上市公司沒(méi)有出現(xiàn)虧損，但是它們的盈利狀況也不容樂(lè)觀。這種爭(zhēng)取微利的現(xiàn)象在世界上都很常見(jiàn)，但數(shù)據(jù)表明國(guó)內(nèi)的上市公司“操縱”盈利的行為更為普遍，絕大多數(shù)企業(yè)對(duì)“虧損”二字避之不及。在國(guó)內(nèi)A股市場(chǎng)中，有相當(dāng)一部分的公司采用了盈余管理的手段來(lái)保持盈利，其目的是使自己不被列入“特別處理”的名單，這與前人研究結(jié)果一致。圖1.1上市公司凈資產(chǎn)收益率直方圖其次，如果“特別處理”制度不足以向投資人警示上市公司的風(fēng)險(xiǎn)狀況，那么我們能不能對(duì)現(xiàn)有的“特別處理”公司的財(cái)務(wù)數(shù)據(jù)進(jìn)行挖掘，從而發(fā)現(xiàn)高財(cái)務(wù)風(fēng)險(xiǎn)公司的共性，為投資人提供其他的判斷依據(jù)？我們假設(shè)被冠以“特別處理”的上市公司為確鑿的高風(fēng)險(xiǎn)公司，而“特別處理”制度考慮的指標(biāo)又不甚完美，那么必然有高風(fēng)險(xiǎn)公司僥幸逃脫懲罰，繼續(xù)偽裝為正常公司。在未來(lái)，可能只有偶發(fā)的負(fù)面事件才會(huì)把這些公司的風(fēng)險(xiǎn)徹底暴露出來(lái)。

2兩種機(jī)器學(xué)習(xí)聚類的概述11（1）建立平面直角坐標(biāo)系，把2項(xiàng)財(cái)務(wù)指標(biāo)作為橫縱坐標(biāo)，繪制樣本企業(yè)的散點(diǎn)圖；（2）隨機(jī)選取2個(gè)樣本作為初始的質(zhì)心，分別用不同顏色表示；（3）依據(jù)樣本點(diǎn)到兩個(gè)質(zhì)心的距離，我們可以把樣本分為A類和B類；（4）計(jì)算A類和B類企業(yè)的2項(xiàng)財(cái)務(wù)指標(biāo)的平均值，得到和，以及和，并把結(jié)果作為新的質(zhì)心；（5）不斷重復(fù)流程（3）～（4），質(zhì)心會(huì)逐步移動(dòng)到各自群組的中心位置。圖2.1K均值聚類算法的結(jié)果示意圖經(jīng)過(guò)以上過(guò)程，我們得以把樣本企業(yè)分為下方的A類和上方的B類。如圖2.1，與分別為標(biāo)準(zhǔn)化后的現(xiàn)金資產(chǎn)比率和流動(dòng)負(fù)債比率。在后期比較了兩類的財(cái)務(wù)狀況后，我們可以發(fā)現(xiàn)B類公司的平均財(cái)務(wù)表現(xiàn)要優(yōu)于A類公司。但是，K均值算法也存在一些不足。首先，使用歐氏距離作為優(yōu)化標(biāo)準(zhǔn)的前提假設(shè)是聚類滿足“凸性”（convex）和“各向同性”（isotropy）。如果樣本數(shù)據(jù)在多維空間顯示出長(zhǎng)條形或其他不規(guī)則的復(fù)雜形狀，那么K均值聚類可能并不適用。其次，K均值聚類存在“維度詛咒”現(xiàn)象。在維度給定的情況下，數(shù)值越低表示距離越近，數(shù)值越高表示距離遠(yuǎn)，但是在維度未知的情況下，歐氏距離也質(zhì)心BX質(zhì)心A

基于聚類算法對(duì)上市公司財(cái)務(wù)風(fēng)險(xiǎn)甄別的研究16圖2.2P-R曲線示意圖但是如果一條曲線無(wú)法包住另一曲線（如曲線A與曲線C），那么我們無(wú)法通過(guò)召回率與精確率直接判斷模型的優(yōu)劣。在這種情況下，我們通�？梢砸胍粋�(gè)綜合指標(biāo)。如圖2.2所示，從原點(diǎn)出發(fā)的虛線與曲線相交，箭頭所示的交點(diǎn)的位置就是綜合考慮召回率與準(zhǔn)確率的平衡點(diǎn)，該點(diǎn)可以用來(lái)判斷模型優(yōu)劣�；谶@種思路，我們下面引入常用的F1分?jǐn)?shù)指標(biāo)，即二者的調(diào)和平均。1=2××+=2×2++（2.13）其一般型為如式（2.14）所示。=(1+2)××(2×)+（2.14）表示對(duì)召回率與精確率的偏好。當(dāng)>1時(shí)，召回率對(duì)分?jǐn)?shù)影響更大；當(dāng)<1時(shí)，精確率對(duì)分?jǐn)?shù)影響更大；當(dāng)=1時(shí)，召回率與精確率對(duì)分?jǐn)?shù)的影響一樣。F1分?jǐn)?shù)指標(biāo)對(duì)召回率與精確率一視同仁，而本文的聚類分析對(duì)這兩種指標(biāo)沒(méi)有特別的傾向，所以我們?cè)谙挛睦镆宦刹捎迷谘芯恐懈鼮槌Ｓ玫腇1分?jǐn)?shù)指標(biāo)。
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 金永紅;韓立巖;陸星忠;;ST公司主動(dòng)戴帽和市場(chǎng)操縱行為研究[J];管理科學(xué);2015年04期

2 張海燕;陳曉;;投資者是理性的嗎?——基于ST公司交易特性和價(jià)值的分析[J];金融研究;2008年01期

3 岳衡;陳溪;趙龍凱;;有限記憶與盈余數(shù)據(jù)的異常分布[J];金融研究;2007年11期

4 劉京軍;秦宛順;;上市公司陷入財(cái)務(wù)困境可能性研究[J];金融研究;2006年11期

5 楊宏峰;陳蔚;;基于神經(jīng)網(wǎng)絡(luò)——Logit回歸的混合兩階段財(cái)務(wù)困境預(yù)測(cè)模型[J];統(tǒng)計(jì)與決策;2006年20期

6 劉京軍;;ST制度能否作為一種選擇機(jī)制嗎?[J];南方經(jīng)濟(jì);2006年05期

7 胡援成;田滿文;;上市公司財(cái)務(wù)困境預(yù)測(cè)模型的再比較[J];經(jīng)濟(jì)學(xué)(季刊);2005年S1期

8 姜國(guó)華,王漢生;上市公司連續(xù)兩年虧損就應(yīng)該被“ST”嗎?[J];經(jīng)濟(jì)研究;2005年03期

9 姜國(guó)華,王漢生;財(cái)務(wù)報(bào)表分析與上市公司ST預(yù)測(cè)的研究[J];審計(jì)研究;2004年06期

10 蔡紅艷,韓立巖;上市公司財(cái)務(wù)狀況判定模型研究[J];審計(jì)研究;2003年01期

相關(guān)碩士學(xué)位論文 前3條

1 楊成榮;基于支持向量機(jī)-R型聚類的上市公司被特別處理的預(yù)警研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2019年

2 趙楠;商業(yè)銀行個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型研究[D];江西理工大學(xué);2019年

3 李智林;基于混合模型的非均衡數(shù)據(jù)分類研究[D];南京郵電大學(xué);2018年

本文編號(hào)：2862296