上市公司财务预警模型构建及最优阈值指数选取的实证分析

作     者：苗世超 

作者单位：曲阜师范大学 

学位级别：硕士

导师姓名：孙中洋

授予年度：2024年

学科分类：120202[管理学-企业管理（含：财务管理、市场营销、人力资源管理）] 12[管理学] 02[经济学] 0202[经济学-应用经济学] 1202[管理学-工商管理] 020202[经济学-区域经济学] 

主      题：财务预警模型 特征筛选 Stacking模型 最优阈值指数 

摘      要：随着全球化浪潮的不断推进和经济体系的日益复杂化,资本市场在世界经济中扮演着日益重要的角色。中国资本市场自1990年设立上海和深圳证券交易所以来,经历了迅速的发展和深刻的变革,已成为全球重要的资本市场之一。然而快速发展的背后也伴随着如监管不足、信息不对称、股权结构问题等众多挑战。同时全球经济环境的变化和金融创新的快速发展也使得上市公司面临更加复杂的经营环境和财务风险。在这样的大背景下,构建一个有效的上市公司财务预警系统显得尤为关键,不仅有助于提高市场监管效率和透明度,还能帮助投资者做出更明智的决策,促进市场的长期稳定和健康发展。 本文选取截至2023年6月我国沪、深两市A股、B股及科创板中标记为“ST的企业和美股纳斯达克中股价低于1美元的企业作为陷入财务困境的代表样本,基于1:2的匹配比例共选择945家上市公司,包括315家特别处理企业及630家正常企业。选择涵盖上市公司盈利与回报能力、财务结构与偿债能力、运营效率与资产管理能力、流动性与资金管理能力、增长与销售效益能力以及固定资产与资本结构六个方面共计64个财务指标。通过对这些指标的多维财务数据可视化分析,揭示了 ST企业与正常企业在多个财务领域具有显著差异。总体而言,正常企业的财务指标更为集中,反映其财务状况的一致性和稳定性,而ST企业的财务指标则表现出较高的离散性,暗示其财务状况的多变和不稳定。 在财务指标特征筛选过程中,针对弹性网络法、递归特征消除法和稳定性选择法三种特征筛选方法所保留的不同指标结果,创新性的提出以不同特征筛选方法间的最大交集来保留指标,共保留27个指标变量用于后续财务预警模型与指数分析;在构建财务预警模型阶段,创新性地将线性判别分析(LDA)与神经网络相融合,同时引入极端随机树和多层感知器模型作为基本模型,在Stacking框架下选择Logistic回归函数作为元学习器;在构建财务预警指数阶段,提出以主成分分析中各指标的特征系数为基础权重系数,并根据方差解释比例来分配各财务特征指标的权重。此外,鉴于主成分分析法和极端随机树法导致不同的权重分配,提出了引入加权倾向选择机制以确定财务指标的综合权重。 结果显示:Stacking模型在多个关键指标上表现卓越,其中AUC值为0.9621、准确率为94.55%、召回率为92.13%、F1分数为91.76%、特异性为96.11%和精确度为91.41%。接下来,本文根据所得综合权重计算财务预警指数大小,并通过10折交叉验证选择最优阈值指数为52。以最优阈值指数分类两组企业,其准确率为99.48%、召回率为100.00%、F1分数为99.21%、特异性为100.00%、精确度为98.44%。尽管在关键性能指标上财务预警指数的最优阈值方法在优于Stacking模型,但这并不意味着后者在财务预警领域没有应用价值。为构建一个全面的财务预警系统,结合这两种方法是一种有效策略,财务预警指数的最优阈值可以直观快速筛选出高风险企业,而Stacking模型则可以在一定程度上减少最优阈值可能导致的偏差,提供更加全面的决策支持。