基于机器学习的财务危机预警模型——以科技创新型企业为例开题报告

2016年，科技部、财政部、国家税务总局对《高新技术企业认定管理办法》进行了修订完善，并经国务院批准进行印发。之后国家不断地加大对科技型企业的政策扶持，希望可以培育出新一代掌握新技术、营造新业态、掌握新供给的企业，以促进经济升级和社会发展。相比传统企业，高新技术企业主要涉及电子信息、航空航天、新材料、生物医药等先进制造业。因此有着更高的发生财务危机的可能性。这主要源自于其巨大的研发投入和较低的成果转化率。为了提高其应对突如其来的财务风险地能力、并且降低财务危机发生的可能性，促使其稳健地发展，探索出有效的方式进行财务危机预测十分有必要。

机器学习在经济金融领域的应用主要是帮助获得以往很难获得地数据、探索变量间地相关性并做出预测、进而做出因果识别。机器学习的预测能力超过了传统的计量经济学方式。其次，机器学习可以充分利用大数据的价值，直接挖掘数据间的关系。并且在分类时，几乎不加入认为判断，因此具有很高的客观性。

考虑到数据的充足性，根据科创板上司公司涉及的四大行业分类板块作为分类依据，将样本扩大至涉及这四个分类板块的A股市场和创业板市场。财务危机的企业一部分来自这四大行业内已经收到退市风险警示的企业的财务数据，另一部分来自行业内已经退市的公司前一年度财务数据。

本文按照财务危机形成原因、财务危机预警指标的选择、财务危机预警模型的顺序进行文献综述。

（一）财务危机形成成因

目前大部分研究将公司财务危机的产生归因于公司内部因素和公司外部因素。

1976年，Argenti[1]研究发现，公司财务危机产生的主要原因之一是企业内部治理不善。Agrawalamp; Knoeber [2]在2005年指出，无效的公司治理有更大的概率导致公司内部不当行为的产生，从而导致公司产生财务危机。Dyck et al.[3]通过研究1996年至2004年间美国所有发生财务危机的大型公司，结果发现，约有30%的案例与公司内部治理因素有关。1996年，Beasley通过研究，发现董事会成员的多样性、董事的独立性和专业性、举办股东大会的频次等也会对公司内部不当行为发生的频率和严重性产生影响[4]。Uzun et al.指出审计委员会委员的组成和会议频率也与不当行为的概率有关[5]。Gorshunov对164家财务腐败的公司和164家合规公司构成的样本进行分析，结果表明，审计委员会成员的独立性、董事任职经验和财务专业知识、股票所有权等因素使上市公司发生财务危机的可能性降低了72%[6]。

（二）财务危机预警指标的选择

鉴于预测财务困境的重要性，自20世纪60年代以来，它得到了研究人员的广泛关注。纵观现有研究，获得有效特征和建立高性能模型是两个重要的方向。

20世纪30年代初，一些学者率先尝试比较失败和成功公司的财务比率（Almamy et al.，2016）[7]。结果证明，财务指标与公司的财务业绩密切相关。此后，大多数研究都使用财务比率来预测财务困境。Kim amp; Upneja（2014）使用盈利能力、偿付能力、流动性、活动性和增长性等财务比率来区分有财务困难的餐厅和无财务困难的餐厅[8]。但是，财务指标是在特定的财务监管框架下计算出来的，只能反映企业过去的经营和财务状况，而不能反映其他重要信息（Wang et al.，2018）[10]。研究人员逐渐意识到财务指标的局限性，开始引入更多的信息维度（Chen，2014）[11]。Liang et al.（2020）的研究证明，大股东的持股比例是预测财务困境的一个重要特征[12]。

国内学者中最先进行财务预警指标研究的是周首华。周首华（1996）创造性地将现金流量因素加入传统z-score模型，弥补了传统z-score 模型的不足，经过研究33家财务危机公司与33家正常公司组成的样本，建立了F分数模型并证明模型的有效性^[13]。2001年，学者姜秀华通过研究由42家ST企业和42家正常企业构成的样本，综合对比各项财务比率发现，“其他应收款”、“短期借款/资产”、“股权分散”等财务信息有较好的预测效果，并且能够较早的预测公司潜在的财务危机^[14]。 2014年，吕峻通过研究2002年至2011年沪深两市经营净现金流为负的公司和正常公司，发现财务危机公司往往具有毛利率低、流动资产占比高且固定资产占比低、“其他应收款/流动资产” 和“短期借款/流动负债”比率较高、资产负债率高等特征，因此上述财务指标也可以较好地预测公司是否会陷入财务危机^[15]。

（三）财务危机预警模型

随着机器学习的应用领域不断拓展，人工智能算法在金融领域受到了广泛的关注，并提供了许多富有成效的研究成果。与传统的统计技术相比，机器学习不假定一定的数据分布，可以自动从训练样本中提取知识。最近的许多研究表明，基于集合学习技术获得了更高的准确性（Alaka et al.，2018）^[16]。例如，Geng et al.（2015）利用数据挖掘技术和神经网络建立了一个基于三个不同时间窗口的金融危机预测模型。他们发现，该模型的判别性能比其他分类器的准确^[17]。同时，SVM因其强大的非线性映射和泛化能力而被广泛用于金融困境预测。此外，Mai et al.（2019）利用深度学习技术从文本数据中提取信息构建预测模型，结果表明深度学习在预测企业破产方面具有较高的判别性能^[18]。

虽然有很多预测财务困境的方法，但由于数据的复杂性和实际应用的难度，单一的分类方法往往是无效的，尤其是在加入许多类别和文本特征之后。因此，研究人员研究了多种分类方法的整合，即集合学习（Wang et al.，2018）^[19]。Carmona et al.（2019）使用XGBoost算法预测银行倒闭，发现其在预测金融困境方面具有比其他方法更好的分辨性能^[20]。一些学者建立了基于bagging和AdaBoost的模型，并将其与单一的神经网络分类器进行比较。结果显示，集合算法可以显著提高预测性能（Jayasekera，2018）^[21]。Tsai et al.（2021）证明，在财务困境预测的不平衡样本中，分类器集合有可能优于单一分类器^[22]。