基于隨機森林的上市公司財務(wù)風(fēng)險預(yù)警分析(編輯修改稿)
2025-07-15 19:00 本頁面
【文章內(nèi)容簡介】 預(yù)測的精度。根據(jù)我們的實證分析，決策樹模型因訓(xùn)練集中數(shù)據(jù)類別不同，當(dāng)不同類別的數(shù)據(jù)數(shù)量差別過大時，分類的精度在數(shù)據(jù)較多的一類較好。因此如何選取訓(xùn)練集合數(shù)據(jù)需要考慮實際需求，以及錯誤分類在具體問題中的后果。本算法在此研究中的分類誤差根據(jù)分類對象來劃分主要有兩類：第一類分類誤差：將來被ST公司分類成正常運營的公司；第二類誤差：將未來正常運營的公司分類成被ST公司。而總誤差指錯誤的分類與預(yù)測集合樣本量之比。在實際中，兩種分類誤差的嚴(yán)重性可能是不同的。加權(quán)總誤差是兩類誤差的加權(quán)和。如何確定兩類誤差的權(quán)重是由實際情況決定的。為了選取合理的抽樣比率，本文在固定的訓(xùn)練集合樣本總量下，此研究兩類數(shù)據(jù)的數(shù)量比對兩類誤差的影響。由于未來被ST公司的數(shù)據(jù)較少，為實現(xiàn)樣本數(shù)量我們考慮復(fù)制少數(shù)類樣本。圖1為兩類誤差隨樣本比率的變化趨勢：圖 1 兩類分類誤差隨抽樣比的變化考慮到兩種分類錯誤后果的不平衡性（第一類誤差的嚴(yán)重性強于第二類），根據(jù)此實證結(jié)果，本次研究的抽樣方法是將未來被ST公司的樣本按簡單隨機抽樣方法抽取300個，再將每個樣本以7次的頻率出現(xiàn)于訓(xùn)練集合（將其復(fù)制7此行程2100個少數(shù)類數(shù)據(jù)），再隨機抽取300個持續(xù)營運正常的上市公司樣本，最終得到2400個訓(xùn)練集合樣本。這2400個訓(xùn)練集合樣本中，對兩類數(shù)據(jù)的樣本比為7:1。(二) 隨機森林建立利用R programming中的randomForest根據(jù)包含兩類數(shù)據(jù)共2400個樣本的訓(xùn)練集合建立5000株決策樹的隨機森林決策模型。通過調(diào)整每個隨機劃分樹選取的變量個數(shù)，利用測試集合來檢驗?zāi)Ｐ皖A(yù)測的準(zhǔn)確性，得到預(yù)測總體誤差變化趨勢，如下圖2所示。圖 2總體誤差變化趨勢圖在深入的分析中，我們還考慮了兩類誤差，即將三年之后被ST的公司預(yù)測為連續(xù)正常經(jīng)營公司的誤差，以及將連續(xù)正常運營公司預(yù)測為三年后被ST的公司的誤差。圖3(1)和圖3（2）分別表示預(yù)測誤差隨每次隨機劃分時隨機變量選取個數(shù)的變化。圖 3 二類誤差趨勢圖在實際情況中，預(yù)測結(jié)果發(fā)生第一類情況的損失遠遠大于第二類。投資人等利益相關(guān)者更加關(guān)注自己投資錯誤造成的損失而不是失去投資盈利的機會。因此根據(jù)投資者、債權(quán)人等利益相關(guān)者的風(fēng)險厭惡程度，可以對兩類預(yù)測誤差賦予不同的權(quán)重，得到一個綜合的預(yù)測誤差。例如。加權(quán)后的誤差趨勢如圖4所示。圖 4 加權(quán)誤差趨勢根據(jù)上圖所示，當(dāng)每次每建立隨機劃分樹時，隨機選取的自變量個數(shù)為2時，隨機森林預(yù)測誤差最低。其結(jié)果如下表4所示。表4 誤差分析 實際 預(yù)測正常ST比率分類誤差正常49966第一類：ST110078第二類：比率加權(quán)：(三) 指標(biāo)顯著性檢驗 本文在對各變量重要程度檢驗時，考慮了各個變量對上市公司財務(wù)狀況分類精度的貢獻。我們認(rèn)為，如果一個變量是非常重要的，那么這意味著這個變量蘊含了大量上市公司財務(wù)狀況的有價值信息；反之，如果沒有這個變量或者這個變量的樣本數(shù)據(jù)錯誤，則隨機森林的分類精度會下降。如果刪除某個變量或者人為地“攪亂”某個變量的數(shù)據(jù)（使數(shù)據(jù)與上市公司錯誤配對），隨機森林的分類誤差增加的幅度大，那么這個變量就是重要的；反之，這個變量就是不重要的。具體來說，我們通過對27個變量依次打亂，得到了預(yù)測精度的下降水平。打亂的方法是：對一個變量的樣本數(shù)據(jù)進行無放回簡單隨機抽樣，再以隨機次序的數(shù)據(jù)與公司配對。利用預(yù)測精度的下降水平來評價變量的重要性程度。下圖5表示不同變量的重要性水平。圖 5 變量重要性水平由此得知，相對重要的指標(biāo)有：應(yīng)收賬款周轉(zhuǎn)率（18）、beta系數(shù)（26）、凈營運資本/營業(yè)收入（11）、銷售利潤率（5）、營業(yè)利潤增長率（21）等；相對不重要的指標(biāo)有：市凈率（25）、營業(yè)收入/營業(yè)成本（4）、營業(yè)收入增長率（20）等。(四) 指標(biāo)選取的有效性反饋在其他學(xué)者的研究中，所選取的財務(wù)指標(biāo)基本上是反映公司整體運營狀況的指標(biāo)，而這些指標(biāo)在某些程度上無法體現(xiàn)公司運營狀況的細(xì)節(jié)，這一點在前文已有詳述。在這我們基于上文的隨機森林模型對第一級、第二級財務(wù)指標(biāo)的預(yù)測效果分別進行實證分析，得出的結(jié)論是：預(yù)測精度從高到低一次是：第一類指標(biāo)、第二類指標(biāo)同時選用；第二類指標(biāo)；第一類指標(biāo)。這也印證了之前對我們對指標(biāo)選取原則的分析是正確的。表5 選取第一類指標(biāo)的隨機森林法 實際 預(yù)測正常ST比率分類誤差正常504611第一類：ST105073第二類：比率加權(quán)：表6 選取第二類指標(biāo)的隨機森林法 實際 預(yù)測正常ST比率分類誤差正常530814第一類：ST78870第二類：比率加權(quán)：表7 兩類指標(biāo)均選取的隨機森林法 實際 預(yù)測正常ST比率分類誤差正常49966第一類：ST110078第二類：比率加權(quán)：(五) 靈敏度分析經(jīng)實證研究發(fā)現(xiàn)，隨機森林預(yù)測效果受數(shù)據(jù)數(shù)量，不同類數(shù)據(jù)的隨機抽樣數(shù)量影響較大。而本文研究上市公司未來財務(wù)危機的可能性也遇到了嚴(yán)重的數(shù)據(jù)不平衡的困境，即：在營運正常上市公司的年度報表中，有完整數(shù)據(jù)的樣本數(shù)量遠遠多余將來被ST公司的年度財務(wù)數(shù)據(jù)。因此，抽樣方式、抽樣數(shù)量也會明顯影響分類，即對上市公司財務(wù)狀況進行預(yù)測的精度。本部分主要研究不同抽樣比對預(yù)測精度的影響，下圖6所示為兩類預(yù)測誤差隨抽樣比的變化，這些變化的趨勢很好的體現(xiàn)了兩類預(yù)測誤差雖抽樣比的變化，兩類誤差在一定程度上是可控的。圖 6 兩類誤差隨抽樣比的變化根據(jù)我們的研究，第一類預(yù)測誤差和第二類預(yù)測誤差存在此消彼長的趨勢，在總樣本數(shù)量不變的情況下，無法同時對兩種誤差進行盡可能的控制。但是，在投資分析或者財務(wù)實務(wù)中，利益相關(guān)者不同的風(fēng)險厭惡或風(fēng)險喜好程度使得他們對兩類預(yù)測誤差有著不同的重視程度和容忍度。在此我們給出一種簡單的定性分析。令RAR (Risk Aversion Ratio)為利益相關(guān)者主觀接受的第一類預(yù)測誤差與第二類預(yù)測誤差重要性之比，二者重要性程度之和為1：RAR=WIWII，WI+WII=1可以證明，對于不同的RAR（風(fēng)險厭惡比率），利益相關(guān)者根據(jù)他能接受的RAR，獲得一個與自己風(fēng)險厭惡水平匹配的預(yù)測精度，并且此預(yù)測誤差是介于第一類預(yù)測誤差與第二類誤差之間：TotalError=EIErrorI+EIIErrorIImin?(ErrorI, ErrorII)≤TotalError≤max?(ErrorI, ErrorII)例如當(dāng)RAR=4和RAR=，可以分別得到各自的總體預(yù)測誤差，如下圖7。圖 7總體抽樣比隨各類權(quán)重的變化類似地，不同類數(shù)據(jù)的抽樣比也可以隨著利益相關(guān)者所認(rèn)為的重要性程度來選擇。通過選擇抽樣比改變兩類分類誤差，根據(jù)權(quán)重確定分類的加權(quán)總誤差。在研究上市公司財務(wù)危機預(yù)測中，分類誤差除了以上按屬性分類以外，還可以按誤差來源
試題試卷相關(guān)推薦
鄂ICP備17016276號-1