【正文】 論又提供了行業(yè)間差異這一事實。五、 局限性及改進措施本文所研究的財務危機預警的方法需要大量各類數(shù)據(jù)，而實際數(shù)據(jù)的不平衡性導致了分類效果的局限性。如果有充分數(shù)據(jù)，分類效果則會更佳。本文沒有考慮數(shù)據(jù)缺失下的分類技術，實際上隨機森林可以處理數(shù)據(jù)缺失問題。如果考慮缺失數(shù)據(jù)的上市公司財務數(shù)據(jù)，那么少數(shù)類樣本數(shù)量將會進一步增加，有助于提高被ST公司的財務信息，從而得到更理想的結果。六、 結論在第一部分，本文提出了上市公司財務危機預警的重要性，并認為中國上市公司是否被ST是財務危機的標志。同時，本文系統(tǒng)性的歸納了國內(nèi)外學者的研究方法和財務指標的選取，為我們的研究工作提供了依據(jù)?？紤]到不同財務指標的解釋能力，借助于杜邦分析系統(tǒng)的思路，我們將指標分為一級指標和二級指標，二種指標同時納入隨機森林模型。在第二部分，本文介紹了隨機森林算法及其基本思路，并指出隨機森林算法可以對上市公司未來的財務情況作出有效分類。本文又提出：數(shù)據(jù)可以分為兩類，那么也有兩類分類誤差：將未來被ST的公司分類成運營正常的公司；將運營正常的公司分類成未來被ST的公司。由于數(shù)據(jù)的不平衡性，我們對少數(shù)類數(shù)據(jù)使用復制簡單隨機抽樣下的樣本集合的方法，得到了300*7：30的訓練集合數(shù)據(jù)，并使用隨機森林算法得出了模型的設定參數(shù)（分類樹節(jié)點選取的變量數(shù)等）與分類精度的關系，并得出了最優(yōu)參數(shù)設定。結論顯示：隨機森林算法的精度比前人研究得出的結論要高，實際解釋能力也強。其次，本文又通過一定的技術手段對指標重要性進行了分析。結論顯示：應收賬款周運轉(zhuǎn)率、beta系數(shù)等對分類貢獻較大；市凈率等對分類貢獻較小。本文又通過分別對第一類、第二類指標建立隨機森林模型的方法對之前我們的指標分析提供了有效性的反饋，并驗證了之前對指標分析和選擇的正確性。在靈敏度分析中，本文考慮了如何選取兩類誤差的重要性程度，即各自權重。根據(jù)我們的分析，這是由利益相關者主觀風險厭惡\喜好程度決定的。但是無論RAR（衡量風險厭惡\喜好的變量）如何變化，利益相關者接受的分類誤差都位于兩類誤差之間。其次，我們提出了不平衡數(shù)據(jù)的分類“困境”。本文研究發(fā)現(xiàn)訓練集合樣本量固定的條件下，兩種分類誤差存在此消彼長的趨勢，此為模型固有的缺陷，即在數(shù)據(jù)有限性的條件下，無法獲得更高的精度。但是，通過對抽樣比率、樣本總量的選擇，可以以適當增加多數(shù)類（未來正常運營的公司）分類誤差為代價增加少數(shù)類（未來被ST的公司）分類精度。我們對重復抽樣（復制少數(shù)類樣本的方法）和不重復抽樣（多數(shù)類不放回抽樣）進行了比較分析，發(fā)現(xiàn)對某一分類數(shù)據(jù)重復抽樣、不重復抽樣的方法都能提高分類精度。但是不重復抽樣的效果更好。經(jīng)過分析，我們認為：重復抽樣雖然能強化少數(shù)類數(shù)據(jù)的信息，但是沒有提供或創(chuàng)造新的少數(shù)類信息，而不重復抽樣在本質(zhì)上提供了更多的分類信息，更能提高分類的精度。 本文第三部分是第二部分的進一步討論，將行業(yè)因素納入分類考慮。鑒于行業(yè)的差異性，在第二部分中無差別的將不同行業(yè)的兩類數(shù)據(jù)納入考慮是值得改進的。根據(jù)國際標準，通過人為的選擇，我們將所有行業(yè)大致分為具有不同運營特點的五類。在相同的抽樣比、樣本量下，我們發(fā)現(xiàn)：劃分行業(yè)以后對不同行業(yè)分別使用隨機森林算法，得出的分類精度要優(yōu)于不劃分行業(yè)的隨機森林算法。這個結果說明：行業(yè)特點在公司財務危機分析中的確需要考慮；行業(yè)分類有助于強調(diào)“行業(yè)差異性”這一信息；隨機森林算法在某一行業(yè)公司數(shù)據(jù)中更加有效地挖掘公司財務水平。參考文獻[1] 陳靜. 上市公司財務惡化預測的實證分析[J]. 《會計研究》,1999年第4期[2] 劉艷麗. 隨機森林綜述. 南開大學碩士論文[3] 周兵，張軍. 上市公司財務狀況惡化的預警模型分析[J].《 華東經(jīng)濟管理》,2002年第16期[4] 章之旺. 上市公司財務困境成本的定量分析[J]. 《財經(jīng)理論與實踐（雙月刊）》,2004年第15期[5] 馬景義，謝邦昌. 用于分類的隨機森林和Bagging分類樹比較. 統(tǒng)計與信息論壇，第25卷第10期[6] 王克敏,姬美光. 公司ST 成因與預警研究基于財務與非財務指標的比較分析[7] 陳曉，陳治鴻. 中國上市公司財務困境預測[J]. 《中國會計與財務研究》，2000 年第3 期[8] 張玲. 財務危機預警分析判別模型[J]. 《數(shù)量經(jīng)濟技術經(jīng)濟研究》，2000年第3期[9] 姜國華,王漢生. 財務報表分析與上市公司ST預測的研究,《審計研究》，2004 年6 期[10] 吳世農(nóng)、盧賢義：我國上市公司財務困境的預測模型研究，《經(jīng)濟研究》，2001 第6 期[11] Altman, ., 1968, Financial Ratios, Discriminant Analysis and Prediction ofCorporate Bankruptcy, Journal of Finance 9,589609.[12] Beaver, W. H., 1966, Financial Ratios as Predictors of Failure, Journal ofAccounting Research 4, 71102.[13] Ohlson, ., 1980, Financial Ratios and the Probabilistic Prediction ofBankruptcy, Journal of Accounting Research 19,109131.[14] Fitzpatrick, ., 1932, A Comparison of Ratios of Successful Industrial[15] Enterprises with Those of Failed Firms, Certified Public Accountant 2,589605,656662.[16] Breiman L. Bagging Preditors [J]. Machine Learning, 1996,24(2).[17] Dietterich T. An Experimental Comparison of Three Methods for Constructing Ensembles of Decision Trees:Bagging,[18] Boosting and Randomization [J]. Machine Learning, 2000,40(2).[19] Ho T K. The Random Subspace Method for Constructing Decision Forests [J]. Pattern Analysis and Machine Intelligence, 1998,20(8).[20] Amit Y, Geman D. Shape Quantization and Recognition with Randomized Trees[J].Neural Computation, 1997,9(7).[21] Breiman L. Random Forests[J]. Machine Learning, 2001,45(1).22