返回列表 回复 发帖

广发证券:立体空间下的财务危机远期预警模型


一、研究背景
广义的财务危机概念是指企业由于营销、决策或不可抗因素的影响,而使经营循环和财务循环无法正常持续、或陷于停滞的状态,其具体表现包括持续性亏损、无偿付能力、违约和破产等。 由于股票、债券以及其他索偿权的预期价值与企业财务风险的估计密切相关,因此财务危机预测模型的研究是长期以来倍受关注的金融课题之一,其重要意义不言自明。
从Ramser 和Foster (1931), Fitzpatrick (1932), Winakor 和Smith (1935), Merwin (1942)等人以来,这一课题研究至今已延续多年,主要的技术方法也逐渐趋于稳定。 然而,由于某些重要的技术问题一直未获解决,致使许多相关研究的理论及应用价值始终难以提升。
在这些研究中,一个值得关注的问题是大多数研究都仅仅对样本的年度财务数据进行截面分析,而忽视了企业财务循环中的时间序列特征。 这种处理可能造成的不良后果包括:第一,不能分辨特定企业的财务危机是否为盈利能力的实质性削弱所导致。 由于任一资产负债表所能提供的均为时点数据,即使与其他财务报表数据结合分析,也很难排除非正常因素突发性干扰的可能;第二,企业财务循环具有持续性特点和累积效应,而单纯的截面判别分析难以识别导致企业财务状况恶化的内在趋势性因素。 从理论上说,由于缺乏时序特征的解释,运用财务危机发生前个时点的样本数据来估计未来危机的概率也并不完全符合逻辑;第三,分时点的截面判别分析可能由于样本时间段的不同而得出因子差异明显的判别模型,因此这类结论尚且缺乏合理会计观点的支持。
事实上,企业财务报告的离散型披露方式使得传统的多元判别分析、当前主流的Logistic回归或者新兴的NN模型等都只好倾向运用单纯截面分析来进行破产风险预测的研究。 Altman很早就意识到运用年样本数据得出的判别模型实用价值不大,所以尽管付出了判别率下降的代价,他仍然进行了重要的补充——包括 年样本判别模型以及后来提出的修正后条件概率多元判别分析模型。 后人的许多研究基本上都参照了Altman的上述思路,只是具体细节有所不同。 尽管如此,这种处理仍然仅属于比较完备的多重截面分析,不同时点之间的判别结论同样缺乏有机联系。  许多相关研究中另一个值得关注的问题是财务比率之间的多重共线性干扰没有得到应有的重视。 由于目前尚未形成一种重要理论能够说明财务比率在企业财务危机之前的预测能力,因此独立变量的选择仍主要取决于研究者的直观判断以及数据的可获取情况。 包括Altman1968年以来的研究,Ohlson在1980年建立的包含有9个财务比率的破产预测模型,以及近年来的许多研究文献,都没有很好解决这一问题。  最后需要指出的是判别模型预测价值与判别准确率的平衡问题。 从Altman开始,研究者就已发现用于预测财务困境的财务指标,其信息含量随着时间的推移而递减,即指标离财务困境发生的时间愈短,信息含量愈多,预测的准确度愈高。 然而,由此带来的一个负面影响是使人们难以在远期即对企业发生财务危机的概率作出相对准确的估计。 从投资策略角度分析,在信息不对称市场中,以会计数据为基础的模型未必会比资本市场具有更佳预测效果。 Westerfield(1970)、Aharony等(1980)的研究即发现,资本市场的价格修正远远早于会计数据的异常变化,因此传统危机预测模型的使用者仍然很难有效规避市场风险,这使得许多相关研究的实际运用价值受到了极大限制。 当然,这一状况与前述的普遍忽视对样本数据加以时序处理的问题是密切相关的。
综上所述,当前许多研究的主要不足可归纳为三个方面,即(1)忽视财务数据的时序分析;(2)未能很好消除模型因子之间的多重共线性干扰和(3)判别模型的远期预测价值不高。 在此背景下,本报告的后续内容中即针对上述问题提出了一套具有创新特点的联合解决方案。
二、统计方法的选择
(1)全局主成分法
在经济生活中,为了全面、系统地分析问题,我们必须考虑各种对经济过程有影响的变量。 然而,在研究多变量问题时,变量太多会增大计算量并增加问题分析的复杂性。 主成分法的作用为在力保数据信息丢失最少的原则下,对高维变量空间进行降维处理。  经典的主成分分析法是针对即时性多维平面数据做最佳综合与简化。 然而,我们在本研究中拥有大量按时间顺序排列的平面数据表序列,即引入了由企业持续亏损前多年财务数据构成的“时序立体空间”。 这样,一组按时间顺序排放的数据表序列就象一个数据匣,被称为时序立体数据表。 全局主成分就是针对时序立体数据表所进行的主成分分析,对多维动态数据系统进行立体式的综合简化,迅速提取立体数据表中的重要信息,简明扼要地把握系统的动态规律。
(2)Logistic回归分析
由于Logistic回归没有关于自变量分布的假设条件,因此较好回避了判别分析所面临的各种难以满足的前提假设。 不过,尽管本研究采用的基本分析方法仍然是Logistic回归模型,但并非直接用财务指标进行Logistic回归建模,而是在建模之前先对估计样本和控制样本连续多年的财务指标进行全局主成分处理,取得保留了大部分信息、同时又完全正交的主成分因子。 然后,我们再采用逐步回归的方法将不存在共线性问题的变量逐步纳入模型中,从而得到最优的判别模型。
(3)Jackknife method检验
在大多数判别分析研究文献中常用的模型检验方法是交叉确认法。 该方法存在的一个主要问题是:模型的预测准确度可能会因预测样本和确认样本的不同而有所差异。  为避免此种偏差的存在,我们引入了Jackknife method检验方法,即在原始数据中省略一个案例,然后运行Logistic回归模型,计算这一省略案例的预测概率,并根据观测值和预测值进行分类,重复上述过程n次(n为样本规模),直至每个案例都得到分类。 由于Jackknife method是将每个案例都作为一次预测样本,重复n次后得出的总体判别准确率,因此我们模型预测能力的判断是稳定无偏的,具有极高可信度。 相形之下,国内学者普遍采用交叉确认检验得到的模型,其预测准确率受到诸多因素的影响,包括:(1)预测样本的案例数量及情况;(2)确认样本的案例数量及情况;(3)得到的预测准确率仅仅是一次分类预测结果,不同的确认样本的预测结果可能差异很大。 显然,这种以一次预测结果来表示模型总体预测情况的检验方法对于相关研究结论稳定性的影响是不容忽视的。
三、上市公司财务危机远期预警模型的建立
(1)样本选取
我们以“持续经营”要件为基础对财务危机概念作出的狭义界定为“企业盈利能力遭受实质性削弱,并伴随持续亏损的状态”,因此本研究中的估计样本为1993年以来出现(或视同出现)持续性亏损的上市企业,即ST、PT公司。 由于行业、企业规模等因素对企业的财务指标影响较大,为了控制这些干扰因素,我们采取配对抽样的方法选取作为对照研究的正常组样本的上市公司。 具体条件限制包括:行业相同、产品结构相近、上市时间相近且无亏损记录等。  本研究将ST、PT公司作为失败组(公司状况用‘1’表示),并按配对抽样条件挑选出非亏损公司作为正常组(公司状况用‘0’表示),入选样本共206家(其中财务危机企业103家,配比公司103家),所有基础数据均来自WIND财务分析软件及聚源财务分析系统。
(2)时序立体数据空间维度的确定 为了确定样本数据的最佳时间跨度,并据以构建设想中的时序立体数据空间,我们对由上述估计样本和控制样本 年( 代表持续性亏损开始的年度)基本财务数据所计算得出的80个财务指标进行了长期的分布观察,用Wilcoxon符号秩检验来确定失败组样本和正常组样本的时序财务指标是否存在集中的差异分离特征。 结果发现,大约有76%的指标从 年开始出现突发性的差异扩大趋势,而在 年时差异最为显著。 由于 年数据不符合我们设计远期预警系统的设想,因此我们最终确定的数据时间跨度为 至 年。
四、实证结果的说明与分析
(1)变量说明
我们用于基础分析的财务指标共80个,大致可分为四类,即流动性比率(liquidity ratios)、经营效率比率(operating efficiency ratios)、收益比率(profitability ratios)和资本结构比率(capital ratios)。 出于篇幅所限,我们在此不作一一列明。
(2)全局主成分结果
对上述财务指标进行全局主成分分析之后,我们通过全局协方差矩阵得到特征值。 根据累计贡献率达到90%的要求,我们选择了前21个全局主成分因子,作为Logistic回归的分析变量(表略)。 这21个全局主成分因子代表了原有80个财务指标90%的信息含量,这些主成分因子都是原有财务指标的线性组合。
(3)logistic回归模型
我们将得到的21个全局主成分因子进行逐步回归,建立Logistic回归模型。 当变量的Sore统计量的P值小于所设定的显著性标准(0.05)时,变量被加入模型,当变量的Wald统计量的P值大于设定的保留标准(0.05)时,变量被剔除出模型,直至得到最优的回归模型。 我们得到的最终模型如表1所示。 从表1中拟和度指标可以看出,HL指标不显著、 统计显著,表明模型很好地拟和了数据,同时自变量能较好地预测事件的发生比率。
(4)不同方法的对比检验结果
为了确定本研究方法的实际效果,我们利用相同样本分别建立了多元线性判别模型和简单Logistic回归模型,与我们得出的时序数据基础的Logistic判别模型在相同条件下进行比较。 三个模型都经过Jackknife method检验。 其中,多元线性判别模型系采用逐步回归法建立;而以 年数据建立的Logistic回归模型也经过了数据标准化和经典主成分处理,与我们的最终模型仅有数据基础上的区别。 表2描述了三种方法在相同环境下的判别率结果。  尽管多元判别分析的效果不错,但由于前述方法上的明显缺陷,并不是我们关注的重点。 相形之下,与简单Logistic回归模型比较,我们的模型由于融入了 年的财务信息而使判别准确率有着明显提高。 这一结果再次证明我们提出的立体时序数据空间较传统的数据截面具有显著改善,从而为自Altman和Ohlson以来渐落陈规的财务危机预测研究打开了另一个崭新的突破口。  
五、结论
本研究以估计样本和控制样本的多年财务数据为基础,创造性地构建了适用于财务危机判别的时序数据立体空间,并最终建立了适合对我国上市公司财务危机进行远期辨识的全新预警系统,从而在很大程度上提高了企业财务风险判别研究的实用价值。 本研究的主要贡献包括:
(1) 建立了以时序立体数据空间为基础的财务危机判别模型,提高了样本中重要财务趋势特征的信息含量,从而克服了国内外单截面及多重截面分析中普遍存在的明显逻辑问题,使企业财务数据的持续性变化和累积效果能够得到较为逼真的映射重现。
(2) 采用全局主成分方法解决了模型中因子间的多重共线性问题,从而使logistic回归方法应用的规范度和严谨度得到明显改善。
(3) 应用Jackknife method检验,避免了国内外许多研究中采用交叉确认检验而可能引致的不足,显著提升了我们模型的稳定性和可信度。
返回列表