基于遺傳算法的上市公司財務危機預測規則發現研究

［摘 要］ 本文以我國滬深A股上市公司為研究對象，選取制造業公司376家，其中被特別處理的ST公司188家，與其配對的健康公司188家，使用遺傳算法和財務比率建立了財務危機IF-THEN判別模型，經檢驗，提前3年進行危機預測平均準確率為83.89 %。

［關鍵詞］ 財務危機；遺傳算法；規則

［中圖分類號］F275.5［文獻標識碼］A［文章編號］1673-0194（2008）05-0045-02

一、引 言

財務危機，又稱財務困境，對其定義各不相同，例如指企業破產、不能按期還本付息等。本文以我國上市公司為研究對象，將公司被特別處理（ST）視為發生財務危機，被特別處理的原因主要包括：（1）最近兩個會計年度的審計結果顯示的凈利潤均為負值；（2）最近一個會計年度股東權益低于注冊資本，即每股凈資產低于股票面值；（3）追溯調整導致最近兩年連續虧損；（4）交易所或中國證監會認定為財務狀況異常；（5）被注冊會計師出具無法表示意見或否定意見的審計報告；（6）出現其他異常狀況，實施特別處理。準確預測財務危機，對于經營者防范風險、對于保護投資者和銀行等債權人的利益、對于政府監管都有重要意義。

使用遺傳算法提取IF-THEN判別規則，具有判別規則清楚透明、容易理解等優點。另外，雖然采用窮舉法提取判別規則簡單可靠，但是隨著樣本和規則前提屬性數目的增多，規則空間將變得很大，由于計算量太大而使得窮舉搜索不可行，遺傳算法則行之有效。Shin K S和Lee Y J（2002）選取528家被審計的中等規模制造業公司，其中破產公司和健康公司各264家，利用因子分析等統計方法，從最初的55個指標中選取9個財務指標作為備選，最終提取了具有5個前提條件的預測規則，訓練集和測試集的平均預測準確率都達到80%左右。Davalos等（2005）最初收集了航空業的21個財務指標，最終使用其中的7個，提取的具有5個前提條件的規則預測平均準確率達到91%。

二、使用遺傳算法提取財務危機預測規則原理

1. 遺傳算法原理

遺傳算法由美國Holland教授于1975年提出，是一類以達爾文自然進化論和孟德爾遺傳變異理論為基礎的求解復雜全局優化問題的仿生型算法，它以適者生存、不適應者被淘汰為進化策略，對包含可能解的群體反復進行選擇、交叉、變異等遺傳學操作，從而使種群不斷進化，以搜索到最優解或準最優解，具有簡單實用、魯棒性強、本質并行性等特點。遺傳算法包含如下基本要素：（1）染色體編碼；（2）適應度函數設計；（3）遺傳操作設計，包括選擇、交叉、變異；（4）運行參數設定，包括設定初始群體規模、遺傳運算終止進化代數、交叉概率、變異概率。

2. 財務危機預測規則

預測規則包含前提條件和結論兩部分，通用形式為：

{IF X1>=C1.AND.X2>=C2.AND.……Xn>=Cn

THEN公司是健康的ELSE發生財務危機}

其中X1~Xn是財務指標；n是指標數；C1~Cn是指標的閾值，由遺傳算法搜索得到。如果某指標越大公司越是健康的，例如凈資產收益率，則閾值前為大于等于號；如果某指標越大公司越是可能發生財務危機，例如財務費用比例，則閾值前取小于號。

3. 染色體編碼

染色體采用二進制編碼，字符串形式如下：

{X1，X2，…，Xn，L/G1，L/G2，…，L/Gn，C1，C2，…，Cn}

其中X1~Xn是財務指標；L/G1 ~ L/Gn代表小于號或者大于等于號；C1~Cn是閾值。每條染色體對應一個預測規則。

4. 適應度函數設計

預測效率通常由預測精度或誤判成本來決定，由于誤判成本難于確定，故本文采用預測精度來判別規則的預測效率，因此適應度函數定義為預測正確的公司數除以公司總數。

5. 遺傳操作設計

使用賭輪方法選擇適應度高的個體作為父代；隨機兩兩配對染色體，采用單點交叉，隨機選擇交叉點，根據試算和經驗，交叉概率取0.65；基因位變異概率取0.003；初始群體規模取100；保留上代4個最優個體；終止進化條件為200代停機。整個程序采用Visual Foxpro編程實現。

三、樣本和財務指標選擇

1. 樣本數據

本文共選取滬深A股制造業公司376家，分為兩個子集：訓練集和測試集。訓練集286家，占76%，其中ST公司和配對的健康公司各143家；測試集90家，占24%，其中ST公司和配對的健康公司各45家。

訓練集ST公司的選取標準是：在2001-2006年間首次被特別處理的。因為選取的都是首次被特別處理的公司，因此沒有重復的公司，健康公司也不重復。根據證監會的規定，公司被特別處理主要是因為連續兩年虧損，并在第三年會計報表披露后宣布為被ST，因此為了使得到的預測結果更客觀可靠，選取被ST三年前（t-3）的年報數據來預測當年（t）是否會被ST，例如2001年被ST，則選取1998年的年報數據作樣本。

測試集則由2007年首次被特別處理的45家ST公司及其45家配對健康公司組成。所有樣本數據取自新浪財經股票網和CSMAR數據庫。

2. 指標選擇

最初選擇了21個傳統常用的財務指標。對訓練集的ST公司和健康公司兩組均值差異進行檢驗，并設想參考差異程度等因素確定用于預測的指標。首先對ST公司和健康公司的21個指標是否服從正態分布作柯爾莫哥洛夫-斯米諾夫單樣本正態檢驗，如果ST公司和健康公司的某指標均服從正態分布，則使用兩獨立樣本t檢驗方法檢驗ST公司和健康公司樣本算術平均值是否相等。如果某個指標不全服從正態分布，則使用兩獨立樣本曼-惠特尼方法檢驗均值是否相等。結果是，均值存在顯著性差異（顯著性概率p<0.001）的指標有16個。使用這16個指標進行單指標財務危機預測（過程略），最終選擇了預測準確率最高的6個指標，作為提取預測規則的備選指標，即現金流動負債比X3、應收賬款周轉率X6、財務費用比例X8、總資產周轉率X9、資產凈利率X11、凈資產收益率X12，如表1所示。

四、提取預測規則

使用訓練集的286個樣本和6個指標進行進化計算。經過試算選取了預測準確率較高的含有4個前提條件的規則。適應度高的規則作為最佳預測規則，如表2所示。規則預測準確率如表3所示。

五、結 論

使用遺傳算法提取的IF-THEN判別規則具有簡單透明易用的特點，展示了遺傳算法在財務危機預測領域，以及審計決策、銀行信貸決策、投資決策等領域的光明應用前景。本文基于定量的財務指標進行預測規則的挖掘，還可結合定性的指標進行預測規則的挖掘。

主要參考文獻

［1］ Kyung-Shik Shin，Yong-Joo Lee. A Genetic Algorithm Application in Bankruptcy Prediction Modeling［J］. Expert Systems with Applications，2002，23（3）：321-328.

［2］ Davalos S，R Gritta，J Goodfriend ，et al. The Use of a Genetic Algorithm in Forecasting Air Carrier Financial Stress and Insolvency［J］. Credit and Financial ManagementReview，2005，11（2）：15-21.

注：“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。”