一種基于多元分類支持向量機的企業(yè)財務(wù)危機預(yù)警方法

［摘 要］ 基于多元分類支持向量機提出了一種企業(yè)財務(wù)危機預(yù)警的新方法。以企業(yè)財務(wù)危機預(yù)警指標(biāo)和對應(yīng)實際分類結(jié)果為學(xué)習(xí)樣本，采用交叉驗證方法和“一對一投票”方法進(jìn)行訓(xùn)練、測試，確定出所有兩兩分類的最優(yōu)分類函數(shù)。實例結(jié)果表明，該方法有效、可行，為企業(yè)財務(wù)的動態(tài)預(yù)警提供了新的途徑。

［關(guān)鍵詞］ 財務(wù)危機；預(yù)警；支持向量機；多元分類

［中圖分類號］F275；F224.0［文獻(xiàn)標(biāo)識碼］A［文章編號］1673-0194（2008）07-0047-02

經(jīng)營環(huán)境的不確定性和決策者認(rèn)識的滯后性不可避免地會導(dǎo)致決策者在經(jīng)營管理過程中出現(xiàn)較大的失誤，使企業(yè)陷入財務(wù)危機或困境，無法依照合同清償債權(quán)人的到期債務(wù)，甚至資不抵債，破產(chǎn)、倒閉。財務(wù)危機預(yù)警是以企業(yè)財務(wù)信息為基礎(chǔ)，通過設(shè)置并觀察一些敏感性預(yù)警指標(biāo)的變化，對企業(yè)可能或?qū)⒁媾R的財務(wù)危機實施的實時監(jiān)控和預(yù)測警報。通過財務(wù)危機預(yù)警，可提前識別企業(yè)財務(wù)危機，使決策者能及時有效地采取防范措施化解危機，財務(wù)危機預(yù)警已成為財務(wù)管理領(lǐng)域和管理科學(xué)與工程領(lǐng)域的前沿和熱點問題［1］。本文結(jié)合20世紀(jì)90年代興起的支持向量機（Support Vector Machine，SVM）提出了一種新的財務(wù)危機預(yù)警方法，并結(jié)合一個財務(wù)危機的預(yù)警實例來驗證該方法的可行性和有效性。

1 財務(wù)危機預(yù)警的多元分類SVM方法

支持向量機是一種基于統(tǒng)計學(xué)習(xí)理論的機器學(xué)習(xí)方法，根據(jù)有限的樣本信息，折中經(jīng)驗風(fēng)險和置信范圍，使結(jié)構(gòu)風(fēng)險最小化，以獲得最好的學(xué)習(xí)泛化能力［2］。如何將支持向量機的二元分類有效地擴展到多元分類一直是人工智能領(lǐng)域的一個熱點問題。目前，多元分類支持向量機算法較多，如一對一投票、一對多、有向無環(huán)圖、糾錯編碼和層次支持向量機等［3，4］。本文采用較為成熟的一對一算法進(jìn)行多元分類支持向量機的訓(xùn)練、驗證。設(shè)有n個同類企業(yè)，p個財務(wù)危機預(yù)警指標(biāo)，應(yīng)用多元分類SVM方法進(jìn)行財務(wù)危機預(yù)警的步驟如下：

（1）對財務(wù)危機預(yù)警指標(biāo)數(shù)據(jù)進(jìn)行線性壓縮處理，使其在［0，1］區(qū)間內(nèi)。這樣一方面避免數(shù)據(jù)域中出現(xiàn)數(shù)值過大的數(shù)據(jù)，另一方面也可使支持向量機的歸類計算量相對降低。記錄此時的線性映射規(guī)則。

（2）對輸出作如下規(guī)定：如果財務(wù)狀況正常，輸出為1；財務(wù)狀況有不良跡象，但尚不需預(yù)警，輸出為2；出現(xiàn)危機需預(yù)警，則輸出為3。

（3）每兩類數(shù)據(jù)構(gòu)成一個樣本集，構(gòu)建二元支持向量機進(jìn)行訓(xùn)練，確定出最優(yōu)分類函數(shù)。

（4）得到3個最優(yōu)分類函數(shù)。將預(yù)測樣本危機預(yù)警指標(biāo)按照訓(xùn)練樣本的線性映射規(guī)則進(jìn)行預(yù)處理后，分別代入其中，按照一對一投票法，以得票數(shù)最多的類別為其最終屬類。

2 財務(wù)危機預(yù)警實例

文獻(xiàn)［5］給出了45個企業(yè)的15項財務(wù)危機預(yù)警指標(biāo)數(shù)據(jù)，以前30個為訓(xùn)練樣本建立BP神經(jīng)網(wǎng)絡(luò)，將另外15個作為預(yù)測樣本代入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中進(jìn)行預(yù)測，得到訓(xùn)練結(jié)果符合率為95%，預(yù)測結(jié)果有4個不夠準(zhǔn)確，符合率為73.3%，未能給出統(tǒng)一的數(shù)學(xué)模型。

本文應(yīng)用SVM方法進(jìn)行建模，以前30個企業(yè)數(shù)據(jù)作為訓(xùn)練樣本，考慮到RBF核函數(shù)具有把訓(xùn)練集非線性映射到更高維特征空間、模型參數(shù)少、計算復(fù)雜度低等優(yōu)勢，選其作為每兩類訓(xùn)練時的內(nèi)積核函數(shù)，應(yīng)用MATLAB編程，得到三類的兩兩最優(yōu)分類函數(shù)，將后15個預(yù)測樣本財務(wù)危機預(yù)警指標(biāo)按照訓(xùn)練樣本的線性映射規(guī)則進(jìn)行預(yù)處理后，分別代入其中，得支持向量機“一對一”投票預(yù)測結(jié)果和實際結(jié)果（如表1所示）。可見，除企業(yè)11、12和15預(yù)測失效外，其余樣本均預(yù)測準(zhǔn)確，預(yù)測準(zhǔn)確率為80%；從3個預(yù)測失敗的樣本來看，主要是由于其2-3分類結(jié)果不準(zhǔn)確，這與第二、三類訓(xùn)練樣本的交叉驗證準(zhǔn)確率不高有直接關(guān)系。

3 結(jié)束語

支持向量機方法無需大量樣本和事先假設(shè)，有效地解決了小樣本、高維數(shù)、非線性和局部極小點等問題，比統(tǒng)計、神經(jīng)網(wǎng)絡(luò)等財務(wù)危機預(yù)警模型更具有優(yōu)勢。實例結(jié)果表明，運用多元分類支持向量機方法進(jìn)行財務(wù)危機預(yù)警，可以取得比神經(jīng)網(wǎng)絡(luò)更佳的預(yù)測效果，且能夠給出簡潔、統(tǒng)一的數(shù)學(xué)模型，可很好地實現(xiàn)企業(yè)財務(wù)危機的狀態(tài)測定和動態(tài)預(yù)警，為企業(yè)財務(wù)的動態(tài)預(yù)警提供了一種新的途徑。

主要參考文獻(xiàn)

［1］ 張在旭，宋杰鯤，張宇. 一種基于支持向量機的企業(yè)財務(wù)危機預(yù)警新模型［J］. 中國石油大學(xué)學(xué)報:自然科學(xué)版，2006，（4）：132-136.

［2］ V Vapnik. The Nature of Statistical Learning Theory［M］. New York：Springer Verlag，1995.

［3］ 劉志剛，李德仁，秦前清，等. 支持向量機在多類分類問題中的推廣［J］. 計算機工程與應(yīng)用，2004，（7）:10-13.

［4］ C J Lin，C W Hsu. Comparison of Methods for Multi-class Support Vector Machines［J］. IEEE Transactions on Neural Networks，2002，（3）：415-425.

［5］ 楊保安，季海，徐晶，等. BP神經(jīng)網(wǎng)絡(luò)在企業(yè)財務(wù)危機預(yù)警之應(yīng)用［J］. 預(yù)測，2001，20（2）：49-54.