企業財務風險動態監測平臺構建研究

五邑大學管理學院 謝芳

企業財務風險動態監測平臺構建研究

五邑大學管理學院 謝芳

我國企業對包括財務風險在內的各種風險的管理狀況令人擔擾，通常的情況是：企業沒有專門人員和機構進行系統的、全局的風險管理，各部門只針對部門內風險單獨采取一定措施，一些企業甚至根本就沒有風險管理意識；而且，風險管理活動基本是被動式的，出現危機了才進行管理；同時，在風險管理方法上也沒有科學的風險管理理論指導。因此，強調企業財務風險管理，研究相關技術和策略，具有重大的長遠價值。

一、財務風險動態監測平臺（FDMP）在企業風險管理（ERM）框架中的定位

（一）COSO的ERM框架國際上，企業風險管理的主要指引是ERM框架，它由COSO委員會于2003年7月在內部控制框架基礎上，結合薩班斯法案（SOX法案）以及理論界和實務界對內部控制框架提出的一些改進建議而發布，它為全球企業風險管理提出了全新的管理理念。ERM框架有3個維度：（1）目標維度，包括戰略目標、經營目標、報告目標和合規目標；（2）風險管理要素維度，包括內部環境、目標設定、事件識別、風險評估、風險對策、控制活動、信息和交流、監控；（3）劃分企業各個層級的組織維度，包括整個企業、各職能部門、各條業務線及下屬各子公司（具體如圖1所示）。三者間的關系是，全面風險管理的8個要素都是為企業的4個目標服務的，企業各個層級都要堅持同樣的4個目標，每個層級都必須從以上8個方面進行風險管理。該框架適合各種類型的企業或機構的風險管理。

圖2 企業風險"金字塔"

（二）企業財務風險管理在ERM中的定位企業財務風險管理是ERM框架中的重要組成部分。一方面，從目標維度講，由于財務數據是基于價值標準對企業信息的綜合反映，因而ERM中的經營、戰略等目標中許多屬于財務目標的內容。另一方面，從要素維度講，財務風險是風險事項識別、評估的重要內容，更是風險應對的重要手段。而且，如圖2所示的企業風險結構“金字塔”，上層的宏觀、中觀風險和底層微觀的各項風險都最終會對財務風險產生影響，財務風險則是企業風險最綜合的、往往也是最致命的表現，因此，財務風險是要素維度中最重要的因素。

（三）FDMP整體架構按照管理信息系統的一般原理，FDMP架構可以按照流程分為輸入、處理、輸出三個部分，即財務風險因素識別子系統、財務風險度量（評估）子系統和財務風險報告子系統。同時，FDMP作為企業整體信息系統中一個子系統，還要考慮企業的整體信息環境，設計與其他系統的銜接及相互支撐的接口子系統。FDMP總體架構如圖3所示。

圖3 FDMP總體架構

二、FDMP的構成

（一）風險因素識別子系統財務風險因素識別是指在事前，針對特定企業所處的內外部環境，辯識和確認構成企業財務風險的事項及其對應的風險容量，并在實際運行中，采取一定方法從信息源獲取風險事項變動的及時信息形成對FDMP系統的輸入。

由于財務風險影響因素眾多，如何識別并選擇適當的變量作為系統輸入一直是學者們關注的一個重要問題。從實用性角度考慮，所選擇的風險因素（指標）總體上應符合以下原則：（1）綜合性。傳統的財務風險定量識別是根據一個或數個變量來作出決策，導致不同變量可能得出不同結論，如果某企業的流動比率、速動比率很低，不考慮其他變量，容易得出該企業將陷入財務困境的結論，但若該企業盈利能力很強，流動性困難極有可能是短暫的，未必一定會陷入財務困境。因此，指標體系應綜合反映企業營運能力、償債能力、盈利能力、發展能力。同時，還要將一些重要的定性指標經過矢量化后包括進來，如公司治理狀況的有關指標。（2）敏感性。指標必須具有較高的敏感性，以迅速反映財務狀況的變化。（3）可得性。即能夠根據現有財務核算數據和相關管理資料，直接或間接地計算出來。

通過總結已有研究成果可以為確定風險變量提供指引，本文搜集了財務風險預測方面的國內外文獻，其中代表性的有：Beaver（1966）、Altman（1968，1977，1994）、Ohlson（1980）、Beyon&Peel（2001）、VanGestel（2006）、陳靜（1999）、陳曉（2000）、吳世農和盧賢義（2001）、聯合資信（2005）、王宗軍等（2007）、宋鵬等（2009）的研究，在這些研究中被廣泛使用且經模型檢驗有效的變量主要包括：償債能力方面主要是流動比率、負債比率、現金及現金等價物凈增加額/總負債；盈利能力方面主要是凈利潤率、凈資產收益率、總資產收益率（以利潤總額或以息稅前利潤為分子）；成長性方面主要是主營業務收入增長率、凈利潤增長率、總資產增長率；營運能力方面主要是總資產周轉率、應收賬款周轉率等。很少有研究將公司治理變量納入，但筆者認為公司治理對企業運作、長遠發展和財務信息質量都有重大影響，應當在量化后納入其中，如用郝芬達指數反映股權集中度等。需要強調的是，每個企業應當根據自己的具體特征來選擇風險變量，這方面并不存在絕對的統一標準。

（二）度量評估子系統該部分是將輸入的數據通過適當的模型進行處理，以得到企業財務狀況整體的一個二分類結果（好或壞）或風險等級劃分結果。根據風險管理目標、企業特征、數據條件等構建一個適當的模型非常關鍵，其技術水平和適用性將決定風險評估的有效性，從而從根本上決定財務風險動態監測的效果，因而是FDMP的技術核心。財務風險度量模型經過半個多世紀的發展，已經歷了單變量判定模型、多元線性判定模型、logit和probit概率模型、神經網絡（NN）分析模型。由于NN模型具有自學習能力，因而也就實現了模型的動態調整，從而達到動態預測的目的。當前，支撐向量機（SVM）由于比NN有更強的泛化能力、不易限入局部最優、維數不敏感等優點，已在財務風險度量領域得到初步成功應用，因而應重點考慮應用SVM技術來構建模型。

（三）財務風險報告系統該部分負責財務風險信息的對外披露，主要是根據組織特征決定在何時、以何頻率、以詳略得當的方式，將風險監測信息和警報信號在恰當的范圍內傳播，以便管理者及時了解財務風險情況并采取相應措施。

三、FDMP關鍵技術——財務風險評估模型的構建

（一）財務風險評估預測方法的演變與SVM的優勢自20世紀60年代以來，不少研究者對企業財務風險的評估預測方法由簡至繁地嘗試了多種方法，并仍在不斷摸索創新，至今大體已經歷了單變量判定、多元線性判定、概率模型、人工智能方法等階段，楊海軍和太雷（2009）對此做了很好的綜述。

Beaver（1966）利用單一的財務比率，最早提出公司財務預警分析模型，隨后Altman（1968，1977）提出了著名的多元線性判別模型——Z系列模型，該模型確定了資產營運資本率、資產留存收益率、資產報酬率、債務權益市價率和總資產周轉率這5個變量作為判別變量，產生了一個綜合判別公司財務狀況惡化程度的概率值，即Z值。但線性判別模型對預測變量有著嚴格的聯合正態分布要求，或者要求協方差矩陣相等，而事實上大多數財務比率并不滿足這一假設要求。為克服這些局限性，Martin（1977）和Ohlson（1980）等提出了邏輯回歸模型，與前述的模型相比邏輯回歸模型很好地解決了上述問題，因此具有更廣泛的適用性，然而邏輯回歸模型仍存在自身的缺陷，諸如線性、非線性的傳統統計學的嚴格假設條件，要求預測變量之間、函數形式關系之間相互獨立，但在現實世界中這些函數關系以及預測變量都不是完全獨立的。為了開發一種更為精確更為通用的預測方法來解決這個問題，包括決策樹、神經網絡、模糊邏輯、遺傳算法、支持向量機等方法的數據挖掘和機器學習技術被廣泛引入，并取得了較好的結果。Odom（1990）、Franco&Varetto（1998）運用人工神經元網絡模型進行財務困境預測的研究，Min&Lee（2005）采用支持向量機（SVM）方法對上市公司財務困境問題進行預測，并得出SVM方法優于神經網絡、多元判別分析和Logistic回歸的結果。

SVM是目前較新的一種性能優勢的模式識別技術，是由Vapnik等人根據統計學理論提出的一種新的通用學習方法，它是建立在統計學理論的VC維理論和結構風險最小化原理基礎上，能較好地解決小樣本、非線性、高維數和局部極小點等實際問題，泛化能力強，具有其它以經驗風險最小化原理為基礎的算法難以比擬的優越性。因而，FDMP的風險度量評估模型在當前條件下應當基于SVM技術構建。應當指出的是，本文討論的是如何為一個企業構建財務風險監測平臺，由于每個企業的情況存在許多差異，而且SVM作為一種人工智能學習技術，其最終成果——最優分類函數受學習樣本數據影響會隱含許多的企業特征，因而，試圖構建一個一般化的模型以適應所有企業并不具有太多實踐意義，需要針對特定企業根據其數據構建專屬的具體模型，所以，在此討論模型構建的主要問題及其處理原則更有指導意義。

那么應當選擇哪一類型的支持向量機呢？這是一個需要根據實際情況進行折衷處理的問題。從技術成熟度看，目前支持向量機在解決二值分類方面獲得了巨大成功，技術相對成熟，而SVR比SVC復雜，技術成熟度不如二分類SVC，多值分類則更次之。而從進行財務風險監測的需要來看，希望得到盡可能細化的分類結果以較準確地反映企業的財務風險水平，所以選擇的順序是SVR、多值分類、二分類，因為SVR的評估結果是一個連續值，多值分類結果是一個多等級值，例如五級分類，而二分類只有好與壞兩個值。面對這種沖突，應有的處理原則是，根據ERM框架確定的風險管理目標水平、數據獲取情況和企業管理技術水平來決定評估所期望的精度，從而選擇相應的模型種類。

二是參數的確定。要把模型構建落到實處，接下來就必須確定模型中的各項參數。對于支持向量機，影響模型效果的重要參數主要包括：

（2）誤差懲罰參數C，是調整模型復雜性和經驗風險的參數。C越大意味著對分類誤差的懲罰越大，誤分類的數據點數目越少；反之，C越小意味著忽略那些似是而非的誤分類數據點，同時得到更寬的分類間隔。

（3）對于SVR類模型，損失函數的選擇也至關重要，主要有ε不敏感損失函數、平方損失函數、Laplace損失函數、Huber損失函數等，最常用是Vapnik提出的ε不敏感損失函數。

目前對于參數的選擇還沒有明確的指導方法，在實際應用中，可以在如下兩種方式中選其一：

（1）經驗確定。經驗確定是按照樣本的分布規律，對函數形式和各個參數給出經驗估計值，這一方法需要使用者有較深厚的理論基礎。目前研究中有許多經驗總結可借鑒。如，Lanckriet（2004）指出可以利用半正定規劃技術直接從數據中學習核矩陣（各種可能核形式）來得到最適合的核函數形式；劉靖旭等（2008）研究表明對于ε-SVR模型，ε的不同取值，預測誤差隨參數對（λ，C）具有相似的變化趨勢，且對于較佳的組合，幾乎在相同的ε值處取得較小的預測誤差，這表明ε的選取在某種程度上獨立于（λ，C）的選擇，因此，可以先確定ε，把三參數優化問題轉化為二參數優化問題；楊海軍和太雷（2009）指出可使用模糊化的懲罰項（而不固定的懲罰參數值）來降低不重要數據點的影響，即根據外點偵測結果，使用一個權重函數，對外點賦予較大的懲罰值等。

（2）網格搜索。如果使用者缺乏經驗，則可用網格搜索方法，它的做法是將參數所處的空間劃分成網格，在每一個網格點上將參數代入進行試估計，并將估計結果的誤識率進行比較，最終選擇那些使誤識率最低的參數。這一方法的明顯優點是廣泛適用性，但其局限是計算量隨著參數數量的增加呈指數增長，對于實際中很多大型回歸分析問題由于計算量太大而不實用。

三是樣本問題。有效樣本的獲取與處理是構建模型的基礎，它不僅影響模型上述方面的技術選擇，并最終決定了模型估計的有效性。樣本問題主要涉及樣本規模和樣本結構均衡性兩個方面，當實際操作中碰到此類問題時，有時需要在參數選擇方面做調整，有時通過一定方法對樣本進行預處理就可基本解決。

（1）樣本規模問題。支持向量機最初是針對小樣本提出的一種方法，依據小樣本得到泛化能力強的模型是它的優勢。但與其他任何機器學習技術一樣，樣本規模不能過小，過小則會發生欠學習問題，即模型不能從訓練樣本中得到足夠信息，因而模型的預測能力就會不理想。支持向量機的小訓練樣本優勢同時也給它帶來了在大樣本場景下應用的局限性，如對于大型企業或涉及金融資產較多的企業，只有較大的樣本才可能提供比較充分的財務風險信息。支持向量機在大樣本中的局限主要是因為其訓練過程實質是求解一個二次規劃問題，其求解時間復雜度為O（N3），由于要存儲核矩陣，空間復雜度為O（N2），其中N是樣本數。當訓練集規模巨大時，支持向量機的訓練時間會太長，同時核矩陣的規模太大將導致內存空間不足。另一方面，支持向量機的訓練結果是用支持向量表示的，當支持向量數目太大時會導致超出內存限制，使得分類器不能全部裝入內存，影響分類器的使用。

在眾多處理支持向量機大樣本應用問題的技術中，不涉及到參數調整，可單純通過樣本預處理實現的有減少訓練樣本、訓練集分解兩種方法。

減少訓練樣本方法是采取某種策略，通過挑選最可能為支持向量的訓練樣本，或篩減最不可能為支持向量的訓練樣本，或以上兩種方法同時采用對訓練集實施預處理，以實現訓練集規模的減小。具體處理方法主要有：（a）鄰域算法，即通過一定算法（如k鄰域算法）計算樣本點鄰域信息，從而挑選那些位于分類超平面附近的樣本作為最終訓練集，實現訓練過程加速的同時確保分類器泛化能力（Shin，2003）。（b）聚類方法，即使用聚類分析技術對大樣本進行預處理，抽取聚類子集的有效信息，從而實現訓練樣本的篩減。如Boley（2004）提出了一種自適應聚類方法，首先將訓練集按照類別分別實施聚類，用每個子集的中心作為該子集的“代表”，然后用這些“代表”的集合訓練初始支持向量機，從而初步發現訓練集中可能的非支持向量，非支持向量子集用該子集的中心代表，從而起到篩減非支持向量的目的。

訓練集分解方法就是基于某種策略將訓練集分解成若干子集，在每個子集上訓練支持向量機，最后采用某種策略將各支持向量機組合。具體實現有串行、并行兩種方式。并行的訓練集分解方法有：貝葉斯支持向量機（BC-SVM）、最小最大模塊化支持向量機M3-SVM、并行混合支持向量機專家、快速模塊化支持向量機（Fast modular network implementation for SVM）、分布式支持向量機（Distributed-SVM）等。串行方法主要是使用Boosting算法來擴展支持向量機，它是用上次訓練過程產生的分類器在整個訓練集上的測試準確率決定下次樣本的抽取，這將使被前面產生分類器錯分的樣本更可能出現在下次的訓練集中。

（2）樣本均衡性問題。如果訓練樣本出現明顯的非均衡性，如某一類樣本特別少，而另一類樣本特別多，在這種情況下經傳統處理方法訓練出來的支持向量機在分類時就會出現偏向大類的傾向，換言之，當兩類訓練樣本數目相差懸殊時，分類平面明顯偏向少數類訓練樣本一方，從而產生“有偏性”。而財務風險、醫學診斷、入侵檢測等都屬典型非均衡問題。

如何處理這一問題，目前主要有兩種思路，一是改造分類算法，另一個是對數據進行預處理。改造分類算法主要通過對不同類的樣本設置不同的權值，改變概率密度，調整分類邊界等措施解決，如趙會等（2009）提出一種基于中心距離比的分類算法；而謝丹蕊等（2009）提出的平衡策略則是，首先基于Fisher判別思想，計算出兩類樣本在分類超平面法向量上投影后的均值和方差，再依據兩類錯分概率相等準則，給出新的閾值計算方法對超平面進行調整。數據預處理方法通過樣本數據的修剪來解決非均衡問題，具體方法包括向下取樣、向上取樣等。向下取樣是減少多數樣本的數量，使不同類的數量接近平衡，從而提高分類能力。該方法的缺點是容易丟失多數類的一些重要信息。向上取樣是通過增加少數類的樣本數量提高分類器的分類能力，但新樣本難以保證與原樣本同分布，且增加了訓練器負擔。因此，不同方法各有利弊，還有待進一步發展成熟。

［1］蔣艷霞、徐程興：《基于集成支持向量機的企業財務業績分類模型研究》，《中國管理科學》2009年第2期。

［2］彭靜、彭勇、歐陽令南：《基于粒子算法和支持向量機的財務危機預警模型》，《上海交通大學學報》2008年第4期。

［3］楊海軍、太雷：《基于模糊支持向量機的上市公司財務困境預測》，《管理科學學報》2009年第12期。

［4］Altman E.Financial ratios，discriminant analysis and the prediction of corporate bankruptcy［J］.The Journal of Finance，1968，23（4）.

［5］Altman E，Haldeman R，Narayanan P.Zeta analysis:A new model to identify bankruptcy risk of corporations［J］.Journal of Banking and Finance，1977，（1）.

［6］Beaver W.Financial ratios as predictors of failure，empirical research in accounting:Selected studies［J］.Journal of Accounting Research，1966，Suppl（5）.

［7］FrancoV.Genetic algorithms applications in the analysis of insolvency risk［J］.Journal of Banking&Finance，1998，（22）.

［8］MartinD.Earlywarningofbankfailure：Alogistic regression approach［J］.Journal of Banking and Finance，1977，（1）.

［9］Min J H，Lee Y C.Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters［J］. Expert Systems with Applications，2005，（28）.

［10］Ohlson J.Financial ratios and the probabilistic prediction of bankruptcy［J］.Journal of Accounting Research，1980，18（1）.

（編輯 熊年春）