基于SVM的我國上市公司違規預警研究

1.李 莎 2.趙福民

1.長沙理工大學 數學與統計學院 2.國防科學技術大學電子科學與工程學院

1 引言

上市公司違規事件造成的社會影響極其惡劣，上市公司違規處罰公告披露后市場反應劇烈，對公司效益造成負面影響，且上市公司違規行為一旦被公開處罰，會產生顯著的市場負面效應.國內外文獻研究了諸如公司高管的性別、股權結構、董事會規模、監事會規模、管理層激勵、內部控制、持股動機、治理結構、財務指標、制度和環境角度等與公司違規行為之間的關系.

綜上所述，筆者認為，公司違規是由多種因素綜合作用的結果，本文提出Fisher score和MRMR兩種特征選擇算法，結合了SVM機器學習方法，搜集影響上市公司違規的指標，并且經過指標排序篩選，來提高模型預警精度，以此用于上市公司違規預警的研究.

本文的貢獻在于，1、綜合篩選了影響公司違規的影響指標，并把行業指標也納入其中.2、利用Fisher score和MRMR兩種特征選擇算法，彌補了只篩選特征指標而沒給出指標排名的不足.

2 研究方法

Fisher score進行特征選擇，是將相似得分值賦予來自相同類別的樣本，不同的值賦予來自不同類別的樣本來實現的.Fisher score的評價標準式為：

最小冗余最大相關(Minimum-Redundancy-Maximum-Relevance，MRMR)特征選擇算法通過計算交互信息，不但考慮了特征與標簽的關系，而且對特征之間的冗余度也有限制.算法在要求最大相關性的同時，要求特征子集的冗余度最小，以此尋求最優子集.

3 數據來源、變量選擇

3.1 數據來源

本文選取2010年至2014年在深圳證券交易所與上海證券交易的上市公司，去除缺失樣本后，共收集到1535家上市公司為研究樣本.其中未發生違規的上市公司439家，發生違規的上市公司1096家.樣本所有數據均來自國泰安數據庫.本文的公司樣本取自國泰安數據庫中的“違規處理”數據表.其中，違規類型包括以下三類：公司財務違規、公司經營違規和公司領導人違規.

3.2 變量選擇

本文引入0—1啞變量，0代表公司未發生違規，1代表公司發生違規.根據CLSA Asia-Pacific Markets提出的公司治理評價指標，綜合得到了公司違規行為預警指標體系.本文首先考慮了公司的行業類型指標；公司規模指標3個：總資產、股東數、股本總數；公司治理評價指標7個：國有股比例、境內發起人股比例、高管持股比例、流通股比例、第一大股東持股比例、董事會會議次數、股東大會召開次數；財務狀況指標43個：所有者權益、流動資產比率、所有者權益比率、流動負債比率、經營負債比率、金融負債比率、資產負債率、長期借款與總資產比、權益乘數、產權比率、權益對負債比率、長期資本負債率、資本積累率、總資產增長率等.

4 實驗結果與分析

實驗選取了表1所示的54個屬性，分類器用線性lib-SVM，其中參數C采用交叉驗證尋優方法來確定.實驗從1535個樣本中隨機選取k個樣本作為訓練樣本，剩下的1535減k個樣本用于測試.為了最終所得的分類結果更準確，實驗取20次分類精度的平均值作為最后的結果記錄.當訓練樣本數k從300增加到1000的時候，測試樣本的預測精度逐步提高，后趨于穩定.當訓練樣本達到700個時，在SVM下的分類精度達到了70.7202%.

為了綜合地篩選出違規公司特征屬性，提高模型的預測精度，實驗對屬性的得分做了歸一化處理，并計算了各個屬性在Fisher score和MRMR特征選擇算法下取得的平均值，按從高到低排列54個屬性.實驗不斷改變訓練樣本數來觀察分類精度，取20次分類精度的均值作為結果記錄，分類精度曲線如圖1：

圖1 基于兩種特征選擇方法下的分類精度

可以看出，紅色曲線所代表的20個屬性的分類精度明顯高于其他4條曲線，當訓練樣本數目為800個時，模型的分類精度達到了82.7586%，相對于沒有進行篩選的54個屬性，平均精度提高了近7個百分點.

5 結論

本文研究表明，第一大股東持股比例、每股凈資產、長期借款與總資產比、托賓Q值、流動負債比率、股東大會召開次數、行業類型等20個屬性對公司違規的影響較大.為了實驗的準確性，本文的訓練樣本和測試樣本采取隨機抽取的方法，結果取二十次實驗結果的平均值，保證了結果的準確性.并且當訓練樣本數目為800個時，模型的分類精度達到了82.8%，相對于沒有進行篩選的54個屬性，平均精度提高了近7個百分點.這表明模型指標約減后，模型的精度提高了，且模型的泛化能力較好.這本文的研究成果為監管部門對上市公司進行風險管理提供了一定的依據，從而有利于監管部門更加科學合理的分配監管力量。