基于SMOTE-隨機森林的互聯網金融公司財務風險預警模型

摘 要：以我國的互聯網金融上市公司為研究樣本，在目前國內外對于企業財務風險預警研究的基礎上，結合互聯網金融公司的特點，利用SMOTE算法并與隨機森林相結合，建立互聯網金融公司的財務風險預警模型。研究表明，隨機森林預警模型有著穩定的識別精度和較好的預測性能，因此具有廣泛的實踐價值。

關鍵詞：SMOTE算法;隨機森林;財務風險預警

中圖分類號：F832? ? ? ? 文獻標志碼：A? ? ? 文章編號：1673-291X（2020）33-0079-02

引言

近些年來，隨著網絡的蓬勃發展，現代社會已經變成一個信息社會。相對于傳統的企業，中國的互聯網金融企業以其迅速、靈活以及個性化的特點迅速發展。但一方面，互聯網金融企業在面對風險時，處理風險的時間也大大縮短。另一方面，互聯網金融公司發展時間較短，相關部門的監管機制也不夠完善，公司出現財務風險會對整個互聯網金融行業造成嚴重的不良影響，有的甚至可能對整個社會造成不利影響。因此，相關監管部門應該對企業進行評級，對于有財務風險的企業加強監管，以減少上述問題的出現。

本文首先運用SMOTE算法對原始數據進行平衡處理，然后通過隨機森林算法進行財務風險預警模型的建立。試驗結果表明，本文的方法可以有效解決ST公司樣本過少所導致的數據不平衡問題，從而使互聯網金融公司存在的財務風險能夠被及時預警，尤其是在對ST公司的風險預警上。本文旨在使預警模型可以為更多的企業服務，也為監管部門提供有效的參考數據。

一、互聯網金融公司財務風險預警模型的構建

1.模型構建。原始數據集的平衡程度對隨機森林模型的預測準確度具有較大的影響，而SMOTE算法能夠對原始數據集進行平衡，從而提高隨機森林的分類精準度。因此，將SMOTE算法與隨機森林相結合可以充分發揮兩者的優勢，達到更準確的預測效果。故本文擬利用SMOTE-隨機森林模型對互聯網金融公司的財務風險狀況進行預測研究，具體的財務風險預警過程（如圖1所示）。

2.樣本選取及數據處理。本文選取包含3家ST公司和60家正常經營的共計63家互聯網金融上市公司作為研究對象，以63家互聯網金融公司2017—2019年每個季度的財務數據作為研究樣本，經刪除部分缺失值后，共得到752組數據，其中ST公司32組，正常公司720組。ST公司是指，因公司連續兩年虧損而被證交所特別處理的公司，可以視為有較高的財務風險（銳思數據庫）。

3.預警指標的選擇。本文在選取財務指標時，首先參考了趙囡等人的研究，在該論文中的18個指標已經通過顯著性檢驗;然后考慮楊淑娥和王樂平選取的23個財務指標;最后，結合隨機森林自身的算法特性。本文最終采用七大類共計27個財務指標作為研究變量，這27個財務指標分別體現了互聯網金融公司的每股指標、營運能力、盈利能力、償債能力、現金流量、資本結構和成長能力，可以充分反映互聯網金融公司的財務狀況。

4.數據的平衡處理。因為預警指標中3家ST公司的數據，60家正常公司的數據，是比較嚴重的不平衡數據，為了解決非平衡數據對隨機森林模型的影響，本文用SMOTE算法對不平衡數據進行平衡處理，之后再應用隨機森林進行分類，具體的流程（如圖2所示）。

平衡前，訓練集含有500組正常公司的數據，20組ST公司的數據，測試集含有220組正常公司的數據，12組ST公司的數據。經SMOTE算法平衡數據以后，新的訓練集含有270組正常公司的數據，200組ST公司的數據，比例接近1∶1。

二、實證研究

1.變量重要性分析。分別采用平均準確率的減少和平均不純度的減少方法，對變量進行重要性分析。結果發現，銷售凈利率，每股凈資產以及凈資產增長率在兩種重要性分析中均為前三，且重要性程度較高。因此對于企業來說，應該著重關注這三個財務指標，使其準確體現公司的財務狀況。

2.預測結果分析。圖1和圖2分別為基于SMOTE-隨機森林預警模型和數據平衡處理流程，通過對測試樣本進行100次預測，選取平均值作為最終的預測結果。我們列出了實際值和模型預測值之間的混淆矩陣。從下表中我們可以看出，未經平衡處理的數據構建的隨機森林模型，總體預測準確率達到95.27%，對ST公司的預測準確率卻只有46.17%，而經SMOTE算法平衡后的數據構建的隨機森林模型，對ST公司的預測準確率就高達76.41%，總體準確率為97.35%。從預測結果來看，此預測模型作為互聯網金融公司的財務風險預警模型，是一個比較理想的財務風險預警模型，有著較好的穩定性和實踐價值。

三、結論與建議

通過用SMOTE-隨機森林建立的互聯網金融公司財務風險預警模型，可以得出以下結論與建議。第一，通過參考本文建立的財務風險預警模型，監管部門以及投資者可以將互聯網金融公司財務風險的狀況作為參考，然后進行選擇，以此減少一些財務損失;銀行也可以有選擇性地進行放貸。第二，政府相關監管部門應該加強監管和信息披露機制，完善相關的法律法規。例如，要求公司公布公司的股東和經營狀況等信息，這些信息不涉及企業的機密，同時也可以為后期進行財務風險預警提供數據支持和依據。

參考文獻：

[1]? 趙囡，趙哲耘.基于PCA-BPNN的互聯網公司信用風險預警模型[J].上海經濟，2018，（3）：97-107.

[2]? 楊淑娥，王樂平.基于BP神經網絡和面板數據的上市公司財務危機預警[J].系統工程理論與實踐，2007，（2）：61-67.

[3]? Leo Breiman.Random Forests[J].Machine Learning，2001，（1）.

[4]? James A.Ohlson.Financial ratios and the probabilistic prediction of bankruptcy[J].Journal of Accountancy，1980.

[5]? Gordy M.B.A comparative anatomy of credit risk models[J].Journal of Banking and Finance，（24）：119-149.

[6]? Leshno Moshe，Spector Yishay.Neural network prediction analysis the bankruptcy case[J].Neurocomputing，1996，（2）：125-147.

[7]? 蔡立新，李嘉歡.大數據時代企業財務風險預警機制與路徑探究[J].財會月刊，2018，（15）：38-43.

[8]? 于煥杰，杜子芳.基于隨機森林的企業監管方法研究[J].管理世界，2017，（9）：180-181.

[9]? 吳悠悠.我國互聯網金融：問題、前景和建議[J].管理世界，2015，（4）：170-171.

[責任編輯 文 峰]

收稿日期：2020-04-09

作者簡介：李玉占（1969-），男，河南南陽人，科長，從事市場營銷研究。