基于樸素貝葉斯算法的*ST企業(yè)財(cái)務(wù)狀況預(yù)測(cè)研究

楊星華

摘要：隨著我國經(jīng)濟(jì)的迅猛發(fā)展，金融市場(chǎng)中*ST企業(yè)不斷增多。上市企業(yè)達(dá)到連續(xù)三年虧損就會(huì)被執(zhí)行退市預(yù)警，這不僅使普通投資者回報(bào)下降、也使企業(yè)股東權(quán)益受損。為了對(duì)*ST企業(yè)發(fā)展?fàn)顩r更好的評(píng)價(jià)，文章以基于樸素貝葉斯算法的財(cái)務(wù)狀況預(yù)測(cè)模型分析為研究課題，以滬深A(yù)股主板*ST企業(yè)t-1和t-2年的財(cái)務(wù)數(shù)據(jù)為研究樣本，運(yùn)用混淆矩陣評(píng)價(jià)指標(biāo)構(gòu)建具有適用性的財(cái)務(wù)狀況預(yù)測(cè)模型。實(shí)證結(jié)果顯示模型具有較好的推廣效果與泛化作用，對(duì)*ST企業(yè)財(cái)務(wù)狀況具備一定的預(yù)測(cè)效果。

Abstract： With the rapid development of China's economy， there are more and more *ST enterprises in the financial market. Listed companies will be subject to delisting warning if they lose money for three consecutive years， which not only reduces the return of ordinary investors， but also damages the shareholders' rights and interests. In order to better evaluate the development of *ST enterprises， this paper takes the analysis of financial situation prediction model based on Naive Bayesian algorithm as the research topic， takes the financial data of Shanghai and Shenzhen A-share main board *ST enterprises in T-1 and T-2 years as the research samples， and uses the confusion matrix evaluation index to construct a suitable financial situation prediction model. The empirical results show that the model has a good promotion effect and generalization effect， and has a certain prediction effect on the financial situation of *ST enterprises.

關(guān)鍵詞：財(cái)務(wù)預(yù)測(cè);樸素貝葉斯;*ST企業(yè)

Key words： financial forecast;naive Bayes;*ST enterprise

中圖分類號(hào)：TP311 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)：1006-4311（2020）24-0028-03

0 ?引言

退市預(yù)警制度作為我國資本市場(chǎng)的特有機(jī)制，對(duì)經(jīng)濟(jì)平穩(wěn)運(yùn)行發(fā)揮著重要的作用。根據(jù)2012年滬深兩個(gè)交易所股票上市規(guī)范，在上市公司出現(xiàn)財(cái)務(wù)狀況異常時(shí)，將導(dǎo)致其股票存在終止上市風(fēng)險(xiǎn)，這可能損害投資者的投資權(quán)益。此時(shí)該公司股票交易就會(huì)被執(zhí)行特別處理的風(fēng)險(xiǎn)警示，這主要包括退市風(fēng)險(xiǎn)警示（*ST）與其他風(fēng)險(xiǎn)警示（ST）[1]。

從定量的角度出發(fā)對(duì)財(cái)務(wù)狀況預(yù)測(cè)的研究主要集中在財(cái)務(wù)危機(jī)預(yù)測(cè)方面。20世紀(jì)30年代，國外就開始了對(duì)財(cái)務(wù)狀況預(yù)測(cè)的研究，國內(nèi)的類似研究開始于90年代末。對(duì)于企業(yè)是否發(fā)生財(cái)務(wù)危機(jī)的判斷標(biāo)準(zhǔn)，國外一開始以企業(yè)破產(chǎn)來界定，后來也有研究學(xué)者用企業(yè)預(yù)期現(xiàn)金流量的凈現(xiàn)值等來對(duì)企業(yè)財(cái)務(wù)危機(jī)程度進(jìn)行劃分[2]。由于國內(nèi)資本市場(chǎng)特有的退市預(yù)警制度，國內(nèi)研究者大都以企業(yè)是否被執(zhí)行退市預(yù)警，作為衡量企業(yè)是否發(fā)生財(cái)務(wù)危機(jī)的標(biāo)準(zhǔn)。王秋瑋等[3]利用決策樹算法和F分?jǐn)?shù)模型，結(jié)合償債能力、盈利能力、營運(yùn)能力和成長能力等幾個(gè)財(cái)務(wù)比率指標(biāo)構(gòu)建企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型，發(fā)現(xiàn)對(duì)ST企業(yè)財(cái)務(wù)狀況影響最大的是總資產(chǎn)增長率這一指標(biāo)，ST企業(yè)應(yīng)該有所針對(duì)的制定應(yīng)對(duì)策略，從而使企業(yè)更好地走出困境。歐國良等[4]將因子分析法利用在房地產(chǎn)企業(yè)的財(cái)務(wù)預(yù)警研究中，發(fā)現(xiàn)提高企業(yè)的經(jīng)營水平能使陷入財(cái)務(wù)問題的企業(yè)更好的改善財(cái)務(wù)狀況，最后呼吁現(xiàn)代企業(yè)要對(duì)財(cái)務(wù)預(yù)警問題給予更多重視。宋宇等[5]利用cox回歸模型尋找出了對(duì)企業(yè)財(cái)務(wù)狀況具有顯著影響的指標(biāo)，并構(gòu)建出整體正確率達(dá)到76.4%的財(cái)務(wù)預(yù)警模型。蘆雅婷等[6]采用貝葉斯判別法對(duì)上市公司內(nèi)部控制缺陷問題進(jìn)行研究，發(fā)現(xiàn)資產(chǎn)安全、內(nèi)控合規(guī)等方面對(duì)研究問題具有顯著影響，并構(gòu)建了整體正確率達(dá)85%的上市公司重大缺陷識(shí)別模型。石先兵[7]選取滬深A(yù)股主板上市的制造業(yè)企業(yè)為研究對(duì)象，構(gòu)建PCA-SVM財(cái)務(wù)危機(jī)預(yù)警模型，實(shí)現(xiàn)了對(duì)原始數(shù)據(jù)的降維，有效解決了樣本數(shù)據(jù)的線性相關(guān)性問題，使財(cái)務(wù)狀況預(yù)警模型的分類水平與泛化性得到提升。吳靜等[8]在傳統(tǒng)財(cái)務(wù)比率分析的基礎(chǔ)上，以具有股權(quán)質(zhì)押行為的A股上市公司為研究對(duì)象，結(jié)合股權(quán)質(zhì)押率和公司治理等變量，發(fā)現(xiàn)其能有效提升預(yù)警模型的預(yù)測(cè)效果。這為上市公司及時(shí)發(fā)現(xiàn)財(cái)務(wù)風(fēng)險(xiǎn)，改善財(cái)務(wù)危機(jī)預(yù)警機(jī)制提供了參考。

近些年對(duì)正常經(jīng)營的企業(yè)進(jìn)行財(cái)務(wù)狀況預(yù)警的研究較多，但很少有對(duì)*ST企業(yè)未來財(cái)務(wù)狀況進(jìn)行預(yù)測(cè)的研究。針對(duì)這個(gè)問題，本文利用樸素貝葉斯分類算法并基于t-1年和t-2年財(cái)務(wù)指標(biāo)，構(gòu)建預(yù)測(cè)模型來判斷*ST企業(yè)未來財(cái)務(wù)運(yùn)行狀況的優(yōu)劣。實(shí)證結(jié)果表明，該模型準(zhǔn)確率分別達(dá)到了90%和80%，具有較好的推廣效果與泛化作用，對(duì)*ST企業(yè)財(cái)務(wù)狀況預(yù)測(cè)效果較為顯著。本文將首先介紹企業(yè)財(cái)務(wù)預(yù)警模型指標(biāo)體系的建立與樣本的選擇，接著對(duì)樸素貝葉斯分類算法和模型評(píng)估方法進(jìn)行原理說明，最后對(duì)實(shí)證結(jié)果進(jìn)行分析并闡述本研究的結(jié)論及局限性。

1 ?指標(biāo)體系的建立與數(shù)據(jù)的來源

1.1 指標(biāo)體系的構(gòu)建

本文旨在構(gòu)建*ST企業(yè)未來財(cái)務(wù)狀況的預(yù)測(cè)模型，相關(guān)數(shù)據(jù)指標(biāo)一方面要體現(xiàn)企業(yè)的財(cái)務(wù)能力，另一方面也要方便獲取?；诖瞬⒔Y(jié)合*ST企業(yè)的實(shí)際情況，本文篩選出了分別衡量企業(yè)償債能力、盈利能力、經(jīng)營能力和發(fā)展能力的11個(gè)具體財(cái)務(wù)指標(biāo)，建立起如表1所示的指標(biāo)體系。

1.2 數(shù)據(jù)的來源

本文數(shù)據(jù)來源于國泰安數(shù)據(jù)庫（CSMAR），因滬深A(yù)股采用國內(nèi)會(huì)所審計(jì)與會(huì)計(jì)準(zhǔn)則，滬深B股企業(yè)采用國際會(huì)所審計(jì)與會(huì)計(jì)準(zhǔn)則，所以不能將滬深A(yù)股與B股企業(yè)財(cái)務(wù)指標(biāo)進(jìn)行結(jié)合分析，再考慮到滬深A(yù)股數(shù)據(jù)完整性高且更易收集。因此，將符合標(biāo)準(zhǔn)的樣本（2019年25家解除退市預(yù)警企業(yè)和25家繼續(xù)被執(zhí)行退市預(yù)警企業(yè)）進(jìn)行劃分，包括30%測(cè)試樣本組與70%訓(xùn)練樣本組兩類，以此進(jìn)行財(cái)務(wù)狀況預(yù)測(cè)的測(cè)試。因?yàn)樯鲜衅髽I(yè)被特別處理的短時(shí)性，財(cái)務(wù)狀況預(yù)測(cè)模型的研究將以*ST企業(yè)的第t-1和t-2年相關(guān)數(shù)據(jù)為前提展開比較分析。

2 ?樸素貝葉斯分類模型與評(píng)估方法

貝葉斯分類方法是在貝葉斯原理上，利用概率統(tǒng)計(jì)的相關(guān)知識(shí)對(duì)數(shù)據(jù)集樣本進(jìn)行分類。貝葉斯方法不僅考慮了事件發(fā)生的先驗(yàn)概率，還結(jié)合了后驗(yàn)概率，這有效避免了只利用事件先驗(yàn)概率的主觀片面性，也避免了數(shù)據(jù)集噪聲帶來的過擬合現(xiàn)象 [9]。樸素貝葉斯方法以目標(biāo)值屬性之間相互條件獨(dú)立為前提假設(shè)，即各個(gè)屬性變量對(duì)分類結(jié)果的影響都有一個(gè)適當(dāng)?shù)谋戎?。這使得算法得到極大簡化的同時(shí)還能保持很好的分類效果，在實(shí)際應(yīng)用中也更具操作性。

2.1 算法原理

樸素貝葉斯分類器（naive bayesian classification）通過一個(gè)給定的訓(xùn)練集，假設(shè)各個(gè)特征之間相互獨(dú)立，訓(xùn)練從輸入向量到輸出結(jié)果的聯(lián)合概率分布，最后利用訓(xùn)練出來的模型，給定X即可得到后驗(yàn)概率最大的輸出Y[10]。

若有樣本數(shù)據(jù)集D={d1，d2，…，dn}，其中特征屬性集是 X={x1，x2，…，xd}，類標(biāo)簽變量為Y={y1，y2，…，ym}，也就是說D可以分為ym類別。其中x1，x2，…，xd也滿足相互獨(dú)立且隨機(jī)的假設(shè)，則Y的先驗(yàn)概率Pprior=P（Y），Y的后驗(yàn)概率Ppost=P（Y|X），由樸素貝葉斯原理可得，后驗(yàn)概率可以由先驗(yàn)概率Pprior=P（Y）、證據(jù)P（X）、類條件概率P（X|Y）計(jì)算出：

2.2 模型評(píng)估方法

實(shí)際應(yīng)用中無法得到分類結(jié)果完全正確的分類器，所以對(duì)訓(xùn)練數(shù)據(jù)得到的模型需要進(jìn)一步的評(píng)價(jià)其分類效果，以發(fā)現(xiàn)模型的不足，從而繼續(xù)改善分類器性能。但模型評(píng)估方法有很多種，針對(duì)不同的領(lǐng)域和目標(biāo)要求，應(yīng)該選擇適當(dāng)?shù)哪Ｐ驮u(píng)估方法。鑒于混淆矩陣評(píng)價(jià)的精細(xì)性，本文選擇其對(duì)*ST企業(yè)財(cái)務(wù)預(yù)測(cè)模型的準(zhǔn)確率、精度以及召回率等進(jìn)行系統(tǒng)評(píng)價(jià)。本文通過以下典型的二分類混淆矩陣[11]對(duì)此類模型評(píng)估方法的原理進(jìn)行說明。

表2中各項(xiàng)說明如下：

TP（Ture Positives）：被分類器正確分類的正元組。

TN（Ture Negatives）：被分類器正確分類的負(fù)元組。

FP（False Positives）：被錯(cuò)誤的標(biāo)記正元組的負(fù)元組。

FN（False Negatives）：被錯(cuò)誤的標(biāo)記負(fù)元組的正元組。

在該矩陣中，每個(gè)類別中被正確識(shí)別的樣本數(shù)量是通過主對(duì)角線的數(shù)值來體現(xiàn)，而非主對(duì)角線上的數(shù)值則表示了被錯(cuò)誤識(shí)別的樣本數(shù)量。在實(shí)際應(yīng)用過程中，通常還會(huì)利用混淆矩陣特點(diǎn)，通過指標(biāo)設(shè)定方式來定量評(píng)價(jià)分類器性能，最終實(shí)現(xiàn)模型分類效果的評(píng)價(jià)。

本文依次選擇了準(zhǔn)確度、精度、召回率以及F分?jǐn)?shù)四項(xiàng)度量指標(biāo)對(duì)分類模型結(jié)果進(jìn)行解釋。因?yàn)闃颖菊w準(zhǔn)確率不足以支撐對(duì)模型的評(píng)價(jià)，本文又追加了精度、召回率與F1分?jǐn)?shù)這三個(gè)指標(biāo)用以補(bǔ)準(zhǔn)確率反映內(nèi)容存在的空缺。本文以*ST企業(yè)被取消退市預(yù)警為正元組，*ST企業(yè)被繼續(xù)執(zhí)行退市預(yù)警為負(fù)元組。其中精度即標(biāo)記為取消退市預(yù)警的*ST企業(yè)實(shí)際為取消退市預(yù)警的*ST企業(yè)的百分比，召回率即取消退市預(yù)警*ST企業(yè)標(biāo)記為取消退市預(yù)警*ST企業(yè)的百分比。因?yàn)榫扰c召回率呈現(xiàn)相反的關(guān)系，為有效解決兩者之間的矛盾，本文對(duì)其進(jìn)行加權(quán)平均進(jìn)而構(gòu)造了指標(biāo)F分?jǐn)?shù)從整體上對(duì)精度與召回率的作用進(jìn)行綜合考量。其中，F(xiàn)分?jǐn)?shù)取值區(qū)間為[0，1]，其值與模型分類效果成正比。

3 ?實(shí)證分析

本文將50個(gè)樣本（2019年25家繼續(xù)被執(zhí)行退市預(yù)警企業(yè)和25家解除退市預(yù)警企業(yè)）中的30%作為測(cè)試樣本組，70%作為訓(xùn)練樣本組。整個(gè)實(shí)驗(yàn)過程利用Python的集成開發(fā)環(huán)境anaconda完成操作，并結(jié)合準(zhǔn)確度、精度、召回率以及F分?jǐn)?shù)四個(gè)指標(biāo)對(duì)該模型的性能進(jìn)行評(píng)價(jià)，最后以50個(gè)*ST企業(yè)的第t-1和t-2年相關(guān)數(shù)據(jù)為依據(jù)展開比較分析。

由表4可知，基于*ST企業(yè)t-1與t-2年財(cái)務(wù)指標(biāo)訓(xùn)練的模型，在30%測(cè)試集上的整體準(zhǔn)確率分別達(dá)到了93%和80%，綜合顯示了模型具有的一定預(yù)測(cè)能力。使用2018年財(cái)務(wù)指標(biāo)數(shù)據(jù)得到的回歸模型精度為89%，說明標(biāo)記為取消退市預(yù)警的*ST企業(yè)實(shí)際為取消退市預(yù)警的*ST企業(yè)占的百分比為89%。其召回率更是達(dá)到了100%，說明所有取消退市預(yù)警的*ST企業(yè)，即2019年財(cái)務(wù)狀況改善的企業(yè)均被標(biāo)記了出來，其中F分?jǐn)?shù)達(dá)到了94%，說明基于*ST企業(yè)t-1年財(cái)務(wù)狀況的預(yù)測(cè)模型，分類效果顯著;使用2017年財(cái)務(wù)指標(biāo)數(shù)據(jù)得到的回歸模型精度為100%，說明標(biāo)記為取消退市預(yù)警的*ST企業(yè)都實(shí)際為取消退市預(yù)警的*ST企業(yè)。其召回率則為62%，即實(shí)際取消退市預(yù)警*ST企業(yè)有62%被標(biāo)記了出來，雖然召回率不是太理想，但其F分?jǐn)?shù)還是達(dá)到了77%，說明基于*ST企業(yè)t-2年財(cái)務(wù)狀況的預(yù)測(cè)模型，也具有一定的分類效果。

根據(jù)假設(shè)檢驗(yàn)的原理，因?yàn)榈谝活愬e(cuò)誤和第二類錯(cuò)誤發(fā)生的概率不能做到同時(shí)減小，所以這兩個(gè)錯(cuò)誤之間需要一定的權(quán)衡。這里我們假設(shè)原假設(shè)和備擇假設(shè)分別為：

H0=公司繼續(xù)被執(zhí)行退市預(yù)警

H1=公司被取消退市預(yù)警

本問題中的第一類錯(cuò)誤是將一家被繼續(xù)執(zhí)行退市預(yù)警的企業(yè)做了取消退市預(yù)警處理;本問題中的第二類錯(cuò)誤是沒將一家未來轉(zhuǎn)為正常的公司做取消退市預(yù)警處理。本文將主要關(guān)注第一類錯(cuò)誤的發(fā)生，因?yàn)槿藗兤毡閷?duì)*ST企業(yè)的財(cái)務(wù)狀況保持謹(jǐn)慎態(tài)度，將一家被繼續(xù)執(zhí)行退市預(yù)警的企業(yè)做取消退市預(yù)警處理會(huì)對(duì)市場(chǎng)預(yù)期造成錯(cuò)誤的沖擊，從投資者本身出發(fā)，這是不愿意看到的結(jié)果。這在混淆矩陣評(píng)價(jià)指標(biāo)里主要表現(xiàn)在精度上。實(shí)證結(jié)果顯示，基于t-1年和t-2年財(cái)務(wù)指標(biāo)數(shù)據(jù)得到的回歸模型精度分別達(dá)到了89%和100%，說明標(biāo)記為取消退市預(yù)警的企業(yè)大部分都實(shí)際為取消退市預(yù)警企業(yè)，第一類錯(cuò)誤得到了很好的控制。

綜合來看，基于*ST企業(yè)t-1年財(cái)務(wù)指標(biāo)訓(xùn)練的模型對(duì)*ST企業(yè)的未來財(cái)務(wù)狀況有很好的預(yù)測(cè)效果，但由于上市公司財(cái)務(wù)數(shù)據(jù)披露的滯后性，其參考意義有限?；?ST企業(yè)t-2年財(cái)務(wù)指標(biāo)訓(xùn)練的模型對(duì)*ST企業(yè)的未來財(cái)務(wù)狀況的預(yù)測(cè)效果雖然沒有t-1年訓(xùn)練模型顯著，但因?yàn)槠涮崆皟赡曜龀鲱A(yù)測(cè)，所以不管是對(duì)投資者還是上市公司本身評(píng)估企業(yè)未來發(fā)展?fàn)顩r都具有一定的參考意義。

4 ?結(jié)論

通過構(gòu)建的樸素貝葉斯財(cái)務(wù)狀況預(yù)測(cè)模型及對(duì)實(shí)證結(jié)果分析，可以得到下面的結(jié)論：利用樸素貝葉斯分類算法對(duì)*ST企業(yè)未來財(cái)務(wù)狀況進(jìn)行預(yù)測(cè)是可行的，并且具有一定的準(zhǔn)確度?；?ST企業(yè)t-1年財(cái)務(wù)指標(biāo)訓(xùn)練的模型分類效果要好于t-2年數(shù)據(jù)得出的模型。同時(shí)本文也存在一定局限性。一方面，選取的*ST企業(yè)樣本數(shù)據(jù)集較少，較難體現(xiàn)不同危機(jī)程度的*ST企業(yè)在財(cái)務(wù)指標(biāo)上的不同表現(xiàn)。另一方面，本文指標(biāo)體系的構(gòu)建主要考慮了企業(yè)的財(cái)務(wù)比率指標(biāo)，沒有加入非財(cái)務(wù)因素，這可能對(duì)模型的可靠性具有影響。最后基于對(duì)我國上市公司中的*ST企業(yè)財(cái)務(wù)狀況預(yù)測(cè)研究，本文認(rèn)為*ST企業(yè)應(yīng)該提高危機(jī)防范意識(shí)，健全財(cái)務(wù)危機(jī)預(yù)警機(jī)制和指標(biāo)體系，同時(shí)積極尋找企業(yè)擺脫困境的發(fā)展方向，避免退市情況的產(chǎn)生。投資者應(yīng)該對(duì)*ST企業(yè)財(cái)務(wù)狀況和發(fā)展前景有全面的認(rèn)識(shí)，不能對(duì)*ST企業(yè)持全面否定的態(tài)度，上市企業(yè)可能只是因?yàn)槎唐诘慕?jīng)營戰(zhàn)略調(diào)整或者決策失誤，使企業(yè)陷入一時(shí)的困境。

參考文獻(xiàn)：

[1]王晨.退市制度變革與ST企業(yè)盈余管理方式研究[J].財(cái)經(jīng)界，2020（01）：89-91.

[2]趙智繁，曹倩.基于數(shù)據(jù)包絡(luò)和數(shù)據(jù)挖掘的財(cái)務(wù)危機(jī)預(yù)測(cè)模型研究[J].計(jì)算機(jī)科學(xué)，2016，43（S2）：461-465.

[3]王秋瑋，葉楓.新常態(tài)下ST公司財(cái)務(wù)困境預(yù)警研究——基于C5.0算法的財(cái)報(bào)面板數(shù)據(jù) [J].財(cái)會(huì)通訊，2018（23）：107-111，129.

[4]歐國良，吳剛，朱祥波.基于因子分析法的房地產(chǎn)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究[J].社會(huì)科學(xué)家，2018（09）：56-63.

[5]宋宇，秦學(xué)志，李鴻禧.基于Cox回歸的中小企業(yè)財(cái)務(wù)預(yù)警模型及實(shí)證[J].管理現(xiàn)代化，2019，39（01）：108-110.

[6]蘆雅婷，田宇.基于貝葉斯判別的上市公司內(nèi)部控制缺陷識(shí)別——內(nèi)部控制目標(biāo)偏離視角的實(shí)證研究[J].會(huì)計(jì)之友，2018（08）：19-25.

[7]石先兵.基于PCA-SVM的企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型構(gòu)建[J]. 財(cái)會(huì)通訊，2020（10）：131-134.

[8]吳靜，袁芳英.股權(quán)質(zhì)押、公司治理與財(cái)務(wù)危機(jī)預(yù)警[J].財(cái)會(huì)通訊，2020（12）：45-49.

[9]朱軍，胡文波.貝葉斯機(jī)器學(xué)習(xí)前沿進(jìn)展綜述[J].計(jì)算機(jī)研究與發(fā)展，2015，52（01）：16-26.

[10]李航.統(tǒng)計(jì)學(xué)習(xí)方法[M].清華大學(xué)出版社，2012.

[11]JiaweiHan， M.， JianPei. 數(shù)據(jù)挖掘：概念與技術(shù)[M].機(jī)械工業(yè)出版社，2012.