批發(fā)零售業(yè)上市公司財(cái)務(wù)困境預(yù)警

李莉 孫榮

摘要：本文從國(guó)泰安數(shù)據(jù)庫(kù)（CSMAR）選取2019—2022年度A股主板被ST或被*ST的33家批發(fā)零售業(yè)上市公司作為研究樣本，選取20個(gè)財(cái)務(wù)指標(biāo)和9個(gè)非財(cái)務(wù)指標(biāo)，構(gòu)建了預(yù)警指標(biāo)體系。為消除非關(guān)鍵特征指標(biāo)的影響，采用隨機(jī)森林算法（RF）進(jìn)行特征值篩選，將篩選的數(shù)據(jù)集應(yīng)用于經(jīng)過(guò)優(yōu)化的LSSVM（最小二乘支持向量機(jī)）進(jìn)行財(cái)務(wù)預(yù)測(cè)和預(yù)警。實(shí)驗(yàn)結(jié)果顯示，相較于傳統(tǒng)的PSO（粒子群優(yōu)化算法）、GA（遺傳算法）以及WOA（鯨魚(yú)優(yōu)化算法），采用VNWOA優(yōu)化算法的分類精度分別提高了2.9個(gè)百分點(diǎn)、2.9個(gè)百分點(diǎn)以及4.35個(gè)百分點(diǎn)。綜合應(yīng)用了隨機(jī)森林和VNWOA優(yōu)化算法的RF-VNWOA-LSSVM模型在分類精度上相較于RF-費(fèi)希爾判別法和BP神經(jīng)網(wǎng)絡(luò)分別提高了18.75個(gè)百分點(diǎn)、8.45個(gè)百分點(diǎn)。實(shí)驗(yàn)結(jié)果表明本文提出的RF-VNWOA-LSSVM預(yù)警模型可以對(duì)財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行有效識(shí)別。

關(guān)鍵詞：批發(fā)零售業(yè)上市公司；財(cái)務(wù)預(yù)警模型；隨機(jī)森林特征值篩選；RF-VNWOA-LSSVM預(yù)警模型；數(shù)據(jù)挖掘；機(jī)器學(xué)習(xí)

中圖分類號(hào)：F832.51；F275? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? 文章編號(hào)：1007-0753（2024）03-0060-11

一、引言

批發(fā)零售業(yè)作為經(jīng)濟(jì)發(fā)展的重要組成部分，其財(cái)務(wù)風(fēng)險(xiǎn)管理對(duì)企業(yè)和整個(gè)行業(yè)的穩(wěn)定發(fā)展至關(guān)重要。財(cái)務(wù)危機(jī)預(yù)警模型的研究經(jīng)過(guò)了兩個(gè)發(fā)展階段：傳統(tǒng)計(jì)量模型階段和人工智能模型階段。傳統(tǒng)計(jì)量模型包括單變量判別模型（Fitzpatrick，1932；Beaver，1966）、多元回歸模型（Altman，1968）、生存分析模型（Honjo，2000；李世垚，2016）等。盡管這些傳統(tǒng)計(jì)量模型在一定程度上能夠解釋數(shù)據(jù)間的關(guān)系，但其建模能力受到限制，特別是在處理非線性關(guān)系、大規(guī)模數(shù)據(jù)和異常值缺失方面表現(xiàn)不佳。

隨著機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)的迅速發(fā)展，研究人員開(kāi)始探索如何利用這些先進(jìn)技術(shù)構(gòu)建更準(zhǔn)確、及時(shí)的財(cái)務(wù)預(yù)警模型。由于人工智能在應(yīng)對(duì)復(fù)雜的非線性系統(tǒng)問(wèn)題上有著顯著的優(yōu)越性，因而得到了越來(lái)越多學(xué)者的青睞 （ Kar 和 Melody，1990；Koh和Tan，1999） 。相較于傳統(tǒng)的統(tǒng)計(jì)學(xué)方法，人工智能模型能更好地處理復(fù)雜的非線性關(guān)系，從而為財(cái)務(wù)風(fēng)險(xiǎn)管理提供更有效的工具和方法。

最小二乘支持向量機(jī)算法（LSSVM）是一種常用的人工智能算法，在處理大規(guī)模數(shù)據(jù)和非線性問(wèn)題時(shí)預(yù)測(cè)準(zhǔn)確性優(yōu)于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)，具有更好的計(jì)算和泛化性能（Xin和Gu，2008）。然而，傳統(tǒng)的LSSVM存在參數(shù)選擇困難、容易陷入局部最優(yōu)等限制，并且在處理大規(guī)模數(shù)據(jù)和高維特征時(shí)面臨挑戰(zhàn)，不同參數(shù)訓(xùn)練下的模型差異顯著。因此，選擇最優(yōu)參數(shù)至關(guān)重要。

鯨魚(yú)優(yōu)化算法（WOA）作為一種元啟發(fā)式算法備受關(guān)注，其對(duì)于參數(shù)優(yōu)化的高效性能已經(jīng)得到廣泛認(rèn)可。WOA由Mirjalili和Lewis（2016）首次提出，靈感來(lái)源于鯨魚(yú)覓食行為，其在機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘和圖像處理等領(lǐng)域得到廣泛應(yīng)用。盡管WOA在參數(shù)優(yōu)化方面表現(xiàn)出了高效性，但精度和收斂速度方面仍存在改進(jìn)空間。為了進(jìn)一步提升WOA的性能，一些研究人員開(kāi)始對(duì)其進(jìn)行改進(jìn)。例如提出利用反饋精英WOA和LSSVM結(jié)合算法（左智科等，2019；鄭威迪等，2019），以及基于馮·諾依曼結(jié)構(gòu)優(yōu)化的WOA（萬(wàn)曉靜等，2020；康明月等，2023）。這些改進(jìn)方法在解決分類問(wèn)題和提高診斷準(zhǔn)確度方面取得了一定的成效，有望克服各自算法的局限性，提高模型的準(zhǔn)確性和穩(wěn)定性。

為了進(jìn)一步改善模型性能、降低模型訓(xùn)練成本以及過(guò)擬合風(fēng)險(xiǎn)，Hao和Xie（2022）、余欣然和郭婷（2022）采用隨機(jī)森林算法（Random Forest，RF）來(lái)提取特征指標(biāo)進(jìn)行特征降維，并結(jié)合費(fèi)希爾判別模型進(jìn)行計(jì)算。相比于單獨(dú)使用費(fèi)希爾判別模型，模型函數(shù)的準(zhǔn)確率有所提高。這表明隨機(jī)森林算法在特征篩選和降維方面表現(xiàn)良好，能夠有效識(shí)別和評(píng)估特征的重要性，從而提高模型的泛化能力。此外，賀立敏等（2017）、王少華等（2022）在解決分類問(wèn)題時(shí)，通過(guò)結(jié)合隨機(jī)森林算法的特征值篩選功能移除相關(guān)性低和冗余的指標(biāo)特征，顯著提高了支持向量機(jī)算法的預(yù)測(cè)精度。袁曉龍等（2014）認(rèn)為隨機(jī)森林算法的特征值篩選機(jī)制能夠自動(dòng)識(shí)別和評(píng)估特征的重要性，有針對(duì)性地選擇對(duì)分類識(shí)別貢獻(xiàn)較大的特征，從而有效降低噪聲干擾，提升模型性能。

基于以上背景，本文通過(guò)引入機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)構(gòu)建財(cái)務(wù)預(yù)警模型，采用基于馮·諾依曼結(jié)構(gòu)優(yōu)化的WOA與LSSVM相結(jié)合，用于處理大規(guī)模數(shù)據(jù)和非線性問(wèn)題；同時(shí)，利用隨機(jī)森林算法進(jìn)行特征選擇以實(shí)現(xiàn)降維和降低噪聲干擾的目的，從而提高模型的準(zhǔn)確性和穩(wěn)定性。

二、相關(guān)算法理論與模型構(gòu)建

（一）隨機(jī)森林算法

隨機(jī)森林算法（RF）利用集成學(xué)習(xí)的思想整合多個(gè)決策樹(shù)模型的預(yù)測(cè)結(jié)果，以提高整體預(yù)測(cè)準(zhǔn)確性。在RF中，特征選擇是一個(gè)重要步驟，其目的是識(shí)別出對(duì)模型輸出具有顯著影響的輸入特征。RF通常利用基于袋外（Out-of-Bag，OOB）誤差的方法來(lái)執(zhí)行這一過(guò)程，幫助優(yōu)化模型并減少預(yù)測(cè)誤差。RF的特征選擇和模型建立過(guò)程可以概括為以下幾個(gè)步驟：

1.建立基于隨機(jī)森林的訓(xùn)練分類器。初始誤判率設(shè)為1，通過(guò)迭代調(diào)整特征數(shù)量（mtry參數(shù)）。

2.計(jì)算特征的重要性度量值。

3.利用OOB誤差評(píng)估模型性能。對(duì)于每棵決策樹(shù)，計(jì)算其在未選擇樣本上的預(yù)測(cè)誤差，并計(jì)算不同mtry參數(shù)值下的OOB誤差均值，以確定最佳特征數(shù)量。

4.根據(jù)得到的最佳特征數(shù)量，選擇重要度排名在該數(shù)量之前的特征組合形成最佳特征子集。

（二）最小二乘支持向量機(jī)

LSSVM是由Suykens和Vandewalle（1999）提出的一種基于統(tǒng)計(jì)學(xué)習(xí)理論的改進(jìn)型支持向量機(jī)算法。相比傳統(tǒng)支持向量機(jī)，LSSVM具有更完備的理論體系，可以將二次優(yōu)化問(wèn)題的求解轉(zhuǎn)化為線性方程組的求解，降低了問(wèn)題的復(fù)雜度。該算法在模式識(shí)別、圖像處理、生物信息學(xué)和金融預(yù)測(cè)等領(lǐng)域應(yīng)用廣泛，在處理非線性數(shù)據(jù)分類和回歸問(wèn)題方面表現(xiàn)出色，能有效處理高維數(shù)據(jù)和復(fù)雜數(shù)據(jù)的關(guān)系。將LSSVM應(yīng)用于財(cái)務(wù)預(yù)警模型，利用其處理財(cái)務(wù)數(shù)據(jù)，進(jìn)行數(shù)據(jù)分類和回歸分析，可實(shí)現(xiàn)更精確和穩(wěn)定的財(cái)務(wù)預(yù)測(cè)和預(yù)警功能。通過(guò)LSSVM能有效處理財(cái)務(wù)數(shù)據(jù)的非線性關(guān)系，提升模型性能，更好地滿足金融領(lǐng)域的需求。其工作原理可以分為以下步驟：

1.優(yōu)化目標(biāo)函數(shù)和約束條件。

當(dāng)存在n個(gè)d維的樣本{xk ， yk}， yk∈{-1 ， 1}， xk∈Rd ， k =1，2，3，…，n，其中xk = （xk1， xk2，…，xkd）T是d維的輸入向量，yk是相應(yīng)的輸出數(shù)據(jù)，n是訓(xùn)練數(shù)據(jù)的總數(shù)。LSSVM的優(yōu)化目標(biāo)函數(shù)和約束條件為：

式（1）中，γ為預(yù)測(cè)誤差的懲罰因子，ek表示輸出的實(shí)際值和預(yù)測(cè)值之間的回歸誤差，b1是偏置常數(shù)。

LSSVM的目標(biāo)是最小化γ下的回歸誤差。為了找到函數(shù)的最小值，引入拉格朗日乘子αk ，構(gòu)造拉格朗日函數(shù)L：

2.線性方程組求解。

對(duì)式（2）中的變量ω、b1、ek、αk分別求偏導(dǎo)并令導(dǎo)數(shù)等于零，進(jìn)而得到一組線性方程，通過(guò)解這個(gè)線性方程組得到LSSVM分類表達(dá)式[見(jiàn)式（3）]，從而確定超平面來(lái)劃分不同類別的數(shù)據(jù)點(diǎn)。

3.徑向基核函數(shù)的應(yīng)用。

LSSVM通常采用徑向基核函數(shù)（RBF），該核函數(shù)能實(shí)現(xiàn)非線性映射，通過(guò)調(diào)整參數(shù)σ，可以影響模型的性能和準(zhǔn)確性。其表達(dá)式為：

其中 σ為RBF核函數(shù)參數(shù)。兩個(gè)超參數(shù)γ以及σ，是對(duì)LSSVM模型的性能有很大影響的參數(shù)，需要仔細(xì)測(cè)算。

（三）鯨魚(yú)優(yōu)化算法

鯨魚(yú)優(yōu)化算法（WOA）模擬了座頭鯨的搜索和圍捕機(jī)制，通過(guò)迭代優(yōu)化搜索空間來(lái)尋找最優(yōu)解。算法包括包圍捕食階段、螺旋氣泡捕食階段和搜索獵物階段。本文使用WOA優(yōu)化LSSVM，將LSSVM的超參數(shù)γ以及σ作為WOA的尋優(yōu)目標(biāo)。

1.包圍捕食階段。

在包圍捕食階段，鯨魚(yú)個(gè)體通過(guò)靠攏適應(yīng)度最優(yōu)的個(gè)體來(lái)更新位置，以實(shí)現(xiàn)對(duì)獵物的包圍。在包圍捕食階段，鯨魚(yú)個(gè)體的位置更新公式如下：

式（5）中，參數(shù)t表示當(dāng)前迭代次數(shù)；A、C為系數(shù)；X*（t） 是當(dāng)前最優(yōu)的位置向量；X（t） 是鯨魚(yú)當(dāng)前位置向量；參數(shù)a為控制參數(shù)，隨著迭代次數(shù)從2線性減少到0；r是[0，1]中的隨機(jī)數(shù)。

2.螺旋氣泡捕食階段。

在螺旋氣泡捕食階段，鯨魚(yú)個(gè)體通過(guò)螺旋游動(dòng)的方式更新位置，以搜索并抓取局部范圍內(nèi)的獵物。以下是螺旋氣泡捕食的更新公式：

式（6）中，D'（t）為當(dāng)前搜索個(gè)體與最優(yōu)解的距離，b2為螺旋形狀參數(shù)，l是范圍在[-1，1]的隨機(jī)數(shù)。為了適應(yīng)不同的捕食情景，WOA通過(guò)引入隨機(jī)概率p來(lái)靈活選擇螺旋氣泡或收縮包圍的捕食行為，并相應(yīng)地更新個(gè)體的位置。位置更新公式如下：

3.搜索獵物階段。

搜索獵物階段則是通過(guò)鯨魚(yú)之間距離的位置更新來(lái)實(shí)現(xiàn)隨機(jī)搜索的目標(biāo)。當(dāng)搜索個(gè)體的絕對(duì)值大于1（ ＞1）時(shí)，鯨魚(yú)位置通過(guò)隨機(jī)選擇來(lái)更新。公式如下：

其中，Xrand（t）為當(dāng)前隨機(jī)鯨魚(yú)的位置。

（四）馮·諾依曼結(jié)構(gòu)改進(jìn)WOA（VNWOA）

馮·諾依曼拓?fù)浣Y(jié)構(gòu)是馮·諾依曼和其他人提出的電子計(jì)算機(jī)通用架構(gòu)。為了提高WOA的搜索效率和避免陷入局部最優(yōu)解的困境，引入類似于馮·諾依曼拓?fù)浣Y(jié)構(gòu)的結(jié)構(gòu)來(lái)模擬鄰居關(guān)系。通過(guò)在每個(gè)鯨魚(yú)個(gè)體周?chē)鷺?gòu)建一個(gè)二維網(wǎng)狀結(jié)構(gòu)，每個(gè)鯨魚(yú)個(gè)體都有四個(gè)鄰居。這種鄰居關(guān)系模擬促進(jìn)了信息交流和協(xié)作，使得鯨魚(yú)能夠更充分地利用周?chē)h(huán)境信息，更好地跳出局部最優(yōu)解并朝著全局最優(yōu)解方向搜索，從而提高算法的搜索效率和收斂性。馮·諾依曼結(jié)構(gòu)優(yōu)化WOA的步驟如下：

1.構(gòu)建二維網(wǎng)狀結(jié)構(gòu)：為每個(gè)鯨魚(yú)個(gè)體構(gòu)建一個(gè)獨(dú)立的V-N拓?fù)浣Y(jié)構(gòu)，即在每個(gè)鯨魚(yú)個(gè)體的前、后、左、右加入四個(gè)鄰居，形成二維網(wǎng)格狀結(jié)構(gòu)。

2.影響范圍限制：限制每個(gè)鯨魚(yú)個(gè)體（當(dāng)前最優(yōu)解）的影響范圍，僅允許其影響周?chē)膫€(gè)鄰域的鯨魚(yú)個(gè)體。

3.鯨魚(yú)搜索代理更新：每個(gè)鯨魚(yú)搜索代理通過(guò)尋找所有鄰域中鯨魚(yú)個(gè)體的最優(yōu)解來(lái)更新整個(gè)鯨魚(yú)群體的搜索位置。

VNWOA通過(guò)限制每個(gè)個(gè)體的影響范圍和利用鄰域最優(yōu)解的信息來(lái)更新整個(gè)群體的搜索位置，可以提高算法的收斂速度，并降低陷入局部最優(yōu)的風(fēng)險(xiǎn)。

（五）RF-VNWOA-LSSVM改進(jìn)算法流程（見(jiàn)圖1）

RF-VNWOA-LSSVM是一個(gè)組合了隨機(jī)森林、VNWOA以及LSSVM的改進(jìn)算法。其建模過(guò)程包括以下步驟：

1.數(shù)據(jù)預(yù)處理：對(duì)輸入數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，并按7∶3的比例劃分為訓(xùn)練集和測(cè)試集。

2.隨機(jī)森林特征選擇：使用隨機(jī)森林算法對(duì)數(shù)據(jù)集進(jìn)行特征選擇。通過(guò)繪制模型誤判率均值的散點(diǎn)圖和計(jì)算特征的重要性指標(biāo)，選擇重要度排名在該數(shù)量之前的特征組合形成最佳特征子集。

3. 初始種群生成和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)確定：利用WOA來(lái)初始化種群，并根據(jù)當(dāng)前最優(yōu)個(gè)體的位置信息構(gòu)建馮·諾依曼拓?fù)浣Y(jié)構(gòu)，這一結(jié)構(gòu)能夠促進(jìn)鯨魚(yú)個(gè)體之間的信息交流，優(yōu)化搜索過(guò)程，從而增強(qiáng)全局搜索能力。

4. 適應(yīng)度更新和迭代：在每輪迭代中，根據(jù)鯨魚(yú)個(gè)體位置重新計(jì)算適應(yīng)度并繼續(xù)優(yōu)化位置。同時(shí)檢測(cè)是否達(dá)到預(yù)定的停止條件，如果達(dá)到，則跳轉(zhuǎn)到下一步，否則繼續(xù)優(yōu)化。通過(guò)持續(xù)的迭代優(yōu)化，不斷更新鯨魚(yú)個(gè)體的位置和適應(yīng)度，直到算法收斂為止。

5.預(yù)測(cè)模型構(gòu)建：根據(jù)最優(yōu)個(gè)體的位置信息，獲得超參數(shù)γ、σ的最優(yōu)值，用于構(gòu)建預(yù)測(cè)模型。

6.預(yù)測(cè)結(jié)果：采用最優(yōu)參數(shù)對(duì)模型進(jìn)行訓(xùn)練并使用構(gòu)建好的預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，并生成最終的預(yù)測(cè)結(jié)果。

RF-VNWOA-LSSVM可以找尋并刪除數(shù)據(jù)集中的冗余特征，刪除這些冗余特征后，模型能夠更好地捕捉數(shù)據(jù)中的有用信息，從而提高分類效率。與基本模型相比，RF-VNWOA-LSSVM在數(shù)據(jù)預(yù)處理、特征選擇、優(yōu)化搜索和模型構(gòu)建等方面進(jìn)行了改進(jìn)，提升了模型的性能和結(jié)果的準(zhǔn)確性。

（六）其他算法理論與模型參數(shù)設(shè)置

實(shí)驗(yàn)采用MATLAB R2023a編程，為了驗(yàn)證RF與LSSVM結(jié)合的優(yōu)化方法的有效性，本文引入幾種算法作對(duì)比。在本文的實(shí)驗(yàn)中，相關(guān)算法和相關(guān)參數(shù)設(shè)置如下：

1.粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）。

PSO是一種基于群體智能的優(yōu)化算法，模擬鳥(niǎo)群或魚(yú)群的行為。在PSO中，每個(gè)個(gè)體（粒子）通過(guò)不斷調(diào)整自身位置和速度，以尋找最優(yōu)解。PSO的正規(guī)化參數(shù)γ和核參數(shù)σ的取值范圍為[0，1 000]。

對(duì)于慣性權(quán)重系數(shù)，根據(jù)式（9），將慣性權(quán)重的最大值和最小值設(shè)為ωmax = 0.9和ωmin = 0.9。式（9）中，t、tmax分別為當(dāng)前進(jìn)化代數(shù)和最大進(jìn)化代數(shù)。

學(xué)習(xí)因子的取值范圍：Cmax = 0.9，Cmin = 0.5。

2.遺傳算法（Genetic Algorithm，GA）。

GA是一種基于生物進(jìn)化過(guò)程的優(yōu)化算法，通過(guò)模擬自然界的選擇、繁殖和變異機(jī)制來(lái)搜索問(wèn)題的最優(yōu)解。在GA中，個(gè)體通過(guò)遺傳操作不斷進(jìn)化，以適應(yīng)環(huán)境。GA的正規(guī)化參數(shù)γ和核參數(shù)σ的取值范圍為[0，1 000]。

交叉概率pcross：0.8。

變異概率pmutation：0.05。

3.鯨魚(yú)優(yōu)化算法（Whale Optimization Algorithm，WOA）

鯨魚(yú)優(yōu)化算法是受鯨魚(yú)群體遷徙行為啟發(fā)的一種啟發(fā)式優(yōu)化算法，通過(guò)模擬鯨魚(yú)的行為方式解決優(yōu)化問(wèn)題。VNWOA是WOA的一種改進(jìn)。對(duì)于WOA-LSSVM和VNWOA-LSSVM，將正規(guī)化參數(shù)γ和核參數(shù)σ的取值范圍設(shè)為[0，800]。算法中的種群數(shù)量N設(shè)為5，最大迭代次數(shù)G設(shè)為10。此外，WOA-LSSVM中的權(quán)重ω設(shè)為0.5，VNWOA-LSSVM中的權(quán)重ω通過(guò)式（10）計(jì)算得到。這是一種自適應(yīng)權(quán)重，隨著迭代的進(jìn)行，可以加速利用馮·諾依曼結(jié)構(gòu)中的局部最優(yōu)與當(dāng)前迭代次數(shù)對(duì)應(yīng)的全局最優(yōu)進(jìn)行更新。隨著迭代的進(jìn)行，局部最優(yōu)逐漸與全局最優(yōu)重合。

ω = 1- e1-t? ，? ? ? ? ? t∈[1，10]? ? ? ? ? ? ? ? ? ? ? ? （10）

4.費(fèi)希爾判別法。

費(fèi)希爾判別法是一種經(jīng)典的線性判別分析方法，用于在多維空間中找到最佳的線性判別函數(shù)，以最大程度地區(qū)分不同類別的樣本。

5.BP神經(jīng)網(wǎng)絡(luò)。

BP神經(jīng)網(wǎng)絡(luò)是一種常見(jiàn)的人工神經(jīng)網(wǎng)絡(luò)，通過(guò)前向傳播和反向傳播算法來(lái)訓(xùn)練網(wǎng)絡(luò)，以學(xué)習(xí)輸入與輸出之間的映射關(guān)系。在實(shí)驗(yàn)中對(duì)數(shù)據(jù)進(jìn)行洗牌以增加模型泛化能力，使用了5折交叉驗(yàn)證評(píng)估模型性能，激活函數(shù)采用了identity（恒等函數(shù)），求解器選擇lbfg。學(xué)習(xí)率為0.1，L2正則化參數(shù)為1，迭代次數(shù)為1 000，隱藏層神經(jīng)元數(shù)量為100。

三、批發(fā)零售業(yè)公司研究樣本的選擇和指標(biāo)體系的確定

（一）研究樣本的選擇與數(shù)據(jù)來(lái)源

公司出現(xiàn)重大損失是其財(cái)務(wù)困難的表現(xiàn)之一，將上市公司因財(cái)務(wù)狀況異常而被特別處理（ST）作為公司陷入財(cái)務(wù)困境的標(biāo)志是符合我國(guó)實(shí)際情況的（曾繁榮和徐旭，2007；魏守智和許保國(guó)，2008；范雍禎，2019）。因此，本文以公司是否為ST（*ST）公司作為界定公司是否處于財(cái)務(wù)危機(jī)的標(biāo)準(zhǔn)，選擇了我國(guó)A股批發(fā)零售業(yè)上市公司作為研究樣本，將樣本分為財(cái)務(wù)正常組（非ST公司）和財(cái)務(wù)危機(jī)組（ST公司）。

根據(jù)中國(guó)證券監(jiān)督管理委員會(huì)的規(guī)定，當(dāng)一家公司在T年度被標(biāo)記為“ST”時(shí)，將會(huì)披露一份新的財(cái)務(wù)報(bào)告。若該公司在過(guò)去兩年內(nèi)存在財(cái)務(wù)風(fēng)險(xiǎn)，則新報(bào)告將基于T-3年至T-2年的財(cái)務(wù)數(shù)據(jù)。此外，若該公司在T-3年度出現(xiàn)虧損，通常會(huì)進(jìn)行經(jīng)營(yíng)戰(zhàn)略調(diào)整。因此，選擇T-3年的樣本數(shù)據(jù)更具科學(xué)性。本文選擇2019—2022 年間被證監(jiān)會(huì)冠以“ST”特別處理的批發(fā)零售業(yè)上市公司作為研究對(duì)象，相應(yīng)地選取了2016—2019 年的財(cái)務(wù)報(bào)表數(shù)據(jù)作為樣本。經(jīng)過(guò)數(shù)據(jù)清洗并剔除數(shù)據(jù)不全及新上市的公司后，有財(cái)務(wù)風(fēng)險(xiǎn)的樣本共有33個(gè)，其中2019年5家、2020年12家、2021年9家、2022年7家。為了配對(duì)比較，選擇了資產(chǎn)規(guī)模與行業(yè)相近的非ST公司，按照1∶2的比例選取了相應(yīng)的財(cái)務(wù)健康上市公司，最終獲得的樣本總數(shù)為99家。本文使用的財(cái)務(wù)數(shù)據(jù)均來(lái)自國(guó)泰安（CSMAR）數(shù)據(jù)庫(kù)。

（二）財(cái)務(wù)預(yù)警指標(biāo)初步選取

在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究中，張艷麗等（2016）、楊貴軍等（2019）從現(xiàn)金流量、償債能力、盈利能力、市場(chǎng)價(jià)值和營(yíng)運(yùn)能力等五個(gè)方面建立了財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，并發(fā)現(xiàn)該財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系有較好的預(yù)測(cè)效果。姜秀華和孫錚（2001）、黃善東和楊淑娥（2007）等研究了股權(quán)結(jié)構(gòu)、公司治理對(duì)財(cái)務(wù)危機(jī)的影響，并強(qiáng)調(diào)了非財(cái)務(wù)因素在預(yù)警模型中的作用。同時(shí)，戴紅軍和吳國(guó)強(qiáng)（2010）構(gòu)建了包含公司治理和外部審計(jì)信息等非財(cái)務(wù)指標(biāo)的預(yù)警模型，以提高預(yù)測(cè)準(zhǔn)確率。因此，本文結(jié)合我國(guó)批發(fā)零售業(yè)的行業(yè)特點(diǎn)，綜合已有研究，選取包括現(xiàn)金流量指標(biāo)、償債能力指標(biāo)、營(yíng)運(yùn)能力指標(biāo)、發(fā)展能力指標(biāo)和盈利能力指標(biāo)在內(nèi)的20個(gè)財(cái)務(wù)指標(biāo)，并引入了公司治理、股權(quán)集中度、股權(quán)制衡度、監(jiān)事總規(guī)模和審計(jì)治理等9個(gè)非財(cái)務(wù)指標(biāo)，初步構(gòu)建了適用于我國(guó)批發(fā)零售業(yè)的財(cái)務(wù)預(yù)警指標(biāo)體系。具體指標(biāo)情況如表1所示。

（三）隨機(jī)森林選擇

本文采用了隨機(jī)森林算法進(jìn)行特征選擇，并結(jié)合LSSVM以提高預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性。在隨機(jī)森林算法中，采用了OOB誤差作為評(píng)估變量重要性的指標(biāo)，以便更準(zhǔn)確地衡量每個(gè)變量對(duì)于預(yù)測(cè)結(jié)果的貢獻(xiàn)程度。

利用基于隨機(jī)森林算法的分類器進(jìn)行特征選擇。隨機(jī)抽取70%的數(shù)據(jù)作為訓(xùn)練集，剩余30%作為測(cè)試集。首先，對(duì)特征重要性進(jìn)行排序，通過(guò)循環(huán)迭代隨機(jī)選取不同的特征數(shù)量（mtry參數(shù)），計(jì)算每個(gè)特征數(shù)量下基于OOB誤差的模型誤判率均值，根據(jù)不同特征選取值情況下的模型誤判率均值繪制散點(diǎn)圖，具體如圖2所示。觀察發(fā)現(xiàn)，當(dāng)特征值選取為22個(gè)時(shí)，模型的OOB誤差誤判率均值最小。這意味著選取22個(gè)特征時(shí)，模型對(duì)于是否會(huì)被ST的預(yù)測(cè)表現(xiàn)最佳。故本文后續(xù)選取22個(gè)特征來(lái)構(gòu)建最終的模型。接下來(lái)，通過(guò)設(shè)置相關(guān)參數(shù)并使用importance（）函數(shù)計(jì)算平均最小基尼指數(shù)以衡量各個(gè)特征的重要性。通過(guò)計(jì)算得到每個(gè)指標(biāo)的平均最小基尼系數(shù)，并使用圖像的方式對(duì)指標(biāo)的重要性進(jìn)行可視化（見(jiàn)圖3）。根據(jù)圖3的結(jié)果，選擇了變量重要程度前22的變量，剔除了X4、X9、X16、X17、X18、Y6、Y7這7個(gè)重要程度排名最低的變量。最終，選擇X1、X2、X6、X7、X8、Y1、Y5、Y8等作為財(cái)務(wù)預(yù)警模型的輸入變量。

從上述結(jié)果可以看出，上市公司陷入財(cái)務(wù)困境與公司償債能力、營(yíng)運(yùn)能力、發(fā)展能力、盈利能力、股權(quán)集中度、股權(quán)制衡度、監(jiān)管層前三名薪酬總額、審計(jì)治理等方面有關(guān)。

四、模型對(duì)比分析

（一）不同尋優(yōu)算法對(duì)比分析

RF-VNWOA-LSSVM模型預(yù)測(cè)效果可以使用精確率（Precision）、召回率（Recall）和F1值來(lái)評(píng)估。在測(cè)試集中，預(yù)測(cè)結(jié)果將為ST公司或正常公司，可能的情況在表2中列出。

精確率表示在訓(xùn)練集中實(shí)際是 ST公司的樣本所占的百分比：精確率= TP÷（TP+ FP）。召回率表示在實(shí)際的 ST公司中，準(zhǔn)確地預(yù)測(cè)出在測(cè)試集中的 ST公司所占的比重：召回率= TP÷（TP+ FN）。F1值綜合考慮了精確率和召回率這兩項(xiàng)指標(biāo)，計(jì)算公式為F1值=2（精確率×召回率）÷（精確率+召回率）。該方法有助于評(píng)價(jià)模型的預(yù)測(cè)精確率及相關(guān)性，進(jìn)而更好地了解模型的表現(xiàn)。

表3顯示了使用不同優(yōu)化算法的LSSVM（包括PSO-LSSVM模型、GA-LSSVM模型、WOA-LSSVM模型、VNWOA-LSSVM模型、RF-WOA-LSSVM模型和RF-VNWOA-LSSVM模型）在中國(guó)批發(fā)零售業(yè)上市公司數(shù)據(jù)上的預(yù)測(cè)效果對(duì)比。表3第2列表示各種優(yōu)化算法下超參數(shù)γ、σ的最優(yōu)值。第3列中Z表示公司被分為哪一類，Z=1時(shí)，公司為正常公司即本文正例樣本，Z=-1時(shí)，公司為ST公司即本文負(fù)例樣本。第5列表示訓(xùn)練集測(cè)試集分類精度，表3第6—8列分別表示的是在Z=1或Z=-1的情況下的精確率、召回率和F1值。訓(xùn)練集共73個(gè)公司樣本（70%左右），測(cè)試集共有26個(gè)公司樣本。

將未經(jīng)過(guò)特征選擇的數(shù)據(jù)集代入預(yù)警模型，驗(yàn)證優(yōu)化算法的有效性。首先對(duì)比VNWOA-LSSVM模型與其他三個(gè)模型（PSO-LSSVM模型、GA-LSSVM模型、WOA-LSSVM模型）在訓(xùn)練集的分類精度和在

不同Z值下精確率、召回率、F1值。VNWOA-LSSVM模型在訓(xùn)練集上的分類精度達(dá)到95.65%， PSO-LSSVM模型、GA-LSSVM模型、WOA-LSSVM模型的分類精度分別為92.75%、92.75%、91.30%。采用VNWOA優(yōu)化算法后，分類精度分別提高了2.9個(gè)百分點(diǎn)、2.9個(gè)百分點(diǎn)和4.35個(gè)百分點(diǎn)。對(duì)于Z=1的情況來(lái)說(shuō)，VNWOA-LSSVM模型的精確率為96.00%，召回率為92.31%，F(xiàn)1值為94.00%；Z=-1時(shí)，

VNWOA-LSSVM模型的精確率為95.45%，召回率為97.67%，F(xiàn)1值為97.00%。綜合表現(xiàn)來(lái)看，在不同Z值下，VNWOA-LSSVM模型在精確率、召回率和F1值方面均優(yōu)于其他三個(gè)模型，顯示出更強(qiáng)地識(shí)別ST公司的能力。這表明在尋優(yōu)算法中，VNWOA在參數(shù)優(yōu)化方面具備卓越潛力，能夠有效提升模型的分類精度。

進(jìn)一步地，經(jīng)過(guò)隨機(jī)森林算法進(jìn)行特征值篩選后，將篩選后的數(shù)據(jù)集代入預(yù)警模型以驗(yàn)證隨機(jī)森林算法對(duì)模型性能的提升作用。通過(guò)對(duì)比分析RF-VNWOA-LSSVM模型與VNWOA-LSSVM模型、WOA-LSSVM模型、RF-WOA-LSSVM模型在訓(xùn)練集和測(cè)試集的分類精度。從表3可知，在訓(xùn)練集上RF-VNWOA-LSSVM模型的分類精度達(dá)到98.44%，明顯高于WOA-LSSVM模型（91.30%）、VNWOA-LSSVM模型（95.65%）和RF-WOA-LSSVM模型（95.31%）。在測(cè)試集上，RF-VNWOA-LSSVM模型的分類精度為71%，略低于WOA-LSSVM模型（77%）和RF-WOA-LSSVM模型（77%），但明顯優(yōu)于VNWOA-LSSVM模型（67%）。針對(duì)不同Z值的情況，RF-VNWOA-LSSVM模型在精確率、召回率和F1值上均表現(xiàn)出色，特別是在Z=1和Z=-1的情況下，RF-VNWOA-LSSVM模型均優(yōu)于其他模型。這表明經(jīng)過(guò)隨機(jī)森林算法進(jìn)行特征值篩選后，RF-VNWOA-LSSVM模型在VNWOA-LSSVM模型的基礎(chǔ)上進(jìn)一步提升了分類精度，在不同Z值下展現(xiàn)出優(yōu)越性能。

綜上所述，VNWOA算法優(yōu)于其他尋優(yōu)算法，而RF-VNWOA-LSSVM模型在不同Z值下的精確率、召回率和F1值綜合比較下也優(yōu)于其他模型。這可能是由于RF-VNWOA-LSSVM模型結(jié)合了隨機(jī)森林算法和VNWOA-LSSVM模型的優(yōu)勢(shì)。隨機(jī)森林算法提供了集成學(xué)習(xí)和特征選擇的能力，從而提升了模型的性能和魯棒性。通過(guò)結(jié)合隨機(jī)森林算法和VNWOA-LSSVM模型，RF-VNWOA-LSSVM模型能夠更好地提取特征并實(shí)現(xiàn)更準(zhǔn)確的預(yù)測(cè)。

（二）不同模型算法對(duì)比分析

表4顯示了RF-VNWOA-LSSVM與RF-費(fèi)希爾判別法、BP神經(jīng)網(wǎng)絡(luò)在Z=-1（*ST公司）情況下的分類精度、精確率、召回率和F1值。首先，在訓(xùn)練集上，RF-VNWOA-LSSVM的分類精度達(dá)到98.44%，遠(yuǎn)高于 RF-費(fèi)希爾判別法（79.69%）和 BP神經(jīng)網(wǎng)絡(luò)（89.90%），分別提高了18.75個(gè)百分點(diǎn)和8.45個(gè)百分點(diǎn)。在測(cè)試集上，RF-VNWOA-LSSVM 的分類精度為 71%，略高于BP神經(jīng)網(wǎng)絡(luò)（70%），稍低于 RF-費(fèi)希爾判別法（74%）。盡管在測(cè)試集上稍低于 RF-費(fèi)希爾判別法，但綜合考慮 RF-VNWOA-LSSVM 模型相對(duì)于其他模型在分類精度上表現(xiàn)更優(yōu)秀。

其次，通過(guò)比較 RF-VNWOA-LSSVM 模型在不同 Z 值下的精確率、召回率和 F1 值。根據(jù)表4中的數(shù)據(jù)，在 Z=-1（*ST公司）的情況下，RF-VNWOA-LSSVM 在訓(xùn)練集的精確率、召回率和 F1 值分別為100.00%、97.67%、99.00%，說(shuō)明RF-VNWOA-LSSVM 模型能夠準(zhǔn)確地預(yù)測(cè)負(fù)例樣本并有效分類，相較于其他模型，性能更為出色。此外，RF-VNWOA-LSSVM在訓(xùn)練集和測(cè)試集上的F1值分別為99%和79%，明顯高于RF-費(fèi)希爾判別法（70%、47%）和BP神經(jīng)網(wǎng)絡(luò)（89.7%、70.40%）。表明RF-VNWOA-LSSVM在平衡精確率和召回率方面表現(xiàn)優(yōu)異，既能有效識(shí)別負(fù)例樣本（高召回率），又能保持較高的準(zhǔn)確性（高精確率）。相比之下，其他模型可能在這兩個(gè)指標(biāo)之間存在某種折衷，導(dǎo)致F1值較低。

綜上所述，可以得出：RF-VNWOA-LSSVM 模型在精確率、召回率和 F1 值上表現(xiàn)出色，優(yōu)于RF-費(fèi)希爾判別法和BP神經(jīng)網(wǎng)絡(luò)。

五、結(jié)論

本文選取2019—2022年度A股主板被ST或被*ST的33家批發(fā)零售業(yè)上市公司作為研究樣本，以優(yōu)化LSSVM為基礎(chǔ)，結(jié)合隨機(jī)森林算法篩選特征值對(duì)財(cái)務(wù)預(yù)警模型進(jìn)行改進(jìn)優(yōu)化得到以下結(jié)論。

首先，在針對(duì)中國(guó)批發(fā)零售業(yè)上市公司數(shù)據(jù)的財(cái)務(wù)預(yù)測(cè)任務(wù)中，VNWOA-LSSVM模型相比其他優(yōu)化算法模型（PSO-LSSVM模型、GA-LSSVM模型、WOA-LSSVM模型），其分類精度分別提高了

2.9個(gè)百分點(diǎn)、2.9個(gè)百分點(diǎn)以及4.35個(gè)百分點(diǎn)，且該模型在不同Z值下的精確率、召回率和F1值均表現(xiàn)更好，體現(xiàn)出較高的性能，說(shuō)明VNWOA能夠?yàn)槟Ｐ吞峁└玫膮?shù)優(yōu)化，從而提高分類精度和預(yù)測(cè)準(zhǔn)確率。

其次，隨機(jī)森林算法在特征選擇方面的運(yùn)用對(duì)模型表現(xiàn)具有積極的影響。篩選出的重要特征變量能夠降低非關(guān)鍵特征值對(duì)模型預(yù)測(cè)的影響，從而提高模型的準(zhǔn)確性和穩(wěn)定性。在RF-VNWOA-LSSVM模型中，結(jié)合了隨機(jī)森林和VNWOA-LSSVM模型的優(yōu)勢(shì)，使得該模型在訓(xùn)練集上的分類精度和預(yù)測(cè)準(zhǔn)確率相較于RF-費(fèi)希爾判別法和BP神經(jīng)網(wǎng)絡(luò)分別提高了18.75個(gè)百分點(diǎn)、8.54個(gè)百分點(diǎn)。同時(shí)，在不同Z值下，RF-VNWOA-LSSVM模型在精確率、召回率和F1值上均呈現(xiàn)更強(qiáng)的性能。

綜上所述，本文通過(guò)在財(cái)務(wù)預(yù)警模型中運(yùn)用特征選擇和優(yōu)化算法的組合，以及結(jié)合隨機(jī)森林篩選重要特征變量，取得了較好的分類性能和預(yù)測(cè)準(zhǔn)確率。這些研究結(jié)果對(duì)企業(yè)進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警和決策具有重要的實(shí)際應(yīng)用價(jià)值。然而，未來(lái)的研究仍需關(guān)注數(shù)據(jù)收集和模型優(yōu)化方面，以滿足實(shí)際應(yīng)用需求和適應(yīng)變化的市場(chǎng)環(huán)境。同時(shí)，可以進(jìn)一步探索更多的特征選擇方法和優(yōu)化算法，從而進(jìn)一步提升財(cái)務(wù)預(yù)警模型的性能和應(yīng)用范圍，為企業(yè)提供更可靠、更準(zhǔn)確的財(cái)務(wù)預(yù)警服務(wù)，幫助它們更好地應(yīng)對(duì)挑戰(zhàn)和機(jī)遇，實(shí)現(xiàn)可持續(xù)發(fā)展。

參考文獻(xiàn)：

[1] FITZPATRICK P J. A Comparison of the ratios of successful industrial enterprises with those of failed companies[J]. Certified Public Accountant，1932（10）： 598-605.

[2] BEAVER W. Financial ratios as predictors of failures[J]. Journal of Accounting Research，1966（04）：71-111.

[3] ALTMAN E I. Financial ratios， discriminant analysis and the prediction of corporate bankruptcy[J].The Journal of Finance，1968，23（04）：589-609.

[4] HONJO Y. Business failure of new firms： An empirical analysis using a multiplicative hazards model[J].International Journal of Industrial Organization， 2000， 18（04）：557-574.

[5]李世垚．基于生存分析的上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究——以工業(yè)類上市公司為例[J].時(shí)代金融，2016（15）： 146-147．

[6] KAR Y T， MELODY K. Predicting bank failures： A neural network approach[J]. Applied Artificial Intelligence， 1990， 4（04）： 265-282.

[7] KOH H， TAN S. A neural network approach to the prediction of going concern status[J]. Accounting and Business Research， 1999， 29（03）： 211-216.

[8] XIN Z Y ， GU M .Complicated financial data time series forecasting analysis based on least square support vector machine[J]. Journal of Tsinghua University（Science and Technology）， 2008， 48（07）：1147-1149.

[9]MIRJALILI S，LEWIS A. The whale optimization algorithm[J]. Advances in Engineering Software，2016，95（05）：51-67.

[10]左智科，陳國(guó)彬，劉超，等.反饋精英鯨魚(yú)優(yōu)化算法優(yōu)化LSSVM的熱耗率軟測(cè)量建模[J].計(jì)量學(xué)報(bào)，2019，40（02）：259-265.

[11]鄭威迪，李志剛，賈涵中，等.基于改進(jìn)型鯨魚(yú)優(yōu)化算法和最小二乘支持向量機(jī)的煉鋼終點(diǎn)預(yù)測(cè)模型研究[J].電子學(xué)報(bào)，2019，47（03）：700-706.

[12]萬(wàn)曉靜，孫文磊，陳坤.基于CEEMD能量熵特征提取和VNWOA-LSSVM的風(fēng)力機(jī)軸承故障診斷方法研究[J].機(jī)電工程，2020，37（10）：1186-1191.

[13]康明月，王成，孫鴻雁，等.基于改進(jìn)的WOA-LSSVM櫻桃番茄內(nèi)部品質(zhì)檢測(cè)方法研究[J].光譜學(xué)與光譜分析，2023，43（11）：3541-3550.

[14] HAO D，XIE Y. Research on financial risk early warning in the online game industry based on random forest and fisher discriminant method[J]. Academic Journal of Business & Management，2022，4（07）：93-98.

[15]余欣然，郭婷.基于隨機(jī)森林與費(fèi)希爾判別法的區(qū)塊鏈企業(yè)財(cái)務(wù)預(yù)警模型研究[J].梧州學(xué)院學(xué)報(bào)， 2022， 32（03）：40-46.

[16]賀立敏，王峴昕，韓冰.基于隨機(jī)森林和支持向量機(jī)的船舶柴油機(jī)故障診斷[J].中國(guó)航海，2017，40（02）：29-33.

[17]王少華，樊其鋒，張健，等.基于隨機(jī)森林和支持向量機(jī)混合模型的空調(diào)故障檢測(cè)[J].家電科技， 2022（S1）：774-777.

[18]袁曉龍，梅雪，黃嘉爽，等.基于隨機(jī)森林算法的特征選擇及在fMRI數(shù)據(jù)中的應(yīng)用[J].微電子學(xué)與計(jì)算機(jī)，2014，31（08）：132-135.

[19]STROBL C， BOULESTEIX A-L ， ZEILEIS A， et al. Bias in random forest variable importance measures： Illustrations， sources and a solution [J]. BMC Bioinformatics， 2007， 8（01）： 25-46.

[20] SUYKENS J A K， VANDEWALLE J .Least squares support vector machine classifiers[J].Neural Processing Letters， 1999， 9（03）：293-300.

[21]曾繁榮， 徐旭. 上市公司典型財(cái)務(wù)危機(jī)預(yù)警模型比較研究[J]. 會(huì)計(jì)之友·下旬刊， 2007（02）：89-90.

[22]魏守智，許保國(guó).淺談上市公司財(cái)務(wù)困境的概念及成因[J].中國(guó)農(nóng)業(yè)會(huì)計(jì)，2008（10）：85-87.

[23]范雍禎.中小企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型比較研究——基于PCA-Cox模型與BP_Adaboost模型的對(duì)比[J].產(chǎn)業(yè)創(chuàng)新研究，2019（11）：204-209.

[24]高燕，杜玥，曾森.基于BP神經(jīng)網(wǎng)絡(luò)的制造企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究[J].會(huì)計(jì)之友，2023（01）：62-70.

[25]張艷麗，尤曉琳，強(qiáng)薇，等.基于LASSO的企業(yè)財(cái)務(wù)危機(jī)預(yù)警與關(guān)鍵指標(biāo)選擇[J].河南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，44（03）：160-165.

[26]楊貴軍，周亞夢(mèng)，孫玲莉，等.基于Benford律的Logistic模型及其在財(cái)務(wù)舞弊識(shí)別中的應(yīng)用[J].統(tǒng)計(jì)與信息論壇，2019，34（08）：50-56.

[27]姜秀華，孫錚.治理弱化與財(cái)務(wù)危機(jī)：一個(gè)預(yù)測(cè)模型[J].南開(kāi)管理評(píng)論，2001（05）：19-25.

[28]黃善東，楊淑娥. 公司治理與財(cái)務(wù)困境預(yù)測(cè)[J].預(yù)測(cè)，2007，26（02）：63-67.

[29]戴紅軍，吳國(guó)強(qiáng).公司治理、外部審計(jì)信息與財(cái)務(wù)危機(jī)預(yù)警[J].大連民族學(xué)院學(xué)報(bào)，2010，12（02）：157-161+165.

Financial Distress Warning of Listed Wholesale and Retail Companies：

Based on RF-VNWOA-LSSVM Model

Abstract： This study selected 33 A-share main board companies listed from 2019 to 2022 in the Guotaian CSMAR database， which were either ST or *ST during this period， focusing on the wholesale and retail industry. Based on the characteristics of listed companies in the wholesale and retail industry and a review of previous literature， 20 financial indicators and 9 non-financial indicators were selected to construct an early warning index system. To eliminate the impact of non-key feature indicators， the random forest algorithm was employed for feature selection， and the selected dataset was applied to an optimized LSSVM model for financial prediction and early warning.The experimental results showed that compared to PSO （Particle Swarm Optimization）， GA （Genetic Algorithm）， and WOA （Whale Optimization Algorithm）， the VNWOA optimization algorithm improved prediction accuracy by 2.9%， 2.9%， and 4.35%， respectively. The RF-VNWOA-LSSVM model， which combined random forest and VNWOA optimization algorithms， achieved an 18.75% and 8.45% increase in prediction accuracy compared to RF-Fisher discriminant analysis and BP neural network， respectively. The experimental results demonstrate that the proposed RF-VNWOA-LSSVM early warning model can effectively identify financial risks.

Keywords： Listed wholesale and retail companies; Financial warning model; Random forest feature selection; RF-VNWOA-LSSVM early warning model；Data mining; Machine learning