Research on Financial Risk Early Warning Model of Listed Companies Based on Deep Learning
宋歌① SONG Ge；马涛② MA Tao
（①西北工业大学管理学院，西安 710129；②西北工业大学自动化学院，西安 710129）
（①School of Management，Northwestern Polytechnical University，Xi'an 710129，China；
②School of Automation，Northwestern Polytechnical University，Xi'an 710129，China）
摘要：本文采用2007年至2016年3513家上市公司的相关财务数据为研究样本，以深度学习为研究工具构建神经网络模型，对企业是否陷入财务危机进行预测。研究结果表明，基于深度学习构建的神经网络模型对所有上市公司是否陷入财务危机的预测准确率可以达到72%以上，且利用的以前的年度数据越多，预测的准确率越高。
Abstract: The relevant financial data of 3,513 listed companies from 2007 to 2016 are used as research samples, and deep learning is used as a research tool to construct a neural network model to predict whether a company is in financial crisis. The research results show that the neural network model based on deep learning can predict if all listed companies is in financial crisis with more than 72% accuracy. And the more annual data used, the higher the accuracy of prediction.
关键词：财务预警；深度学习；自动编码器
Key words: financial early warning；deep learning；automatic encoder
中图分类号：F275 文献标识码：A 文章编号：1006-4311（2019）01-0053-04
0 引言
风险存在于企业的各个发展阶段，当其累积到一定阶段就容易导致财务危机的发生，因此建立适当的财务预警模型对于企业来说具有十分重要的意义。在国际学术界中关于财务预警的研究可谓是方兴未艾，各国学者都在这个领域做了不懈的探索。
财务风险预警的作用就是通过企业历史的经营及财务信息来判断企业现在或未来会面临怎样的风险，这种风险是否会引起财务风险。造成财务风险的成因复杂多样，且具有不确定性，企业有必要提前识别预警。
深度学习的概念源于人工神经网络的研究，其在处理非线性数据上具有很大的优越性，尤其在处理大量数据时，利用深度学习，可以迅速提取数据特征，因此，可以利用深度学习提取遭遇财务困境的公司以及没有遭遇财务困境的公司的财务风险预警指标数据特征，构建财务风险预警模型对公司是否遭遇财务困境进行区分。
本文的目的是为上市公司财务预警找到一个通用的财务预警模型，为深度学习在财务风险预警方面的应用提供一种新思路。本文建基于深度学习的财务预警模型，对上市公司是否会出现财务危机进行预测，并对利用不同年份数的数据的预测结果进行分析，试图找出年份数对预测准确率的影响。
1 文献回顾与总结
对财务预警指标的研究从财务状态指标到公司治理指标再到现金流指标，各国学者进行了大量的研究[1~6]；对财务预警模型的研究也包括判别分析、条件概率、人工神经网络和生存分析等几种模型构建方法[1，4，7~10]。利用深度学习构建财务预警模型也是属于人工神经网络方法的一种。
企业财务预警始于20世纪30年代，大致分为三个阶段：
第一个阶段，学者们主要采用趋势分析法，即研究发生财务困境的公司和财务状况健康的企业关键财务指标的变化趋势。1931年Fitzpatrick[11]最早对19组破产和非破产公司的财务数据进行研究，发现两种类型的公司的财务比率显著不同，其中，净利润/股东权益和股东权益/负债具有最好的预测能力。
第二阶段，各种判别分析模型开始被广泛使用，包括单变量分析方法和多变量分析方法。单变量预测模型仅仅将一个财务比率作为分析指标，而多变量判别分析则采用多种财务指标对企业的财务状况进行更为全面的衡量。单变量的研究中，1966年Beaver的研究最具影响力[12]；多变量分析模型中，常用的多变量判别模型包括Logistic回归[12~14]、Fisher判别、Bayes判别、违约距离判别等。其中比较经典的有Altman1968年建立的Z-score模型[15]，但是该模型对于超过两年的预测准确性很低。
我国学者吴世农和黄世忠、陈静、张玲[16~18]，其中张玲将120家公司作为样本，构建二类线性判别模型，该模型可以具有超前四年的预测结果，预测准确率可以达到60%。
第三个阶段，随着计算机技术的发展，人工智能技术也被引入了企业财务预警模型的研究中，其中，人工神经网络方法被广泛应用。1990年，Odom和Sharda首次运用人工神经网络模型进行财务预测[19]。他们选取了65家破产公司和64家财务状况健康的公司作为研究样本，选取5个财务指标构建财务指标体系，使用企业破产前1年的数据进行预测，并取得了79.5%的准确率。后续还有许多学者将人工神经网络与其他数据处理方法相结合构建财务风险预警模型。[20-25]
2 财务风险预警以及深度学习的理论基础
2.1 财务风险预警
财务风险预警需要检测多个指标，且这些指标相互影响，仅仅通过人的感官是无法判断的，因此，企业需要建立一套由计算机监测指标的系统，进而实时关注并分析评价企业发生财务风险的可能性。财务风险预警可以帮助企业的管理者提前认识到企业存在的风险，尽早发现经营或是管理上的问题，取得解决这些问题先机，可以有效控制问题的恶化，预防财务风险。企业的这种提前预警、及时调整对企业长远经营是很有意义的。
本文通过建立财务风险预警模型来对财务风险进行研究，是一种定量的方法，不同于定性分析的工作难度高且准确性低，模型研究具有更高的可靠性。这种通过模型来对历史数据进行解读，将数据的特征与企业财务状况联系起来，进而利用现有数据对未来进行分析预测，保证预测的准确率。
本文在选取指标时，考虑了偿债能力、经营能力等一系列的财务指标和非财务指标，尽可能使这些指标反映企业的整体状况。深度学习本身具有自我学习的能力，能够将相同性质的数据进行自我归类，也就是说，本文应该遵从指标量越大越好。但是由于在实际操作过程中，一是有些指标数据不易获得，二是大量的重复性指标会导致工作量增大，耗时过长。基于以上原因，本文最终确定从盈利能力、经营能力、发展能力、偿债能力、现金流量状况5个一级指标考虑公司的财务状况，并选取25个二级指标，建立了最终的财务指标体系，以往的研究中，还会将非财务指标纳入指标体系[20]，但是由于本文构建的模型中，数据量较多，将非财务指标设为虚拟变量之后纳入指标体系后对预测结果没有产生可见的影响，因此本文并为将非财务指标纳入考虑范围。本文构建的财务指标体系如表1所示。
2.2 深度学习
深度学习是机器学习类别下专门针对神经网络进行研究的一个门类。机器学习能够应用于图像、语音、模式等的识别，也可以用来预报天气，进行股价预测，甚至还可以进行基因表达、内容推荐等。
深度学习模型的设计原理是对大脑皮层进行模拟，对数据或信号进行逐层抽象。这很像大脑皮层对图像进行辨识，深度学习模型首先从原始信号提取低层特征，再从低层特征中得到更高层的特征，然后获得更高一层的表达。在人脸识别系统中，原始信号就是像素，低层特征就是物体的边，高层特征就是由边线构成的轮廓，而高层的表达就是人脸。最后根据高层特征进行分类，输出模型的预测结果，如图1所示。
本文利用深度学习对数据特征进行提取，并最终得出公司是否面临财务危机的表达。
3 数据和实证设计
3.1 数据
中国股市存在ST制度和*ST制度，企业股票简称被冠以ST和*ST则说明企业经营遭遇重大危机，从数据的易获得性以及有效性来看，用企业股票被ST或者*ST作为企业遇到财务危机的标志是一种合理的方法[17]。
本文的数据全部来源于万德数据库，收集了从2007年至2016年全部A股的年数据。
本文首先筛选出被ST和*ST的公司（以下简称ST公司），然后根据行业和平均总资产作为筛选指标，在财务状况正常的公司中找出每个ST或者*ST公司的对应公司（以下简称非ST公司）。利用ST公司和非ST公司的2016年以前几年的财务指标数据，来预测其在2016年是否会发生财务危机（被ST或者*ST），并和实际情况相对比，统计预测的正确率，并进行实证分析。本文共选取3513家公司，每家公司选取25个指标数据,数据在进行每次实证时会进行相应的筛选。
本文首先剔除了数据不完全的公司，然后对数据进行归一化处理。将第t个公司的财务指标数据设为■，i∈[1，2，…，该公司数据指标的个数]，数据归一化是指将全部数据都按照公式（1）转化为[0，1]之间的数据：
■（1）
对数据进行归一化的原因，是因为各数据的计量单位是不相同的，而处理后的数据将会在0和1之间。如果不对数据进行归一化，那么由于梯度下降是按照一个单位进行，所以它在每个方向下降的步幅是相同的。但是由于各股票指标的单位不同，所以每个指标下降的步长不一样。总的来说，归一化可以让各股票指标的数量级跟梯度下降的长度对应起来[21]。
3.2 结果评估标准
本文一共进行了4次实证分析，数据数量选取情况如表2所示。
在每次实证分析中，将2016年前几年的数据作为训练集，将包括2016年你在内的后几年的数据作为预测集，在进行预测时，将判断为不会发生财务危机的公司输出结果记为0，将判断为会发生财务危机的公司的输出结果记为1，最后将判断结果和公司实际情况进行对比，并计算判断准确率。如果将模型判断结果记为X，公司实际情况记为Y，X和Y都是取值0或1的值，预测集中公司数量为N，则判断的准确率P可由下式（2）计算得到：
■（2）
4 实证结果分析
因为每次模拟都会随机取一个初始值，因此每次模拟结果可能都会不一样，本文对每组数据都进行了100次模拟，最后取其平均值，以抵消随机初始值的影响。
根据选取的数据时间跨度不同，将数据分成四组进行实证分析，如表3所示。
通常来说，隐藏层的节点数量对模型的预测效果具有很大影响，本文的神经网络结构的隐藏层共有两层，隐藏层的个数有以下几种确定方法：
■ （3）
■ （4）
■ （5）
这里，m和n分别表示输出层和输入层的节点，α可以是1-10之间的任意数值，这些方法只能为隐藏层的节点获得可行的初始值，并且这个数字通常需要在训练和学习期间进行校正。通常采用逐渐增加和逐渐减少的两种方法来校正隐藏层的节点数量以实现期望值并将误差减小到合理范围。本研究使用公式（3）计算隐藏层节点，最后得到每个网络的节点如表4所示。
■
实证结果如表5所示。
■
从实证结果来看，基于深度学习的财务风险预警模型对于企业是否会陷入财务危机进行预测的准确率能够保持在72%以上，由此可以说明，基于深度学习的财务风险预警模型对于A股上市公司有普遍的预测效果，且可以看出，运用越多年份的数据进行预测，预测的准确率就会越高。
5 总结
财务风险预警对于公司运营具有很重要的意义，中外学者也对此做过很多研究，对于公司财务风险预警指标体系这种非线性数据的预测，深度学习具有很大的优势。
为了提高公司财务风险预警的准确率，本文构建了基于深度学习的财务风险预警模型，利用2007-2016年A股上市公司数据，对深度学习是否能够构建一个上市公司普遍适用的财务预警模型进行了探究。本文构建的财务预警模型取得了72%以上的准确率，说明深度学习在财务风险预警方面的研究上存在可行性，仍有很大的空间去探索。并且本文通过利用不同的年份数的数据，也得出，本文所构建的模型利用的数据年份数越多，则预测准确率越高。
因此基于深度学习的财务风险预警模型是深度学习在公司治理上的一次成功的应用，由于公司的财务数据和非财务数据的非线性关系，深度学习在公司治理上有很好的应用前景。
参考文献：
[1]Altman, E.I., Financial Ratios. Discriminant Analysis and Prediction of Corporate Bankruptcy. 1968.
[2]张玲.财务危机预警分析判别模型[J].数学经济技术经济研究，2000（3）.
[3]吴超鹏，吴世农.基于价值创造和公司治理的财务状况分析与预测模型研究[J].经济研究，2005（11）.
[4]Beaver. Financial Ratios as Predictors of Failures in Empirical Research in Accounting. Supplement to the Journal of Accounting Research, 1968(1).
[5]Lane W R, Looney S W, Wansley J W. AN APPLICATION OF THE COX MODEL TO BANK FAILURE[J]. Financial Review, 2010, 20(3):73-73.
[6]钱爱民，张淑君，程幸.基于自由现金流量的财务预警指标的构建与检验[J].中国软科学，2008（9）.
[7]陈静.上市公司财务恶化预测的实证分析[J].会计研究，1999（4）：31-38.
[8]李维安，谢永珍.上市公司治理风险预警指标体系的理论分析与实际验证[C].第四届南开大学公司治理国际研讨会论文集，2007.
[9]杨淑娥.企业多层次财务危机预警研究——方法与应用[M].经济科学出版社，2009.
[10]Li S, Shang J, Slaughter S A. Why Do Software Firms Fail? Capabilities, Competitive Actions, and Firm Survival in the Software Industry from 1995 to 2007[J]. Information Systems Research, 2010, 21(3):631-654.
[11]Fitzpatrick D A． A comparison of the ratios of successful industrial enterprises with those of failed companies[M]． Washington: The Accountants Publishing Company，1931．
[12]Beaver W H． Financial ratios as predictors of failure，empirical research in accounting:selected studies[J]． Journal of Accounting Research，1966，Supplement:71 － 111．
[13]Ohlson J A． Financial ratios and probabilistic prediction of bankruptcy[J]． Journal of Accounting Research， 1980， 18: 109 － 131．
[14]Laitinen E， Laitinen T． Bankruptcy prediction: application of the Taylor's expansion in logistic regression[J]． International Review of Financial Analysis， 2000， 9: 327 － 349．
[15]Altman E I． Financial ratios， discriminant analysis and the prediction of corporate bankruptcy[J]． The Journal of Finance， 1968， 23: 589－609．
[16]吴世农， 黄世忠．企业破产的分析定性指标和预测模型[J]．中国经济问题，1986（6）：15－22．
[17]陈静．上市公司财务恶化预测的实证分析[J]．会计研究， 1999（4）：31－38．
[18]张玲．财务危机预警分析判别模型[J]．数量经济技术经济研究，2000（3）：49－51．
[19]Odom M，Sharda R． A neural networks model for bankruptcy prediction[R]． Proceedings of the IEEE International Conference on Neural Network，1990:163 － 168．
[20]周敏，王新宇．基于模糊优选和神经网络的企业财务危机预警[J]．管理科学学报，2002（5）：86－90．
[21]李晓峰，徐玖平．企业财务危机预警Rough-ANN模型的建立及其应用[J]．系统工程理论与实践，2004（10）：8－14．
[22]Lee Kidong， Booth D， Alam P． A comparison of supervised and unsupervised neural networks in predicting bankruptcy of Korean firms[J]． Expert Systems with applications， 2005， 29: 1－16．
[23]张玲，陈收，张昕．基于多元判别分析和神经网络技术的公司财务困境预警[J]．系统工程，2005（11）：49－56．
[24]庞素琳．概率神经网络信用评价模型及预警研究[J]．系统工程理论与实践，2005（5）：43－48．
[25]冯征．基于改进型神经网络的财务预警实证研究[J]．山西财经大学学报，2007（8）：120－124．
[26]鲍新中，陶秋燕，傅宏宇.基于面板离散选择模型的企业财务预警及其行业适用性[J].系统管理学报，2016，25（1）：36-44. |
