论文部分内容阅读
信息技术行业是中国国民经济的重要产业之一,资金集聚、创新能力强及风险系数高是其主要特征。同时,财务风险作为企业发展的“晴雨表”和“防火墙”,是所有企业需要探究的课题。如果建立一个合理有效的财务危机预警模型,企业管理者就能及时了解企业的财务和运营状况,对财务危机做出预判。财务危机预测是财务分析的重要领域,著名的Z-socre模型是被提出的最早的财务危机预测模型,通过5个变量来建立Z-score模型,但是该模型对市场的变化不够灵敏,权数需要经常调整。在Z-score模型之后,条件概率模型被应用到财务危机预测中。随着机器学习方法的广泛应用,近些年来更多学者用机器学习方法来建立财务危机预测模型。但是,较少学者使用机器学习模型时考虑到类别不平衡问题,而且对于变量较多、样本量较少的这种类型的数据,一些基础的机器学习模型存在过拟合等问题。本文将研究对象设定为我国深沪信息技术行业的上市公司,将企业按照证监会对上市公司财务危机的分类标准分成两类(股票类型为ST、*ST、SST、S*ST、S的统称为ST类股票),采用2015年到2018年公司的财务危机状况作为研究对象,选取公司对应的t-2年的财务数据和非财务数据作为指标,通过统计方法中差异化分析和相关性分析对指标进行筛选,最终确定了22个财务指标和3个非财务指标,之后建立基于XGBoost算法和LightGBM算法和的财务危机预警模型,最终LightGBM算法模型预测的AUC值达到86%,XGBoost算法模型预测的AUC值是83%,结果相差不大。而基于XGBoost算法的财务危机预警模型中查准率和召回率两个指标要较高于LightGBM算法。同时,与决策树、随机森林、GBDT算法构建的财务危机预警模型相比较,发现XGBoost算法和LightGBM算法模型效果较好。在运行时间方面,LightGBM算法训练速度确实比XGBoost算法快了将近10倍。从两个模型的特征重要性排序来看,可以看出利息保障倍数、流动比率、营业收入增长率、流动资产比率、研发人员数量占比、前十大股东持股比例合计这几个指标都处于比较高的特征重要性位置。