財(cái)務(wù)預(yù)警課件

財(cái)務(wù)預(yù)警10/10/1財(cái)務(wù)預(yù)警課件第1頁1財(cái)務(wù)預(yù)警發(fā)展3財(cái)務(wù)預(yù)警技術(shù)方法2財(cái)務(wù)預(yù)警定義與特征財(cái)務(wù)預(yù)警課件第2頁國外財(cái)務(wù)預(yù)警發(fā)展1932年Fitzpatrick所做單變量破產(chǎn)預(yù)警模型是最早財(cái)務(wù)危機(jī)預(yù)警研究。1966年WilliamBeaver提出了單一比率模型，利用統(tǒng)計(jì)方法建立了單變量財(cái)務(wù)預(yù)警模型，開創(chuàng)了用統(tǒng)計(jì)方法建立財(cái)務(wù)預(yù)警模型先河。1968年，美國學(xué)者Edward?I?Altman首次將多元線性判別方法引入到財(cái)務(wù)危機(jī)預(yù)警領(lǐng)域，利用數(shù)理統(tǒng)計(jì)方法，依據(jù)誤判率最小標(biāo)準(zhǔn)，建立了Z值模型。1980年美國學(xué)者Ohlson使用對數(shù)比率（Logistic）回歸方法分析了選取非配對樣本在破產(chǎn)概率區(qū)間上分布以及兩類判別錯(cuò)誤和分割點(diǎn)關(guān)系。財(cái)務(wù)預(yù)警課件第3頁國外財(cái)務(wù)預(yù)警發(fā)展1984年Marais等將遞歸分類方法應(yīng)用于銀行貸款分類研究，F(xiàn)rydman、Altman和Kao則于1985年首次將遞歸劃分算法利用于信用客戶經(jīng)營失敗評定和預(yù)測研究。1988年，Aziz、Emannuel和Lawson在財(cái)務(wù)困境預(yù)測研究中，發(fā)展了基于現(xiàn)金流量預(yù)測破產(chǎn)模型。1990年Odom和Sharda第一次將神經(jīng)網(wǎng)絡(luò)應(yīng)用于財(cái)務(wù)困境預(yù)測問題，開始了利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行財(cái)務(wù)困境預(yù)測探索。1992年Coats和Fant利用神經(jīng)網(wǎng)絡(luò)技術(shù)學(xué)習(xí)審計(jì)教授結(jié)論來判別財(cái)務(wù)困境。年，Charitou和Trigeorgis采取Logistic回歸方法并結(jié)合B－S期權(quán)定價(jià)模型中相關(guān)變量構(gòu)建了財(cái)務(wù)危機(jī)判別模型。財(cái)務(wù)預(yù)警課件第4頁國內(nèi)財(cái)務(wù)預(yù)警發(fā)展國內(nèi)對財(cái)務(wù)困境及預(yù)測模型研究，始于上世紀(jì)80年代中期。吳世農(nóng)、黃世忠在1986年介紹了企業(yè)破產(chǎn)分析指標(biāo)和預(yù)測模型。1990年，國家自然科學(xué)基金委員會(huì)管理科學(xué)組先后支持佘廉等人從事企業(yè)預(yù)警研究，并于1999年出版了企業(yè)預(yù)警管理叢書。1996年，周首華、楊濟(jì)華和王平以AltmanZ分?jǐn)?shù)模型為基礎(chǔ)對Z模型進(jìn)行改進(jìn)，把現(xiàn)金流量加入預(yù)測企業(yè)破產(chǎn)有效指標(biāo)，建立了F分?jǐn)?shù)模型。年高培業(yè)、張道奎基于29個(gè)財(cái)務(wù)比率對26個(gè)企業(yè)采取不一樣判別方法進(jìn)行分析，得出了我國非上市企業(yè)成功是否主要取決于負(fù)債比率、營運(yùn)資本比率和贏利能力結(jié)論。財(cái)務(wù)預(yù)警課件第5頁國內(nèi)財(cái)務(wù)預(yù)警發(fā)展年，吳世農(nóng)、盧賢義應(yīng)用Fisher線性判定分析、多元線性回歸分析和Logistic回歸分析三種方法，且驗(yàn)證Logistic模型判定準(zhǔn)確性最高。

年，喬卓等人建立了基于數(shù)值優(yōu)化Levenberg－Marquardt算法前饋神經(jīng)網(wǎng)絡(luò)預(yù)測模型。年，楊淑娥、黃禮采取BP人工神經(jīng)網(wǎng)絡(luò)工具，以120家上市企業(yè)截面財(cái)務(wù)指標(biāo)作為建模樣本，并使用同期60家企業(yè)作為檢驗(yàn)樣本建立了財(cái)務(wù)危機(jī)預(yù)警模型。年，張秋水、羅林開、劉晉明經(jīng)過SVM與傳統(tǒng)多元線性回歸和Logit分析實(shí)證對比和模型分析，得出SVM（支持向量機(jī)）模型顯著優(yōu)于多元線性回歸，也優(yōu)于Logit分析。財(cái)務(wù)預(yù)警課件第6頁國內(nèi)財(cái)務(wù)預(yù)警發(fā)展年，陳強(qiáng)、薛華為提升財(cái)務(wù)預(yù)警模型精度，針對BP算法訓(xùn)練過程中輕易陷入局部極值而影響預(yù)測效果缺點(diǎn)，應(yīng)用遺傳算法和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合混合算法進(jìn)行改進(jìn)。

年，張樂利用貝葉斯判別法，以140家上市企業(yè)作為分析樣本，建立財(cái)務(wù)預(yù)警模型。經(jīng)檢驗(yàn)，該方法預(yù)測效果準(zhǔn)確率到達(dá)85.7%。年，周輝仁等提出一個(gè)基于粒子群優(yōu)化算法最小二乘支持向量機(jī)財(cái)務(wù)預(yù)警模型對上市企業(yè)財(cái)務(wù)數(shù)據(jù)進(jìn)行財(cái)務(wù)預(yù)警分析。財(cái)務(wù)預(yù)警課件第7頁財(cái)務(wù)預(yù)警定義

財(cái)務(wù)預(yù)警是以企業(yè)信息化為基礎(chǔ)，對企業(yè)在經(jīng)營管理活動(dòng)中潛在財(cái)務(wù)危機(jī)風(fēng)險(xiǎn)進(jìn)行監(jiān)測、診療與報(bào)警一個(gè)技術(shù)。它貫通于企業(yè)經(jīng)營活動(dòng)全過程，以企業(yè)財(cái)務(wù)報(bào)表、經(jīng)營計(jì)劃及其它相關(guān)財(cái)務(wù)資料為依據(jù)，利用會(huì)計(jì)、金融、企業(yè)管理、市場營銷等理論，借助百分比分析、數(shù)學(xué)模型等財(cái)務(wù)分析方法，發(fā)覺企業(yè)存在風(fēng)險(xiǎn)，依據(jù)預(yù)警指標(biāo)發(fā)出信號對財(cái)務(wù)危機(jī)進(jìn)行辯識(shí)，并向企業(yè)利益相關(guān)者發(fā)出警示，方便采取對應(yīng)對策管理方法。財(cái)務(wù)預(yù)警課件第8頁財(cái)務(wù)預(yù)警定義財(cái)務(wù)預(yù)警課件第9頁財(cái)務(wù)預(yù)警特征1

1不確定性

2時(shí)間相關(guān)性3價(jià)值增值性4技術(shù)可行性財(cái)務(wù)預(yù)警課件第10頁財(cái)務(wù)預(yù)警技術(shù)方法財(cái)務(wù)預(yù)警技術(shù)方法單一財(cái)務(wù)比率法財(cái)務(wù)比率綜累計(jì)分法財(cái)務(wù)預(yù)警模型財(cái)務(wù)預(yù)警課件第11頁單一財(cái)務(wù)比率法

單一財(cái)務(wù)比率法也稱為單變量模型，是指將某一項(xiàng)財(cái)務(wù)指標(biāo)作為判別標(biāo)準(zhǔn)來判斷企業(yè)是否處于財(cái)務(wù)危機(jī)狀態(tài)一個(gè)預(yù)警方法。

當(dāng)前，我國企業(yè)在實(shí)際工作中慣用財(cái)務(wù)比率主要有資產(chǎn)負(fù)債率、利息保障倍數(shù)、流動(dòng)比率和速動(dòng)比率等。單一財(cái)務(wù)比率法優(yōu)點(diǎn)是簡單明了、易于掌握，缺點(diǎn)是財(cái)務(wù)比率能夠被人為操縱，輕易引發(fā)失誤。

財(cái)務(wù)預(yù)警課件第12頁財(cái)務(wù)比率綜累計(jì)分法

財(cái)務(wù)比率綜累計(jì)分法是選擇多個(gè)財(cái)務(wù)比率并賦予對應(yīng)權(quán)重，計(jì)算綜合財(cái)務(wù)指標(biāo)，以此來判斷企業(yè)發(fā)生財(cái)務(wù)危機(jī)可能性。慣用財(cái)務(wù)比率綜累計(jì)分法主要包含沃爾評分法和綜合評分法。

財(cái)務(wù)預(yù)警課件第13頁財(cái)務(wù)比率綜累計(jì)分法1.沃爾評分法沃爾評分法是指將選定財(cái)務(wù)比率用線性關(guān)系組合起來，并分別給定各自分?jǐn)?shù)比重，然后經(jīng)過與標(biāo)準(zhǔn)比率進(jìn)行比較，確定各項(xiàng)指標(biāo)得分及總體指標(biāo)累計(jì)分?jǐn)?shù)，從而對企業(yè)信用水平作出評價(jià)方法。沃爾評分法基本步驟包含：選擇評價(jià)指標(biāo)并分配指標(biāo)權(quán)重、確定各項(xiàng)評價(jià)指標(biāo)標(biāo)準(zhǔn)值與標(biāo)準(zhǔn)系數(shù)、對各項(xiàng)評價(jià)指標(biāo)計(jì)分并計(jì)算綜合分?jǐn)?shù)、形成評價(jià)結(jié)果。

財(cái)務(wù)預(yù)警課件第14頁財(cái)務(wù)比率綜累計(jì)分法2.綜合評分法綜合評分法選擇評價(jià)營利能力、償債能力、成長能力財(cái)務(wù)比率，按5：3：2來分配比重，標(biāo)準(zhǔn)分為100分，取值范圍為50~150分，分值越高，反應(yīng)企業(yè)財(cái)務(wù)情況越好，發(fā)生財(cái)務(wù)危機(jī)可能性越小。其中，評價(jià)營利能力財(cái)務(wù)比率選擇了總資產(chǎn)周轉(zhuǎn)率、銷售凈利率、凈值酬勞率；評價(jià)償債能力財(cái)務(wù)比率選擇了自有資本率、流動(dòng)比率、應(yīng)收賬款周轉(zhuǎn)率、存貨周轉(zhuǎn)率；評價(jià)成長能力財(cái)務(wù)比率選擇了銷售增加率、凈利增加率、人均凈利增加率。

財(cái)務(wù)預(yù)警課件第15頁財(cái)務(wù)預(yù)警模型

1一元判定模型

2多元判別模型3回歸分析法4類神經(jīng)網(wǎng)絡(luò)模型財(cái)務(wù)預(yù)警課件第16頁一元判定模型

按照綜合性和預(yù)測能力大小，預(yù)測企業(yè)財(cái)務(wù)失敗指標(biāo)主要有：(1)債務(wù)保障率=現(xiàn)金流量/債務(wù)總額；(2)資產(chǎn)收益率=凈收益/資產(chǎn)總額；(3)資產(chǎn)負(fù)債率=負(fù)債總額/資產(chǎn)總額；(4)資產(chǎn)安全率=資產(chǎn)變現(xiàn)率/資產(chǎn)負(fù)債率式(其中資產(chǎn)變現(xiàn)率=資產(chǎn)變現(xiàn)金額/資產(chǎn)賬面金額)財(cái)務(wù)預(yù)警課件第17頁多元判定模型多元判別模型是利用各種財(cái)務(wù)比率指標(biāo)加權(quán)匯總而結(jié)構(gòu)多元線性函數(shù)公式來對企業(yè)財(cái)務(wù)危機(jī)進(jìn)行預(yù)測。1.Z分?jǐn)?shù)模型Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5 X1=(期末流動(dòng)資產(chǎn)一期末流動(dòng)負(fù)債)/期末總資產(chǎn) X2=期末留存收益/期末總資產(chǎn) X3=息稅前利潤/期末總資產(chǎn) X4=期末股東權(quán)益市場價(jià)值/期末總負(fù)債 X5=本期銷售收入/總資產(chǎn)財(cái)務(wù)預(yù)警課件第18頁多元判定模型2.F分?jǐn)?shù)模型F=0.1774+1.1091X1+0.1074X2+1.9271X3+0.0302X4+0.4961X5X1=(期末流動(dòng)資產(chǎn)一期末流動(dòng)負(fù)債)/期末總資產(chǎn)；X2=期末留存收益/期末總資產(chǎn)；X3=(稅后純收益+折舊)/平均總負(fù)債；X4=期末股東權(quán)益市場價(jià)值/期末總負(fù)債；X5=(稅后純收益+利息+折舊)/平均總資產(chǎn)。財(cái)務(wù)預(yù)警課件第19頁回歸分析法1.多元線性回歸多元線性回歸屬于普通最小二乘法一族統(tǒng)計(jì)分析。伴隨計(jì)算機(jī)普及，多元線性回歸分析已成為標(biāo)準(zhǔn)統(tǒng)計(jì)分析方法.這種方法通常要求變量之間不能完全相關(guān)，這是OLS回歸能夠求解前提。多元回歸中其它假設(shè)也非常關(guān)鍵，其中尤其是關(guān)于誤差項(xiàng)ε假設(shè)條件，嚴(yán)重違反它將造成不合理解釋財(cái)務(wù)預(yù)警課件第20頁回歸分析法2.Logistic回歸分析Logistic函數(shù)又稱增加函數(shù),模型以下：

yi代表第i家企業(yè)是否發(fā)生財(cái)務(wù)危機(jī)，i=0或1，0代表正常企業(yè)，1代表財(cái)務(wù)危機(jī)企業(yè)，xki代表第i家企業(yè)，第k個(gè)財(cái)務(wù)比率，pi代表依據(jù)Logistic模型所預(yù)計(jì)出來第i家企業(yè)可能發(fā)生財(cái)務(wù)危機(jī)概率。財(cái)務(wù)預(yù)警課件第21頁類神經(jīng)網(wǎng)絡(luò)模型

類神經(jīng)網(wǎng)絡(luò)(ANN)模型，是將神經(jīng)網(wǎng)絡(luò)分類方法應(yīng)用于財(cái)務(wù)預(yù)警。ANN不但含有很好模式識(shí)別能力，還能夠克服統(tǒng)計(jì)方法局限，因?yàn)樗腥蒎e(cuò)能力和處理資料遺漏或錯(cuò)誤能力。另外ANN還含有學(xué)習(xí)能力，可隨時(shí)依據(jù)新數(shù)據(jù)資料進(jìn)行自我學(xué)習(xí)，并調(diào)整其內(nèi)部儲(chǔ)存權(quán)重參數(shù)，以應(yīng)對多變企業(yè)環(huán)境。

ANN模型通常由輸入層、輸出層和隱藏層組成，其信息處理分為前向傳輸和后向?qū)W習(xí)兩步進(jìn)行。網(wǎng)絡(luò)學(xué)習(xí)是一個(gè)誤差從輸出層到輸入層向后傳輸并修正數(shù)值過程，學(xué)習(xí)目標(biāo)是使網(wǎng)絡(luò)實(shí)際輸出迫近某個(gè)給定期望輸出。依據(jù)最終期望輸出，得出企業(yè)期望值，然后依據(jù)學(xué)習(xí)得出判別規(guī)則來對樣本進(jìn)行分類。人工神經(jīng)網(wǎng)絡(luò)含有很好糾錯(cuò)能力，從而能夠更加好地進(jìn)行預(yù)測。財(cái)務(wù)預(yù)警課件第22頁財(cái)務(wù)危機(jī)預(yù)警模型比較計(jì)量方法假設(shè)條件優(yōu)點(diǎn)缺點(diǎn)單變量分析無1．計(jì)算簡明2．所求得數(shù)值易于解釋1．以試錯(cuò)法尋求最正確財(cái)務(wù)指標(biāo)，缺乏理論架構(gòu)2．單一財(cái)務(wù)指標(biāo)，無法涵蓋企業(yè)整體面，不一樣比率之間輕易出現(xiàn)矛盾結(jié)論判別分析1．?dāng)?shù)據(jù)符合正態(tài)分布2．每一變量不能是其它變量線性組合3．各組樣本協(xié)方差矩陣相等1．同時(shí)考慮多項(xiàng)指標(biāo)，對整體績效衡量較單變量分析客觀2．可了解哪些財(cái)務(wù)比率最具判別能力1．財(cái)務(wù)比率普通不符合正態(tài)分布假設(shè)2．對虛擬變量無法有效處理3．樣本選擇偏差對模型分類能力影響很大多元線性回歸1．殘差項(xiàng)必須符合正態(tài)分布2．差符合馬爾可夫假設(shè)3．自變量間無共線性存在4．樣本數(shù)必須大于回歸參數(shù)個(gè)數(shù)1．可處理判別分析中自變量數(shù)據(jù)非正態(tài)分布問題2．模型使用不需經(jīng)數(shù)據(jù)轉(zhuǎn)換，故較輕易使用1．自變量之間交互作用無法表示2．自變量與因變量之間非線性關(guān)系無法表示，線性概率假設(shè)往往與實(shí)際情況不相吻合Logistic模型1．殘差