1.李 莎 2.趙福民

1.長沙理工大學(xué) 數(shù)學(xué)與統(tǒng)計學(xué)院 2.國防科學(xué)技術(shù)大學(xué)電子科學(xué)與工程學(xué)院

1 引言

上市公司違規(guī)事件造成的社會影響極其惡劣，上市公司違規(guī)處罰公告披露后市場反應(yīng)劇烈，對公司效益造成負面影響，且上市公司違規(guī)行為一旦被公開處罰，會產(chǎn)生顯著的市場負面效應(yīng).國內(nèi)外文獻研究了諸如公司高管的性別、股權(quán)結(jié)構(gòu)、董事會規(guī)模、監(jiān)事會規(guī)模、管理層激勵、內(nèi)部控制、持股動機、治理結(jié)構(gòu)、財務(wù)指標(biāo)、制度和環(huán)境角度等與公司違規(guī)行為之間的關(guān)系.

綜上所述，筆者認為，公司違規(guī)是由多種因素綜合作用的結(jié)果，本文提出Fisher score和MRMR兩種特征選擇算法，結(jié)合了SVM機器學(xué)習(xí)方法，搜集影響上市公司違規(guī)的指標(biāo)，并且經(jīng)過指標(biāo)排序篩選，來提高模型預(yù)警精度，以此用于上市公司違規(guī)預(yù)警的研究.

本文的貢獻在于，1、綜合篩選了影響公司違規(guī)的影響指標(biāo)，并把行業(yè)指標(biāo)也納入其中.2、利用Fisher score和MRMR兩種特征選擇算法，彌補了只篩選特征指標(biāo)而沒給出指標(biāo)排名的不足.

2 研究方法

Fisher score進行特征選擇，是將相似得分值賦予來自相同類別的樣本，不同的值賦予來自不同類別的樣本來實現(xiàn)的.Fisher score的評價標(biāo)準式為：

最小冗余最大相關(guān)(Minimum-Redundancy-Maximum-Relevance，MRMR)特征選擇算法通過計算交互信息，不但考慮了特征與標(biāo)簽的關(guān)系，而且對特征之間的冗余度也有限制.算法在要求最大相關(guān)性的同時，要求特征子集的冗余度最小，以此尋求最優(yōu)子集.

3 數(shù)據(jù)來源、變量選擇

3.1 數(shù)據(jù)來源

本文選取2010年至2014年在深圳證券交易所與上海證券交易的上市公司，去除缺失樣本后，共收集到1535家上市公司為研究樣本.其中未發(fā)生違規(guī)的上市公司439家，發(fā)生違規(guī)的上市公司1096家.樣本所有數(shù)據(jù)均來自國泰安數(shù)據(jù)庫.本文的公司樣本取自國泰安數(shù)據(jù)庫中的“違規(guī)處理”數(shù)據(jù)表.其中，違規(guī)類型包括以下三類：公司財務(wù)違規(guī)、公司經(jīng)營違規(guī)和公司領(lǐng)導(dǎo)人違規(guī).

3.2 變量選擇

本文引入0—1啞變量，0代表公司未發(fā)生違規(guī)，1代表公司發(fā)生違規(guī).根據(jù)CLSA Asia-Pacific Markets提出的公司治理評價指標(biāo)，綜合得到了公司違規(guī)行為預(yù)警指標(biāo)體系.本文首先考慮了公司的行業(yè)類型指標(biāo)；公司規(guī)模指標(biāo)3個：總資產(chǎn)、股東數(shù)、股本總數(shù)；公司治理評價指標(biāo)7個：國有股比例、境內(nèi)發(fā)起人股比例、高管持股比例、流通股比例、第一大股東持股比例、董事會會議次數(shù)、股東大會召開次數(shù)；財務(wù)狀況指標(biāo)43個：所有者權(quán)益、流動資產(chǎn)比率、所有者權(quán)益比率、流動負債比率、經(jīng)營負債比率、金融負債比率、資產(chǎn)負債率、長期借款與總資產(chǎn)比、權(quán)益乘數(shù)、產(chǎn)權(quán)比率、權(quán)益對負債比率、長期資本負債率、資本積累率、總資產(chǎn)增長率等.

4 實驗結(jié)果與分析

實驗選取了表1所示的54個屬性，分類器用線性lib-SVM，其中參數(shù)C采用交叉驗證尋優(yōu)方法來確定.實驗從1535個樣本中隨機選取k個樣本作為訓(xùn)練樣本，剩下的1535減k個樣本用于測試.為了最終所得的分類結(jié)果更準確，實驗取20次分類精度的平均值作為最后的結(jié)果記錄.當(dāng)訓(xùn)練樣本數(shù)k從300增加到1000的時候，測試樣本的預(yù)測精度逐步提高，后趨于穩(wěn)定.當(dāng)訓(xùn)練樣本達到700個時，在SVM下的分類精度達到了70.7202%.

為了綜合地篩選出違規(guī)公司特征屬性，提高模型的預(yù)測精度，實驗對屬性的得分做了歸一化處理，并計算了各個屬性在Fisher score和MRMR特征選擇算法下取得的平均值，按從高到低排列54個屬性.實驗不斷改變訓(xùn)練樣本數(shù)來觀察分類精度，取20次分類精度的均值作為結(jié)果記錄，分類精度曲線如圖1：

圖1 基于兩種特征選擇方法下的分類精度

可以看出，紅色曲線所代表的20個屬性的分類精度明顯高于其他4條曲線，當(dāng)訓(xùn)練樣本數(shù)目為800個時，模型的分類精度達到了82.7586%，相對于沒有進行篩選的54個屬性，平均精度提高了近7個百分點.

5 結(jié)論

本文研究表明，第一大股東持股比例、每股凈資產(chǎn)、長期借款與總資產(chǎn)比、托賓Q值、流動負債比率、股東大會召開次數(shù)、行業(yè)類型等20個屬性對公司違規(guī)的影響較大.為了實驗的準確性，本文的訓(xùn)練樣本和測試樣本采取隨機抽取的方法，結(jié)果取二十次實驗結(jié)果的平均值，保證了結(jié)果的準確性.并且當(dāng)訓(xùn)練樣本數(shù)目為800個時，模型的分類精度達到了82.8%，相對于沒有進行篩選的54個屬性，平均精度提高了近7個百分點.這表明模型指標(biāo)約減后，模型的精度提高了，且模型的泛化能力較好.這本文的研究成果為監(jiān)管部門對上市公司進行風(fēng)險管理提供了一定的依據(jù)，從而有利于監(jiān)管部門更加科學(xué)合理的分配監(jiān)管力量。