方瑞（合肥工業(yè)大學(xué)管理學(xué)院 安徽合肥 230000）

一、引言

上市公司若發(fā)生財(cái)務(wù)危機(jī)，不僅會(huì)對(duì)自身經(jīng)營(yíng)造成重大影響，而且對(duì)相關(guān)投資者甚至是整個(gè)經(jīng)濟(jì)社會(huì)的運(yùn)行都會(huì)產(chǎn)生負(fù)面影響。因此有效的財(cái)務(wù)預(yù)警模型對(duì)于上市公司、投資者、金融機(jī)構(gòu)等都具有重要的意義。財(cái)務(wù)預(yù)警模型不僅可以幫助企業(yè)經(jīng)營(yíng)者在陷入危機(jī)前進(jìn)行預(yù)防，準(zhǔn)確把握上市公司的經(jīng)營(yíng)情況，及時(shí)調(diào)整經(jīng)營(yíng)策略，以減少財(cái)務(wù)危機(jī)產(chǎn)生的損失，投資者也可以通過(guò)預(yù)警模型評(píng)估上市公司，從而選擇合適的投資目標(biāo)，金融機(jī)構(gòu)通過(guò)模型可以決定是否進(jìn)行信貸等。

國(guó)內(nèi)外針對(duì)財(cái)務(wù)困境預(yù)測(cè)模型的研究一般可以分成兩種：定性分析方法和定量分析方法。定性分析方法主要包括專家調(diào)查法和四階段癥狀分析法。專家調(diào)查法是根據(jù)所需要預(yù)測(cè)的問(wèn)題來(lái)征詢?nèi)舾蓪＜业囊庖?jiàn)，通過(guò)整理組織專家的意見(jiàn)再次進(jìn)行匿名反饋，直至得到一個(gè)對(duì)未來(lái)發(fā)展預(yù)測(cè)的統(tǒng)一結(jié)果；四階段癥狀分析法認(rèn)為企業(yè)的財(cái)務(wù)困境一般分為四個(gè)時(shí)期：潛伏期、發(fā)作期、惡化期、實(shí)現(xiàn)期。每個(gè)時(shí)期都有著對(duì)應(yīng)的特點(diǎn)，通過(guò)將企業(yè)現(xiàn)在的經(jīng)營(yíng)狀況與不同階段的特點(diǎn)進(jìn)行比較，從而判斷財(cái)務(wù)困境發(fā)生的可能性。定量分析方法包括單變量判別模型、多變量判別模型、人工神經(jīng)網(wǎng)絡(luò)模型等。Fitzpatrick（1932）使用單變量判別模型預(yù)測(cè)企業(yè)破產(chǎn)。研究結(jié)果表明，凈利潤(rùn)/股東權(quán)益、股東權(quán)益/負(fù)債的預(yù)測(cè)能力最強(qiáng)。但是單變量判別模型對(duì)不同公司可能存在完全相反的結(jié)果，存在很大局限性，因此催生出多變量判別模型。多變量判別模型則是采用多個(gè)財(cái)務(wù)比率，綜合反映企業(yè)的財(cái)務(wù)狀況，其中以Altman（1968）提出的Z-Score模型為代表。隨著大數(shù)據(jù)時(shí)代的來(lái)臨以及人工智能的發(fā)展，機(jī)器學(xué)習(xí)開(kāi)始進(jìn)入人們視野，傳統(tǒng)的機(jī)器學(xué)習(xí)財(cái)務(wù)困境預(yù)測(cè)模型主要包括支持向量機(jī)財(cái)務(wù)困境預(yù)測(cè)模型、隨機(jī)森林財(cái)務(wù)困境預(yù)測(cè)模型、決策樹(shù)財(cái)務(wù)困境預(yù)測(cè)模型等。楊保安等（2001）利用神經(jīng)網(wǎng)絡(luò)模型對(duì)我國(guó)企業(yè)進(jìn)行財(cái)務(wù)困境預(yù)測(cè)研究，證明了使用神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型比傳統(tǒng)判別分析預(yù)測(cè)方法具有更高的準(zhǔn)確率。機(jī)器學(xué)習(xí)模型預(yù)測(cè)具有很強(qiáng)大的糾錯(cuò)性和學(xué)習(xí)性，隨著研究的深入，深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一部分開(kāi)始受到廣大研究者的密切關(guān)注，與以前的神經(jīng)網(wǎng)絡(luò)和其他機(jī)器學(xué)習(xí)算法相比，深度學(xué)習(xí)的一個(gè)主要優(yōu)勢(shì)是它能夠從訓(xùn)練集中包含的有限特征集合中推斷出新的特征，也就意味著深度學(xué)習(xí)可以處理更加復(fù)雜的數(shù)據(jù)集。隨著數(shù)據(jù)的增長(zhǎng)，深度學(xué)習(xí)的網(wǎng)絡(luò)預(yù)測(cè)結(jié)果變得更加準(zhǔn)確可靠，近年來(lái)，深度學(xué)習(xí)的方法逐漸被應(yīng)用在財(cái)務(wù)困境模型的研究領(lǐng)域中。曹興（2016）利用深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)上市公司進(jìn)行財(cái)務(wù)困境預(yù)測(cè)，并將該模型應(yīng)用在實(shí)際案例中，成功檢測(cè)出“ST博元”的財(cái)務(wù)危機(jī)。劉雪林（2018）研究發(fā)現(xiàn)，深度學(xué)習(xí)模型相比較Logistic回歸模型在企業(yè)財(cái)務(wù)困境預(yù)測(cè)中具有更好的預(yù)測(cè)準(zhǔn)確率，且與發(fā)生財(cái)務(wù)困境的時(shí)間越近，預(yù)測(cè)準(zhǔn)確率越高。

由于以往的財(cái)務(wù)困境預(yù)測(cè)模型的研究大多并沒(méi)有考慮時(shí)間因素的影響，一般選取一年來(lái)進(jìn)行預(yù)測(cè)，但是企業(yè)財(cái)務(wù)困境的發(fā)生是一個(gè)動(dòng)態(tài)的過(guò)程，隨著越來(lái)越多新公司的加入，公司所面對(duì)的內(nèi)外部經(jīng)營(yíng)環(huán)境也會(huì)隨之改變，由于新特征的不斷加入，建立在前幾年數(shù)據(jù)集基礎(chǔ)上的財(cái)務(wù)困境預(yù)警模型在當(dāng)前情況下可能并不適用，因此本文針對(duì)財(cái)務(wù)困境隨時(shí)間變化的特點(diǎn)，將時(shí)間因素考慮在建模的過(guò)程中，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)可以對(duì)財(cái)務(wù)數(shù)據(jù)中的時(shí)間順序進(jìn)行處理分析從而預(yù)測(cè)企業(yè)的財(cái)務(wù)困境。本文考慮到財(cái)務(wù)樣本中財(cái)務(wù)不健康公司遠(yuǎn)遠(yuǎn)少于財(cái)務(wù)健康公司，針對(duì)樣本中的不平衡性，在數(shù)據(jù)預(yù)處理時(shí)為每個(gè)類別分配不同的loss比例，通過(guò)為小樣本標(biāo)簽增加損失函數(shù)的權(quán)值，使得小樣本數(shù)據(jù)權(quán)重增加，從而在訓(xùn)練分類器之前實(shí)現(xiàn)樣本類的平衡，進(jìn)一步提升模型的預(yù)測(cè)能力。研究結(jié)果表明，本文提出的模型與其他預(yù)測(cè)模型相比，具有更好的預(yù)測(cè)性和穩(wěn)定性。本文的主要貢獻(xiàn)在于：（1）考慮了時(shí)間因素對(duì)財(cái)務(wù)困境預(yù)測(cè)模型的影響，針對(duì)上市公司財(cái)務(wù)數(shù)據(jù)中時(shí)序數(shù)據(jù)的特點(diǎn)，考慮了15年上市公司樣本的時(shí)間序列，將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在財(cái)務(wù)困境預(yù)測(cè)模型中，提升了模型的預(yù)測(cè)能力和預(yù)測(cè)精度。（2）隨著我國(guó)上市公司的增加，企業(yè)財(cái)務(wù)數(shù)據(jù)也在隨之增加，以往研究的統(tǒng)計(jì)學(xué)習(xí)方法和傳統(tǒng)機(jī)器學(xué)習(xí)方法無(wú)法應(yīng)對(duì)日益增加的財(cái)務(wù)數(shù)據(jù)，本文將深度學(xué)習(xí)的方法應(yīng)用在財(cái)務(wù)困境預(yù)測(cè)模型中，對(duì)大規(guī)模財(cái)務(wù)數(shù)據(jù)的處理具有更準(zhǔn)確的結(jié)果。（3）考慮到樣本的類不平衡性，在數(shù)據(jù)預(yù)處理的階段對(duì)樣本采用了為每個(gè)類別分配不同的loss比例，實(shí)驗(yàn)結(jié)果證明了樣本數(shù)據(jù)的不平衡性對(duì)財(cái)務(wù)困境預(yù)測(cè)模型能力的影響。

表1 ST公司統(tǒng)計(jì)表

二、理論介紹

（一）財(cái)務(wù)困境的定義

國(guó)內(nèi)外對(duì)于財(cái)務(wù)困境的定義始終未達(dá)成統(tǒng)一，Beaver（1966）認(rèn)為企業(yè)財(cái)務(wù)困境有以下幾種情況：企業(yè)破產(chǎn)、拖欠優(yōu)先股股息、銀行透支以及債券無(wú)法償付等。Deakin（1972）認(rèn)為企業(yè)財(cái)務(wù)困境是指已經(jīng)宣告破產(chǎn)、沒(méi)有能力償還債務(wù)或者為債權(quán)人的利益而不得不清算。George Foster認(rèn)為，財(cái)務(wù)困境是指公司無(wú)法進(jìn)行資產(chǎn)折現(xiàn)，不得不改變公司的組織方式或者存在形式。由于制度不同，我國(guó)上市公司陷入財(cái)務(wù)困境并不意味著破產(chǎn)，因此國(guó)內(nèi)對(duì)于財(cái)務(wù)困境企業(yè)通常定義為由于財(cái)務(wù)經(jīng)營(yíng)異常而被特殊處理的企業(yè)，即被宣告ST的企業(yè)。然而，企業(yè)被宣告ST還可能因自然災(zāi)害等無(wú)關(guān)因素導(dǎo)致，而這類被ST的原因與企業(yè)的運(yùn)營(yíng)狀況并沒(méi)有直接聯(lián)系，無(wú)法利用企業(yè)的財(cái)務(wù)數(shù)據(jù)進(jìn)行企業(yè)財(cái)務(wù)困境預(yù)測(cè)。因此，在收集ST公司樣本時(shí)，只保留了由于財(cái)務(wù)狀況異常而被ST的公司，從而使得樣本數(shù)據(jù)更符合研究要求。

（二）卷積神經(jīng)網(wǎng)絡(luò)的定義

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是一種前饋式神經(jīng)網(wǎng)絡(luò)，主要由輸入層、卷積層、池化層、全連接層以及輸出層構(gòu)成。卷積神經(jīng)網(wǎng)絡(luò)通過(guò)局部感受野、權(quán)值共享和池化三個(gè)方法實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)對(duì)輸入的特征不變性。其中局部感受野和權(quán)值共享兩個(gè)方法使得卷積神經(jīng)網(wǎng)絡(luò)可以在淺層學(xué)習(xí)基礎(chǔ)特征，并且這些基礎(chǔ)特征在組合為深層特征后也不會(huì)發(fā)生變化，池化可以減少特征的維度，在一定程度上減少對(duì)輸出的影響。在卷積神經(jīng)網(wǎng)絡(luò)中，卷積層和池化層的存在，使得卷積神經(jīng)網(wǎng)絡(luò)可以從大量的數(shù)據(jù)中提取出具有差異性的深層特征，逐漸減少數(shù)據(jù)的空間尺寸，使得網(wǎng)絡(luò)中參數(shù)數(shù)量進(jìn)一步降低，計(jì)算所帶來(lái)的資源耗費(fèi)也會(huì)隨之減少，有效防止過(guò)擬合的發(fā)生。全連接層可以整合卷積層或者池化層中提取出的具有差異性的重要信息進(jìn)行分類。其網(wǎng)絡(luò)架構(gòu)如圖1所示。

圖1 CNN模型網(wǎng)絡(luò)架構(gòu)示意圖

卷積神經(jīng)網(wǎng)絡(luò)可以很好地識(shí)別數(shù)據(jù)中的簡(jiǎn)單特征，然后利用這些簡(jiǎn)單特征在更深的層中形成更為復(fù)雜的特征。由于卷積神經(jīng)網(wǎng)絡(luò)有著強(qiáng)大的特征提取能力和識(shí)別能力，使得卷積神經(jīng)網(wǎng)絡(luò)可以適用于時(shí)間序列分類任務(wù)。本文使用的卷積神經(jīng)網(wǎng)絡(luò)模型的輸入，不同列可以代表不同的財(cái)務(wù)數(shù)據(jù)，不同行可以代表不同公司的不同年份，由此來(lái)進(jìn)行企業(yè)財(cái)務(wù)困境的預(yù)測(cè)。

三、模型構(gòu)建

（一）數(shù)據(jù)獲取

本文選取2005—2020年我國(guó)除金融業(yè)以外的所有上市公司作為研究樣本，總計(jì)110家ST公司和1 232家非ST公司，數(shù)據(jù)來(lái)源于CSMAR數(shù)據(jù)庫(kù)。本文選取CSMAR數(shù)據(jù)庫(kù)中研究樣本的三張財(cái)務(wù)報(bào)表的原始數(shù)據(jù)作為特征輸入。

（二）數(shù)據(jù)處理

1.對(duì)不完整數(shù)據(jù)的處理。由于公司經(jīng)營(yíng)的行業(yè)不同，各個(gè)公司在不同時(shí)期的信息披露程度也有所不同，導(dǎo)致在同一財(cái)務(wù)原始數(shù)據(jù)中，出現(xiàn)有的公司有該數(shù)據(jù)，有的公司沒(méi)有該數(shù)據(jù)的情況。為了避免由于個(gè)別不完整數(shù)據(jù)而影響財(cái)務(wù)困境預(yù)測(cè)模型預(yù)測(cè)的精準(zhǔn)度，本文將采取對(duì)不完整的數(shù)據(jù)進(jìn)行刪除和補(bǔ)充的方法。若大多數(shù)樣本公司缺失某個(gè)財(cái)務(wù)原始數(shù)據(jù)，便采取刪除該數(shù)據(jù)的方法，同時(shí)刪除缺失大多數(shù)財(cái)務(wù)原始數(shù)據(jù)的公司；進(jìn)行刪除之后，對(duì)剩下的樣本公司少數(shù)缺失值采用均值替補(bǔ)的方法。

2.對(duì)噪聲數(shù)據(jù)的處理。噪聲數(shù)據(jù)是指數(shù)據(jù)集中一些偏離期望值的異常數(shù)據(jù)，噪聲數(shù)據(jù)過(guò)多會(huì)影響財(cái)務(wù)困境預(yù)測(cè)模型的有效性。本文采用移動(dòng)平均法來(lái)設(shè)定動(dòng)態(tài)閾值，檢測(cè)財(cái)務(wù)數(shù)據(jù)中的異常數(shù)據(jù)，確定固定窗口為4，以過(guò)去4個(gè)窗口的指標(biāo)平均值作為下一個(gè)窗口的預(yù)測(cè)值；以過(guò)去4個(gè)窗口的指標(biāo)的平均值加減3倍方差作為監(jiān)控的上下界。剔除具有多數(shù)異常數(shù)據(jù)的上市公司；對(duì)樣本公司的少數(shù)異常數(shù)據(jù)進(jìn)行均值替補(bǔ)的操作。

（三）模型構(gòu)建

1.財(cái)務(wù)數(shù)據(jù)體系的構(gòu)建。財(cái)務(wù)數(shù)據(jù)體系是財(cái)務(wù)困境預(yù)測(cè)模型的基礎(chǔ)，本文考慮了財(cái)務(wù)數(shù)據(jù)的全面性、顯著性，選擇了資產(chǎn)負(fù)債表、利潤(rùn)表、現(xiàn)金流量表三張財(cái)務(wù)報(bào)表中正常公司和財(cái)務(wù)困境公司有明顯差異的財(cái)務(wù)數(shù)據(jù)，再將選中的財(cái)務(wù)數(shù)據(jù)經(jīng)過(guò)獨(dú)立樣本T檢驗(yàn)進(jìn)行篩選，最終選擇了70個(gè)財(cái)務(wù)數(shù)據(jù)構(gòu)建模型。選取的財(cái)務(wù)數(shù)據(jù)如表2、表3、表4所示。

表2 資產(chǎn)負(fù)債表相關(guān)變量

表3 利潤(rùn)表相關(guān)變量

表4 現(xiàn)金流量表相關(guān)變量

2.數(shù)據(jù)歸一化處理。數(shù)據(jù)歸一化處理是指將數(shù)據(jù)進(jìn)行線性變換，將數(shù)據(jù)映射到［0，1］之間。原始數(shù)據(jù)經(jīng)過(guò)數(shù)據(jù)歸一化處理后，各指標(biāo)會(huì)處于同一數(shù)量級(jí)，使得梯度下降求最優(yōu)解的速度更快，并且模型精度也有可能進(jìn)一步提高。本文使用的轉(zhuǎn)換函數(shù)如下：

3.CNN模型。卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)領(lǐng)域占據(jù)著重要地位，但是卷積神經(jīng)網(wǎng)絡(luò)被證明同樣可以用在時(shí)間序列上。與應(yīng)用在圖像上的二維卷積核不同的是，卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在時(shí)間序列上的卷積核是一維的，也就是一維卷積神經(jīng)網(wǎng)絡(luò)（1D CNN）。本文的模型主要包括：

輸入數(shù)據(jù)（Input）：數(shù)據(jù)經(jīng)過(guò)預(yù)處理后，每條數(shù)據(jù)記錄中包括80個(gè)時(shí)間點(diǎn)，每個(gè)時(shí)間點(diǎn)中包含70個(gè)數(shù)據(jù)特征，總共有1 342條數(shù)據(jù)記錄。可以通過(guò)設(shè)置不同的滑動(dòng)窗口大小輸入不同的樣本，輸入樣本如圖2所示。

圖2 輸入樣本處理方式

第一個(gè)卷積層：第一個(gè)卷積層創(chuàng)建了32個(gè)不同的過(guò)濾器，時(shí)間窗口長(zhǎng)度為5，結(jié)果將帶來(lái)32個(gè)不同的卷積，激活函數(shù)為RELU函數(shù)。具體處理方式如下：

其中，Bl為每層的預(yù)置值；Wji為第j個(gè)輸入樣本所對(duì)應(yīng)的偏置參數(shù)，函數(shù)f（*）的計(jì)算公式如下：

最大值池化層：為了減少輸出的復(fù)雜度和防止數(shù)據(jù)的過(guò)擬合，在卷積層之后經(jīng)常會(huì)使用池化層。目前卷積池化主要分為兩種方法，公式如下：

本文使用公式（4）的處理方法，選擇大小為2的池化層，這意味著這個(gè)層的輸出矩陣的大小只有輸入矩陣的二分之一。

其中，h*w為卷積核的大小。設(shè)M=n／（h*w），輸入序列X經(jīng)過(guò)卷積池化后新的序列表示如下：

第二個(gè)卷積層：本文創(chuàng)建了64個(gè)不同的過(guò)濾器，時(shí)間窗口長(zhǎng)度為5，激活函數(shù)為RELU函數(shù)。

最大值池化層：多添加一個(gè)池化層，以進(jìn)一步避免過(guò)擬合的發(fā)生。本文在這個(gè)池化層中將大小定為2。

鋪平層：常用在從卷積層到全連接層的過(guò)渡，用來(lái)將輸入“壓平”，即把多維的輸入一維化。

全連接層：最后一層將向量高度減少為2，因?yàn)楸疚牡念A(yù)測(cè)結(jié)果是兩個(gè)類（陷入困境/沒(méi)有陷入困境），這里的維度下降是通過(guò)另一個(gè)矩陣乘法來(lái)完成的。全連接層的取值函數(shù)可通過(guò)公式（7）得出。

最后利用Softmax函數(shù)計(jì)算出預(yù)測(cè)類別的概率，Softmax函數(shù)如下：

其中，zi為第i個(gè)節(jié)點(diǎn)輸出值，C為分類個(gè)數(shù)。

4.實(shí)驗(yàn)結(jié)果。在使用不同大小滑動(dòng)窗口進(jìn)行測(cè)試時(shí)，卷積神經(jīng)網(wǎng)絡(luò)模型都采用相同的設(shè)置，損失目標(biāo)函數(shù)為交叉熵代價(jià)函數(shù)cross-entropy，優(yōu)化方法是Adaptive Moment Estimation algorithm（ADAM），學(xué)習(xí)率設(shè)置為0.001，學(xué)習(xí)次數(shù)設(shè)置為1 000，batch_size為2 048。作為實(shí)驗(yàn)對(duì)照，本文還對(duì)比了Logistic Regression模型、支持向量機(jī)模型、隨機(jī)森林模型的測(cè)試結(jié)果。卷積神經(jīng)網(wǎng)絡(luò)模型運(yùn)行結(jié)果如圖3所示。

圖3 財(cái)務(wù)困境預(yù)測(cè)模型運(yùn)行結(jié)果

本文使用了精準(zhǔn)率、召回率、F1值三個(gè)指標(biāo)來(lái)衡量模型的預(yù)測(cè)精度。準(zhǔn)確率雖然可以衡量預(yù)測(cè)樣本的正確率，常常作為預(yù)測(cè)問(wèn)題的評(píng)判指標(biāo)，但是對(duì)于不平衡數(shù)據(jù)集來(lái)說(shuō)，準(zhǔn)確率高并不代表這個(gè)模型的效果好，比如在本文的不平衡樣本集中，正樣本占少數(shù)，負(fù)樣本占絕大多數(shù)，由于樣本存在嚴(yán)重的不均衡，只要將全部樣本都預(yù)測(cè)為負(fù)樣本，也能得到90%的準(zhǔn)確率，但是這種高準(zhǔn)確率完全沒(méi)有意義。在混淆矩陣中將實(shí)際樣本和預(yù)測(cè)樣本劃分四種類型：TP：真陽(yáng)性、TN：真陰性、FP：假陽(yáng)性、FN：假陰性?；煜仃嚾绫?所示。

表5 混淆矩陣

精準(zhǔn)率指的是在預(yù)測(cè)樣本中有多少是實(shí)際正確的，也就是說(shuō)在預(yù)測(cè)財(cái)務(wù)困境的樣本中有多少是真的陷入財(cái)務(wù)困境。精準(zhǔn)率的定義如下：

召回率則指實(shí)際樣本中有多少是實(shí)際正確的，也就是說(shuō)在實(shí)際發(fā)生財(cái)務(wù)困境的樣本中有多少被預(yù)測(cè)正確。召回率的定義如下：

F值同時(shí)考慮了精準(zhǔn)率和召回率，是兩者的調(diào)和平均值。F值的定義如下：

其中β值通常為1，因此F1值的定義如下：

圖4為經(jīng)過(guò)不平衡數(shù)據(jù)集處理前后混淆矩陣對(duì)比圖?？梢钥闯?，相比于沒(méi)有為不同類別分配不同的loss比例的模型，經(jīng)過(guò)處理后的數(shù)據(jù)集對(duì)少樣本的預(yù)測(cè)精度有著明顯提高。經(jīng)過(guò)對(duì)不平衡數(shù)據(jù)集的處理后的模型有著更好的表現(xiàn)。

圖4 不平衡數(shù)據(jù)集處理前后實(shí)驗(yàn)結(jié)果對(duì)比圖

下頁(yè)表6總結(jié)了所有模型在滑動(dòng)窗口為5年、10年、15年樣本數(shù)據(jù)上的測(cè)試結(jié)果。首先，從實(shí)驗(yàn)結(jié)果可以得出，隨著滑動(dòng)窗口的增大，所有模型預(yù)測(cè)的精準(zhǔn)度也在隨之增加，其中針對(duì)于F1值，滑動(dòng)窗口為15年時(shí)的CNN模型比滑動(dòng)窗口為5年時(shí)增加了11%，最高達(dá)到0.98。該結(jié)果證明市場(chǎng)的歷史信息對(duì)于預(yù)測(cè)企業(yè)的財(cái)務(wù)困境有著重要作用。其次，隨著數(shù)據(jù)的增加，CNN模型在三個(gè)衡量指標(biāo)中的表現(xiàn)明顯高于其他模型，在窗口大小為15年時(shí)，CNN模型結(jié)果比隨機(jī)森林模型結(jié)果約高10個(gè)百分點(diǎn)。根據(jù)實(shí)驗(yàn)結(jié)果可以得出，對(duì)于大規(guī)模的財(cái)務(wù)數(shù)據(jù)的處理，相比于其他模型，CNN模型有著更好的表現(xiàn)。

表6 財(cái)務(wù)困境預(yù)測(cè)模型結(jié)果

四、結(jié)束語(yǔ)

本文提出了“CNN+滑動(dòng)窗口”模型并將其應(yīng)用于上市公司的財(cái)務(wù)困境預(yù)測(cè)，實(shí)驗(yàn)結(jié)果顯示，該模型的預(yù)測(cè)能力明顯高于支持向量機(jī)等機(jī)器學(xué)習(xí)模型，進(jìn)一步提高了深度學(xué)習(xí)模型在財(cái)務(wù)困境預(yù)測(cè)上應(yīng)用的可能性。同時(shí)還發(fā)現(xiàn)，“CNN+滑動(dòng)窗口”模型在不同滑動(dòng)窗口大小中的表現(xiàn)有所不同?；瑒?dòng)窗口越大，模型預(yù)測(cè)能力表現(xiàn)越好，這種預(yù)測(cè)結(jié)果的差異性也存在于其他的深度學(xué)習(xí)和機(jī)器學(xué)習(xí)模型中。該現(xiàn)象表明，歷史信息對(duì)于財(cái)務(wù)困境預(yù)測(cè)的準(zhǔn)確率有所影響。本文主要研究的是財(cái)務(wù)數(shù)據(jù)對(duì)上市公司財(cái)務(wù)困境預(yù)測(cè)能力的影響，如果能夠在樣本中增加非財(cái)務(wù)數(shù)據(jù)，有望進(jìn)一步提升財(cái)務(wù)困境模型的預(yù)測(cè)能力，提升深度學(xué)習(xí)模型在財(cái)務(wù)困境預(yù)測(cè)方面的應(yīng)用價(jià)值。這也將成為未來(lái)繼續(xù)研究和探索的方向。

“CNN+滑動(dòng)窗口”模型在財(cái)務(wù)困境預(yù)測(cè)的應(yīng)用將在以下幾個(gè)方面提升現(xiàn)有研究成果。第一，為上市公司改善公司治理提供了有效支持，能夠在還未發(fā)生財(cái)務(wù)困境前及時(shí)采取補(bǔ)救措施；第二，有助于投資者對(duì)投資目標(biāo)進(jìn)行風(fēng)險(xiǎn)分析，降低投資失敗的可能性，有助于銀行開(kāi)展風(fēng)險(xiǎn)管理，減少銀行壞賬損失；第三，從監(jiān)管者角度，企業(yè)發(fā)生財(cái)務(wù)困境很有可能伴隨著財(cái)務(wù)欺詐的發(fā)生，對(duì)于可能發(fā)生財(cái)務(wù)困境的企業(yè)進(jìn)行重點(diǎn)監(jiān)測(cè)，有助于減少財(cái)務(wù)欺詐的發(fā)生。