摘 要：財務困境預警是通過監(jiān)測和分析企業(yè)的財務狀況，及時發(fā)現(xiàn)潛在的財務風險，從而為決策者提供及時的警示，以便采取預防或緩解措施，避免或減輕可能的經(jīng)濟損失。本文構建了一種基于卷積神經(jīng)網(wǎng)絡的深度學習網(wǎng)絡，將來自上市公司的資產(chǎn)負債表、利潤表、現(xiàn)金流量表和股票交易等不同來源的411個指標進行深度融合與壓縮，用于財務困境預警。與5種經(jīng)典機器學習算法在準確率、精準率、召回率、特異度和f1得分等五個評估指標的對比結果顯示出本文提出的財務困境預警模型有明顯的優(yōu)勢。

關鍵詞：財務困境；卷積神經(jīng)網(wǎng)絡；多源異構數(shù)據(jù)

一、引言

21世紀是市場經(jīng)濟飛速發(fā)展的一個時期，中國經(jīng)濟保持快速增長的態(tài)勢，各上市公司間的競爭也越發(fā)激烈。上市公司的正常運轉，無論是對企業(yè)、投資者還是政府而言都極其重要。如何準確地對上市公司財務困境進行預警，在風險來臨之前進行提示，從而便于上市公司采取有效措施，避免企業(yè)出現(xiàn)財務風險，成為上市公司的經(jīng)營者、投資者和管理者最為關心的課題之一。

自FitzPatrick（1932）首次研究財務困境預測模型以來[1]，上市公司財務困境預警一直都是一個熱門的研究領域。下面從問題界定、影響因素和模型三個方面對國內外相關研究進行綜述。

財務困境的界定。在國內外相關研究中，與“財務困境”類似概念還有“財務危機”“財務失敗”“財務惡化”和“財務風險”，它們的基本內容相似，只是表達程度與側重點有所區(qū)別。國外學者一般將企業(yè)破產(chǎn)作為企業(yè)陷入財務困境的標志[1～2]。因為我國的上市公司到目前為止還沒有出現(xiàn)過破產(chǎn)的案例，國內學者在研究財務困境問題時，大都將上市公司因財務狀況異常而被宣布為ST作為財務困境的標志[3～4]，也有學者將財務困境劃分為不同的發(fā)展階段來進行研究[5]。

財務困境預警指標的選擇。在研究企業(yè)財務困境問題時，大部分研究都基于財務報表來選擇預警指標。如：Beaver選取現(xiàn)金流/總負債指標作為預警指標[6]；Altman，Haldeman和Narayanan選取凈資產(chǎn)收益率、利潤穩(wěn)定性、利息保障倍數(shù)、留存收益/總資產(chǎn)、流動比率、普通股收益/總資本建立ZETA模型取得了良好的預測效果[7]；OhlSon選取總資產(chǎn)/物價指數(shù)、負債比率、營運資金/總資產(chǎn)、流動比率、總資產(chǎn)報酬率、營業(yè)現(xiàn)金流量/總資產(chǎn)結合三個虛擬變量（負債、稅后凈利和凈收入變動）構建Logistic模型[8]；周首華基于Z模型，考慮現(xiàn)金流量指標，構建了F模型[9]；王自強選擇了反映企業(yè)盈利能力、償債能力、成長能力、擴張能力以及運營能力的11個指標構建了綜合評價指標體系，取得了較為理想的預測效果[10]；方匡南選取了償債能力、成長能力、分紅能力、收益質量、現(xiàn)金流量、盈利能力、營運能力、資本結構等共8組90個指標構建了SGL-SVM模型來進行預測研究[11]；宋宇利用反映償債能力、企業(yè)規(guī)模、盈利能力、經(jīng)營能力、非財務因素以及宏觀環(huán)境的38個指標構建了Cox回歸模型[12]。也有學者認為非財務因素，如公司治理結構、股權結構、宏觀經(jīng)濟因素等，對企業(yè)財務狀況也存在顯著影響，因此在相關研究中納入了內部經(jīng)營管理、董事會結構、股權集中度、經(jīng)濟增長、信貸、利率、匯率、經(jīng)濟周期等因素分析企業(yè)財務困境問題[13～15]。

財務困境預警模型。如前所述，關于財務困境模型的研究已取得了豐碩的成果。從最簡單的單變量判別模型到多元判別模型[1]、多元回歸模型[2，16]、Logistic回歸[17～18]，到貝葉斯決策模型、生存分析[19～20]等，再到機器學習與人工智能模型如神經(jīng)網(wǎng)絡[21～22]、支持向量機[23]、遺傳算法、專家系統(tǒng)等。

綜上所述，國內外學者從20世紀30年代開始，在指標選取、樣本選擇和模型構建等方面，對企業(yè)財務困境問題進行了較為系統(tǒng)的研究，取得了大量的研究成果。同時也存在一些問題，主要表現(xiàn)在：第一，變量選擇不夠全面、缺乏客觀依據(jù)。第二，對數(shù)據(jù)的時序特征重視不足。現(xiàn)有的大部分研究在構建模型時只是使用了截面數(shù)據(jù)，忽略了時間序列方面的特征。第三，數(shù)據(jù)來源較為單一?，F(xiàn)有的財務困境研究大都基于企業(yè)財務報表這一單一數(shù)據(jù)來源進行分析研究。第四，卷積神經(jīng)網(wǎng)絡（CNN）、循環(huán)神經(jīng)網(wǎng)絡（RNN）、長短期記憶網(wǎng)絡（LSTM）等在金融數(shù)據(jù)分析中有成功應用的方法[24]，在財務困境分析中還不多見。

二、財務危機預警模型

本文開發(fā)的基于二維卷積神經(jīng)網(wǎng)絡的財務困境預警模型結構如圖1所示。綜合利用上市公司的資產(chǎn)負債表、利潤表、現(xiàn)金流量表、股票交易數(shù)據(jù)等多種來源數(shù)據(jù)。對每一來源的數(shù)據(jù)不做人工篩選，而是利用滑動窗口和二維化技術，形成多個通道的三維數(shù)組。利用卷積神經(jīng)網(wǎng)絡里的特點，對輸入不同子網(wǎng)絡的三維數(shù)組進行信息融合與特征提取，最終利用分類器網(wǎng)絡預測輸出預警狀態(tài)。

（一）數(shù)據(jù)預處理

在數(shù)據(jù)預處理階段主要是進行滑動窗口數(shù)據(jù)的標準化變換與二維化變換。股票交易數(shù)據(jù)和財務報表數(shù)據(jù)都具有時間序列的特性，即有一定的序列相關性。通?？梢栽O置一個滑動窗口寬度w，在t時刻選擇[Xt=xt-w+1，xt-w+2，...，xt]作為時刻的輸入特征。選取合適的滑動時間窗口后，將數(shù)據(jù)在窗口內進行標準化處理，以消除不同變量量綱的影響。本文選擇最大最小標準化，計算公式如下：

這里[ε]是事先確定的常數(shù)（例如取1），是為了避免在滑動窗口內，最大值與最小值相同，導致分母為零的情形。

進行二維化變換的目的是形成三維數(shù)組，以充分利用二維卷積神經(jīng)網(wǎng)絡的信息融合與壓縮能力。假設t時刻數(shù)據(jù)來源1的指標經(jīng)過標準化處理后為[Xtk，k=1，2，...，N1]。此時，初始化一個[n1×n1]零矩陣[Mt1]，這里[n1-12<N1≤n21]，按照一定的次序（比如隨機次序）將[Xtk]填入[Mt1]，就完成了數(shù)據(jù)的二維化變換。若來源1的滑動窗口寬度為[w1]，則[Mt-w+11，...，Mt1]就是圖1中維度為的[w1×n1×n1]三維數(shù)組。

在t時刻，對每一來源的數(shù)據(jù)，獨立進行上述滑動窗口內的標準化和二維化變換，就完成了t時刻的數(shù)據(jù)預處理。

（二）卷積神經(jīng)網(wǎng)絡

二維卷積神經(jīng)網(wǎng)絡（CNN）是一種專門用于處理圖像數(shù)據(jù)的深度學習模型。一個典型的卷積神經(jīng)網(wǎng)絡通常由多個卷積層組成。單個卷積層依次通常由卷積函數(shù)、激活函數(shù)、池化函數(shù)依次構成。卷積函數(shù)通過卷積核在圖像上的卷積運算來提取圖像的局部特征。通過控制卷積核的大小和參數(shù)，可以起到特征融合與壓縮的功能。激活函數(shù)通常在卷積函數(shù)之后，通過應用非線性激活函數(shù)（如ReLU），可以提高模型的表達能力。池化函數(shù)主要用于減少特征圖的維度，從而減少計算量并提高模型的抽象表達能力，同時在一定程度上消除指標間共線性的影響[25]。另外還可以在卷積函數(shù)之后使用BatchNorm正則化等函數(shù)，歸一化輸入特征的分布，從而加快訓練過程并提高模型穩(wěn)定性。

用于分類問題的卷積神經(jīng)網(wǎng)絡最后一層是分類器網(wǎng)絡，各個子網(wǎng)絡提取的特征會被展平拼接后傳遞到一個或多個全連接層，用于生成最終的預測結果。

三、財務危機預警模型實證研究

本文從不同來源獲取到實證數(shù)據(jù)，對數(shù)據(jù)進行預處理后，采用2種不同的卷積神經(jīng)網(wǎng)絡模型設置對上市公司財務危機進行預測，同時使用5種經(jīng)典機器學習模型進行對比分析，采用預測的準確率、精準率、召回率、特異度和f1得分等評價指標來對所有模型的預測結果進行了對比。

（一）研究樣本與數(shù)據(jù)的選取

1. 數(shù)據(jù)來源與選擇標準

本文數(shù)據(jù)來源于銳思金融數(shù)據(jù)庫，以1990—2020年滬深A股的上市公司作為研究對象，將上市公司發(fā)生財務問題被ST（Special Treatment），即被特別處理作為公司發(fā)生財務危機的標志，由于上市公司一旦經(jīng)歷過首次被ST后，其再次發(fā)生財務危機或被*ST的概率會增大，因此本文只選用自公司上市以來，首次被ST的上市公司作為財務危機樣本。

一家上市公司被判定為ST主要有以下這幾個方面：

（1）上市公司連續(xù)兩個會計年度的財務凈利潤是負值；（2）上市公司在一個會計年度中每股凈資產(chǎn)要低于股票面值，這種情況下無需連續(xù)兩年；（3）注冊會計師對上市公司當年一個會計年度的報告出具無法表示或否定意見的審計報告；（4）上市公司被中國證監(jiān)會或交易所判斷為財務異常。

2. 配對樣本的選擇

通過對銳思數(shù)據(jù)庫中上市公司數(shù)據(jù)進行篩選，自1990年開始共有208個上市公司經(jīng)歷過首次被ST，借鑒同類文獻通常的做法，本文選用1：3的比例進行正常上市公司的配對。

在選擇配對上市公司時，本文遵循以下標準：

（1）為了排除市場經(jīng)濟環(huán)境的影響，配對上市公司與發(fā)生財務危機的上市公司要屬于同一年份；（2）為了能獲得配對上市公司三年的數(shù)據(jù)，配對上市公司需滿足已上市三年以上時間，且財務報表與股票數(shù)據(jù)沒有大量缺失值；（3）為了避免行業(yè)對上市公司的影響，配對上市公司與發(fā)生財務危機的上市公司所屬行業(yè)需相同；（4）為了增加樣本的可比性，配對上市公司與發(fā)生財務危機的上市公司資產(chǎn)規(guī)模需相同或相近；（5）當以上兩個條件無法同時滿足時，則配對上市公司從與發(fā)生財務危機的上市公司的其他相近行業(yè)中選擇資產(chǎn)規(guī)模相同或相近的上市公司。

3. 特征指標的選取

資產(chǎn)負債表表示各會計期末公司的資產(chǎn)、負債和業(yè)主權益的狀況，遵守了會計平衡原則，即資產(chǎn)=負債+所有者權益，其指標可以反映公司整體的經(jīng)營狀況，是財務報表中的核心內容。資產(chǎn)負債表可以分為資產(chǎn)、負債、所有者權益這三個方面。在資產(chǎn)負債表中本文共選取了155個指標。

利潤表表示各會計期末公司的收入、費用和利潤的狀況，其指標可以反映公司經(jīng)營資金流動的狀況，稱之為資本市場表。從利潤表中，可以看出資產(chǎn)負債表的資產(chǎn)和負債結構的好壞。利潤表指標可以分為營業(yè)總收入、營業(yè)支出、營業(yè)利潤、利潤總額、凈利潤、其他綜合收益等幾個方面。在利潤表中本文共選取了99個指標。

現(xiàn)金流量表表示各會計期末公司的現(xiàn)金變動情況，其指標主要體現(xiàn)的是資產(chǎn)負債表中的各類別指標對公司現(xiàn)金流動的影響，通過分析可以知曉公司在短時間內有無充足的資金去應對支出，評價公司的短期生存能力，揭示內在發(fā)展問題?，F(xiàn)金流量表指標可以分為經(jīng)營活動產(chǎn)生的現(xiàn)金流量、投資活動產(chǎn)生的現(xiàn)金流量和籌資活動產(chǎn)生的現(xiàn)金流量等幾個方面。在現(xiàn)金流量表中本文共選取了112個指標。

在股票交易數(shù)據(jù)中本文共選取了收盤價、成交量、流通股周換手率、流通股平均日換手率、每股營業(yè)利潤和每股營業(yè)收入等45個指標。

4. 數(shù)據(jù)預處理

數(shù)據(jù)預處理主要包括缺失值異常值的處理、訓練樣本不平衡的處理以及滑動窗口數(shù)據(jù)變換。

（1）樣本缺失值異常值的處理。對于缺失值，一般可以用所在列的“平均值”“中位數(shù)”“眾數(shù)”進行填補，也可以對缺失數(shù)據(jù)進行整行刪除。但由于本文是以深度學習算法進行建模，是在大數(shù)據(jù)的基礎上進行建模，如果樣本量過少，會造成模型精度的降低，所以對于缺失值，本文沒有進行刪除，而是以樣本均值對缺失值進行填補。

（2）訓練樣本不平衡的處理。使用python中的imblearn模塊，利用其over_sampling子模塊中的SMOTE類完成算法，實現(xiàn)對不平衡樣本的處理。算法中，k_neighbors參數(shù)是選擇的近鄰個數(shù)，默認的個數(shù)為5個，m_neighbors參數(shù)是從近鄰樣本中挑選的隨機樣本個數(shù)，默認的個數(shù)為10個。

（3）滑動窗口寬度設置。由于股票交易數(shù)據(jù)、資產(chǎn)負債表、利潤表、現(xiàn)金流量表的變量特征數(shù)分別為45、155、99、112，因此t時刻的數(shù)據(jù)，按照不同來源轉化為[7×7，13×13，10×10，11×11] 的格式。通過對股票數(shù)據(jù)和財務報表不同滑動時間窗口組合的嘗試，本文選取模型效果最優(yōu)的組合為：股票數(shù)據(jù)的滑動時間窗口寬度為12，即三個月；財務報表的滑動時間窗口寬度為8，即兩年。因此每一子網(wǎng)絡輸入的數(shù)據(jù)分別為[12×7×7，8×13×13，8×10×10，8×11×11]的三維數(shù)組。

5. 網(wǎng)絡結構與訓練參數(shù)設定

本文構造的財務預警網(wǎng)絡模型結構參數(shù)見表1所示，子網(wǎng)絡1-3的輸入分別是三個財務表的滑動窗口數(shù)據(jù)，采用相同的網(wǎng)絡結構參數(shù)；子網(wǎng)絡4的輸入是股票交易的滑動窗口數(shù)據(jù)，第一層的輸入通道數(shù)與其他子網(wǎng)絡不同。分類器網(wǎng)絡是三層的全連接網(wǎng)絡。

（二）評估指標

本研究使用準確率（Accuracy）、精確率（Precision）、召回率（Recall）、特異度（Specificity）和[f1]分數(shù)來評估對比不同模型的性能表現(xiàn)，計算公式如下：

這里，TP（True Positive）表示模型將正類別的樣本正確預測為正類別的樣本數(shù)量，F(xiàn)P（False Positive）表示模型將負類別的樣本錯誤預測為正類別的樣本數(shù)量，TN（True Negative）表示模型將負類別的樣本正確預測為負類別的樣本數(shù)量，F(xiàn)N（False Negative）表示模型將正類別的樣本錯誤預測為負類別的樣本數(shù)量。

（三）模型訓練與結果分析

1. 模型訓練參數(shù)設置

在實證中，為了對比股票交易數(shù)據(jù)在預警模型中的作用，本文采用兩種不同的輸入數(shù)據(jù)來源設置，用CNN1表示只使用財務報表數(shù)據(jù)的預警模型，CNN2表示同時輸入財務報表數(shù)據(jù)和股票交易數(shù)據(jù)的模型。在模型訓練時，模型優(yōu)化方式設置為Adam方法，學習率設置為0.0002，batch_size設為32，epochs設為200。

邏輯回歸模型使用L2懲罰，參數(shù)Ｃ設置為0.01；支持向量機模型參數(shù)C設置為0.8，gamma設置為0.001；決策樹模型max_depth設置為4，max_leaf_nodes設置為500；隨機森林模型n_estimators設置為100，max_depth設置為2；AdaBoost模型n_estimators設置為60，learning_rate設置為0.1。

2. 結果分析

考慮到我國上市公司中，正常公司的數(shù)量要遠遠大于被ST的公司數(shù)量，巨大的樣本差異會使分類樣本數(shù)據(jù)非平衡化。針對不平衡數(shù)據(jù)，本文使用兩種不同的處理思路進行了實證分析。

首先，使用各個模型自帶的權重平衡參數(shù)設置，不對數(shù)據(jù)做額外平衡處理。機器學習模型設置參數(shù)class_weight='balanced'，CNN1和CNN2模型損失函數(shù)的weight參數(shù)。從表2的預測結果對比可以看出，使用股票交易指標可以大幅度提高預警模型的準確率、精確率、召回率、特異度和f1得分。在所有模型的比較中，除了精確率指標外，CNN2都是表現(xiàn)最優(yōu)的模型（AdaBoost模型全部預測為沒有發(fā)生財務困境，直接淘汰）。

其次，使用處理不平衡數(shù)據(jù)集的常用方法SMOTE算法。使用python中的imblearn模塊，利用其over_sampling子模塊中的SMOTE類完成算法。在此算法中，k_neighbors參數(shù)是選擇的近鄰個數(shù)，默認的個數(shù)為5個，m_neighbors參數(shù)是從近鄰樣本中挑選的隨機樣本個數(shù)，默認的個數(shù)為10個。從表3所示的對比結果可以看出，使用SMOTE算法平衡處理后的數(shù)據(jù)，對傳統(tǒng)機器學習模型進行訓練，均能大幅度提升模型的各個評估指標表現(xiàn)。在所有模型中表現(xiàn)最好的是支持向量機。

綜合對比兩種不同場景下的測試結果，可以看出使用原始數(shù)據(jù)訓練的CNN2模型具有最高的召回率和f1分數(shù)，同時準確率、特異度與表3的最優(yōu)算法相差不大?？紤]到SMOTE算法有可能引入額外噪聲信息，綜合來看，在進行上市公司財務困境預警時應當優(yōu)先使用CNN2模型。

四、總結

針對上市公司財務困境預警，本文提出了一種數(shù)據(jù)預處理方法和二維卷積神經(jīng)網(wǎng)絡結構。對不同來源的數(shù)據(jù)指標，通過滑動窗口內的標準化和二維化變換進行預處理，之后輸入不同的二維卷積子網(wǎng)絡完成特征提取和壓縮融合，最終使用分類器網(wǎng)絡輸出預測結果。實證結果顯示出股票交易指標對財務困境預警有明顯的輔助作用，同時本文提出的財務困境預警模型對比傳統(tǒng)機器學習算法具有明顯的優(yōu)勢。

參考文獻：

[1] FITZPATRICK P J. A Comparison of the Ratios of Successful Industrial Enterprises with those of Failed Firms[J].Certified Public Accountant， 1932，2（2）：589-731.

[2] ALTMAN E I. Financial Ratios，Discriminant Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Finance，1968，23（4）：589-609.

[3] 李萬福，林東杰，林斌.內部控制能有效規(guī)避財務困境嗎？[J].財經(jīng)研究，2012，38（1）：124-134.

[4] 戚家勇，蔡永斌.房地產(chǎn)上市公司財務風險評價研究[J].財會通訊，2018（26）：114-118.

[5] 呂長江，趙巖.上市公司財務狀況分類研究[J].會計研究，2004（11）：53-61+97.

[6] BEAVER W H.Financial Ratios as Predictors of Failure[J].Empirical Research in Accounting： Selected Studies，1967，1（1）：71-111.

[7] ALTMAN E I，HALDEMAN R，NARAYANAN P.Zrta Analysis： a New Model to Identify Bankruptcy Risk of Corporations[J].Journal of Banking & Finance，1977.

[8] OHLSON J A.Financial Ratios and the Probabilistic Prediction of Bankruptcy[J].Journal of Accounting Research，1980，18（1）：109-131.

[9] 周首華，王平，楊濟華.論財務危機的預警分析——F分數(shù)模式[J].會計研究，1996（8）：8-11.

[10] 王自強，陳旭，范貽昌.基于可拓方法的ST公司財務危機預警模型研究[J].數(shù)學的實踐與認識，2006（8）：44-51.

[11] 方匡南，楊陽.SGL-SVM方法研究及其在財務困境預測中的應用[J].統(tǒng)計研究，2018，35（8）：104-115.

[12] 宋宇，李鴻禧，秦學志.基于Cox回歸的中小企業(yè)財務預警模型及實證[J].管理現(xiàn)代化，2019，39（1）：108-110.

[13] 姜秀華，孫錚.治理弱化與財務危機： 一個預測模型[J].南開管理評論，2001（5）：19-25.

[14] 王克敏，羅艷梅.中國上市公司對外擔保與財務困境研究[J].吉林大學社會科學學報，2006（5）：106-113.

[15] 黃曉波，王慧.從公司治理視角看農(nóng)業(yè)上市公司財務風險[J].財會月刊，2017（2）：47-54.

[16] 陳靜.上市公司財務惡化預測的實證分析[J].會計研究，1999（4）：32-39.

[17] 鮮文鐸，向銳.基于混合Logit模型的財務困境預測研究[J].數(shù)量經(jīng)濟技術經(jīng)濟研究，2007（9）：68-76.

[18] 梁琪，石寧，過新偉.基于隨機效應logistic模型的中小企業(yè)財務失敗預警研究[J].管理工程學報，2014，28（3）：126-134.

[19] LANE W R，LOONEY S W，WANSLEY J W.An Application of the Cox Proportional Hazards Model to Bank Failure[J].Journal of Banking & Finance，1986，10（4）：511-531.

[20] 陸志明，姜麗莉，何建敏.基于生存分析模型的企業(yè)財務困境預測[J].統(tǒng)計與決策，2007（21）：174-176.

[21] 楊淑娥，黃禮.基于BP神經(jīng)網(wǎng)絡的上市公司財務預警模型[J].系統(tǒng)工程理論與實踐，2005（1）：12-18+26.

[22] 龐清樂，劉新允.基于蟻群神經(jīng)網(wǎng)絡的財務危機預警方法[J].數(shù)理統(tǒng)計與管理，2011，30（3）：554-561.

[23] 朱發(fā)根，傅毓維，劉拓.基于非線性SVM的上市公司財務危機預警模型研究[J].統(tǒng)計與信息論壇，2009，24（6）：49-53.

[24] 麻斯亮，魏福義.人工智能技術在金融領域的應用： 主要難點與對策建議[J].南方金融，2018（3）：78-84.

[25] 袁銘陽，周長勝，黃宏博，等.卷積神經(jīng)網(wǎng)絡池化方法綜述[J].Software Engineering and Applications，2020（9）：360.

基金項目：國家社會科學基金項目資助“基于人工智能與多源異構數(shù)據(jù)的上市公司財務困境預警研究”（19BTJ030）

作者簡介：張志剛（1975— ），男，河北保定人，湖北經(jīng)濟學院教授，博士，研究方向為機器學習、深度學習、應用統(tǒng)計；張耀峰（1979— ），男，河北承德人，湖北經(jīng)濟學院教授，博士，研究方向為大數(shù)據(jù)技術及應用、社會計算。