论文部分内容阅读
对于上市公司而言,因财务困境沦为“ST”甚至被迫退市的情况愈演愈烈。公司一旦陷入财务困境,则不仅危及其自身的生存和发展,也将给众多相关利益人带来直接或间接的损失。如果能构造有效的财务困境预测模型识别未来可能发生的财务危机,则将帮助相关利益人提前防范和化解风险,从而减小或避免可能带来的损失。实际中,上市公司从财务正常到财务困境是一个逐步恶化的过程,财务指标的变化是公司财务状况转变的征兆,这就使得利用相关财务指标构建预测模型成为可能。本文根据静态模型和动态模型的不同特点,选取两批不同的训练样本,运用Bayes判别模型、Logistic模型和离散时间的危险函数模型(hazard model)分别构建了我国上市公司的财务困境预测模型,并从模型本身的使用条件、适用范围和预测能力三个方面对模型的有效性进行了比较分析;针对选择性抽样下训练样本配比确定的难题,本文以Logistic模型为例,对样本配比问题进行了深入探讨。实证结果表明,Bayes判别模型和Logistic模型都具有很高的样本内和样本外预测精度,因此都是比较理想的财务困境预测模型,并且Logistic模型可能比Bayes模型更加有效;离散时间的危险函数模型作为静态模型的一种拓展,弥补了静态模型的众多缺陷,可以很好的刻画公司陷入财务困境时不断恶化的动态过程,但是为了确保其具有良好的预测精度,相比于传统的静态模型,它可能需要更大的样本量;该模型同时表明,财务困境公司和正常公司预测得到的概率值的变化趋势呈现显著差异,这种趋势的差异性可以用来帮助我们预测财务困境的发生;通过对样本配比问题的研究,本文发现在构建训练样本时,如果采用众多研究中1:1的样本配比和0.5的概率临界点,则模型的预测精度可能不会受到太大影响,但此时预测得到的概率值会偏离真实值,并且训练样本的观测量大小会受到财务困境公司样本观测量的限制,借助于加权Logistic模型,我们可以选择任意的样本配比,但必须调整临界点。此时,模型同样具有较高的预测精度,并且估计得到的概率值是真实的。