财务预警(PPT)

X4=期末股东权益的市场价值/期末总负债
X5=本期销售收入/总资产
多元判定模型
2.F分数模型
F=0.1774+1.1091X1+0.1074X2+1.9271X3+0.0302X4+0.4961X5 X1=(期末流动资产一期末流动负债)/期末总资产； X2=期末留存收益/期末总资产；
X3=(税后纯收益+折旧)/平均总负债；
3
4
财务预警的技术方法
单一财务比率法
财务预警的技术方法
财务比率 综合计分法
财务预警模型
单一财务比率法
单一财务比率法也称为单变量模型，是指将某一项财务 指标作为判别标准来判断企业是否处于财务危机状态的一 种预警方法。 目前，我国企业在实际工作中常用的财务比率主要有资 产负债率、利息保障倍数、流动比率和速动比率等。 单一财务比率法的优点是简单明了、易于掌握，缺点是 财务比率可以被人为操纵，容易引起失误。
的财务比率，按5：3：2来分配比重，标准分为100分，取
值范围为50~150分，分值越高，反映企业的财务状况越好， 发生财务危机的可能性越小。其中，评价营利能力的财务 比率选择了总资产周转率、销售净利率、净值报酬率；评 价偿债能力的财务比率选择了自有资本率、流动比率、应
收账款周转率、存货周转率；评价成长能力的财务比率选
2000年高培业、张道奎基于29个财务比率对26个企业采用不同的判别方法 进行分析，得出了我国非上市企业的成功与否主要取决于负债比率、营运 资本比率和获利能力的结论。
国内财务预警的发展
2001年，吴世农、卢贤义应用Fisher线性判定分析、多元线性回归分析和 Logistic回归分析三种方法，且验证Logistic 模型的判定准确性最高。
2002年，乔卓等人建立了基于数值优化的Levenberg－Marquardt算法的前 馈神经网络预测模型。
2005年，杨淑娥、黄礼采用BP人工神经网络工具，以120家上市公司的截 面财务指标作为建模样本，并使用同期的60家公司作为检验样本建立了财 务危机预警模型。 2006年，张秋水、罗林开、刘晋明通过SVM与传统的多元线性回归和Logit 分析的实证对比和模型分析，得出SVM（支持向量机）模型显著优于多元 线性回归，也优于Logit分析。
国内财务预警的发展
2007年，陈强、薛华为提高财务预警模型的精度，针对BP算法训练过程中 容易陷入局部极值而影响预测效果的缺陷，应用遗传算法和BP神经网络相 结合的混合算法进行改进。 2009年，张乐利用贝叶斯判别法，以140家上市公司作为分析样本，建立财 务预警模型。经检验，该方法预测的效果准确率达到85.7%。
国内财务预警的发展
国内对财务困境及预测模型的研究，始于上世纪80年代中期。吴世农、黄 世忠在1986年介绍了企业破产分析指标和预测模型。
1990年，国家自然科学基金委员会管理科学组先后支持佘廉等人从事企业 预警研究，并于1999年出版了企业预警管理丛书。
1996年，周首华、杨济华和王平以Altman的Z分数模型为基础对Z模型进行 改进，把现金流量加入预测公司破产的有效指标，建立了F分数模型。
财务比率综合计分法
财务比率综合计分法是选择多个财务比率并赋予 相应的权重，计算综合财务指标，以此来判断企业发生财 务危机的可能性。常用的财务比率综合计分法主要包括沃 尔评分法和综合评分法。
财务比率综合计分法
1.沃尔评分法
沃尔评分法是指将选定的财务比率用线性关系组合起
来，并分别给定各自的分数比重，然后通过与标准比率进
1990年Odom和Sharda第一次将神经网络应用于财务困境预测问题，开始 了运用人工神经网络进行财务困境预测的探索。1992年Coats和Fant运用神 经网络技术学习审计专家的结论来判别财务困境。 2000年，Charitou和Trigeorgis采用Logistic回归方法并结合B－S期权定价 模型中的相关变量构建了财务危机判别模型。
1968年，美国学者Edward•I•Altman首次将多元线性判别方法引入到财务危 机预警领域，利用数理统计的方法，根据误判率最小的原则，建立了Z值模 型。 1980年美国学者Ohlson使用对数比率（Logistic）回归方法分析了选用的非 配对样本在破产概率区间上的分布以及两类判别错误和分割点的关系。
财 务 预 警
1
财务预警的发展 财务预警的定义与特征
2
3
财务预警的技术方法
国外财务预警的发展
1932年Fitzpatrick所做的单变量破产预警模型是最早的财务危机预警研究。
1966年William Beaver提出了单一比率模型，运用统计方法建立了单变量财 务预警模型，开创了用统计方法建立财务预警模型的先河。
发生财务危机的概率。
类神经网络模型
类神经网络(ANN)模型，是将神经网络的分类方法应用于财务 预警。ANN不仅具有较好的模式识别能力，还可以克服统计方法的
局限，因为它具有容错能力和处理资料遗漏或错误的能力。此外
ANN还具有学习能力，可随时依据新的数据资料进行自我学习，并 调整其内部的储存权重参数，以应对多变的企业环境。 ANN模型通常由输入层、输出层和隐藏层组成，其信息处理分 为前向传播和后向学习两步进行。网络的学习是一种误差从输出 层到输入层向后传播并修正数值的过程，学习的目的是使网络的 实际输出逼近某个给定的期望输出。根据最后的期望输出，得出 企业的期望值，然后根据学习得出的判别规则来对样本进行分类。 人工神经网络具有较好的纠错能力，从而能够更好地进行预测。
(其中资产变现率=资产变现金额/资产账面金额)
多元判定模型
多元判别模型是运用多种财务比率指标加权汇总而构 造多元线性函数公式来对企业财务危机进行预测。
1.Z分数模型
Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5 X1=(期末流动资产一期末流动负债)/期末总资产 X2=期末留存收益/期末总资产 X3=息税前利润/期末总资产
回归分析法
2.Logistic回归分析
Logistic函数又称增长函数,模型如下：
yi pi

β 0 β1 x1i β k xki
1 1
yi代表第i家企业是否发生财务危机，i=0或1，0代表正常 企业，1代表财务危机公司，xki代表第i家企业，第k个财务
e
yi
比率，pi代表根据Logistic模型所估计出来的第i家企业可能
相关的财务资料为依据，利用会计、金融、企业管理、市场营销
等理论，借助比例分析、数学模型等财务分析方法，发现企业存 在的风险，根据预警指标发出的信号对财务危机进行辩识，并向 企业利益相关者发出警示，以便采取相应对策的管理方法。
财务预警的定义
财务预警的特征
1
1
不确定性
2
时间相关性
价值增值性 技术可行性
财务危机预警模型比较
计量方法 假设条件
1．计算简明
优点
缺点
1．以试错法寻求最佳财务指标，缺乏理论 架构 2．单一财务指标，无法涵盖企业整体面， 不同比率之间容易 出现矛盾的结论
单变量分析
无
2．所求得的数值易于解释
1．数据符合正态分布
判别分析
1．同时考虑多项指标，对整体绩效 1．财务比率一般不符合正态分布假设 2．每一变量不能是其他变量的线 衡量较单变量分析客观 2．对虚拟变量无法有效处理 性组合 2．可了解哪些财务比率最具判别能 3．样本选择偏差对模型分类能力影响很大 力 3．各组样本的协方差矩阵相等 1．残差项必须符合正态分布
2009年，周辉仁等提出一种基于粒子群优化算法的最小二乘支持向量机的 财务预警模型对上市公司的财务数据进行财务预警分析。
财务预警的定义
财务预警是以企业信息化为基础，对企业在经营管理活动中 的潜在财务危机风险进行监测、诊断与报警的一种技术。它贯穿 于企业经营活动的全过程，以企业的财务报表、经营计划及其他
行比较，确定各项指标的得分及总体指标的累计分数，从 而对企业的信用水平作出评价的方法。沃尔评分法的基本 步骤包括：选择评价指标并分配指标权重、确定各项评价 指标的标准值与标准系数、对各项评价指标计分并计算综
合分数、形成评价结果。
财务比率综合计分法
2.综合评分法
综合评分法选择评价营利能力、偿债能力、成长能力
1．可解决判别分析中自变量数据非 正态的问题 1．模型使用前必须将资料转换 2．概率值介于0与1之间 2．计算程序较复杂，一般需计算机辅助 3．模型适用于非线性状况 1．以计算机进行大量数据处理 2．无需任何概率分配假设 1．分类工作繁杂 2．分割点不易建立 3．模型统计特性不健全
Logistic模 2．自变量间无共线性存在 型
3．样本数必须大于回归参数个数
类神经网络
无
谢谢！
多元线性回 2．差符合马尔可夫假设 归 3．自变量间无共线性存在
1．残差项需符合韦伯分布
1．可解决判别分析中自变量数据非 1．自变量之间的交互作用无法表达 正态分布的问题 2．自变量与因变量之间的非线性关系无法 2．模型使用不需经数据转换，故较 表达，线性概率的假设往往与实际情况不相 吻合 4．样本数必须大于回归参数个数 容易使用
择了销售增长率、净利增长率、人均净利增长率。财务预Βιβλιοθήκη 模型1 一元判定模型2
多元判别模型
3
回归分析法
4
类神经网络模型
一元判定模型
按照综合性和预测能力的大小，预测企业财务失 败的指标主要有： (1)债务保障率=现金流量/债务总额； (2)资产收益率=净收益/资产总额； (3)资产负债率=负债总额/资产总额； (4)资产安全率=资产变现率/资产负债率式
X4=期末股东权益的市场价值/期末总负债；