基于特征筛选和代价敏感学习的财务预警研究

任婷婷 鲁统宇（教授） 张伟楠 （中国计量大学经济与管理学院 浙江杭州 310018）

一、引言

随着全球经济的不断发展，上市公司受到国内外各方面的冲击和压力持续增大，内外部不确定因素的增多使得企业经营的难度日益增大，一旦管理不善就可能导致企业的业绩下滑甚至发生破产。而财务困境一旦发生不仅会给企业带来严重的负面影响，还会造成股市的动荡，伤害投资者的利益。对上市公司进行财务预警，可以帮助企业提高警惕，改善财务状况，避免财务困境的发生；也可以给银行、基金等相关机构释放投资信号，避免遭受损失。因此，构建有效的财务困境预警模型有着重要的现实意义。

二、文献综述

在现有研究中，财务预警常被视为二分类问题来处理，即以上市公司是否被特殊处理（Special Treatment，ST）作为划分标志，研究的重点在于如何构建有效的预测分类模型。近年来，关于财务预警的研究取得了重大进展，采用的方法可大致分为统计学习和机器学习。Fitzpatrick［1］和Beaver［2］利用单变量模型进行财务预警，但该模型强烈依赖于单一指标，结果较不稳定。在单变量模型预测的基础上，Altman［3］运用多元线性判别分析，将22个初始财务比率指标筛选为5个变量，并以此构造了Z-score模型，该模型准确率较高，并在财务预警领域得到了广泛的应用。国内关于预警模型的研究起步相对较晚，周首华等［4］在Z-score模型的基础上添加现金流量因素，构建了F分数模型；杨淑娥和徐伟刚［5］则将主成分分析和Z-score相结合构建了Y分数模型，两个模型均能取得良好的预测结果。……