考虑企业关联和时序信息的财务危机预测串并联集成建模研究

Finance is the core competence of a country. The prevention and mitigation of financial risks is a fundamental task for finance sector. Financial distress prediction acts an important role in forestalling and defusing financial risks, therefore, this topic launches research on financial distress prediction model, the main research contents include: the enterprises’ relational network data is built based on the chain director phenomenon, and the value of this data type in financial distress and risk is analyzed, then, the relational indicators are constructed to study its effect on financial distress prediction model. The dynamic nature of the occurrence of financial distress is revealed, the prediction information hidden in the sequential financial indicators is incorporated and mined, the construction method of sequential indicators is improved, the effect of sequential indicators in financial distress prediction is also examined. A parameter optimization scheme is designed to optimize the hyper-parameters of gradient boosting decision tree, the series-parallel ensemble framework is proposed from the perspective of making full use of data and improving the stability of prediction model. This topic’s research findings enrich the connotation of financial distress prediction, and extend the theory and method of prediction model. The theoretic basis and effectiveness tool are provided to ensure the healthy development of enterprises, and guard the stability of financial market.

金融是国家重要的核心竞争力，防范化解金融风险是金融工作的根本性任务，企业财务危机预测在化解财务风险和金融风险中扮演重要角色。基于此，本课题对财务危机预测模型展开研究，主要研究内容包括：以企业共有董事信息为依据，聚焦研究企业关系网络结构数据在分析财务危机和财务风险中的价值，构建关系型预测指标，并分析其对财务危机预测模型的影响和作用；揭示企业财务危机发生的动态性特征，挖掘时间维度下财务指标数据中蕴藏的预测信息，优化了时序预测指标的构建方法，并研究时序指标在预测财务危机上的效果；设计了梯度提升决策树多交互超参数的迭代优化方案，并从充分利用数据集信息、提高预测模型稳定性的角度出发，探索以改进梯度提升决策树为基分类器的财务危机预测串并联多层级集成框架。本课题的研究成果丰富了财务危机预测的内涵，拓展了财务危机预测建模的理论与方法，为保障企业健康发展、降低金融市场风险提供理论基础和实效工具。

企业的财务状况对企业、投资者、金融机构乃至整个金融市场至关重要。本项目以提高财务危机预测准确率以及预测结果的可解释性为目的，对财务危机预测过程中的特征线性转化、特征关联关系挖掘、深度神经网络、预测结果的解释性等方面进行创新型改进研究。通过开展的研究工作得到以下重要结果：首先，经过集成树线性转化之后的风险指标具有更好的分类能力，尤其对于企业财务危机预测和信用风险评估任务。此外，使用集成树对线性化之后的特征关系进行挖掘与转化，从而对深度神经网络模型进行改进具有更优秀的财务危机预测效果，即在数据信息有限的约束条件下，可以通过对风险指标进行线性化和结构化处理，提高模型的预测精度和稳健性。另一方面，研究发现集成树虽然能够取得不错的预测分类效果，但是融合了可解释机器学习方法TreeSHAP之后为预测结果赋予了更高一层的意义，解释结果发现资产负债、每股净资产、营收利润负债占比等指标对于预测企业财务危机具有关键意义，决策者可通过关注以上指标来判断企业当前所处于的状态。项目组在Expert Systems with Applications、Journal of Forecasting、Annals of Operations Research等管理学领域重要期刊上发表学术论文7篇，其中SCI/SSCI检索论文5篇，申请发明专利5件，其中已经授权的专利4件，撰写博士后出站研究报告1份。本项目的研究成果丰富了财务危机预测的内涵，拓展了财务危机预测建模的理论与方法，为保障企业健康发展、降低金融市场风险提供理论基础和实效工具。