公司财务困境预警模型研究：基于财务波动信息的区间数据刻画方法

Recent decades have witnessed an increasing focus on financial distress models considering volatility behavior of financial variables, since past models using data from a single period do not well distinguish distress signals. In this project, an interval-data-based method is proposed to model volatility behavior of financial variables, which allows considering corporates’ past performance and their changing trends. Three methods will be investigated. First, in order to better distinguish distressed corporates, an improved discriminant rule for Fisher’s discriminant model of interval data and its selection criteria will be proposed. Next, a Bayesian discriminant method of interval data will be developed, for the sake of predicting default probability for each corporate. Then, Fisher’s discriminant method for cubic-time-series interval data will be provided, which will account for the changing patterns hidden behind volatility behavior of financial variables. Based on the above three methods, a financial distress forecasting model will be established, using interval-data-based volatility behavior of financial variables. To demonstrate the merits of the proposed model, comparative studies between our model and traditional model as well as empirical studies will be conducted. Financial distress forecasting results for all listed corporates in China’s stock market will be published in the way of quarterly report. This project will provide both basic theory for interval analysis and effective tools for financial distress forecasting.

依赖单期年度会计信息难以捕捉公司的困境信号，这使得基于多期财务波动信息的财务困境预警模型备受关注。本项目提出以区间数据刻画多期季度财务数据波动信息的方法，允许考虑公司以往绩效及其变化趋势信息。拟从理论上探讨区间数据的若干建模方法：研究区间数据Fisher判别模型的判别规则改进方案和选择准则，提高模型对困境公司的识别能力；构建区间数据朴素贝叶斯判别模型，提供违约概率预测结果；研究时序立体区间数据Fisher判别方法，挖掘困境公司财务波动信息的动态变化模式。利用上述三模型，建立基于区间数据刻画财务波动信息的公司财务困境预警模型，与基于单期数据的模型进行对比研究，对我国所有上市公司进行实证研究，每个季度发布我国上市公司的财务困境预测报告。项目研究成果为区间数据应用于财务困境预警问题奠定理论基础和提供预警工具。

依赖单期年度会计信息难以捕捉公司的困境信号，这使得基于多期财务波动信息的财务困境预警模型备受关注。本项目提出以区间数据刻画多期季度财务数据波动信息的方法，允许模型考虑公司以往绩效及其变化趋势信息，旨在提高财务困境预警模型的正确率，尤其是模型对困境公司的正确识别率。鉴于区间数据多元分析的相关理论尚不完善，本项目首先对区间数据的若干基础性理论问题开展研究，提出了基于全信息的定量型符号数据多元分析的理论框架，为发展区间数据Fisher判别模型奠定了理论基础。从该理论框架出发，本项目重点研究了区间数据Fisher模型判别规则的改进方案，提出使用Wasserstein距离与prototype法结合的判别规则,以克服已有模型存在的“易将困境公司误判为非困境公司”的重大缺陷。为了更全面地刻画潜在的困境信号与困境风险，本项目构建了区间数据朴素贝叶斯判别模型，重点研究了区间数据分布直方图的估计方法，同时以“控制第一类错误的发生概率、提升模型的整体正判率”为目标，遴选出了适用于财务困境预警问题的判别规则，在准确判别的基础上提供违约概率的预测结果。利用上述两个模型，本项目建立了基于区间数据刻画财务波动信息的公司财务困境预警模型；为了挖掘财务波动信息的动态变化模式对公司困境状态的预测效果，进一步研究了基于时序立体数据刻画财务指标波动信息的预警模型。利用中国、美国、韩国的上市公司数据建立财务困境预警模型；并且与基于年度数据的预警模型做对比分析，验证了区间数据与财务波动信息刻画相结合的预测模型的合理性与有效性。本项目提出的以区间数据刻画多期季度财务数据波动信息的方法，可提供困境状态、困境风险的预测结果，能够有效提高模型对困境公司的识别率，为财务困境预警问题提供了一类崭新而有效的工具。