针对390家上市企业样本，本文首先从获利能力、现金流量、营运能力、发展能力、偿债能力五个维度选取了13个初始财务指标，根据随机森林特征重要性筛选出了6个贡献度最大的最终财务指标。其次，本文建立了基于随机森林特征降维和Adaboost分类预测的RF-Adaboost模型，根据企业T-2年的财务指标预测其在T年是否会被特殊处理。实证结果表明RF-Adaboost模型在测试集上的分类正确率和召回率都达到80%以上。最后，为了验证RF-Adaboost模型的效果，本文还使用了Adaboost模型、LSTM神经网络、RBF-SVM、Linear-SVM、基于核密度估计的朴素贝叶斯模型进行实验，研究结果表明RF-Adaboost在所有模型中表现最好，说明了特征降维的有效性和集成算法的优越性。

财务困境预警，随机森林，Adaboost

Yiwen Fang^*, Yuanhua Liu

Business School of University of Shanghai for Science and Technology, Shanghai

Received: Jan. 21^st, 2023; accepted: Feb. 16^th, 2023; published: Feb. 23^rd, 2023

Aiming at the samples of 390 listed enterprises, this paper firstly selects 13 initial financial indicators from the 5 dimensions of profitability, cash flow, operating capacity, development capacity and debt paying capacity, then selects 6 final financial indicators with the greatest contribution based on the random forest’ feature importance. Secondly, this paper establishes an RF-Adaboost model based on random forest feature dimension reduction and Adaboost prediction to predict whether the enterprise will be treated specially in year T using the financial indicators data of year T-2. The empirical results show that the classification accuracy and recall rate of RF-Adaboost model on the test set are higher than 80%. Finally, in order to verify the effect of RF-Adaboost model, this paper also uses Adaboost, LSTM neural network, RBF-SVM, Linear-SVM and kernel density naive Bayes models to conduct experiments. The results show that RF-Adaboost performs best among all models, which demonstrates the effectiveness of feature dimension reduction and the superiority of integrated algorithm.

Keywords:Financial Distress Warning, Randomforest, Adaboost

Copyright © 2023 by author(s) and beplay安卓登录

This work is licensed under the Creative Commons Attribution International License (CC BY 4.0).

http://creativecommons.org/licenses/by/4.0/

随着经济全球化的不断发展，我国的市场竞争环境愈发激烈。企业的财务状况是影响其未来发展的重要因素之一 [ 1 ] ，财务危机的发生往往是一个从异常初现到问题逐渐恶化的过程，因此企业财务困境具有一定的可预测性。如何有效地进行企业财务困境预警从而提高企业经营质量是十分重要的，也是国内外学者广泛关注的研究方向。

目前，财务困境预警一般是通过建立财务指标体系来对企业的财务状况进行预测 [ 2 ] 。早期的预测方法技术主要为统计方法，例如Altman (1968)采用线性判别法建立了Z评分模型，通过Z值大小来对企业是否陷入财务困境进行判定 [ 3 ] ，为了克服Z评分模型只适合短期预测的缺点，改进的ZETA模型被提出，预测的应用范围得到扩大 [ 4 ] 。Martin (1977)提出了基于逻辑回归的银行财务困境预警模型，取得了较好的预测效果 [ 5 ] 。近年来，机器学习在财务困境预警方面的应用较为热门。机器学习模型在处理大量样本和高维变量方面有着巨大的优势，目前常用的机器学习模型有决策树、支持向量机、BP神经网络等。崔玉娟(2011)建立了基于决策树的财务预警模型 [ 6 ] 。张根明和向晓骥(2007)采用了适合小样本的支持向量机算法进行上市公司财务预警研究，实证结果表明支持向量机预测效果优于神经网络模型 [ 7 ] 。陈收等(2015)在支持向量机模型基础上引入了信息披露质量，模型在企业不同发展时期的财务困境预警准确率均得到提升 [ 8 ] 。李晓燕(2012)建立了基于BP神经网络的中国上市公司财务困境预警模型，并对神经网络的参数选取进行了研究 [ 9 ] 。王玉冬等(2018)将粒子群算法和果蝇优化算法与BP神经网络相结合，建立了PSO-BP和FOA-BP模型进行财务危机预警 [ 10 ] 。

在机器学习模型应用过程中，采用集成算法的模型的泛化效果往往优于单一模型，常见的集成算法有boosting，bagging，stacking等。目前，集成学习模型在企业财务困境预警方面的应用相对较少，因此本文采用了boosting算法的典型模型Adaboost对上市企业进行财务困境预警研究。另外，为了能从多个方面反映企业的财务情况，财务困境预警模型中选取的指标一般较多，本文创新性地利用随机森林特征重要性剔除掉贡献度低的指标来进行降维，降低训练复杂度的同时直观反映了各财务指标在财务困境预警中的重要性，从而挖掘出需要企业经营者重点关注的财务指标。

Adaboost是Boosting算法的代表，其核心思想是通过迭代训练不同的弱分类器，构成一个强分类器。Adaboost进行多轮分类训练，每轮训练会提高前一轮被弱分类器误分的样本的权重，降低那些被正确分类的样本的权重。对于不同的弱分类器，Adaboost采取加权投票的方法，加大分类正确率高的弱分类器的权重，减小分类正确率低的弱分类器的权重，从而使得表现好的弱分类器在表决中起到较大作用，表现差的弱分类器在表决中起到较小作用。其主要步骤如下：

1) 设有M个样本，初始时赋予每个样本相等的权重

w t ( i ) = 1 M ,       i = 1 , 2 , ⋯ , M (1)

其中， w t ( i ) 表示在第t次迭代中样本i的权重。

2) 使用具有以上权重分布的 w t 进行训练，得到弱分类器 C t ( x ) ，其分类错误率 e t 为

e t = 1 M ∑ i = 1 M e i (2)

3) 根据上一轮迭代中各弱分类器的表现，计算 C t ( x ) 在强分类器中所占的比重 α t

α t = 1 2 log ( 1 − e t e t ) (3)

4) 更新权重分布

w t + 1 = w t z t exp ( − α t y i C t ( x ) ) (4)

z t = ∑ i = 1 M w t exp ( − α t y i C t ( x ) ) (5)

其中， z t 为归一化因子。

5) 重复步骤(2)到(4)，直至计算出所有弱分类器的比重，并根据比重组合得到强分类器 S ( x ) [ 11 ]

S ( x ) = sign ( ∑ i = 1 M α t C t ( x ) ) (6)

为了便于模型进行训练和预测，本文将未被特殊处理，即财务健康的企业归为类别0，将被特殊处理，即陷入财务困境的企业归为类别1。在衡量机器学习模型的性能时，应重点关注模型在测试集上的表现来对模型的泛化能力进行评估。

本文通过构建基于特征降维和集成学习理论的RF-Adaboost模型，对我国上市企业进行了财务困境预警研究。本文创新性地根据随机森林特征重要性进行降维，直观反映了各财务指标在财务困境预警中的重要性，从而挖掘出需要企业经营者重点关注的财务指标。研究结果表明，净利润增长率、净资产收益率、总资产报酬率、总资产周转率这4个指标对企业是否会陷入财务困境具有较强的指向作用。同时，企业应当注重自身的获利能力和发展能力，不仅要立足当下，还要力争成为“潜力股”。

其次，为了验证RF-Adaboost模型的效果，本文还使用了Adaboost模型，LSTM神经网络、RBF-SVM、Linear-SVM、基于核密度估计的朴素贝叶斯模型进行了实验，研究结果表明RF-Adaboost在所有模型中表现最好，测试集的分类正确率和召回率都达到80%以上，说明了特征降维的有效性和集成算法的优越性。

本文的研究成果为一般企业提供了可操作性强的财务困境预警方法，但在实际情况中，除了财务情况这一主要因素，导致企业陷入财务困境的因素还有很多。例如，企业的管理机制不当可能会导致企业经营不善，企业领导者在重大决策上的失误可能造成企业的巨大损失从而陷入困境等。不同企业的情况不同，要想精准地对企业的财务状况进行预测，还需有针对性地对企业进行全面的调查和分析，因此在实际应用中，如何制定个性化的企业财务困境预警方案是未来需要研究的问题。

方逸雯,刘媛华. 基于RF-Adaboost的企业财务困境预警研究Research on Financial Distress Warning of Enterprises Based on RF-Adaboost[J]. 运筹与模糊学, 2023, 13(01): 306-314. https://doi.org/10.12677/ORF.2023.131033