基于SMOTE-隨機(jī)森林的互聯(lián)網(wǎng)金融公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型

摘 要：以我國(guó)的互聯(lián)網(wǎng)金融上市公司為研究樣本，在目前國(guó)內(nèi)外對(duì)于企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究的基礎(chǔ)上，結(jié)合互聯(lián)網(wǎng)金融公司的特點(diǎn)，利用SMOTE算法并與隨機(jī)森林相結(jié)合，建立互聯(lián)網(wǎng)金融公司的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。研究表明，隨機(jī)森林預(yù)警模型有著穩(wěn)定的識(shí)別精度和較好的預(yù)測(cè)性能，因此具有廣泛的實(shí)踐價(jià)值。

關(guān)鍵詞：SMOTE算法;隨機(jī)森林;財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警

中圖分類號(hào)：F832? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號(hào)：1673-291X（2020）33-0079-02

引言

近些年來(lái)，隨著網(wǎng)絡(luò)的蓬勃發(fā)展，現(xiàn)代社會(huì)已經(jīng)變成一個(gè)信息社會(huì)。相對(duì)于傳統(tǒng)的企業(yè)，中國(guó)的互聯(lián)網(wǎng)金融企業(yè)以其迅速、靈活以及個(gè)性化的特點(diǎn)迅速發(fā)展。但一方面，互聯(lián)網(wǎng)金融企業(yè)在面對(duì)風(fēng)險(xiǎn)時(shí)，處理風(fēng)險(xiǎn)的時(shí)間也大大縮短。另一方面，互聯(lián)網(wǎng)金融公司發(fā)展時(shí)間較短，相關(guān)部門的監(jiān)管機(jī)制也不夠完善，公司出現(xiàn)財(cái)務(wù)風(fēng)險(xiǎn)會(huì)對(duì)整個(gè)互聯(lián)網(wǎng)金融行業(yè)造成嚴(yán)重的不良影響，有的甚至可能對(duì)整個(gè)社會(huì)造成不利影響。因此，相關(guān)監(jiān)管部門應(yīng)該對(duì)企業(yè)進(jìn)行評(píng)級(jí)，對(duì)于有財(cái)務(wù)風(fēng)險(xiǎn)的企業(yè)加強(qiáng)監(jiān)管，以減少上述問(wèn)題的出現(xiàn)。

本文首先運(yùn)用SMOTE算法對(duì)原始數(shù)據(jù)進(jìn)行平衡處理，然后通過(guò)隨機(jī)森林算法進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的建立。試驗(yàn)結(jié)果表明，本文的方法可以有效解決ST公司樣本過(guò)少所導(dǎo)致的數(shù)據(jù)不平衡問(wèn)題，從而使互聯(lián)網(wǎng)金融公司存在的財(cái)務(wù)風(fēng)險(xiǎn)能夠被及時(shí)預(yù)警，尤其是在對(duì)ST公司的風(fēng)險(xiǎn)預(yù)警上。本文旨在使預(yù)警模型可以為更多的企業(yè)服務(wù)，也為監(jiān)管部門提供有效的參考數(shù)據(jù)。

一、互聯(lián)網(wǎng)金融公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的構(gòu)建

1.模型構(gòu)建。原始數(shù)據(jù)集的平衡程度對(duì)隨機(jī)森林模型的預(yù)測(cè)準(zhǔn)確度具有較大的影響，而SMOTE算法能夠?qū)υ紨?shù)據(jù)集進(jìn)行平衡，從而提高隨機(jī)森林的分類精準(zhǔn)度。因此，將SMOTE算法與隨機(jī)森林相結(jié)合可以充分發(fā)揮兩者的優(yōu)勢(shì)，達(dá)到更準(zhǔn)確的預(yù)測(cè)效果。故本文擬利用SMOTE-隨機(jī)森林模型對(duì)互聯(lián)網(wǎng)金融公司的財(cái)務(wù)風(fēng)險(xiǎn)狀況進(jìn)行預(yù)測(cè)研究，具體的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警過(guò)程（如圖1所示）。

2.樣本選取及數(shù)據(jù)處理。本文選取包含3家ST公司和60家正常經(jīng)營(yíng)的共計(jì)63家互聯(lián)網(wǎng)金融上市公司作為研究對(duì)象，以63家互聯(lián)網(wǎng)金融公司2017—2019年每個(gè)季度的財(cái)務(wù)數(shù)據(jù)作為研究樣本，經(jīng)刪除部分缺失值后，共得到752組數(shù)據(jù)，其中ST公司32組，正常公司720組。ST公司是指，因公司連續(xù)兩年虧損而被證交所特別處理的公司，可以視為有較高的財(cái)務(wù)風(fēng)險(xiǎn)（銳思數(shù)據(jù)庫(kù)）。

3.預(yù)警指標(biāo)的選擇。本文在選取財(cái)務(wù)指標(biāo)時(shí)，首先參考了趙囡等人的研究，在該論文中的18個(gè)指標(biāo)已經(jīng)通過(guò)顯著性檢驗(yàn);然后考慮楊淑娥和王樂(lè)平選取的23個(gè)財(cái)務(wù)指標(biāo);最后，結(jié)合隨機(jī)森林自身的算法特性。本文最終采用七大類共計(jì)27個(gè)財(cái)務(wù)指標(biāo)作為研究變量，這27個(gè)財(cái)務(wù)指標(biāo)分別體現(xiàn)了互聯(lián)網(wǎng)金融公司的每股指標(biāo)、營(yíng)運(yùn)能力、盈利能力、償債能力、現(xiàn)金流量、資本結(jié)構(gòu)和成長(zhǎng)能力，可以充分反映互聯(lián)網(wǎng)金融公司的財(cái)務(wù)狀況。

4.數(shù)據(jù)的平衡處理。因?yàn)轭A(yù)警指標(biāo)中3家ST公司的數(shù)據(jù)，60家正常公司的數(shù)據(jù)，是比較嚴(yán)重的不平衡數(shù)據(jù)，為了解決非平衡數(shù)據(jù)對(duì)隨機(jī)森林模型的影響，本文用SMOTE算法對(duì)不平衡數(shù)據(jù)進(jìn)行平衡處理，之后再應(yīng)用隨機(jī)森林進(jìn)行分類，具體的流程（如圖2所示）。

平衡前，訓(xùn)練集含有500組正常公司的數(shù)據(jù)，20組ST公司的數(shù)據(jù)，測(cè)試集含有220組正常公司的數(shù)據(jù)，12組ST公司的數(shù)據(jù)。經(jīng)SMOTE算法平衡數(shù)據(jù)以后，新的訓(xùn)練集含有270組正常公司的數(shù)據(jù)，200組ST公司的數(shù)據(jù)，比例接近1∶1。

二、實(shí)證研究

1.變量重要性分析。分別采用平均準(zhǔn)確率的減少和平均不純度的減少方法，對(duì)變量進(jìn)行重要性分析。結(jié)果發(fā)現(xiàn)，銷售凈利率，每股凈資產(chǎn)以及凈資產(chǎn)增長(zhǎng)率在兩種重要性分析中均為前三，且重要性程度較高。因此對(duì)于企業(yè)來(lái)說(shuō)，應(yīng)該著重關(guān)注這三個(gè)財(cái)務(wù)指標(biāo)，使其準(zhǔn)確體現(xiàn)公司的財(cái)務(wù)狀況。

2.預(yù)測(cè)結(jié)果分析。圖1和圖2分別為基于SMOTE-隨機(jī)森林預(yù)警模型和數(shù)據(jù)平衡處理流程，通過(guò)對(duì)測(cè)試樣本進(jìn)行100次預(yù)測(cè)，選取平均值作為最終的預(yù)測(cè)結(jié)果。我們列出了實(shí)際值和模型預(yù)測(cè)值之間的混淆矩陣。從下表中我們可以看出，未經(jīng)平衡處理的數(shù)據(jù)構(gòu)建的隨機(jī)森林模型，總體預(yù)測(cè)準(zhǔn)確率達(dá)到95.27%，對(duì)ST公司的預(yù)測(cè)準(zhǔn)確率卻只有46.17%，而經(jīng)SMOTE算法平衡后的數(shù)據(jù)構(gòu)建的隨機(jī)森林模型，對(duì)ST公司的預(yù)測(cè)準(zhǔn)確率就高達(dá)76.41%，總體準(zhǔn)確率為97.35%。從預(yù)測(cè)結(jié)果來(lái)看，此預(yù)測(cè)模型作為互聯(lián)網(wǎng)金融公司的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，是一個(gè)比較理想的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，有著較好的穩(wěn)定性和實(shí)踐價(jià)值。

三、結(jié)論與建議

通過(guò)用SMOTE-隨機(jī)森林建立的互聯(lián)網(wǎng)金融公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，可以得出以下結(jié)論與建議。第一，通過(guò)參考本文建立的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，監(jiān)管部門以及投資者可以將互聯(lián)網(wǎng)金融公司財(cái)務(wù)風(fēng)險(xiǎn)的狀況作為參考，然后進(jìn)行選擇，以此減少一些財(cái)務(wù)損失;銀行也可以有選擇性地進(jìn)行放貸。第二，政府相關(guān)監(jiān)管部門應(yīng)該加強(qiáng)監(jiān)管和信息披露機(jī)制，完善相關(guān)的法律法規(guī)。例如，要求公司公布公司的股東和經(jīng)營(yíng)狀況等信息，這些信息不涉及企業(yè)的機(jī)密，同時(shí)也可以為后期進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警提供數(shù)據(jù)支持和依據(jù)。

參考文獻(xiàn)：

[1]? 趙囡，趙哲耘.基于PCA-BPNN的互聯(lián)網(wǎng)公司信用風(fēng)險(xiǎn)預(yù)警模型[J].上海經(jīng)濟(jì)，2018，（3）：97-107.

[2]? 楊淑娥，王樂(lè)平.基于BP神經(jīng)網(wǎng)絡(luò)和面板數(shù)據(jù)的上市公司財(cái)務(wù)危機(jī)預(yù)警[J].系統(tǒng)工程理論與實(shí)踐，2007，（2）：61-67.

[3]? Leo Breiman.Random Forests[J].Machine Learning，2001，（1）.

[4]? James A.Ohlson.Financial ratios and the probabilistic prediction of bankruptcy[J].Journal of Accountancy，1980.

[5]? Gordy M.B.A comparative anatomy of credit risk models[J].Journal of Banking and Finance，（24）：119-149.

[6]? Leshno Moshe，Spector Yishay.Neural network prediction analysis the bankruptcy case[J].Neurocomputing，1996，（2）：125-147.

[7]? 蔡立新，李嘉歡.大數(shù)據(jù)時(shí)代企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警機(jī)制與路徑探究[J].財(cái)會(huì)月刊，2018，（15）：38-43.

[8]? 于煥杰，杜子芳.基于隨機(jī)森林的企業(yè)監(jiān)管方法研究[J].管理世界，2017，（9）：180-181.

[9]? 吳悠悠.我國(guó)互聯(lián)網(wǎng)金融：?jiǎn)栴}、前景和建議[J].管理世界，2015，（4）：170-171.

[責(zé)任編輯 文 峰]

收稿日期：2020-04-09

作者簡(jiǎn)介：李玉占（1969-），男，河南南陽(yáng)人，科長(zhǎng)，從事市場(chǎng)營(yíng)銷研究。