下载掌阅APP，畅读海量书库
立即打开
在国外，对财务预警建模的研究大致经历了以下几类：定性分析法、统计分析建模法、人工神经网络建模法以及基于市场价值KMV建模法。
1.定性分析法
主要是 5C要素分析法（从品格Character、能力Capacity、资本Capital、担保Collateral、环境Condition等方面分析）和LAPP原则（从流动Liquidity、活动Activity、盈利Profitability、潜力Potentialities等四个方面分析）、杜邦财务分析体系和沃尔比重分析法等，这些方法的缺点是：主观性较强，受人的主观影响大，为了克服定性分析法综合分析能力差、缺乏整体概括、定量分析不足等问题，国外从 20 世纪 60 年代开始，普遍采用了统计分析评估法。
2.统计分析建模法
Beaver（1966）最早将财务变量的预测功能引入实证领域，建立了财务预警的单变量模型；Altman（1968）最早将多变量统计分析方法应用于财务预警。但是，统计分析方法对数据要求严格，如：数据要服从多元正态分布、变量间不存在多重共线性、配对样本协方差矩阵应相同等，而现实中的数据难以满足这样的要求。因此，后续学者采用Probit或Logistic等方法建立模型，Ohlson J.A.（1980）建议以Logistic回归方法建立财务预警模型，其区别效果较以前学者的研究显著。 Colin R.A.和R.D.Green（1982）则证明Logistic模型效果比多变量判别分析模型的效果好；Lo A.W.（1986）的研究发现：若样本数据服从正态分布时，则多元判别信用模型的效果比Logistic回归模型的效果好，若样本数据不服从正态分布时，则Logistic模型的效果比多元判别模型的效果好。因此，Lo A.W.建议后续研究者在建立财务预警模型前，应先对数据样本的分布特征进行检验。 Anthony K.H.等（2001）运用生存分析预测了存贷机构的财务困境，采用对数Logistic分布作为生存时间的概率分布，结果表明：其预测精度高于Probit方法，且它对困境定义和误判成本具有稳健性。
3.人工神经网络建模法
20 世纪 80 年代末和 90 年代初，随着信息技术的发展，神经网络方法引入了财务预警，并且它能解决非正态分布、非线性的财务预警问题，但它难以解决小样本数据、局部极小点、高维数、函数逼近与分类能力弱、学习速度慢等问题。
人工神经网络（Artificial Neural Network）是由大量简单的处理单元广泛连接组成的复杂网络，用于模拟人类大脑神经网络的结构和行为。它反映了人脑功能的许多基本特性，但它并不是人脑全部的真实写照，而只是对其做某种简化、抽象和模拟。目前在财务预警中用得较多的方法是：反向传播神经网络法（BPNN）、径向基神经网络法（RBF）、学习矢量量化网络法（LVQ）、支持向量机法（SVM）等。
（1）反向传播神经网络法
反向传播网络是应用最广泛的一种神经网络。在建立财务预警模型时，一般选三层反向传播网络：输入层由代表财务比率的节点构成；隐层节点个数由经验试错法确定；输出层仅有一个节点，该节点输出值大于预设阀值时为一类，小于预设阀值时为另一类。
BP神经网络通过输入形如（
t
1
，
p
1
），…，（
t
n
，
p
n
）的训练数据集进行训练，其中：
t
i
＝ f
（
p
i
）
＋ e
i
，f（．）是要寻找的未知函数。通过向后传递误差不断调整神经网络连接权值W，不断减小代价函数即最后要达到目的的那个函数
F
（
W
） 。通常代价函数取误差平方和：
是神经网络的输出。
训练神经网络的目的是使网络模型在训练数据集上的误差尽量小，但同时对于新数据（用于检验神经网络模型的推广能力或预测能力），模型的误差也比较小。如果网络模型在训练数据上表现很好，然而在预测数据上表现不佳，称之为过拟合；反之，如果在预测数据上同样表现良好，则称之推广能力良好。
（2）径向基神经网络法
BP神经网络是一种反向传播算法的多层前馈网络，可以实现输入与输出间的任意非线性映射，其应用范围主要在识别分类、评价、预测、非线性映射、复杂系统仿真等，但BP网络的学习和训练比较复杂。而RBF（径向基）网络是一种新颖有效的前向型神经网络，该网络避免了像BP网络那样繁琐冗长的计算，具有较高的运算速度和外推能力，同时使得网络具有较强的非线性映射功能。RBF网络是通过非线性基函数的线性组合实现输入空间RN到输出空间RM的非线性转换。因此，径向基网络也特别适合于非线性数据的分类。
RBF神经网络学习算法需要求解 3 个参数：基函数中心、方差以及隐含层到输出层的权值。根据径向基函数中心选取方法的不同，RBF网络有多种学习方法，如随机选取中心法、自组织选取中心法、有监督选取中心法和正交最小二乘法等。
（3）学习矢量量化网络法
学习矢量量化网络是在自组织映射神经网络基础上改进的一种有导师监督分类器，它允许对输入样本按照所属的类别进行指定。用于财务预警的学习矢量量化网络由三层节点组成。输入层节点数等于建模所用的财务比率个数，输出层节点数对应于输入样本的类别个数。与前两种神经网络不同的是，学习矢量量化网络竞争层的每个节点只与输出层的一个节点相连接，即被指定属于这个输出层节点所对应的类别。也就是说，竞争层将输入矢量分成不同子类，输出层负责将竞争隐层的子类转换为使用者定义的类别。
（4）支持向量机法
上述各类神经网络方法受网络结构复杂性和样本复杂性的影响较大，易出现过学习现象等问题，支持向量机建立在完备的统计学习理论的基础上，有出色的学习性能，并且能较好地解决小样本、非线性、高维数、局部极小点等实际问题。
4.基于市场价值KMV建模法
20 世纪 90 年代后期出现了许多新的信用计量预警模型，最具代表性的有JPMorgan银行 1997 年在VaR模型的基础上建立的CreditMetrics模型和KMV公司开发的KMV模型。但在建立CreditMetrics模型时有很多参数需要确定，如等级迁移矩阵、资产之间的相关系数、远期收益率等，这些参数来自长时期数据的统计，目前我国还很少有类似的统计资料，若想在短时间内聚集大量的数据并非易事。因此，目前在我国建立CreditMetrics信用计量预警模型时，确定参数还难以解决，另外迪迪埃·科森（2005）证实：CreditMetrics有一个很强的假设，即实际违约率和历史平均违约率是等同的，KMV公司则证明这两种测度可能相差甚远。 KMV公司依靠庞大的违约数据库，将违约距离（DD）与每个发行者的预期违约频率（EDF）联系起来。但令人遗憾的是，目前我国还没有建立起真正意义的违约数据库。