下载掌阅APP，畅读海量书库
立即打开
在国内，我国学者对财务预警的研究是从 20 世纪 90 年代中后期开始的；如：王春峰、张维（1999）、陈静（1999）、陈晓（2000）、张鸣等（2001，2005）、程鹏、吴世农等（2001）、吴冲锋等（2002）、吕长江（2004）、易丹辉（2004）、王莉（2004）、杨淑娥等（2005）、庞素琳（2005）、石晓军（2005，2006，2007）、朱毅峰（2008）、马若微（2008）、欧阳资生（2008）、姜明辉、袁绪川（2008）、吴冲、夏晗（2009）、余乐安、汪寿阳（2009）、谭富强（2010）等学者相继发表了一些研究成果。如：吴世农（2001）在分析我国上市公司时，应用Fisher线性判别、线性回归和Logistic回归等三种方法，结果表明：对同一数据集而言，Logistic模型的效果最好。吕长江（2004）对上市公司的财务状况进行了实证研究，结果表明：盈利能力、资产负债率、公司规模对陷入财务危机的公司有显著影响。姜明辉、袁绪川（2008）通过粒子群与SVM方法的研究，结果表明：粒子群－ SVM模型的分类精度高。吴冲、夏晗（2009）建立了一种基于五级分类的支持向量机集成方法，利用Libsvm对某商业银行信贷的 176 组样本数据进行实证分析，结果表明：论文提出的方法比其他分类方法的分类精度高，证实了该方法的可行性和有效性。余乐安、汪寿阳（2009）的研究结果表明：基于核主元分析的带可变惩罚因子最小二乘模糊支持向量机模型取得了较好的分类结果。项目申请者（2009）应用期权定价方法对上市公司财务预警问题进行了初步研究，谭富强（2010）应用KMV模型对上市公司财务预警分类进行了研究。总体来看，对我国上市公司财务预警问题进行综合、全面、系统地研究，还处于萌芽和探索阶段。
综上所述，目前的公司财务预警方法还存在如下问题：现有的统计财务预警指标还有待进一步完善，预警方法也难以解决非正态分布、非线性的财务预警问题；虽然人们使用BP神经网络方法解决了非正态分布、非线性的分类问题，但难以较好地解决小样本、高维数、局部极小点、函数逼近与分类能力弱和学习速度慢等方面的实际问题，这直接影响着财务预警的质量。
基于上述诸多方面的问题，本书除了介绍统计（主成分分析、因子分析、Logistic回归分析、判别分析、聚类分析等）和反向传播神经网络等方法外，还将在继承和综合国内外现有研究成果的基础上，试图应用径向基神经网络、学习矢量量化、最小二乘支持向量机等方法，改进相应的公司财务预警模型，构建新的公司财务预警模型，并探索各方法结合起来结果的稳定性，解决小样本、高维数、局部极小点、函数逼近与分类能力弱、学习速度慢等方面的问题，来提高公司财务预警的质量。可以设想，经过良好的改造和集成研究之后，如能将这些改良和集成后的方法应用于实际，应用前景将十分广阔，对进一步有效控制我国上市公司财务风险、提高上市公司的经营管理水平、保护广大投资者的利益等也具有重要的现实意义与实用价值。