基于Logit模型的上市公司财务预警分析

随机选取沪深两市被ST的20家上市公司的年报数据作为目标样本,采用SPSS19.0的Logit回归模型建立的方法技术确定模型常量及变量权重,并另随机选取236家上市公司财务数据作为检测样本,以识别Logit模型对上市公司财务预警的准确度。     

我国制造业上市公司财务危机预警研究

本文以2008-2010年被"特别处理"(ST和*ST)的34家制造业上市公司和68家健康公司为研究样本,选取了资产负债率、应收账款周转率、销售净利率、主营业务收入增长率、现金流量比率、每股收益等25个财务预警初始指标,运用正态性检验、T检验、非参数检验以及相关性分析,筛选出了财务预警能力较强的财务指标;基于logistic回归分析法,构建了T-2年、T-3年和T-4年的制造企业上市公司财务预警模型,采用样本外检验法检验了所建模型的有效性,解释分析了模型结果。结果表明模型具有较高的预测能力,尤其在发生财务危机的前两年,准确度更是高达90%以上。     

基于Logistic模型的上市公司财务风险预警研究

财务风险预警是目前理论界和实务界关注的焦点。通过选取2011年沪深交易所上市的50家ST类公司及其配对的50家非ST类公司为样本,建立Logistic预警模型并进行了预警验证,研究发现:Logistic预警模型对上市公司财务风险的预警结果的准确率达到了86%,且离ST的时间越近,结果越准确;此外,模型对非ST类公司的分析结果要比对ST类公司的准确。增强对财务风险预警的管理,企业应加快建立内部控制和财务预警制度,树立内部风险管理的意识,加强相关人员的综合素质,以从源头上有效遏制企业财务危机,提高企业经济效益。     

广东上市公司的财务困境预警系统研究

财务困境的发生是一个循序渐进的过程,它的可预测性敦促人们不断地探究,以求建立一套科学的财务困境预警系统。本文以广东省上市公司为研究对象,选取了该省上市公司中所有27家ST公司和与其配对的27家非ST公司为样本,采用Logistic回归模型方法进行研究,建立了预测精度比较高的预警模型。结果表明该模型对检验样本的判别结果与实际结果接近,较高的判别率进一步证明了我们根据Logistic回归分析方法建立的预警模型的实用性和准确性。     

基于Z值模型的上市公司财务预警分析——以北京市为例

如何运用财务预警系统揭示企业面临的财务危机,是国内外财务研究的一大难题。从Z值模型角度,从北京市A股上市公司中选取8家ST、*ST和13家经营良好的公司作为样本,进行实证分析,Z值模型对北京市上市公司财务预警具有一定的有效性,在我国具体运用Z值模型时还应注意我国会计制度与国际惯例的距离,样本指标的畸变,财务报表真实客观性,企业政策等因素。     

基于机器学习方法的上市公司财务预警模型对比研究

当前我国上市公司信息披露仍存在着许多不规范的现象,个别上市公司在面临财务危机时,粉饰其财务风险,进行财务造假.本文利用上市超过3年的A股共3002家上市公司的财务数据,通过对ST、*ST和10家2019年退市的公司样本分析,根据不同的时间窗口,构建了财务预警因子库,共96个因子.分别采用机器学习中的逻辑斯蒂回归、支持向量机、决策树模型对因子数据进行训练.将数据集分为训练集和测试集,用训练集训练模型,并将模型应用在测试集中进行预测.结果如下:(1)三种模型均有较好的预测能力,其准确率都在94%以上;(2)决策树模型的预测效果最佳,支持向量机模型次之,逻辑斯蒂回归模型的预测效果最差;(3)三种模型都存在将较多的财务预警公司预测为正常公司的情况.本文通过将三种模型进行对比分析,以寻找更加优质的财务预警模型,来更好地帮助企业识别财务风险.     

财务危机预警模型研究

本文把上市公司中的*ST板块界定为有财务危机的企业,选取15家*ST公司作为研究样本,同时选取15家非ST公司作为配对样本,组成一个样本量为30的估计样本组,选取这些公司2007年的20个财务指标作为研究变量,采用主成分分析法建立财务危机预警模型。再选取30家非ST公司作为检验样本组,然后用该样本组对模型的有效性进行检验,得出本文建立的模型可以提前预测财务危机的结论。     

基于贝叶斯判别法的上市公司财务预警模型

本文利用贝叶斯判别法,以我国沪市A股上市公司为研究对象,选取2005和2006的ST公司和正常的公司各70家作为分析样本,建立财务预警模型。经检验,该方法预测的效果较好,可为投资者、债权人和监管机构等提供判别依据。     

关于上市公司财务失败预警的实证分析

随着资本市场逐步完善,上市公司退市机制也将逐步建立,因此非常必要建立一个财务失败预警系统。在借鉴奥特曼(Alteman)的多元Z值判定模型的基础上,采用判别分析方法,建立了一种新的预测企业财务失败的模型,并把沪深两地证券市场的ST公司界定为“财务失败企业”,选取28家ST公司及47家非ST公司共75家企业作为研究样本,对上市公司财务失败预测模型进行实证检验。     

我国化工类上市公司财务预警研究

应用财务危机预警判别分析模型,并以沪深股市16家化工类上市公司为样本,对财务危机预警进行实证研究。结果表明,该模型在评价化工上市公司财务危机方面具有较高的准确性,可以引导管理层、投资者、债权人、上市公司监管部门等依据模型对上市公司财务风险进行评估,对可能的财务危机进行预警,对预测财务健康的公司有很强的适用性。     

企业财务预警模型实证研究

本文利用多元统计分析的方法对企业财务预警模型的建立进行了分析研究。从上市公司年报数据中选取适合的财务指标,以60家上市公司的财务数据为样本,通过计算分析,建立基于因子分析和判别分析的财务预警模型,并依据模型进行了实证分析。     

上市公司财务预警模型的建立和应用探讨

本文以2005年发生ST的A股上市公司为研究对象,通过实证研究建立三个线性判别函数,并且以实际的上市公司为例,探讨了多期财务预警模型的应用方法,分析了财务预警模型在实际应用上的简化性、准确性和及时性,希望可以帮助利益相关者能够利用上市公司公开的财务报告信息,进行财务预警。     

基于Cox生存模型的上市公司财务困境预测研究

本文采取Cox生存模型进行财务困境预测,选取我国制造业40家ST上市公司和260家非ST上市公司进行实证研究,在训练好的模型基础上进行预测,得出企业出现财务困境的影响因素和程度,并选取10家上市公司进行危机时点预测,实证结论与实际情况相符。 Cox模型对上市公司具有危机预警的应用指导意义。     

创业板上市公司财务风险实证研究

本文使用多元判别法,采用中国A股市场ST和非ST两类企业实际财务比率数据,按照与首批创业板上市公司同行业、规模相近原则,选择112家企业为样本,构建创业板上市公司财务风险分析模型,并利用该模型对首批28家创业板上市公司财务状况进行分析,以供广大投资者决策参考。     

基于BP神经网络模型的公司财务危机预警实证研究

以公司为研究对象,选取2005年被ST公司和配对的正常公司各34家作为训练样本,2006年被ST的公司和配对的正常公司各31家作为检验样本,构建了公司发生财务危机前第三年的BP神经网络预警模型,实证研究结果表明,神经网络预警模型是一种有效的财务危机预警模型,有广泛的使用范围和较高的推广价值。     

基于支持向量机的上市公司财务危机预警实证研究

本文以在上海证券交易所和深圳证券交易所挂牌交易的87家ST上市公司及102家非ST上市公司为样本,采用公开发布的2003年至2006年的上市公司财务报表中的相关数据,运用支持向量机模型进行了实证研究。研究表明,在小样本数据条件下,与其他预警模型相比,支持向量机模型在预测上市公司是否会发生财务危机方面预测精确度远远高于其他方法,具有其他方法所不具有的优越性。     

基于Logit模型上市公司财务危机预警实证研究

本文采取主成分分析方法,将主要因子提取出再运用Logit模型构建预测企业财务失败的模型,并把沪深两地证券市场的ST公司界定为"财务失败企业",选取20家ST公司及与之相对应的20家非ST公司共40家企业作为研究样本,对上市公司财务失败的主成分预测模型进行实证检验。     

基于纺织服装行业ST公司的财务风险研究与控制

本文以12家沪深上市的服装纺织行业公司(其中6家为ST上市公司)的2011年的年度财务报表提供的数据为样本,运用层次分析法,根据各个财务指标对企业风险的影响程度对服装纺织行业企业的财务指标进行权重的赋予,在此基础上,建立功效系数的模型进行实证分析来评估12家企业的财务风险现状。结果表明,偿债和营运能力都比较低是该行业普遍存在的问题。建议纺织行业的ST公司及早树立风险意识,在提高自身盈利能力和发展能力的同时,也要注重克服行业普遍存在的不足。     

房地产企业财务风险预警问题研究

本文在对国内外相关研究进行综述的基础上,结合我国房地产市场现状,选取了适用于该研究的60家在深、沪两市上市的房地产公司的财务数据,确定将Z-SCORE模型作为我国房地产上市公司财务风险预警模型。根据选定的Z模型,对60家上市公司2012年的财务险状况进行了计算并排名,并对我国房地产上市公司财务风险预警管理提出了简单的意见。     

房地产企业财务风险预警问题研究

本文在对国内外相关研究进行综述的基础上，结合我国房地产市场现状，选取了适用于该研究的60家在深、沪两市上市的房地产公司的财务数据，确定将Z-SCORE模型作为我国房地产上市公司财务风险预警模型。根据选定的Z模型，对60家上市公司2012年的财务险状况进行了计算并排名，并对我国房地产上市公司财务风险预警管理提出了简单的意见。