基于机器学习的房地产企业财务风险预警模型对比研究.pdf
《基于机器学习的房地产企业财务风险预警模型对比研究.pdf》由会员分享,可在线阅读,更多相关《基于机器学习的房地产企业财务风险预警模型对比研究.pdf(3页珍藏版)》请在咨信网上搜索。
1、【摘要】2022 年是中国房地产行业罕见的深度调整的一年,商品房销售规模创下多年新低,房地产开发投资增速首次出现同比负增长,房屋新开工面积、土地购置面积、房企到位资金等指标均大幅下滑。房地产行业作为宏观经济的“压舱石”和民生的重要支柱,一旦出现重大财务风险会对国民经济和社会发展造成不良影响。当前大数据和机器学习技术的快速发展为企业和投资者预测财务风险提供了有力的工具。本文选取全国 198 家上市房地产企业 20172021 年相关财务指标,利用 WEKA 平台构建机器学习模型,利用多维度多个评价指标对所建立财务风险预警模型进行对比并对预测效果进行评价。【关键词】房地产上市公司;财务风险预警;机
2、器学习一、引言据国家统计局发布,2022 年全国房地产开发投资下降 10.0%,房地产开发景气指数处于较低景气水平。商品房销售面积、销售额和均价下跌,居民买房意愿不足,而房地产开发企业投资回收期长的特点,使得众多开发商面临资金链紧张的困境。一些龙头房企接连出现债务违约“暴雷”现象,也带来不良的社会影响。房地产企业财务危机的出现是由于战略定位错误、盲目投资多元化、内部管理水平低、产品核心竞争力不足、库存管理不佳等多种原因造成。企业出现财务危机不是一蹴而就的,往往会在前期隐藏一定的财务风险。因此,针对房地产企业行业特点,选取相应财务指标并构建财务风险预警模型,具有较强的现实意义和应用价值。本文将从
3、财务指标和非财务指标两方面构建一个财务风险预警的指标体系,并利用 WEKA 平台的数据挖掘与机器学习功能,评价不同算法对房地产企业财务风险的预警水平。二、样本选择与指标建立1.样本选择本文使用的财务数据来自国泰安(CSMAR)数据库,选取样本参照国内研究的一般方法,将20172021年被首次特别处理(ST)的房地产公司作为财务危机企业样本,非 ST 房地产公司作为财务正常的企业样本。根据房地产行业的实际情况,采用非配对抽样,选取较多的财务正常企业样本和较少的财务危机企业样本。基于机器学习的房地产企业财务风险预警模型对比研究李晨尧作者简介:李晨尧(1996),女,汉族,硕士,厦门大学嘉庚学院会计
4、与金融学院,助教,研究方向:机器学习与财务会计205 10月刊 2023Shanghai Business基于以上原则,依据国泰安数据库中行业分类标准,参考证监会 2012 版行业分类和申银万国行业分类 2012修订版,选取 2017 年至 2021 年共 876 个房地产企业样本,其中财务正常企业样本共 846 个,财务危机企业样本共30 个。2.指标选取指标的选取是构建财务预警模型的核心环节。财务指标能够从多维度全方面地展现公司的财务状况和经营水平,本文选取了能够在一定程度上检测企业财务风险的财务指标。由于企业内部治理状况和管理情况不尽相同,指标的选取不应拘泥于财务指标,也应选取一定的非财
5、务指标作为补充。因此本文遵循系统性、不相关性、灵敏性和切实可操性原则,参照国内相关财务风险预警指标的研究建立一套财务风险预警的指标体系,包括偿债能力、经营能力、盈利能力、股东获利能力、发展能力、现金流量指标、风险水平等财务指标,同时也选取了两权分离度、年度内董事会的会议次数和审计意见等非财务指标。具体情况见表 1。三、模型构建及评价指标1.数据处理对全部原始数据进行预处理。为保证 WEKA 平台能够正常读取数据,将所有数据保留三位小数;对于无法从财务报表及公开信息中获取的财务数据选择用众数进行填充;对于非财务指标的缺省采用悲观准则进行填充,如董事会的会议次数如果无法获取,则认为年度内的会议次数
6、为 0。2.模型构建本研究采用流行的数据挖掘方法来构建财务风险预警模型,主要包括贝叶斯网络(GBN)、朴素贝叶斯网络(NBN)、逻辑回归(LR)、决策树(DT)、支持向量机(SVM)、人工神经网络(ANN)、装袋(BA)、k 最近邻(KNN)和随机森林(RF),共计 9 种算法。3.评价指标评价分类器的性能指标主要为机器学习类指标。机器学习类指标主要包括预测模型的构建速度、混淆矩阵相关的度量指标(真阳性率,真阴性率,假阳性率,假阴性率,综合准确率,F-Measure)以及接受者操作特征曲线下面积。F-Measure 度量值高可以保证查全率和查准率都比较高,表明机器学习算法准确率较高。接受者操作
7、特征曲线下面积(AUC)的范围在0.5(随机模型)和1(完美模型)之间,越接近 1 表明模型精度越高。四、学习结果与对比分析1.结果本文采用 WEKA 3.8.6 软件对处理后的 876 条数据采用十折交叉验证的方式进行实验。十折交叉验证是将数据集分成十份,轮流将其中 9 份作为训练数据,1 份作为测试数据进行试验的方式。实验结果机器学习类指标见表 2。2.讨论根据机器学习评价指标,首先从算法训练的时间上看,ANN 算法学习时长最久,是因为神经网络所需参数较多,学习过程比较长。其余算法产生模型的时间均较短,速度较快。剩余度量标准 TPR、F-Measure、AUC 和Accuracy 的评价值
8、越高说明算法的分类效果越好,预测精度越高。本文针对剩余度量指标做出具体分析如下。从整体上来看,基于集成学习思想的模型比如BA、AB、RF,比其他模型的综合准确率、F-Measure 和表 1 财务预警指标选择 评价内容 指标名称 评价内容 指标名称 偿债能力 流动比率 盈利能力 资产报酬率 速动比率 总资产净利润率 现金比率 净资产收益率 资产负债率 营业利润率 利息保障倍数 每股收益 经营能力 应收账款周转率 股东获利能力 市净率 存货周转率 市盈率 流动资产周转率 现金流量指标 营业收入现金净含量 固定资产周转率 全部现金回收率 总资产周转率 营运指数 发展能力 总资产增长率 非财务指标
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 机器 学习 房地产企业 财务 风险 预警 模型 对比 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。