前言：大數(shù)據(jù)與人工智能等新一代信息技術(shù)為數(shù)據(jù)獲取、數(shù)據(jù)關(guān)聯(lián)、數(shù)據(jù)計量與分析、數(shù)據(jù)融合提供了便利，也將傳統(tǒng)的財務(wù)風(fēng)險預(yù)警方法進行了擴展和補充。因此該公眾號推出大數(shù)據(jù)與人工智能環(huán)境下的智能全面風(fēng)險預(yù)警方法一系列推文，介紹前沿性的預(yù)警方法、應(yīng)用情景和案例分享，以期企業(yè)可以有選擇性的進行科學(xué)度量經(jīng)營風(fēng)險。
“大數(shù)據(jù)與人工智能環(huán)境下的智能財務(wù)風(fēng)險預(yù)警方法”系列推文一：
財務(wù)風(fēng)險預(yù)警是通過對公司財務(wù)報表及相關(guān)經(jīng)營資料的分析，利用及時的財務(wù)數(shù)據(jù)和相應(yīng)的數(shù)據(jù)化管理方式，將公司所面臨的危險情況預(yù)先告知公司經(jīng)營者和其他利益相關(guān)者，并分析公司發(fā)生財務(wù)危機的原因和財務(wù)運營體系隱藏的問題，以提早做好防范措施的財務(wù)管理活動。在財務(wù)風(fēng)險預(yù)警分析中，常用的基本方法有定性分析法與定量分析法。
一、定性預(yù)警法
定性分析法是依靠人們的主觀分析判斷進行財務(wù)預(yù)警分析的方法，主要有標(biāo)準(zhǔn)化調(diào)查法、“四階段癥狀”分析法、流程圖分析法、管理評分法等。
1.標(biāo)準(zhǔn)化調(diào)查法。又稱風(fēng)險分析調(diào)查法，即通過專業(yè)人員、調(diào)查公司、協(xié)會等，對公司可能遇到的問題進行詳細的調(diào)查與分析，并形成報告文件供公司管理者參考的方法。
該方法的優(yōu)點是在調(diào)查過程中所提出的問題對所有公司或組織都有意義，普遍適用;它的缺點是無法針對特定公司的特定問題進行調(diào)查分析。另外，調(diào)查時沒有對要求回答的每個問題進行解釋，也沒有引導(dǎo)使用者對所問問題之外的相關(guān)信息做出正確判斷。
2.“四階段癥狀”分析法。公司財務(wù)運營情況不佳，甚至出現(xiàn)財務(wù)危機是有特定癥狀的，而且是逐漸加劇的，財務(wù)運營病癥大體可以分為四個階段，即財務(wù)危機潛伏期、發(fā)作期、惡化期、實現(xiàn)期，每個階段都有反映危機輕重程度的典型癥狀。財務(wù)危機潛伏期：盲目擴張；無效市場營銷，銷售額上升，利潤下降；企業(yè)資產(chǎn)流動性差，資源分配不當(dāng)；資本結(jié)構(gòu)不合理，疏于風(fēng)險管理；財務(wù)經(jīng)營信譽持續(xù)降低，缺乏有效的管理制度；無視環(huán)境的重大變化。財務(wù)危機發(fā)作期:自有資本不足；過分依賴外部資金，利息負擔(dān)重；缺乏會計的預(yù)警作用；債務(wù)拖延償付。 財務(wù)危機惡化期:經(jīng)營者無心經(jīng)營業(yè)務(wù)，專心于財務(wù)周轉(zhuǎn);資金周轉(zhuǎn)困難;債務(wù)到期違約不支付。財務(wù)危機實現(xiàn)期:負債超過資產(chǎn)，喪失償付能力;宣布倒閉。根據(jù)上述癥狀進行綜合分析，公司如有相應(yīng)癥狀出現(xiàn)，一定要盡快弄清病因，判定公司財務(wù)危機的程度，對癥下藥，防止危機的進一步發(fā)展，使公司盡快擺脫財務(wù)困境，以恢復(fù)財務(wù)的正常運作。這種方法簡單明了，但實際中很難將這四個階段作截然的劃分，特別是財務(wù)危機的表現(xiàn)癥狀，它們可能在各個階段都有相似或互有關(guān)聯(lián)的表現(xiàn)。
3.流程圖分析法。流程圖分析是一種動態(tài)分析方法，對識別公司生產(chǎn)經(jīng)營和財務(wù)活動的關(guān)鍵點特別有用，運用這種分析方法可以暴露公司潛在的風(fēng)險。在公司生產(chǎn)經(jīng)營流程中，必然存在著一些關(guān)鍵點，如果在關(guān)鍵點上出現(xiàn)堵塞和發(fā)生損失，將會導(dǎo)致公司全部經(jīng)營活動終止或資金運轉(zhuǎn)終止。在畫出的流程圖中，每個公司都可以找出一些關(guān)鍵點，對公司潛在風(fēng)險進行判斷和分析，發(fā)現(xiàn)問題及時預(yù)警，在關(guān)鍵點處采取防范的措施，才可能有效降低風(fēng)險。
4.管理評分法。美國的仁翰 阿吉蒂調(diào)查了企業(yè)的管理特性及可能導(dǎo)致破產(chǎn)的公司缺陷企業(yè)財務(wù)風(fēng)險，按照幾種缺陷、錯誤和征兆進行對比打分，還根據(jù)這幾項對破產(chǎn)過程產(chǎn)生影響的大小程度對它們作了加權(quán)處理。用管理評分法對公司經(jīng)營管理進行評估時，每一項得分要么是零分，要么是滿分，不容許給中間分。所給的分?jǐn)?shù)就表明了管理不善的程度，總分是100分，參照管理評分法中設(shè)置的各項目進行打分，分?jǐn)?shù)越高，則公司的處境越差。在理想的公司中，這些分?jǐn)?shù)應(yīng)當(dāng)為零；如果評價的分?jǐn)?shù)總計超過25分，就表明公司正面臨失敗的危險；如果評價的分?jǐn)?shù)總計超過35分，公司就處于嚴(yán)重的危機之中；公司的安全得分一般小于18分。這種管理評分法試圖把定性分析判斷定量化，這一過程需要進行認真的分析，深入公司及車間，細致的對公司高層管理人員進行調(diào)查，全面了解公司管理的各個方面，才能對公司的管理進行客觀的評價。這種方法簡單易懂，行之有效，但其效果還取決于評分者是否對被評分公司及其管理者有直接、相當(dāng)?shù)牧私狻?/p>
二、定量分析法
定量分析法是根據(jù)過去比較完備的統(tǒng)計資料，應(yīng)用一定的數(shù)學(xué)模型或數(shù)理統(tǒng)計方法對各種數(shù)據(jù)資料進行科學(xué)的加工處理，風(fēng)險預(yù)警定量研究主要有單變量預(yù)警模型、多變量預(yù)警模型、以及智能財務(wù)風(fēng)險預(yù)警等方法。
1. 單變量模型：單變量模型具有簡單明了、一定程度的準(zhǔn)確率、便于理解和使用的特點使其從提出后便吸引了眾多的學(xué)者采用單變量模型進行風(fēng)險預(yù)警。單變量模型，顧名思義，是以某一項單一的財務(wù)指標(biāo)作為判別標(biāo)準(zhǔn)來判斷企業(yè)是否處于破產(chǎn)狀態(tài)的預(yù)測模型。
隨著單變量模型在企業(yè)風(fēng)險預(yù)警研究中的廣泛運用，發(fā)現(xiàn)存在下面的局限性：一是風(fēng)險預(yù)警指標(biāo)的單一性，僅用一個財務(wù)指標(biāo)不能充分完全反映企業(yè)的情況，不能有效地預(yù)測企業(yè)的風(fēng)險；二是多元指標(biāo)重復(fù)單一預(yù)警忽視指標(biāo)之間的相關(guān)性造成風(fēng)險預(yù)警的實證結(jié)果不穩(wěn)定，即使用多個指標(biāo)進行分別判斷企業(yè)的風(fēng)險，若這些指標(biāo)存在緊密的聯(lián)系，可能會產(chǎn)生矛盾，不同的分析者可能會得到不同的結(jié)論，以致無法做出正確的判斷。
2. 多變量預(yù)警模型：多變量風(fēng)險預(yù)警模型包括多元線性判別模型、fisher判別模型、主成分分析模型等方法。多變量預(yù)警風(fēng)險模型即運用多種財務(wù)比率指標(biāo)加權(quán)匯總或者通過指標(biāo)降維處理后而構(gòu)成多元線性函數(shù)公式來進行企業(yè)風(fēng)險預(yù)警。
多元邏輯模型主要依據(jù)是條件概率和對數(shù)函數(shù)的方法，不需要做任何假設(shè)，與其他多變量風(fēng)險預(yù)警模型相比更容易推廣。多變量風(fēng)險預(yù)警模型與單變量風(fēng)險預(yù)警模型相比具有較高的判別精度，但是多變量風(fēng)險預(yù)警模型運用沒有單變量風(fēng)險預(yù)警模型廣泛，原因在于多變量模型假定條件過于苛刻。
3.大數(shù)據(jù)與人工智能環(huán)境下的智能財務(wù)預(yù)警方法
企業(yè)智能財務(wù)預(yù)警就是根據(jù)企業(yè)經(jīng)營和財務(wù)目標(biāo)，分析資金流動運行規(guī)律，即時捕捉資金管理過程中的堵塞、浪費、過度滯留等影響財務(wù)收益的重大管理失誤和管理波動信號，并對企業(yè)的資金使用效果進行分析評價，及時發(fā)出警報，采取相應(yīng)措施，建立免疫機制，不斷提高企業(yè)抵抗財務(wù)風(fēng)險的能力，使企業(yè)的財務(wù)管理活動始終處于安全、可靠的運行狀態(tài)，從而實現(xiàn)企業(yè)價值最大化的財務(wù)目標(biāo)。
（1） 人工神經(jīng)網(wǎng)絡(luò)：Altman在1968年首先運用人工神經(jīng)網(wǎng)絡(luò)風(fēng)險預(yù)警模型進行企業(yè)風(fēng)險預(yù)警研究，他選取了５個財務(wù)比率指標(biāo)作為研究變量，研究結(jié)果發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)風(fēng)險預(yù)警模型訓(xùn)練樣本的準(zhǔn)確率高達百分之百，說明人工神經(jīng)網(wǎng)絡(luò)具有較高的預(yù)測精度。
人工神經(jīng)網(wǎng)絡(luò)特有的非線性適應(yīng)性信息處理能力，克服了傳統(tǒng)人工智能方法對于直覺企業(yè)財務(wù)風(fēng)險，如模式、語音識別、非結(jié)構(gòu)化信息處理方面的缺陷，使之在神經(jīng)專家系統(tǒng)、模型識別、智能控制、組合優(yōu)化、預(yù)測等領(lǐng)域得到成功應(yīng)用。BP 神經(jīng)網(wǎng)絡(luò)是當(dāng)前應(yīng)用最為廣泛的人工神經(jīng)網(wǎng)絡(luò)之一。1985年，由美國學(xué)者 Rumelhart 和 Mc Cielland 領(lǐng)導(dǎo)的并行分布式處理小組提出了一個人工神經(jīng)網(wǎng)絡(luò)算法和對應(yīng)的神經(jīng)網(wǎng)絡(luò)。由于這個算法具有誤差反向傳播（Back Propagation Algorithm）的特點，因此被簡稱為BP算法，相應(yīng)的網(wǎng)絡(luò)為BP神經(jīng)網(wǎng)絡(luò)。
（2）機器學(xué)習(xí)風(fēng)險預(yù)警模型：是指運用機器學(xué)習(xí)算法對企業(yè)進行風(fēng)險預(yù)警。機器學(xué)習(xí)風(fēng)險預(yù)警模型主要包括KNN風(fēng)險預(yù)警模型、SVM風(fēng)險預(yù)警模型、隨機森林風(fēng)險預(yù)警模型等。
K-近鄰分類方法在二十世紀(jì)五十年代首次提出，隨后1967年Cover和Hart發(fā)表了論文《Nearest Neighbor Pattern Classification》后得到廣泛的運用。Ｋ均值聚類算法處理數(shù)值型數(shù)據(jù)，該算法比神經(jīng)網(wǎng)絡(luò)算法更簡單。其后的K-Modes算法是一種能夠處理分類屬性數(shù)據(jù)的算法。該算法利用匹配差異度函數(shù)改進了之前的只能處理數(shù)值型數(shù)據(jù)的缺陷，但是該算法不能處理混合屬性類型的數(shù)據(jù)。之后，K-Modes算法擴展為K-Prototypes算法，之后KNN算法就可以處理分類型數(shù)據(jù)的聚類問題。但是由于該算法增加時長消耗和算法復(fù)雜度，因此不適用于大型數(shù)據(jù)樣本研究。
20世紀(jì)90年代，支持向量機算法（SVM算法）誕生了，該算法是由神經(jīng)網(wǎng)絡(luò)算法衍生出了的一種機器學(xué)習(xí)算法。SVM算法在測試樣本的預(yù)測準(zhǔn)確率明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。支持向量機是 Vapnik 等人根據(jù)統(tǒng)計學(xué)理論提出的一種機器學(xué)習(xí)方法，它集成了最大間隔超平面、Mercer核、凸二次規(guī)劃和松弛變量等多項技術(shù)。支持向量機根據(jù)結(jié)構(gòu)風(fēng)險最小化原則，大大提高學(xué)習(xí)機的泛化能力，它將優(yōu)化問題轉(zhuǎn)化為求解一個凸二次規(guī)劃的問題。二次規(guī)劃所得的解是唯一的且為全局最優(yōu)解，這樣就不存在一般神經(jīng)網(wǎng)絡(luò)的局部極值問題。支持向量機由于較好地解決了小樣本、非線性、高維數(shù)、局部極小點等實際問題，在若干具有挑戰(zhàn)性的應(yīng)用中，獲得了目前為止最好的性能。支持向量機已經(jīng)逐漸成為解決模式分類問題的首選工具。
隨機森林算法是集成學(xué)習(xí)在決策樹上的一種實現(xiàn)。集成學(xué)習(xí)是一類將多個學(xué)習(xí)器進行結(jié)合的算法，在構(gòu)建的模型中，決策樹的構(gòu)建過程模擬了分析人員基于各項財務(wù)報表數(shù)據(jù)對一家上市公司進行分析的過程，那么對決策樹進行優(yōu)化相當(dāng)于提高分析人員的能力，使得他能夠更加深入的理解財務(wù)報表，從而做出更加科學(xué)的判斷結(jié)果。隨機森林是基于不同的視角，從不同的切入點對一份財務(wù)報表進行分析，最終將分析結(jié)果匯總產(chǎn)生最終的決策。通過構(gòu)建多個決策樹來模擬一個分析團隊，最后通過投票來決定模型的最終預(yù)測結(jié)果，從而實現(xiàn)對于機器學(xué)習(xí)的集成。
經(jīng)邦大數(shù)據(jù)致力于數(shù)字賦能用戶，實現(xiàn)風(fēng)險可控下的運營價值最大化。目前已經(jīng)在集團企業(yè)決策支持平臺、AI分析建模平臺、移動應(yīng)用平臺和大數(shù)據(jù)集成平臺上取得豐碩成果，司企共建一批全國樣板客戶案例，獲得業(yè)界良好口碑?；酒髽I(yè)全面風(fēng)險管控體系的基礎(chǔ)內(nèi)控系統(tǒng)建設(shè)梳理與咨詢指導(dǎo)、核心風(fēng)控系統(tǒng)的開發(fā)建設(shè)與實施落地、評價優(yōu)化系統(tǒng)的監(jiān)督評價與優(yōu)化改進等服務(wù)，最終實現(xiàn)企業(yè)風(fēng)控目標(biāo)與戰(zhàn)略目標(biāo)的統(tǒng)一。
更多財稅咨詢、上市輔導(dǎo)、財務(wù)培訓(xùn)請關(guān)注理臣咨詢官網(wǎng) 素材來源：部分文字/圖片來自互聯(lián)網(wǎng)，無法核實真實出處。由理臣咨詢整理發(fā)布，如有侵權(quán)請聯(lián)系刪除處理。
400-835-0088
