房產業財務風險觀測探析范文

本站小編為你精心準備了房產業財務風險觀測探析參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

我國對于房地產企業財務風險預警研究還基本停留于傳統的統計學方法。因此，本文將借鑒企業財務風險預警模型的最新研究成果，運用智能方法———支持向量機方法其財務風險智能預警進行研究，以期達到比以往傳統預警方法更準確的預測及更廣泛的運用。

支持向量機模型的構建

1SVM算法基本思想支持向量機（SupportVectorMachine，簡稱SVM）是建立在結構風險最小化原則和VC維理論基礎上的一種新型機器算法。它可以有效地實現小樣本在高維空間非線性系統的精確擬合。其主要思想是在二分類問題中，在高維空間尋找一個超平面作為兩類的分類面，以保證最小的分類錯誤率。根據訓練集訓練得出的決策函數，可對任意輸入x預測其所對應的y，即可對企業財務進行預警。

2SVM求解過程財務預警是一個非線性問題，可以通過非線性變換將原低維空間非線性問題轉化為某個高維空間中的線性問題，在變換空間求最優分類面。在高維空間中分類面表達式為：w•準(x)+b=0準(x)是輸入向量x從空間Rn到高維空間的變換。由最大間隔思想及軟間隔思想可得，求解上式可轉化為對下列凸二次規劃問題求解：

實證分析

1樣本選取數據來源本文采用滬深證券交易所上市公司財務數據，數據來自證券之星，新浪財經網站，為了避免采用破產后數據信息建立預警模型會高估模型的預測能力，本文選取訓練樣本時，采用上市公司被ST或*ST前兩年的財務信息(即：公司2011年被ST，則選用2009年的財務信息)作為訓練數據構建預警模型，以預測上市公司是否會在下年因嚴重財務風險而被特別處理。本文隨機選取2011年被ST或*ST的5家公司，10家非ST公司作為訓練集樣本；隨機選取2家ST或*ST公司，3家非ST公司作為測試集樣本。

2預警指標選取預警指標的選取目前尚未形成一套成熟的標準，宋雪楓，楊朝軍（2006）在國家自然科學基金項目研究中，用杜邦分析從上市公司的盈利能力，負債結構，周轉能力三個方面選取18個相關預警指標，并采用Kuskal-WallisH非參數檢驗最后確定了總資產收益率、總資產周轉率、流動資產周轉率、主營業務利潤率、超速動比率、流動負債比率、資產負債率、應收賬款周轉率、和存貨周轉率9個財務危機上市公司與非財務危機上市公司之間存在顯著差異的指標。本文也將采用這幾個指標作為輸入指標對房地產企業財務風險進行預警研究。在輸出指標中，未被ST的公司視為財務正常公司，輸出為1，被ST的公司視為財務異常公司，輸出為-1。

3實證分析以選取的20家上市房地產公司最為研究對象，對其原始財務數據進行收集，并對樣本企業進行編號如表1。運用MATLAB7.0，安裝libsvm-mat-2[1]89-3工具箱，將表1中數據標準化后，以前15組樣本作為訓練集樣本，后5組樣本作為測試集樣本。采用5層交叉驗證法對訓練集進行訓練。C=200，σ2=3。采用該模型對測試集進行測試的測試結果如下：由表2可以看出，預測分類結果與實際分類結果完全符合，模型具有良好的應用效果。

結語

研究結果表明，支持向量機方法在上市房地產企業財務預警模型建立中可行，有效，且比以往傳統統計學學方法和神經網絡方法更加方便，克服了傳統方法的固有缺陷，體現了其在小樣本數據條件下高精度預警的優越性。為我國房地產企業財務風險預警研究的智能化發展提供了新思路。

作者：董雅麗單位：河北工程大學經管學院