基于GLM和GLMM的财务预测研究——以制造业上市公司为例

摘要

如何准确预测上市公司财务危机是一个有重要实际意义的问题，但也是一个困难的问题，原因在于：预测的准确性不但取决于统计模型的好坏，而且与变量的选择也有密切关系。本文从变量选择出发，基于两个常用模型——广义线性模型和广义线性混合模型来构建上市公司财务预警模型，研究模型选择与变量选择对财务预测的影响。
　　本文选取120家制造业上市公司2006-2012年的相关财务数据，构建了原始指标集，初步分析发现这些指标之间存在较强的相关性。本文研究的因变量是上市公司是否被ST，它是一个0-1变量服从伯努利分布是二项分布的一种特殊形式，本文采用广义线性模型进行拟合。因此，本文建立广义线性模型采用逐步回归、LASSO和SCAD方法进行变量选择。依据选择的变量构建了3个广义线性模型，通过比较模型选取变量的个数、变量的经济意义、模型的拟合效果以及模型的预测效果，我们认为SCAD变量选择方法得到的模型最为理想，LASSO方法和逐步回归方法的效果较差。其中LASSO方法对于ST公司的预测效果是三者中最差的；逐步回归方法选取的变量中有2个变量的经济意义与现有的财务理论不符。
　　接下来，本文根据上述3种方法选取的变量分别构建广义线型混合模型。我们知道，通常情况下不同行业的上市公司平均来看面临的财务风险不同，基于这样的考虑本文引入新财富行业分类标准，结合上述3种方法选取的变量构建了3个广义线性混合模型。结果显示3个模型的整体效果非常的接近，SCAD方法得到的模型要稍好些。本文通过比较广义线性混合模型与广义线性模型发现进行财务预测研究时，广义线型混合模型具有如下几方面的优势：（1）模型的随机效应部分符合目前行业的发展特点，可以很好的解释现实的各个行业状况；（2）模型更加简洁，广义线性混合模型的固定效应部分包含的变量个数明显的小于广义线性模型。（3）广义线性混合模型的预测精度相比广义线性模型都有所提高。此外，进一步对广义线性混合模型与数据挖掘方法进行比较，发现广义线性混合模型也优于数据挖掘的方法，具体表现在简洁性和实用性上。
　　本文的研究表明，进行财务危机预测时，变量选择的好坏直接关系到模型的预测精度。SCAD变量选择方法得到的广义线性模型明显的优于LASSO和逐步回归方法得到的模型。此外，统计模型的好坏也直接影响到财务预测的准确性，相比广义线性模型，广义线型混合模型的预测精度都有一定程度的提高，并且模型更加精简、更加符合经济意义。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 引言

第一节 选题背景及研究意义

第二节 关于财务困境预测的研究综述

第三节 本文研究的思路

第二章 相关理论回顾

第一节 广义线性模型（GLM）

第二节 广义线性混合模型（GLMM）

第三节 变量选择方法简介

第三章 样本的选取和指标的构建

第一节 样本的选取

第二节 指标的构建

第三节 原始指标的初步分析

第四节 变量之间的相关性

第四章 基于广义线性模型（GLM）的分析

第一节 逐步回归变量选择方法

第二节 LASSO 变量选择方法

第三节 SCAD 变量选择方法

第四节 三种变量选择方法的比较

第五章 基于广义线性混合模型（GLMM）的分析

第一节 逐步回归下的广义线型混合模型

第二节 LASSO 变量选择下的广义线型混合模型

第三节 SCAD 变量选择下的广义线型混合模型

第四节 模型之间的比较

第六章 结论

第一节 本文的研究结论

第二节 需要进一步研究的问题

参考文献

附录

附录 A

附录 B

附录 C

附录 D

致谢

攻读硕士研究生期间发表的论文及科研成果