基于SVM的上市公司退市风险预警方法研究——以我国制造业上市公司为例

摘要

上市公司退市风险预警是证券市场退市机制的核心内容。构建设计一个科学有效的退市风险预警方法对完善我国证券市场退出机制，保护相关利益者合法权益，提高上市公司质量，降低证券市场风险具有重要意义。
　　支持向量机作为机器学习领域的一项新技术，在解决小样本、非线性及多维模式识别中具有较好的学习能力和泛化能力。因此，本文尝试构建设计适合我国证券市场的基于支持向量机(SVM)的退市风险预警方法，来对我国上市公司进行退市风险预警研究。
　　本文以我国主板和中小板市场的制造业上市公司为例，选用2004-2013年10年内162家首次被交易所处以退市风险警示的*ST样本和162家配对样本进行基于SVM的退市风险预警方法的模拟应用，结果发现该方法对t-2年的退市风险预测精度达到了90.625％至93.750％，t-3年的退市风险预测精度在66.410％至75.781％之间，t-4年的退市风险预测精度在67.969％至71.875％之间。SVM退市风险预警方法对t-2、t-3、t-4三年的总体预测能力表现良好。同时本文还研究了初始预警指标的共线性问题对预警结果的影响，实验结果发现对预警指标进行主成分分析后会降低SVM方法的预测精度，预警指标之间的多重共线性对SVM方法的预警结果并无不利影响。本文最后研究了GA遗传算法、PSO粒子群算法这两种启发式参数寻优方法对预警结果的影响。通过实验结果对比，发现GA遗传算法在SVM退市风险预警方法的实验参数优化方面表现出的性能更加优异。