1、<p><b>　　中文5900字</b></p><p>　　本科畢業(yè)設計外文翻譯</p><p><b>　?。?013屆）</b></p><p>　　論文題目 財務早期預警系統(tǒng)和對風險預測的數據發(fā)掘的應用方法研究</p><p>　　作者姓名

2、 </p><p>　　指導教師 </p><p><b>　　學科(專業(yè))</b></p><p>　　所在學院 計算機科學與技術學院 </p><p>　　提交日期 2013年5月 　 </p>

3、<p>　　財務早期預警系統(tǒng)和對風險預測的數據發(fā)掘的應用程序研究</p><p>　　Ali Serhan Koyuncugila，Nermin Ozgulbasb</p><p>　　出處：Expert Systems with Applications Volume 39, Issue 6, May 2012, Pages 6238–6253</p><

4、p>　　摘要：中小企業(yè)（SME)面臨的最大的問題之一是他們的財務困難，因為他們不充足的財務背景。在這次研究中，提出了一個早期財務預警系統(tǒng)（EWS）模型，它是基于對財務風險預測的數據發(fā)掘。CHAID算法已經被應用到這個系統(tǒng)的開發(fā)中。成熟的早期財務預警系統(tǒng)工作就像一個裁縫來做財務顧問，他會根據情況不同使用不同的方法自動處理財務狀況不佳的工廠的財務。另外，根據土耳其中心銀行（TCB）2007年的數據顯示，這個模型的應用程序已經在7853

5、家中小型企業(yè)中使用。通過使用這個早期財務預警系統(tǒng)（EWS)，31種風險概述，15種風險標示信息，2個早期預警信號和4個金融路線圖已經被認為可以使用來降低財務風險。</p><p>　　關鍵詞：CHAID ，數據發(fā)掘，早期預警系統(tǒng)，財務風險，財務困難，中小企業(yè)</p><p><b>　　引言</b></p><p>　　所有的企業(yè)尤其是中小型企

6、業(yè)（SME)現在需要比以前更早的考慮他們的總體業(yè)務規(guī)模。尤其是在發(fā)展中國家，除了管理不當、競爭、經濟狀況和中小型企業(yè)（SME)在全球化中所面臨的永遠也不會消失的危險之外，財務危機也會導致公司陷入困境和影響公司的業(yè)績。</p><p>　　中小型企業(yè)（SME）在非盈利經濟機構NACE（歐盟中的經濟活動統(tǒng)計分類的機構）中被定義為雇傭少于250人的企業(yè)。另外對中小型企業(yè)（SME)的補充，定義雇傭超過250人的企業(yè)為大型

7、企業(yè)（LSEs），在中小型企業(yè)（SME)的分類中，下面是一個很著名的企業(yè)大小等級分類</p><p>　　微型企業(yè)，雇傭少于10個人。</p><p>　　小型企業(yè)，雇傭至少10個但不多于50個人。</p><p>　　中型企業(yè)，雇傭人數在50到250個之間。</p><p>　　這個定義是基于統(tǒng)計學的原因定義的。在歐洲，關于中小型企業(yè)（SM

8、E)的定義還有兩個額外的標準，年度營業(yè)額少于5千萬歐元和余額流動少于4千3百萬歐元。</p><p>　　在整個經濟體系中，中小型企業(yè)（SME)扮演著一個很重要的角色，它是雇傭和收入的重要動力，是創(chuàng)新和經濟發(fā)展的驅動器?；I措資金是中小型企業(yè)（SME)創(chuàng)新、生存和發(fā)展所面臨的最大挑戰(zhàn)，而且對創(chuàng)新尤其重要。財務和經濟危機正在使這個問題快速惡化，中小型企業(yè)正在面臨著雙重打擊：商品和服務需求的劇烈下降，緊縮的信用關系，這

9、嚴重影響了中小型企業(yè)（SME)的現金流動?？傊羞@些因素導致中小型企業(yè)陷入了財務危機。</p><p>　　一個交易的失敗會給所有的參與者如債權人、投資者、審計員、金融機構、股東、雇員和顧客造成大量的損失，而且這還會毫無疑問的會影響國家的經濟狀況。當一個有金融問題的交易出現債主不能付得起他的債務時，這個交易就會陷入這樣一種情形，成為一個沒有履行的貸款交易，最終，如果這個問題不能被解決，這個交易就會破產和被強制

10、停止。這些失敗的交易不可避免的會影響整個商業(yè)活動。直接或間接的交易破產損失會招致清算債務的開支增加或試圖整頓公司的計算花費、法律花費和其他專業(yè)花費開支的增加。而且這還會對公司的其他業(yè)務造成災難性的擴展，最終國家經濟也會受到影響。</p><p>　　意識到使一個交易成功的因素也很重要，它同樣適用于所有相關的部分，以此來有一個對財務績效和破產有更好的理解。對一個成功公司的財務管理人員來說，當他們的客戶或供應商破產時

11、，知道如何應對也是很重要的。類似的，公司應該意識到自己的狀況，不管何時何地他們都必須立刻而不是等事情發(fā)展到超出控制和達到危險時，才采取必要的行動來為他們的財務問題負責。</p><p>　　所以，把產生財務困境的因素轉換成早期預警信號對中小型企業(yè)（SME）甚至所有企業(yè)來說有至關重要的價值。能把企業(yè)的財務危機全部阻止的方法并不存在，最重要的事情就是考慮好引起這種情況的因素，在一定相當長的時間能能采取正確的措施，然后

12、為未來可能的財務危機準備好靈活的應急計劃。</p><p>　　本片文章的主要目的是提出一個基于數據發(fā)掘的早期財務預警系統(tǒng)（EWS)模型。早期財務預警系統(tǒng)（EWS)模型是為中小型企業(yè)開發(fā)的用來獲得偵測風險范圍，風險指數和早期預警信號。齊-斯夸自動相互作用探測器（CHAID）決策樹算法在本研究中被作為一種數據發(fā)掘方法。記住這篇論文安排如下：第二部分顯示了早期財務預警系統(tǒng)的定義；第三部分是包含了對風險探測和早期預警系

13、統(tǒng)的數據發(fā)掘；對風險探測和早期預警信號的數據算法的實現被提出來則是在第四部分中；最后是標記和策略建議寫在第五部分中。</p><p><b>　　財務早期預警系統(tǒng)</b></p><p>　　早期預警系統(tǒng)（EWS)是一個為了預測成功的幾率和可能的異常情況的系統(tǒng)，也能降低交易，處理事務，系統(tǒng)、現象、公司和個人遭受的危險的風險。此外，他們的當前情況和可能的風險都能以數字的

14、形式的表現出來。財務EWS是一個警告和報告的系統(tǒng)，能在可能的問題、風險和機會影響公司的財務狀況之前發(fā)出警告。EWS是用來預測財務績效，財務風險和可能的破產危機。EWS給管理者一個機會來避免或減緩潛藏的問題所造成的危害。幾乎所有的財務EWS都是基于財務狀況的，收支平衡表就是為了早期預警系統(tǒng)而影響到財務真實性的數據源。本質上來說，EWS是一項財務分析技術，它能在財務比例的幫助下獲得的完整的企業(yè)分析，而這些應該歸功與它的工業(yè)基礎。</p

15、><p>　　這些為了使企業(yè)脫離困境而做出的努力，都起始于Beave（1966）于1968年發(fā)表在期刊AltMan上的基于比例使用的分析。其它的使用多樣性統(tǒng)計方法研究的重要例子有Deakin（1972），Altman，Haldeman，和Narayanan（1977），Taffler，Tisshaw（1977）給出的使用多樣性統(tǒng)計的使用模型；Zmijewski (1984), Zavgren (1985), Jone

16、s (1987), Pantlone and Platt (1987)給出的使用分對數和波比特模型;還有Meyer and Pifer (1970) 給出的使用多元回歸模型。除了這些關于商業(yè)困境的研究，研究者還把注意力集中到了監(jiān)控企業(yè)正在運作的情形來探測企業(yè)可能會遭受突然的變故或者不期望的風險因素。這些研究對早期預警系統(tǒng)做了很大的貢獻。其中的一下研究成果被使用在中小型企業(yè)、銀行、保險公司、IT公司中，而且研究方法被證明是比較低效的。&

17、lt;/p><p>　　Brockett and Cooper (1990)通過一種神經網絡方法發(fā)明了一種早期預警系統(tǒng)（EWS)。這個模型使用了24個新的變量，之后又降低到了8個。這些變量是資產凈值、資產總值的比例、回報資產、營業(yè)資產、可回收的資產凈值、損失的改變、相對于現有資產的債務。</p><p>　　Lee and Urrutia (1996)開發(fā)一個早期預警系統(tǒng)，此系統(tǒng)是通過比較了l

18、ogit模型 、harzard模型 、神經網絡模型和discriminant模型而開發(fā)的。對于不同的模型來說，他們發(fā)現了不同的顯示和跡象。所以他們認為所有的模型預測能力是一樣的。他們開發(fā)了一種早期預警系統(tǒng)模型，這是基于“符號邏輯的復原”，這種理論是他們通過評估Trieschmannand Pinches(1973),Ambroseand Seward (1998),and Barnivand McDonald (1992)在對保險公司的

19、研究而得來的。</p><p>　　Laitinen and Chong(1999)提出了一個使用早期預警信號預測小型公司危機的模型。他們的研究總結了兩個分別實施在芬蘭（72%回應）和英國（26%）的研究成果，在芬蘭的研究是基于對團體協作分析的處理步驟，在英國的研究是基于銀行經理對中小型企業(yè)失敗的預測。這兩種研究都由8個主要因素和超過40個次要導致失敗的因素組成。這兩份研究的結果都有重要的相似點。管理不當都被認為

20、是最重要的因素，在會計系統(tǒng)中的缺陷和對顧客的態(tài)度是第二重要的。然而，低的會計職員的士氣在芬蘭也被認為是一個重要因素，但在英國不是。</p><p>　　楊，玲，海和京為了預測銀行的金融風險而開發(fā)了一個人工神經網絡（ANN)的方法來作為早期預警和測試方法。</p><p>　　Salas and Saurina (2002)對比了在1985-1997年期間西班牙的商業(yè)和儲蓄銀行的貸款問題的決

21、定因素，并同時考慮了宏觀經濟和個人銀行級別的變量。GDP增長率,公司和家庭負債、快速降低的信用或分支擴張,效率低下,投資組合成分、大小、凈息差,資本比率和市場權力就是解釋信用風險的變量。這個發(fā)現提出重要的銀行監(jiān)管政策問題:使用銀行水平變量作為預警指標,銀行并購的優(yōu)勢在不同地區(qū)有不同作用,以及銀行競爭和所有權在確定信用風險中所占的角色。</p><p>　　Edison（2003）開發(fā)了一個操作早期預警系統(tǒng)(EWS

22、),可以檢測金融危機。系統(tǒng)監(jiān)控的幾個指標往往在危機之前的一段時間內有不同尋常的表現。當一個指標超過(或低于)一個閾值,那么這就是說發(fā)出“信號”,貨幣危機可能會發(fā)生在一個給定的時期內。該模型經過了1997/1998年危機的考驗,但還有一些缺點被鑒定出來。本文也評估一下這個系統(tǒng)應該怎么被應用到一個單獨的國家中。結果表明,早期預警系統(tǒng)應該被認為是一個有用的診斷工具。 </p><p>　　Jacobs and Kupe

23、r (2004)提出了一種對針對亞洲六個國家的早期預警系統(tǒng)（EWS)。金融危機最著名的表現有三種類型：貨幣危機、銀行危機、債務危機。指標組的重要性在一個多元logit模型中測試過，這個模型是建立在1970-2001年期間的對六個亞洲國家的測試上。作者發(fā)現，使用早期預警系統(tǒng)（EWS）的一些貨幣危機預測結果比其他的做的更好。</p><p>　　Berg, Borensztein, and Pattillo (200

24、4), 開發(fā)了貨幣危機的早期預警系統(tǒng)來應對墨西哥和亞洲的危機。自從1999年初以來，國際貨幣基金組織（IMF）工作人員已經系統(tǒng)的跟蹤一個正在建設中的基礎模塊，以作為其更廣泛的前瞻性的漏洞評估，這個基礎模塊是各種由內部和私人機構開發(fā)的內部模塊組成的，。本研究詳細研究這些模型在實際應用中的性能，這些內部模型的預測是實際危機在統(tǒng)計和經濟上重要預測因子?？偟膩碚f，小范圍內的私人部門的模型被檢查的樣品表現不佳，盡管它們是樣本中的主要部分。<

25、/p><p>　　Brockett, Golden, Jang, and Yang (2006)檢查了統(tǒng)計模型和神經網絡的方法對檢測陷入財務困境的保險公司的影響。他們考慮了兩種神經網絡方法：反向傳播（BP)和學習矢量量化（LVQ)，兩種統(tǒng)計方法：多重判別分析、邏輯回歸分析。結果表明，BP和LQV超越傳統(tǒng)的統(tǒng)計方法。</p><p>　　Abumustafa(2006)的研究發(fā)現了預警信號，并預

26、測貨幣危機會出現在埃及、約旦和土耳其。這項研究提出了實際匯率，出口，進口，貿易平衡/國內生產總值（GDP），外國負債/外國資產，國內真正的利率，世界石油價格，和政府消費/GDP作為指標來預測匯率風險。結果表明，危機是可以預見的，而且EWS應該被用來預測危機。</p><p>　　Kyong, Tae, Chiho, and Suk (2006)提出了施工過程中的日常財務狀況指標（DFCI），它可以用作一個早期預警

27、信號使用在神經網絡和非線性規(guī)劃中。DFCI建設的過程的完成是通過整合三個小的日常財務狀況指標，基于每個金融變量，得到最后的DFCI。這項研究，在隨后檢測的金融危機的預測報警的區(qū)域是在韓國。</p><p>　　Katz (2006)提出一起使用EWS和早期預警信號。研究列出了通常一般的警告信號和最好用的方法來解決這些問題。他們是：工資稅、銷售稅和其他的信托業(yè)務；與高層管理人員和公司領導人的溝通；應收賬款；客戶和

28、產品的盈利能力；應付賬款；庫存，管理；資本密集型或制造業(yè)務；檢查作為一個指示器的問題。</p><p>　　Koyuncugil and Ozgulbas (2007a)為了使用數據發(fā)掘技術為在土耳其伊斯坦布爾證交所（ISE)上市的中小型企業(yè)（SME)開發(fā)一個財務早期預警模型，他們進行了另一項研究（2007b）和為財務風險尋找早期預警信號。一個數據挖掘方法、卡方自動交互檢測器（CHAID)決策樹算法被應用到該研究

29、中來對財務分析和檢測信號。這項研究在2000-2005年間涵蓋了697個在土耳其伊斯坦布爾證交所（ISE)上市的中小型企業(yè)。由于這項研究，所有在土耳其伊斯坦布爾證交所（ISE)上市的中小型企業(yè)被分成了19種財務狀況，而且已經確定其中的430家企業(yè)窘迫的財務狀況，換句話說就是有61.69%之多。根據陷入財務困境的SME的檔案，對在ISE上市的SME來說股本回報率（ROE）將可以作為一個金融預警信號。</p><p>

30、;　　Koyuncugil and Ozgulbas (2009a)開發(fā)了一個金融早期預警模型來檢測運營風險因素對沖金融風險。為了這個目的研究使用了CHAID（卡方電器自動方式交互檢測器）決策樹。這項研究在2008年涵蓋了6185個在安哥拉工業(yè)區(qū)的公司。這項研究發(fā)現公司應該看重管理者的教育背景，管理者的地位，年營業(yè)額，公司的運營時間長度，制造商的財務策略，能源的支出，巴塞爾協議的知識，質量標準，和為了對沖操作風險和提高財務業(yè)績來作為運營

31、風險因素的信貸的使用。</p><p>　　Koyuncugil and Ozgulbas (2009b)在土耳其通過數據發(fā)掘技術為中小型企業(yè)（SME）開發(fā)了一種基于運營和金融風險因素的智能財務早期預警系統(tǒng)模型。這個模型的目的不僅僅是停留在理論結構上對中小型企業(yè)（SME)是可行的，而且可以被中小型企業(yè)（SME)的管理者實際利用。根據這個模型，土耳其中小型企業(yè)（SME)的金融數據被通過對資產負債表和從土耳其中央銀行

32、得到的損益表的金融分析獲得。運營數據是不能得到損益表，損益表是通過中小型企業(yè)(SME)實地研究收集的。模型的下一步是通過數據發(fā)掘和檢測早期警告標志來分析財務和運營數據。</p><p>　　Davis and Karim (2008a)在1970-2003年間成功預測了在新興市場和發(fā)達國家的大多數的銀行危機。Karim也建議說邏輯回歸對全球的早期預警系統(tǒng)（EWS）和國家的特殊情況下的早期預警系統(tǒng)（EWS)信號提取

33、是最合適的方法。</p><p>　　Davis and Karim (2008b)通過調查評估，基于邏輯回歸和二項式樹方法的早期預警系統(tǒng)在美國和英國是否能幫助警示危機。這項研究建議擴寬宏觀審慎分析的處理適合早期預警。</p><p>　　從上面給出的資料可以看出面向早期預警系統(tǒng)的風險檢測有一片非常大的實現域，此外，上一代的商業(yè)智能數據發(fā)掘方法促進了這些系統(tǒng)的準確性。早期預警系統(tǒng)的運營邏輯

34、是基于在職務范圍內發(fā)現意想不到的和特別的行為。另一方面，數據發(fā)掘就是從大量的數據中通過復雜的進化算法，經典的技術，比如統(tǒng)計、模式識別、人工智能、機器學習等，發(fā)現之前未知的、有用的和有價值的知識、模式和關系。早期預警系統(tǒng)(EWS)的定義和本文提出的數據發(fā)掘有一個很有趣的相似點。</p><p>　　開發(fā)的早期預警系統(tǒng)（EWS)必須根據中小型企業(yè)管理者的需求來設計。所以系統(tǒng)必須易于理解和使用，還必須根據金融和運營風險

35、因素（如銀行和巴塞爾協議的需求）來設計，必須在使用更新數據上智能化。</p><p>　　風險檢測和早期預警系統(tǒng)的數據發(fā)掘模型</p><p>　　通過澄清變量之間的關系，風險因素的識別定義了數據的發(fā)掘。面向自動化和評估信息發(fā)現過程符合數據發(fā)掘的定義。數據發(fā)掘是一個整理大量數據和找出相關信息的過程。 Frawley, Piatetsky-Shapiro and Matheus (1992)

36、曾描述數據發(fā)掘為“非平凡的從數據中提取出隱式的、以前未知的、潛在有用的信息”。還有 Hand, Mannila and Smyth (2001)也描述數據發(fā)掘為“從大量數據集或數據庫里科學提取有用的信息”。數據發(fā)掘，從大型數據庫中對隱藏信息的提取，是一個功能強大的新技術,有巨大的潛力去幫助企業(yè)在他們的數據倉庫中專注于最重要的信息。數據挖掘工具預測未來趨勢和行為,允許企業(yè)做出有前瞻性的、知識驅動的決策。數據發(fā)掘提供的自動化、有前瞻性的分析

37、超越了由舊有的經典決策支持系統(tǒng)提供的工具進行的對過去事件的分析。數據發(fā)掘工具可以快速回答業(yè)務問題，傳統(tǒng)上這些問題解決太耗費時間。他們搜索數據庫隱藏模式，找到專家可能會錯過的預測信息，因為這些信息超出了專家的期望范圍（Thearing，2004）。</p><p>　　Koyuncugil and Ozgulbas (2010)描述數據發(fā)掘為“演變了的統(tǒng)計分析的集合，機器通過使用自動發(fā)現和提取隱藏的預測信息、模式、

38、關系、相似或相異的（巨大的）數據過程的智能算法的學習和模式識別方法”。</p><p>　　數據發(fā)掘是被商業(yè)情報組織和金融分析師用來從大型數據集合中獲得信息。涉及到企業(yè)資源規(guī)劃的數據發(fā)掘是對大量交易數據集的統(tǒng)計和邏輯分析，以尋找能輔助決策（Monk & Wagner, 2006）的模式。今天，不同種類的綜合測量的數據發(fā)掘技術正在集中注意到測量和對沖風險。數據發(fā)掘技術已經被Tam and Kiang (1

39、992), Lee, Han, and Kwon (1996), Kumar, Krovi, and Rajagopalan (1997)成功應用到欺詐檢測和破產預測，被Nazem and Shin (1999)應用到戰(zhàn)略決策中，被Eklund, Back, Vanharanta, and Visa (2003), Hoppszallern(2003), Derby(2003), Chang, Chang, Lin, and Kao (