摘要
在不稳定的市场经济、剧烈的市场竞争、企业经营管理不善等多重因素的影响下，企业面临的经营风险不断增大，部分企业财务风险不断累积，导致其财务状况不断恶化，最终出现财务危机甚至走上破产清算的道路。财务危机一旦发生，会给企业、股东、债权人等造成巨大的经济损失，对于市场经济的稳定运行也会带来极大的负面影响。科学有效的财务危机预警模型能够帮助企业管理并预防财务风险的发生，为投资者调整投资战略、债权人订立债权债务关系等提供判断依据。因此，构建科学有效的财务危机预警模型对于保护企业、投资人、债权人等利益具有重要的意义和价值。 深度学习因其学习能力强、运算速度快、对输入数据的形式没有限制、能够有效拟合输入数据间的复杂非线性关系等特点，被广泛运用于复杂非线性任务。企业的财务危机预警是一个复杂的非线性时间序列任务，可通过构建模型来实现。因此，本文尝试运用深度学习的前沿算法Transformer对企业未来是否出现财务危机进行预测，从而起到提前警示作用。 本文以A股制造业上市企业为研究对象，提出基于Transformer构建模型对企业财务危机进行预警。首先，通过分析企业财务危机形成的原因，从可获得的财务信息角度入手选取财务危机预警指标，并利用相关性分析构建了两组不同的财务危机预警指标体系。其次，考虑到企业财务危机发生的过程性，选取了样本企业财务危机预测时点前4、6、8、10、12个季度共五组数据集进行实证。通过对比不同的预警指标体系下模型的准确率，得出在运用Transformer构建模型处理分类任务时，剔除指标体系中含有的高相关性指标的非必要性；通过对比保留高相关性指标下不同序列长度模型的预测准确率，得出序列长度为10个季度的数据集的预警效果最好。再次，为了降低ST企业样本量不足对模型准确率产生的影响，本文通过数据增强，将数据集扩大为原来的三倍，新数据集下模型的准确率可达到98.25%，证明了模型能够为企业未来是否出现财务危机提供可靠的判断依据，是企业财务危机预警的理想模型。最后，通过将本文构建的基于Transformer的企业财务危机预警模型同深度学习典型模型CNN模型和LSTM模型进行对比，得出Transformer模型在实现企业财务危机预警这一任务上准确率更高，模型更优越。
NETL