前言：大數據與人工智能等新一代信息技術為數據獲取、數據關聯(lián)、數據計量與分析、數據融合提供了便利，也將傳統(tǒng)的財務風險預警方法進行了擴展和補充。因此該公眾號推出大數據與人工智能環(huán)境下的智能全面風險預警方法一系列推文，介紹前沿性的預警方法、應用情景和案例分享，以期企業(yè)可以有選擇性的進行科學度量經營風險。

“大數據與人工智能環(huán)境下的智能財務風險預警方法”系列推文一：

財務風險預警是通過對公司財務報表及相關經營資料的分析，利用及時的財務數據和相應的數據化管理方式，將公司所面臨的危險情況預先告知公司經營者和其他利益相關者，并分析公司發(fā)生財務危機的原因和財務運營體系隱藏的問題，以提早做好防范措施的財務管理活動。在財務風險預警分析中，常用的基本方法有定性分析法與定量分析法。

一、定性預警法

定性分析法是依靠人們的主觀分析判斷進行財務預警分析的方法，主要有標準化調查法、“四階段癥狀”分析法、流程圖分析法、管理評分法等。

1.標準化調查法。又稱風險分析調查法，即通過專業(yè)人員、調查公司、協(xié)會等，對公司可能遇到的問題進行詳細的調查與分析，并形成報告文件供公司管理者參考的方法。

該方法的優(yōu)點是在調查過程中所提出的問題對所有公司或組織都有意義，普遍適用;它的缺點是無法針對特定公司的特定問題進行調查分析。另外，調查時沒有對要求回答的每個問題進行解釋，也沒有引導使用者對所問問題之外的相關信息做出正確判斷。

2.“四階段癥狀”分析法。公司財務運營情況不佳，甚至出現(xiàn)財務危機是有特定癥狀的，而且是逐漸加劇的，財務運營病癥大體可以分為四個階段，即財務危機潛伏期、發(fā)作期、惡化期、實現(xiàn)期，每個階段都有反映危機輕重程度的典型癥狀。財務危機潛伏期：盲目擴張；無效市場營銷，銷售額上升，利潤下降；企業(yè)資產流動性差，資源分配不當；資本結構不合理，疏于風險管理；財務經營信譽持續(xù)降低，缺乏有效的管理制度；無視環(huán)境的重大變化。財務危機發(fā)作期:自有資本不足；過分依賴外部資金，利息負擔重；缺乏會計的預警作用；債務拖延償付。 財務危機惡化期:經營者無心經營業(yè)務，專心于財務周轉;資金周轉困難;債務到期違約不支付。財務危機實現(xiàn)期:負債超過資產，喪失償付能力;宣布倒閉。根據上述癥狀進行綜合分析，公司如有相應癥狀出現(xiàn)，一定要盡快弄清病因，判定公司財務危機的程度，對癥下藥，防止危機的進一步發(fā)展，使公司盡快擺脫財務困境，以恢復財務的正常運作。這種方法簡單明了，但實際中很難將這四個階段作截然的劃分，特別是財務危機的表現(xiàn)癥狀，它們可能在各個階段都有相似或互有關聯(lián)的表現(xiàn)。

3.流程圖分析法。流程圖分析是一種動態(tài)分析方法，對識別公司生產經營和財務活動的關鍵點特別有用，運用這種分析方法可以暴露公司潛在的風險。在公司生產經營流程中，必然存在著一些關鍵點，如果在關鍵點上出現(xiàn)堵塞和發(fā)生損失，將會導致公司全部經營活動終止或資金運轉終止。在畫出的流程圖中，每個公司都可以找出一些關鍵點，對公司潛在風險進行判斷和分析，發(fā)現(xiàn)問題及時預警，在關鍵點處采取防范的措施，才可能有效降低風險。

4.管理評分法。美國的仁翰 阿吉蒂調查了企業(yè)的管理特性及可能導致破產的公司缺陷企業(yè)財務風險，按照幾種缺陷、錯誤和征兆進行對比打分，還根據這幾項對破產過程產生影響的大小程度對它們作了加權處理。用管理評分法對公司經營管理進行評估時，每一項得分要么是零分，要么是滿分，不容許給中間分。所給的分數就表明了管理不善的程度，總分是100分，參照管理評分法中設置的各項目進行打分，分數越高，則公司的處境越差。在理想的公司中，這些分數應當為零；如果評價的分數總計超過25分，就表明公司正面臨失敗的危險；如果評價的分數總計超過35分，公司就處于嚴重的危機之中；公司的安全得分一般小于18分。這種管理評分法試圖把定性分析判斷定量化，這一過程需要進行認真的分析，深入公司及車間，細致的對公司高層管理人員進行調查，全面了解公司管理的各個方面，才能對公司的管理進行客觀的評價。這種方法簡單易懂，行之有效，但其效果還取決于評分者是否對被評分公司及其管理者有直接、相當的了解。

二、定量分析法

定量分析法是根據過去比較完備的統(tǒng)計資料，應用一定的數學模型或數理統(tǒng)計方法對各種數據資料進行科學的加工處理，風險預警定量研究主要有單變量預警模型、多變量預警模型、以及智能財務風險預警等方法。

1. 單變量模型：單變量模型具有簡單明了、一定程度的準確率、便于理解和使用的特點使其從提出后便吸引了眾多的學者采用單變量模型進行風險預警。單變量模型，顧名思義，是以某一項單一的財務指標作為判別標準來判斷企業(yè)是否處于破產狀態(tài)的預測模型。

隨著單變量模型在企業(yè)風險預警研究中的廣泛運用，發(fā)現(xiàn)存在下面的局限性：一是風險預警指標的單一性，僅用一個財務指標不能充分完全反映企業(yè)的情況，不能有效地預測企業(yè)的風險；二是多元指標重復單一預警忽視指標之間的相關性造成風險預警的實證結果不穩(wěn)定，即使用多個指標進行分別判斷企業(yè)的風險，若這些指標存在緊密的聯(lián)系，可能會產生矛盾，不同的分析者可能會得到不同的結論，以致無法做出正確的判斷。

2. 多變量預警模型：多變量風險預警模型包括多元線性判別模型、fisher判別模型、主成分分析模型等方法。多變量預警風險模型即運用多種財務比率指標加權匯總或者通過指標降維處理后而構成多元線性函數公式來進行企業(yè)風險預警。

多元邏輯模型主要依據是條件概率和對數函數的方法，不需要做任何假設，與其他多變量風險預警模型相比更容易推廣。多變量風險預警模型與單變量風險預警模型相比具有較高的判別精度，但是多變量風險預警模型運用沒有單變量風險預警模型廣泛，原因在于多變量模型假定條件過于苛刻。

3.大數據與人工智能環(huán)境下的智能財務預警方法

企業(yè)智能財務預警就是根據企業(yè)經營和財務目標，分析資金流動運行規(guī)律，即時捕捉資金管理過程中的堵塞、浪費、過度滯留等影響財務收益的重大管理失誤和管理波動信號，并對企業(yè)的資金使用效果進行分析評價，及時發(fā)出警報，采取相應措施，建立免疫機制，不斷提高企業(yè)抵抗財務風險的能力，使企業(yè)的財務管理活動始終處于安全、可靠的運行狀態(tài)，從而實現(xiàn)企業(yè)價值最大化的財務目標。

（1） 人工神經網絡：Altman在1968年首先運用人工神經網絡風險預警模型進行企業(yè)風險預警研究，他選取了５個財務比率指標作為研究變量，研究結果發(fā)現(xiàn)神經網絡風險預警模型訓練樣本的準確率高達百分之百，說明人工神經網絡具有較高的預測精度。

人工神經網絡特有的非線性適應性信息處理能力，克服了傳統(tǒng)人工智能方法對于直覺企業(yè)財務風險，如模式、語音識別、非結構化信息處理方面的缺陷，使之在神經專家系統(tǒng)、模型識別、智能控制、組合優(yōu)化、預測等領域得到成功應用。BP 神經網絡是當前應用最為廣泛的人工神經網絡之一。1985年，由美國學者 Rumelhart 和 Mc Cielland 領導的并行分布式處理小組提出了一個人工神經網絡算法和對應的神經網絡。由于這個算法具有誤差反向傳播（Back Propagation Algorithm）的特點，因此被簡稱為BP算法，相應的網絡為BP神經網絡。

（2）機器學習風險預警模型：是指運用機器學習算法對企業(yè)進行風險預警。機器學習風險預警模型主要包括KNN風險預警模型、SVM風險預警模型、隨機森林風險預警模型等。

K-近鄰分類方法在二十世紀五十年代首次提出，隨后1967年Cover和Hart發(fā)表了論文《Nearest Neighbor Pattern Classification》后得到廣泛的運用。Ｋ均值聚類算法處理數值型數據，該算法比神經網絡算法更簡單。其后的K-Modes算法是一種能夠處理分類屬性數據的算法。該算法利用匹配差異度函數改進了之前的只能處理數值型數據的缺陷，但是該算法不能處理混合屬性類型的數據。之后，K-Modes算法擴展為K-Prototypes算法，之后KNN算法就可以處理分類型數據的聚類問題。但是由于該算法增加時長消耗和算法復雜度，因此不適用于大型數據樣本研究。

20世紀90年代，支持向量機算法（SVM算法）誕生了，該算法是由神經網絡算法衍生出了的一種機器學習算法。SVM算法在測試樣本的預測準確率明顯優(yōu)于BP神經網絡。支持向量機是 Vapnik 等人根據統(tǒng)計學理論提出的一種機器學習方法，它集成了最大間隔超平面、Mercer核、凸二次規(guī)劃和松弛變量等多項技術。支持向量機根據結構風險最小化原則，大大提高學習機的泛化能力，它將優(yōu)化問題轉化為求解一個凸二次規(guī)劃的問題。二次規(guī)劃所得的解是唯一的且為全局最優(yōu)解，這樣就不存在一般神經網絡的局部極值問題。支持向量機由于較好地解決了小樣本、非線性、高維數、局部極小點等實際問題，在若干具有挑戰(zhàn)性的應用中，獲得了目前為止最好的性能。支持向量機已經逐漸成為解決模式分類問題的首選工具。

隨機森林算法是集成學習在決策樹上的一種實現(xiàn)。集成學習是一類將多個學習器進行結合的算法，在構建的模型中，決策樹的構建過程模擬了分析人員基于各項財務報表數據對一家上市公司進行分析的過程，那么對決策樹進行優(yōu)化相當于提高分析人員的能力，使得他能夠更加深入的理解財務報表，從而做出更加科學的判斷結果。隨機森林是基于不同的視角，從不同的切入點對一份財務報表進行分析，最終將分析結果匯總產生最終的決策。通過構建多個決策樹來模擬一個分析團隊，最后通過投票來決定模型的最終預測結果，從而實現(xiàn)對于機器學習的集成。

經邦大數據致力于數字賦能用戶，實現(xiàn)風險可控下的運營價值最大化。目前已經在集團企業(yè)決策支持平臺、AI分析建模平臺、移動應用平臺和大數據集成平臺上取得豐碩成果，司企共建一批全國樣板客戶案例，獲得業(yè)界良好口碑?；酒髽I(yè)全面風險管控體系的基礎內控系統(tǒng)建設梳理與咨詢指導、核心風控系統(tǒng)的開發(fā)建設與實施落地、評價優(yōu)化系統(tǒng)的監(jiān)督評價與優(yōu)化改進等服務，最終實現(xiàn)企業(yè)風控目標與戰(zhàn)略目標的統(tǒng)一。

更多財稅咨詢、上市輔導、財務培訓請關注理臣咨詢官網 素材來源：部分文字/圖片來自互聯(lián)網，無法核實真實出處。由理臣咨詢整理發(fā)布，如有侵權請聯(lián)系刪除處理。