公司财务预警LOGIT模型最优分界点实证研究

在利用Logit模型对企业的财务困境或违约进行预测时,现有文献往往将0.5作为判别财务困境或违约与否的标准,没有考虑最优分界点与样本配比和误判成本之间的联系。最优分界点的选择应当满足使整体错误分类率达到最小,或者使整体错误分类成本达到最小。分界点的设置不仅取决于两类错误的成本,还取决于模型构建者在样本选择时所设置的样本配比比例。本文给出了在误判成本最小化基础上最优分界点的理论推导过程和计算步骤,并对1:1和1:3样本配比情况下的最优分界点进行比较研究,发现无论是1:1还是1:3样本配比,第一类错误相对于第二类错误的成本越大,最优分界点就应该选择较小的值;在设定的1/1、1/5、1/10这三种成本比值下,两种样本配比情况下的最优分界点都小于0.5;在1:3的样本配比下,适当的分界点不仅能保证分类的准确性,还能更好地控制第一类错误,减小分类错误成本,而样本配比比例进一步提高可能会出现分界点过小的情况。

Z-score模型最优分割点的确定方法比较——基于违约风险预测能力的分析

Z-score模型在对企业进行财务困境和违约风险判别方面具有重要的应用价值,最优分割点的确定方法对于提高模型的违约风险判别能力至关重要。本文以医药生物行业上市公司为样本,运用Fisher逐步判别法从15类财务比率中筛选出判别能力较强的7个指标构建了Z-score模型,并尝试采用加权平均法和考虑先验概率及误判成本的ZETAc模型法分别确定最优分割点。研究发现,ZETAc模型法预测企业违约风险的能力明显优于加权平均法。

信用评级模型的数据离散化研究

连续变量离散化属于信用评级建模的初始阶段,科学的离散化操作能够提升模型的分类效果和参数的稳定性,便于评级模型的产品呈现.考虑信用评级的误判成本差异,对类别-属性一致性最大化准则进行类别权重调整,提出ACACM准则,并提出基于ACACM准则的数据离散化算法.ACACM算法调整原算法中不同类别个体的权重,更加倾向于刻画误判成本较高的违约客户,使离散化后的变量能够提升评级模型的风险控制能力,更适合信用评级建模.