數(shù)量化專題之一百一十四基于股票特別處理的a股財務(wù)困境預(yù)測研究

1、<p><b>　　目錄</b></p><p><b>　　研究背景</b></p><p>　　在供給側(cè)改革的大背景下，企業(yè)之間的市場競爭日趨激烈，市場瞬息萬變，再加上以美國關(guān)稅政策為代表的國際因素的影響，企業(yè)的財務(wù)困境風(fēng)險已客觀存在。若企業(yè)不能及時有效地規(guī)避和防范風(fēng)險，很有可能會陷入財務(wù)困境，上市公司也不例外。</p>

2、<p>　　今年 1-5 月，債券市場共發(fā)生違約事件 20 起，涉及違約主體 12 家，與過去兩年相比，不但違約規(guī)模有所增長，違約的主體還存在向民企上市公司集中的趨勢。</p><p>　　除了對債券投資人的資產(chǎn)價值產(chǎn)生嚴(yán)重影響外，也會對股票市場產(chǎn)生一系列的影響。從宏觀角度來看，如果市場中違約的公司數(shù)目較多，表示實(shí)體經(jīng)濟(jì)資金面緊張，企業(yè)生存艱難，直接影響投資者的風(fēng)險偏好。更為直接的是，在 2018

3、年違約的 20 支債券中，6 支涉及上市公司，違約事件的產(chǎn)生必然會對其股票表現(xiàn)產(chǎn)生嚴(yán)重的負(fù)向沖擊。在金融監(jiān)管加強(qiáng)的大環(huán)境下，權(quán)益類投資者避免具有財務(wù)風(fēng)險的投資標(biāo)的是一項基本的風(fēng)險控制措施。</p><p>　　企業(yè)的財務(wù)狀況由正常狀態(tài)發(fā)展到困境狀態(tài)不是一朝一夕形成的，而是一個日積月累、逐步演變的過程，財務(wù)困境真正發(fā)生之前都存在一些先兆，因此我們完全可以通過深入研究財務(wù)困境的成因、探索形成規(guī)律， 在暴風(fēng)雨來臨之前做

4、好相應(yīng)的防范措施。</p><p><b>　　政策背景</b></p><p>　　國外大部分的研究將依照法律規(guī)定宣告破產(chǎn)作為企業(yè)陷入財務(wù)困境的標(biāo)志，主要基于兩個原因：一方面，企業(yè)提出破產(chǎn)申請是客觀發(fā)生并容易觀測的行為，適合作為研究樣本；另一方面，破產(chǎn)作為企業(yè)經(jīng)營失敗的最直接表現(xiàn)，對股權(quán)、債權(quán)人利益產(chǎn)生的影響較大，因此容易引起他們的重視。</p>&l

5、t;p>　　但是當(dāng)研究對象轉(zhuǎn)為中國企業(yè)之后，對于財務(wù)困境的定義可能需要更多的結(jié)合市場的現(xiàn)實(shí)狀況。在以上市公司為研究對象的研究中，國內(nèi)學(xué)者傾向于將我國上市公司中被戴帽的企業(yè)定義為財務(wù)困境公司，主要基于以下幾個方面的考慮：首先，我國上市公司到目前為止還沒有出現(xiàn)過破產(chǎn)的案例，并且上市資格一直以來都是一種“殼”資源，即使上市公司面臨破產(chǎn)，也會有其他公司將其接手（即所謂的“買殼”上市），不太可能出現(xiàn)申請破產(chǎn)的情況。因此，在前階段用破產(chǎn)來界定

6、中國上市公司的財務(wù)困境是不適宜的。第二，特別處理是一個客觀發(fā)生的事件，有很高的可度性。第三，從擺脫特別處理的公司來看，大部分公司是通過大規(guī)模資產(chǎn)重組才摘掉特別處理的帽子的，這說明特別處理確實(shí)在一定程度上反映出公司陷入財務(wù)困境。</p><p>　　所謂戴帽，是考慮到部分上市公司業(yè)績下滑、生產(chǎn)經(jīng)營效率低下，導(dǎo)致其財務(wù)狀況不斷惡化，針對這一情況，為了讓上市公司提高警惕，讓廣</p><p>　

7、　大投資者和債權(quán)人注意投資風(fēng)險，中國證監(jiān)會在上個世紀(jì)九十年代出臺了上市公司風(fēng)險預(yù)警制度。</p><p>　　當(dāng)上市公司出現(xiàn)財務(wù)狀況或者其他狀況異常，可能導(dǎo)致其股票退市或損害投資者利益的，其股票交易將被實(shí)施風(fēng)險警示。根據(jù)《滬深交易所股票上市規(guī)則》第十三章的規(guī)定，上市公司出現(xiàn)以下情形之一的，本所對其股票實(shí)施退市風(fēng)險警示：</p><p>　?。ㄒ唬┳罱鼉蓚€會計年度經(jīng)審計的凈利潤連續(xù)為負(fù)值或者

8、被追溯重述后連續(xù)為負(fù)值；</p><p>　?。ǘ┳罱粋€會計年度經(jīng)審計的期末凈資產(chǎn)為負(fù)值或者被追溯重述后為負(fù)值；</p><p>　?。ㄈ┳罱粋€會計年度經(jīng)審計的營業(yè)收入低于 1000 萬元或者被追溯</p><p>　　重述后低于 1000 萬元；</p><p>　?。ㄋ模┳罱粋€會計年度的財務(wù)會計報告被會計師事務(wù)所出具無法表示意見

9、或者否定意見的審計報告；</p><p>　　（五）因財務(wù)會計報告存在重大會計差錯或者虛假記載，被中國證監(jiān)會責(zé)令改正但未在規(guī)定期限內(nèi)改正，且公司股票已停牌兩個月；</p><p>　?。┪丛诜ǘㄆ谙迌?nèi)披露年度報告或者中期報告，且公司股票已停牌兩個月；</p><p>　?。ㄆ撸┮虻?12.14 條股權(quán)分布不具備上市條件，公司在規(guī)定的一個月內(nèi)向本所提交解決股權(quán)分布

10、問題的方案，并獲得本所同意；</p><p>　?。ò耍┮蚴状喂_發(fā)行股票申請或者披露文件存在虛假記載、誤導(dǎo)性陳述或者重大遺漏，致使不符合發(fā)行條件的發(fā)行人騙取了發(fā)行核準(zhǔn)，或者對新股發(fā)行定價產(chǎn)生了實(shí)質(zhì)性影響，受到中國證監(jiān)會行政處罰，或者因涉嫌欺詐發(fā)行罪被依法移送公安機(jī)關(guān)（以下簡稱欺詐發(fā)行）；</p><p>　?。ň牛┮蛐畔⑴段募嬖谔摷儆涊d、誤導(dǎo)性陳述或者重大遺漏，受到中國證監(jiān)會行政處罰

11、，并且因違法行為性質(zhì)惡劣、情節(jié)嚴(yán)重、市場影響重大，在行政處罰決定書中被認(rèn)定構(gòu)成重大違法行為，或者因涉嫌違規(guī)披露、不披露重要信息罪被依法移送公安機(jī)關(guān)（以下簡稱重大信息披露違法）；</p><p>　?。ㄊ┕究赡鼙灰婪◤?qiáng)制解散；</p><p>　?。ㄊ唬┓ㄔ阂婪ㄊ芾砉局卣?、和解或者破產(chǎn)清算申請；</p><p>　　（十二）本所認(rèn)定的其他情形。</p&g

12、t;<p>　　對于風(fēng)險警示的公司股票，在公司股票簡稱前冠以“ST”字樣，以區(qū)別于其他股票，這類股票價格的日漲跌幅限制為 5%。2018 年度年報已經(jīng)披露完畢，基于最新年報信息，滬深兩市共計有 81 家上市公司處于風(fēng)險警示的特別處理狀態(tài)。</p><p>　　在本文考慮的樣本區(qū)間內(nèi)（2007-2018），A 股市場上共計出現(xiàn)了 449 次上市公司被實(shí)施 ST 的情況，從表 1 統(tǒng)計中可以看出，85.

13、3%都是由于最近兩個會計年度經(jīng)審計的凈利潤連續(xù)為負(fù)值或者被追溯重述后連續(xù)為負(fù)值導(dǎo)致的，占據(jù)了絕大多數(shù)的樣本。其次，導(dǎo)致股票 ST 的重要原因是被注冊會計師出具無法表示意見或否定意見的審計報告。</p><p>　　數(shù)據(jù)來源：國泰君安證券研究</p><p>　　每一年被實(shí)施 ST 的樣本總數(shù)目及其導(dǎo)致原因展示于圖 1 中。從時間序列上來看，每年被實(shí)施特別處理的上市公司數(shù)目并沒有特別明顯的變

14、化規(guī)律。從 ST 原因的角度來觀察，本文發(fā)現(xiàn)最近兩年由于被注冊會計師出具無法表示意見或否定意見的審計報告的樣本數(shù)目較往年明顯增多， 會計師之所以出具“非標(biāo)意見”，表示其認(rèn)為財務(wù)報表質(zhì)量不合格，也就意味著除了較為直觀的賬面經(jīng)營虧損之外，財務(wù)報告質(zhì)量也在逐漸成為上市公司被實(shí)施退市風(fēng)險警示的重要原因之一。</p><p>　　圖 1 特別處理公司樣本統(tǒng)計</p><p>　　數(shù)據(jù)來源：國泰君安證

15、券研究</p><p>　　實(shí)施特別處理的事件研究</p><p>　　那么實(shí)施 ST 對個股收益存在什么樣的影響呢？本節(jié)首先采用事件研究的方式，考察個股 ST 前后的累計超額收益表現(xiàn)。事件日定義為由正常交易狀態(tài)轉(zhuǎn)為 ST 的第一個交易日。</p><p>　　具體而言，我們計算每個 ST 狀態(tài)轉(zhuǎn)換前后 150 個交易日的累計超額收益。超額收益的計算采用每個公司相對

16、其所屬申萬一級行業(yè)的行業(yè)指數(shù)的超額收益，定義式如下：</p><p>　　其中 為 i 股第 t 日的日收益，為 i 股所對應(yīng)的申萬一級行業(yè)指數(shù)在</p><p>　　t 日的收益， 則代表個股的日度超額收益。累計超額收益是日度超額收益的逐日累加。</p><p>　　圖 22016-2018 年 ST 前后累積超額收益</p><p>

17、;　　數(shù)據(jù)來源：國泰君安證券研究</p><p>　　圖 2 展示了 2016-2018 年期間個股被實(shí)施 ST 前后 150 個交易日的累計超額收益表現(xiàn)。市場對具有潛在 ST 風(fēng)險個股的負(fù)面反應(yīng)在 ST 實(shí)際實(shí)施前 100 個交易日就已經(jīng)啟動，并且在 ST 落地公告發(fā)布之后的短期內(nèi)， 市場表現(xiàn)出強(qiáng)烈的看空效應(yīng)，在收益曲線上表現(xiàn)出斷層式的下跌，此后累計收益曲線緩慢向下漂移，這種負(fù)面效應(yīng)對個股的影響事后仍將維持近

18、80 個交易日。</p><p>　　表 2 分年統(tǒng)計的 ST 前和ST 后的平均累計超額收益</p><p>　　數(shù)據(jù)來源：國泰君安證券研究</p><p>　　關(guān)于實(shí)施 ST 公司的分年平均超額收益統(tǒng)計如表 2。從事前的角度來看， 針對被 ST 的公司，市場大概率會做出提前的負(fù)向反應(yīng)，事后的超額收益也幾乎全部為負(fù)，特別是在今年，市場對 ST 公司的規(guī)避表現(xiàn)得更加

19、明顯。</p><p>　　現(xiàn)行的退市風(fēng)險預(yù)警制度是針對上市公司出現(xiàn)財務(wù)異常以后采取的相關(guān)措施，提供的是一種事后信息。從圖 2 中累計凈值收益曲線的形態(tài)可以看出，在投資者具有理性預(yù)期的情況下，股價的負(fù)向反應(yīng)可能在特別處理實(shí)際實(shí)施之前就已經(jīng)形成，從而使投資者利益遭受巨大損失，因此投資者在決策時更需要事前信息。通過對上市公司建立財務(wù)預(yù)警模型， 投資者可以對上市公司的財務(wù)狀況進(jìn)行實(shí)施跟蹤，并預(yù)測其未來發(fā)展趨勢，從而對股

20、票的優(yōu)劣做出評判，有助于減少投資的盲目性。</p><p>　　本文的研究目的就是在總結(jié)現(xiàn)有國內(nèi)外研究方法的基礎(chǔ)上，結(jié)合中國的相關(guān)政策和經(jīng)濟(jì)環(huán)境，采用相對更加科學(xué)的方式建立一套適合我國上市公司的財務(wù)困境預(yù)測模型，通過這個模型來預(yù)測上市公司陷入財務(wù)困境的可能性，并希望預(yù)測結(jié)果能為投資者、債權(quán)人和監(jiān)管部門等提供一定的參考。</p><p><b>　　財務(wù)困境預(yù)測模型</b&g

21、t;</p><p>　　本文將被實(shí)施 ST 的個股定義為陷入財務(wù)困境的公司，預(yù)測公司是否將被 ST 實(shí)際上是個二分類問題。</p><p>　　目前市場上的信用風(fēng)險評分方法通常包括定性法、單變量法、多變量法， 目前廣泛采用多變量方法，包括判別分析(Discriminant Analysis)、邏輯回歸(Logit Regression)和非線性模型如神經(jīng)網(wǎng)絡(luò)等。</p>&

22、lt;p>　　在實(shí)際運(yùn)用方面，Altman（1968）構(gòu)建的 Z-score 模型是財務(wù)困境預(yù)測模型中的鼻祖，在美國、澳大利亞、巴西、加拿大、英國、法國、德國、愛爾蘭、日本和荷蘭得到了廣泛的應(yīng)用。Altman（1968）利用會計信息構(gòu)建了 22 個預(yù)測破產(chǎn)風(fēng)險的變量。采用 1946-1965 年期間根據(jù)美國破產(chǎn)</p><p>　　法案提交破產(chǎn)申請的制造業(yè)企業(yè)作為破產(chǎn)企業(yè)樣本，從 22 個潛在備選指標(biāo)中選取

23、了 5 個最為關(guān)鍵的變量構(gòu)建了最為原始的 Z-Score 模型：</p><p>　　其中， =營運(yùn)資本/總資產(chǎn)，=留存收益/總資產(chǎn)， =息稅前利潤/總資產(chǎn)， =權(quán)益市值/總負(fù)債賬面價值，=銷售收入/總資產(chǎn)。</p><p>　　Z-Score 模型基于各變量加權(quán)得分對企業(yè)是否破產(chǎn)進(jìn)行判斷，在 Z-Score 原始模型中，得分高于 2.99 的屬于“安全”區(qū)域、低于 1.80 的屬于“

24、困境”區(qū)域，兩個得分之間的屬于“灰色”區(qū)域。</p><p>　　原始的 Z-Score 模型適用范圍較窄，僅限于已上市的制造業(yè)企業(yè)，之所以說僅適用于上市公司，是因為投入變量的計算過程中包含公司的總市值，鑒于此，Altman（1983）用賬面價值取代總市值，構(gòu)建了適用于私營企業(yè)的 Z'-Score 模型，進(jìn)一步的，為了降低模型的行業(yè)敏感程度，使得模型更加具有普適性，Altman（1983）剔除了原有模型中

25、的 變量， 形成了如下 Z''-Score 模型：</p><p>　　Altman（2014）將破產(chǎn)預(yù)測模型拓展到美國以外的市場，其中包含中國市場，考慮到發(fā)達(dá)市場和新興市場存在較大差異，Altman 結(jié)合新興市場特點(diǎn)，開發(fā)了適用于不同市場的 Z-Score 模型。由于中國市場一直缺乏有效的退市和破產(chǎn)機(jī)制，缺乏足夠的退市和破產(chǎn)公司樣本，針對國內(nèi)市場的特殊狀況，Altman 則將上市公司被實(shí)施“特別

26、處理”作為企業(yè)陷入財務(wù)危機(jī)的標(biāo)志，進(jìn)行判別分析。</p><p>　　Fisher 判別分析</p><p>　　線性判別分析（Linear Discriminant Analysis）是一種經(jīng)典的線性學(xué)習(xí)方法，在二分類問題上因為最早由 Fisher（1936）提出，所以也被稱為</p><p>　　“Fisher”判別。</p><p>　

27、　根據(jù)周志華老師在《機(jī)器學(xué)習(xí)》中的論述，線性判別的思想就是給定訓(xùn)練樣例集，通過數(shù)據(jù)自學(xué)習(xí)的方法將樣例投影到一條直線上，使得同類樣例的投影點(diǎn)盡可能接近、異類樣例的投影點(diǎn)盡可能遠(yuǎn)離；在對新樣本進(jìn)行分類時，將其投影到同樣這條直線上，再根據(jù)投影點(diǎn)的位置來確定新的樣本類別。</p><p>　　圖 3Fisher 判別二維示意圖</p><p>　　數(shù)據(jù)來源：《機(jī)器學(xué)習(xí)》，周志華。</p&

28、gt;<p>　　給定數(shù)據(jù)集， ，令分別表示第 i 類示例的集合、均值向量、協(xié)方差矩陣。若將數(shù)據(jù)投影到直線 上，則兩類樣本在直線上的投影分別為 和 ；若將所有樣本點(diǎn)都投影到</p><p>　　直線上，則兩類樣本的協(xié)方差分別為 和 。</p><p>　　投影線的選擇欲使同類樣例的投影點(diǎn)盡可能接近，也即同類樣例投影點(diǎn)</p><p>　

29、　的協(xié)方差盡可能小，即最小化 + ，并且異類樣例的投影 點(diǎn)盡可能 遠(yuǎn)離， 也即 讓類中心 距離盡 可能 大， 即最 大化</p><p><b>　?。?）</b></p><p>　　圖 4Fisher 判別投影方式</p><p>　　數(shù)據(jù)來源：國泰君安證券研究</p><p>　　判別式的核心思想可以用圖 4

30、簡單表示。假設(shè)兩類樣本的分布如橢圓形所示，基于以上優(yōu)化目標(biāo)，右邊的投影線的設(shè)置方式明顯要優(yōu)于左邊?？紤]兩類樣本投影到直線上的分布，在右邊的投影線的設(shè)置方式下，兩類投影點(diǎn)在類內(nèi)的分布更加密集，類間的區(qū)分度也達(dá)到最大。而左邊的垂直投影線對應(yīng)的兩類投影點(diǎn)的分布更加扁平，兩類分布的重合部分也明顯更大。</p><p><b>　　表 3 指標(biāo)定義</b></p><p>&l

31、t;b>　　盈利能力</b></p><p><b>　　償債能力</b></p><p><b>　　營運(yùn)能力</b></p><p><b>　　成長能力資本結(jié)構(gòu)</b></p><p><b>　　指標(biāo)定義</b></p&g

32、t;<p>　　投資回報率息稅前利潤/總資產(chǎn)</p><p>　　資產(chǎn)收益率凈利潤/平均總資產(chǎn)</p><p>　　凈資產(chǎn)收益率凈利潤/平均凈資產(chǎn)</p><p>　　流動比率流動資產(chǎn)/流動負(fù)債</p><p>　　資產(chǎn)負(fù)債率總負(fù)債/總資產(chǎn)</p><p>　　負(fù)債權(quán)益比率總負(fù)債/所有者權(quán)益&

33、lt;/p><p>　　營運(yùn)資本資產(chǎn)比率（流動資產(chǎn)-流動負(fù)債）/總資產(chǎn)總資產(chǎn)周轉(zhuǎn)率主營業(yè)務(wù)收入/平均總資產(chǎn)</p><p>　　存貨周轉(zhuǎn)率主營業(yè)務(wù)成本/平均存貨</p><p>　　應(yīng)收賬款周轉(zhuǎn)率主營業(yè)務(wù)收入/應(yīng)收賬款</p><p>　　凈利潤增長率本期凈利潤/上一期凈利潤-1</p><p>　　留存收益比

34、率（盈余公積+未分配利潤）/總資產(chǎn)市值負(fù)債比總市值/總負(fù)債</p><p>　　賬面市值比所有者權(quán)益/總市值</p><p>　　盈余操縱可操縱性應(yīng)計修正 Jones 模型數(shù)據(jù)來源：國泰君安證券研究</p><p>　　本文總結(jié)了現(xiàn)有國內(nèi)外關(guān)于中國A 股上市公司的財務(wù)困境相關(guān)研究，選</p><p>　　取了如表 3 所示的 15

35、 個財務(wù)指標(biāo)作為判別分析中 的備選指標(biāo)，選取的指標(biāo)分別從盈利能力、償債能力、營運(yùn)能力、成長能力、資本結(jié)構(gòu)和盈余操縱的角度描述了公司的生產(chǎn)經(jīng)營和財務(wù)健康狀況。</p><p>　　通過上文的描述可知，判別分析中最重要的一步就是構(gòu)建判別式。在</p><p>　　Altman 的財務(wù)困境預(yù)測模型中，用于計算Z-Score 的判別式的系數(shù)和變量都是事先給定的，本文在此基礎(chǔ)上嘗試使用變系數(shù)和非固定

36、投入變量的模型構(gòu)建方法，使用當(dāng)期年報披露指標(biāo)去預(yù)測下一期年報披露之后， 公司是否會被實(shí)施特別處理。具體方式如下：</p><p>　　Step1. 選取過去一段時間（t-4，t-1）作為樣本訓(xùn)練期（本文設(shè)定為 4 年），在每個橫截面上，對被實(shí)施 ST 的公司尋找與之配對的非 ST 樣本，配對樣本的尋找選擇是同申萬一級行業(yè)分類中，規(guī)模最為接近的公司，因此訓(xùn)練集的公司數(shù)目是過去 4 年 ST 樣本數(shù)的兩倍。<

37、/p><p>　　Step2. 以配對樣本為訓(xùn)練集，從 15 個備選指標(biāo)中選取合適的指標(biāo)。這里采用逐步回歸的方式篩選變量，設(shè)置顯著性水平為 5%。也就是說實(shí)際選擇的指標(biāo)需要滿足在兩類樣本中具有足夠的區(qū)分度，T 檢驗在 5% 水平上顯著，并且盡可能降低指標(biāo)之間的相關(guān)性。</p><p>　　Step3. 以 Step2 中選擇的變量為投入變量，求解（1）式的優(yōu)化方程，得到判別系數(shù) 。</

38、p><p>　　Step4. 將判別系數(shù)帶入到 在 t 期的實(shí)際值中，得到公司在 t+1 期的 y 值，y 值為該公司投影的位置，之后則可根據(jù)投影的位置預(yù)測公司下一期是否被 ST。</p><p>　　表 4Fisher 判別訓(xùn)練期入選指標(biāo)</p><p>　　數(shù)據(jù)來源：國泰君安證券研究</p><p>　　整個過程本身其實(shí)并不復(fù)雜，但是有

39、幾個要點(diǎn)值得一提。首先，判別式中變量的選擇較為關(guān)鍵，必須在預(yù)先設(shè)定的備選集中甄選對不同類別樣本區(qū)分度較強(qiáng)的變量。其次，模型的預(yù)測效果對訓(xùn)練期長短的選擇并不敏感，但是由于 A 股市場中每年被實(shí)施 ST 的公司樣本數(shù)目不多，為了充分捕捉 ST 公司特征，訓(xùn)練期的選擇也不宜過短。</p><p>　　將判別系數(shù)帶入到相應(yīng)指標(biāo)后，可以得到每家公司對應(yīng)的得分（類比于Z-Score），得分越低的公司被實(shí)施 ST 的風(fēng)險就越高

40、。Altman 在計算每家公司的得分之后，通過預(yù)先設(shè)定的固定閾值，例如在傳統(tǒng)的 Z-Score 模型中，將得分低于 1.8 的公司歸為困境公司。</p><p>　　但是在本文的模型設(shè)定方式下，固定閾值顯然是不盡合理的。首先，由于每一期自學(xué)習(xí)得到的判別式的系數(shù)和變量均不固定，公司得分在時間序列上缺乏可比性。其次，固定閾值會導(dǎo)致新的參數(shù)引入，可能會導(dǎo)致樣本內(nèi)過度擬合，樣本外失效的擔(dān)憂。</p><

41、;p>　　鑒于此，本文認(rèn)為公司在每一期的得分在橫截面上可比，因此可以設(shè)定橫截面上的百分位水平作為分類標(biāo)準(zhǔn)。分類效果可以通過統(tǒng)計中的 Type I & Type II Error 來測定。</p><p>　　Type I Error 表示選假設(shè)為正確的情況下，錯誤地拒絕了原假設(shè)的概率， Type II Error 衡量了原假設(shè)為錯誤的情況下，錯誤地接受了原假設(shè)的概率，在統(tǒng)計分布中，兩類錯誤存在此消彼

42、長的關(guān)系。映射到本文的研究問題，Type I Error 對應(yīng)實(shí)際 ST 但被模型預(yù)測為非 ST 的概率，Type II Error 對應(yīng)實(shí)際非 ST 但模型將其預(yù)測為 ST 的概率。</p><p>　　表 5Fisher 判別_閾值為 10%分位數(shù)對應(yīng)的 Type I Error & Type II Error</p><p>　　時間誤判類型預(yù)測非 ST 樣本數(shù)預(yù)測

43、 ST 樣本數(shù)合計誤判率%</p><p>　　實(shí)際非 ST 樣本數(shù)205520622619.11</p><p><b>　　2014</b></p><p><b>　　2015</b></p><p><b>　　2016</b></p><

44、;p><b>　　2017</b></p><p><b>　　2018</b></p><p>　　實(shí)際 ST 樣本數(shù)11233432.35</p><p>　　實(shí)際非 ST 樣本數(shù)217120923808.78</p><p>　　實(shí)際 ST 樣本數(shù)9334221.

45、43</p><p>　　實(shí)際非 ST 樣本數(shù)221319924128.25</p><p>　　實(shí)際 ST 樣本數(shù)10475717.54</p><p>　　實(shí)際非 ST 樣本數(shù)231421725318.57</p><p>　　實(shí)際 ST 樣本數(shù)15415626.79</p><p>

46、;　　實(shí)際非 ST 樣本數(shù)248025027309.16</p><p>　　實(shí)際 ST 樣本數(shù)13263933.33</p><p>　　數(shù)據(jù)來源：國泰君安證券研究</p><p>　　本文分別選取 10%和 50%分位數(shù)為閾值，也就是認(rèn)為每一期得分分別高于前 10%和 50%分位數(shù)的公司是下一期被實(shí)施 ST 的備選公司。對應(yīng)的Type I &am

47、p; Type II Error 分別統(tǒng)計在表 5 和表 6 的最后一列。</p><p>　　表 6Fisher 判別_閾值為 50%分位數(shù)對應(yīng)的 Type I Error & Type II Error</p><p>　　時間誤判類型預(yù)測非 ST 樣本數(shù)預(yù)測 ST 樣本數(shù)合計誤判率</p><p>　　實(shí)際非 ST 樣本數(shù)114811

48、13226149.23</p><p><b>　　2014</b></p><p><b>　　2015</b></p><p><b>　　2016</b></p><p><b>　　2017</b></p><p>&l

49、t;b>　　2018</b></p><p>　　實(shí)際 ST 樣本數(shù)034340</p><p>　　實(shí)際非 ST 樣本數(shù)12101170238049.16</p><p>　　實(shí)際 ST 樣本數(shù)141422.38</p><p>　　實(shí)際非 ST 樣本數(shù)12341178241248.84&l

50、t;/p><p>　　實(shí)際 ST 樣本數(shù)156571.75</p><p>　　實(shí)際非 ST 樣本數(shù)12901241253149.03</p><p>　　實(shí)際 ST 樣本數(shù)452567.14</p><p>　　實(shí)際非 ST 樣本數(shù)13821348273049.38</p><p>　　實(shí)

51、際 ST 樣本數(shù)336397.69</p><p>　　數(shù)據(jù)來源：國泰君安證券研究</p><p>　　在 10%分位數(shù)的閾值下，每一期超過 2/3 的實(shí)際被 ST 公司都落在預(yù)測ST 范圍內(nèi)。當(dāng)閾值擴(kuò)展到 50%，犯第一類錯誤的概率可以降低到 10% 以內(nèi)，只有極少數(shù)的“漏網(wǎng)之魚”沒有被預(yù)測 ST 范圍所覆蓋，其中 2014 年的第一類錯誤率為 0。但是不可避免的是，隨著閾值的放

52、松，第一類錯誤率在降低的同時，第二類錯誤率也在同樣增長。</p><p>　　閾值的選擇可靈活由投資經(jīng)理根據(jù)自身的投資風(fēng)格和風(fēng)險偏好決定。對于投資風(fēng)格激進(jìn)、風(fēng)險偏好較強(qiáng)的投資經(jīng)理，可以選擇較低的閾值，排除少量風(fēng)險較高的公司。對于投資風(fēng)格保守、風(fēng)險厭惡的投資經(jīng)理而言， 則可設(shè)定較高的閾值，盡可能全面地規(guī)避財務(wù)困境公司，從財務(wù)狀況健康穩(wěn)健的公司中尋找投資標(biāo)的。</p><p>　　Logist

53、ic 回歸分析</p><p>　　Logistic 回歸分析是另外一種常用的處理分類變量的模型，相對于線性判別分析模型，由于其假設(shè)條件更少，相對更加魯棒。Campbell et al.</p><p>　　（2008）構(gòu)建了基于 Logistic 回歸分析的財務(wù)困境預(yù)測模型，與以往模型相比，最大的創(chuàng)新之處在于兩個方面，其一是加入了解釋變量的滯后特征，從而改進(jìn)了模型的預(yù)測長度；其二是他們考

54、慮了基于市場的預(yù)測變量，例如在計算財務(wù)指標(biāo)時用總市值代替所有者權(quán)益，并加入超額收益和股價波動率等。</p><p>　　本文寫作時也曾復(fù)制了Campbell et al（. 2008）模型，但是效果并不理想，</p><p>　　考慮可能的原因是從 A 股的歷史表現(xiàn)來看，ST 股票常常作為“殼”概念被市場炒作，股價表現(xiàn)并不能發(fā)揮出應(yīng)有的預(yù)測作用。同時為了與</p><

55、;p>　　Fisher 判別分析方法進(jìn)行更好的比較，本節(jié)構(gòu)建的 Logistic 模型同樣基于上一節(jié)中表 3 列舉出的各項表示上市公司經(jīng)營狀況的財務(wù)指標(biāo)。另外， 鑒于以往絕大多數(shù)上市公司都是因為連續(xù)兩年凈利潤為負(fù)而被實(shí)施 ST， 當(dāng)年實(shí)現(xiàn)負(fù)凈利潤的公司屬于高危公司，因此本節(jié)在 Logistic 模型中加入了指示當(dāng)年凈利潤是否為負(fù)的二值變量。整體模型設(shè)定如下：</p><p>　　在進(jìn)行模型預(yù)測時，被解釋變量

56、為實(shí)施 ST 的條件概率，也就是在 t-1 期沒有被 ST 的公司，在 t 期的 ST 狀況。𝑌?𝑖,𝑡?𝑗?=0 表示 i 公司</p><p>　　在 t 期被實(shí)施特別處理ST（*ST），則為正常狀態(tài)。最后得到的 P</p><p>　　值越接近于 1，意味著該公司被實(shí)施特別處理的概率就越大。</p>&

57、lt;p>　　Logit 模型用于實(shí)際預(yù)測的過程與 Fisher 判別相類似，首先選取四年的樣本訓(xùn)練期，選取具有顯著預(yù)測效果的投入變量并得到其相應(yīng)系數(shù)，用于下一期數(shù)據(jù)的預(yù)測，每一期向后滾動。從而得到每只股票對應(yīng)的下一期被實(shí)施 ST 的概率。</p><p>　　數(shù)據(jù)來源：國泰君安證券研究</p><p>　　需要注意的是，F(xiàn)isher 判別構(gòu)建的判別式是基于 ST 和非 ST 個股的

58、配對樣本，而 Logistic 回歸分析模型的搭建是基于全樣本，因此兩類模型方法選擇的變量并不相同。</p><p>　　在 2009-2012 的訓(xùn)練期內(nèi)，除了指示凈利潤為負(fù)的響應(yīng)變量之外，其余變量均沒有通過相關(guān)顯著性檢驗。僅有的二值分類變量只能將全部樣本劃分為兩個部分，不足以用于預(yù)測，因此模型失效。為了保持結(jié)果完整， 我們退而求其次地將全部指標(biāo)丟入到模型中，不關(guān)注其顯著性，最終模型的預(yù)測效果應(yīng)該會受到影響。表

59、 8 和表 9 分別展示了選取 10%和 50% 分位數(shù)水平下，模型預(yù)測的 Type I & Type II Error。</p><p>　　表 8Logistic 回歸分析_閾值為 10%分位數(shù)對應(yīng)的Type I Error & Type II Error</p><p>　　時間誤判類型預(yù)測非 ST 樣本數(shù)預(yù)測 ST 樣本數(shù)合計誤判率%</p>

60、;<p>　　實(shí)際非 ST 樣本數(shù)206319822618.76</p><p><b>　　2014</b></p><p><b>　　2015</b></p><p><b>　　2016</b></p><p><b>　　2017<

61、;/b></p><p><b>　　2018</b></p><p>　　實(shí)際 ST 樣本數(shù)331348.82</p><p>　　實(shí)際非 ST 樣本數(shù)217021023808.82</p><p>　　實(shí)際 ST 樣本數(shù)10324221</p><p>　　實(shí)際非

62、 ST 樣本數(shù)221719524128.08</p><p>　　實(shí)際 ST 樣本數(shù)6515710.53</p><p>　　實(shí)際非 ST 樣本數(shù)231621525318.49</p><p>　　實(shí)際 ST 樣本數(shù)13435623.21</p><p>　　實(shí)際非 ST 樣本數(shù)248124927309

63、.12</p><p>　　實(shí)際 ST 樣本數(shù)12273930.77</p><p>　　數(shù)據(jù)來源：國泰君安證券研究</p><p>　　對比 Logistic 回歸分析和 Fisher 判別的預(yù)測效果，當(dāng)閾值設(shè)定為 10%分位數(shù)，Logistic 回歸分析的預(yù)測效果相對更好，體現(xiàn)為模型犯第一類錯誤的概率更低。但是當(dāng)閾值擴(kuò)展到 50%分位數(shù)的情況下，與 Fi

64、sher 判別模型在相同閾值的情況相比，卻沒有明顯的優(yōu)勢。該結(jié)果說明 Logistic 回歸分析與 Fisher 判別方法相比，在極端值的判斷上具有一定的優(yōu)勢， 但是對整體分布的擬合缺乏優(yōu)勢。</p><p>　　表 9Logistic 回歸分析_閾值為 50%分位數(shù)對應(yīng)的Type I Error & Type II Error</p><p>　　時間誤判類型預(yù)測非 ST

65、 樣本數(shù)預(yù)測 ST 樣本數(shù)合計誤判率</p><p>　　實(shí)際非 ST 樣本數(shù)11461115226149.32</p><p><b>　　2014</b></p><p><b>　　2015</b></p><p><b>　　2016</b></p&

66、gt;<p><b>　　2017</b></p><p><b>　　2018</b></p><p>　　實(shí)際 ST 樣本數(shù)232345.88</p><p>　　實(shí)際非 ST 樣本數(shù)12021178238049.50</p><p>　　實(shí)際 ST 樣本數(shù)93

67、34221.43</p><p>　　實(shí)際非 ST 樣本數(shù)12311181241248.96</p><p>　　實(shí)際 ST 樣本數(shù)453577.02</p><p>　　實(shí)際非 ST 樣本數(shù)12911240253148.99</p><p>　　實(shí)際 ST 樣本數(shù)353565.36</p>

68、<p>　　實(shí)際非 ST 樣本數(shù)13821348273049.38</p><p>　　實(shí)際 ST 樣本數(shù)336397.69</p><p>　　數(shù)據(jù)來源：國泰君安證券研究</p><p>　　ST 風(fēng)險與資本市場表現(xiàn)</p><p>　　不論是 Fisher 判別分析計算的得分值還是 Logistic 回歸分析計算

69、的 ST 概率，均能夠反映上市公司被實(shí)施 ST 的風(fēng)險，也即代表上市公司的財務(wù)健康狀況，在 A 股市場中，市場是如何對財務(wù)健康狀況進(jìn)行定價的呢？</p><p>　　在每年的四月底年報披露完畢之時，我們可以通過模型計算每一家上市公司對應(yīng)的財務(wù)狀況指標(biāo)，在橫截面上根據(jù)指標(biāo)的大小將所有公司等分成五組，分組時考慮市值中性，組合年度調(diào)倉。而后分別計算每組公司的平均收益。</p><p>　　圖 5

70、 展示的是根據(jù)Fisher 判別分析得分進(jìn)行分組的組合累計收益曲線， 從五條收益曲線的表現(xiàn)來看，組合之間的差距并不明顯。財務(wù)狀況最為健康的分組年化收益為 17.9%，財務(wù)狀況最差的分組年化收益為 15.4%， 差距甚微。多空組合的收益表現(xiàn)如圖 6 所示，多頭組合為財務(wù)健康的公</p><p>　　司，空頭組合為財務(wù)困境公司，多空收益在 2017 年之前無明顯表現(xiàn)，</p><p>　　但

71、是自 2017 年以后呈現(xiàn)穩(wěn)定向上的趨勢。</p><p>　　圖 5Fisher 判別得分分組組合收益曲線圖 6Fisher 判別得分多空組合</p><p>　　數(shù)據(jù)來源：國泰君安證券研究數(shù)據(jù)來源：國泰君安證券研究</p><p>　　自 2017 年以來多空組合出現(xiàn)的趨勢性特征本文認(rèn)為與國內(nèi)資本市場投資者轉(zhuǎn)向從對公司基本面的關(guān)注息息相關(guān)。在 A 股

72、市場上，上市資格一直作為一種稀缺資源存在，ST 公司可能作為一種“殼資源”成為其他非上市企業(yè)“借殼上市”的目標(biāo)。通過資產(chǎn)重組，原本的 ST 公司直接“咸魚翻身”變成短期內(nèi)股價飛漲的香餑餑。因此投資者對于“炒殼”的熱情會淹沒 ST 公司本身內(nèi)涵的風(fēng)險。</p><p>　　但是 2017 年以后，隨著金融監(jiān)管的加強(qiáng)，投資者的風(fēng)險偏好逐漸降低， 越來越多的投資者開始關(guān)注上市公司的經(jīng)營質(zhì)地，一些短期的概念難以炒作，特別

73、是以 ST 為代表的財務(wù)困境公司會讓人避而遠(yuǎn)之，很難再有炒作空間。</p><p>　　圖 7ST 條件概率分組圖 8ST 條件概率多空組合</p><p>　　數(shù)據(jù)來源：國泰君安證券研究數(shù)據(jù)來源：國泰君安證券研究</p><p>　　Logistic 回歸分析相應(yīng)的分組收益表現(xiàn)對應(yīng)于圖 7 和圖 8，整體結(jié)論與</p><p>

74、　　Fisher 判別對應(yīng)的圖 5 圖 6 十分類似，但又稍有不同，體現(xiàn)出更加明顯的區(qū)間特征。</p><p>　　從圖 8 中的多空收益表現(xiàn)可看出，財務(wù)健康公司的相對溢價自 2014 年</p><p>　　底就表現(xiàn)出了一定趨勢，但在 2016 年發(fā)生逆轉(zhuǎn)，財務(wù)困境公司反而獲</p><p>　　得了相對超額收益。2015 年 7 月 4 日，伴隨市場指數(shù)震蕩下

75、跌，證監(jiān)會暫緩 IPO 發(fā)行，擬上市公司開啟了排隊上市之路，進(jìn)而開啟了 2016 年的“殼市場”，當(dāng)時的資本市場的“殼概念”被炒得異常火熱，ST 以及潛在 ST 個股在二級市場游資、資產(chǎn)方的熱烈追捧下收益急速增長。2017 年以后，市場才對于財務(wù)健康回歸理性定價。</p><p>　　本文認(rèn)為，雖然財務(wù)健康指標(biāo)從較長歷史回溯期間來看表現(xiàn)并不穩(wěn)定， 但是在金融監(jiān)管加強(qiáng)、逐步放開合格境外機(jī)構(gòu)投資者投資的金融大環(huán)境下，

76、投資者對于價值投資的關(guān)注短期內(nèi)發(fā)生變化的可能性不大，財務(wù)健康狀況被市場正確定價的趨勢也將繼續(xù)保持。</p><p><b>　　總結(jié)</b></p><p>　　本文以被實(shí)施股票特別處理（ST）作為上市公司財務(wù)困境的指標(biāo)，結(jié)合中國 A 股市場的現(xiàn)實(shí)狀況和相關(guān)政策特征，使用 Fisher 判別和 Logistic</p><p>　　回歸分析的方

77、法，對A 股上市公司的財務(wù)狀況進(jìn)行預(yù)測。</p><p>　　從短期事件研究的角度來看，一個處于正常狀態(tài)的公司不論是實(shí)施 ST 之前還是之后都大概率對其股價產(chǎn)生負(fù)向壓力，因此投資者對具有 ST 風(fēng)險的公司應(yīng)該提前規(guī)避。</p><p>　　兩類模型均具有較好的預(yù)測效果，Logistic 模型在閾值較低情況下的預(yù)測效果相對更好，體現(xiàn)為更強(qiáng)的極端值預(yù)測能力。Fisher 判別分析在寬閾值的條件