(财务知识)财务困境预测模型
企业财务预警模型初探
、
企业财务预警模型的种类
财务预警 系统是以企业财务数据为基础 ，以财务指标 为
中心 ， 通过对财务指标 的综合分析及预测 ， 及时反映企业经 营 情况和财 务状况变化 ，对企业各环 节发生或将 可能发 生的经 营风险发 出预警信号 ，为公司管理当局提供决策支持的监控 系统 。企业财 务预警系统的模 型有 以下几种。
有的现金 支付债务能力。
由评价 目标 、 评价对象 、 指标 、 评价 评价标 准和评价报告 五个基 本要素构成 。 总之 ， 经济全球化浪 潮势不可挡 ， 知识经济方 兴未艾 ， 我国 的经济发展带来了财务事业的拓 展 ，也为财务实践和理论提供
了极大的发展空间 。 但是 ， 国对城市供水及水厂系统财 务管理 我 理论和方法的研究与现代财务发展的水平相 比 ，仍然存在着很
维普资讯
管
理 世 界
Ｉ
ｃ附 ｏ ｌ
罱
罴
管理 的实践难 以发挥最有效的指导作用 。 所以 ， 财务控制在城 市
供水及水厂系统财务管理体系中处于核心地位 ，当然 我们 并非
否定财务决策正确对财务 目 实现 的重要意义。 标
３ 财 务控 制 的 实施 方 式 需要 创 新 与 整 合 、
意义如下 ：
心是残缺 的 ， 比较虚幻 的 ， 的财务控 制是不健全的 ， 为没 这样 因 有人 的地位。 而财务总监就是以出资者的身份来监督 、 控制经营
者的财务活动 和城 市供水及水厂全部财务收支过程 。
（） ４ 业绩评价体系的建立。所 谓城 市供水及水厂业绩评价 ，
是指运用科学 、 规范的管理 学 、 财务学 、 数理统计方法 ， 对城 市供 水及水厂或其各分支机构一定经营期 间内的生产经营 状况 、 资 本运营效益 、 营者业绩等进行定量与定性 的考 核 、 经 分析 ， 出 做
财务困境预测模型综述
财务困境预测模型综述【摘要】财务困境预测一直是财务界的研究热点。
文章梳理了相关财务困境预测模型的发展脉络，对传统的和现代的财务困境预测模型进行了系统的评述，并对未来财务困境预测的研究作了展望。
【关键词】财务管理；财务困境；预测模型一、引言财务困境预测是财务管理活动的重要环节，目的是找出财务困境的作用机理，以预测公司的财务状况。
财务困境预测模型的研究一直是财务困境研究的重点内容。
目前，单变量模型、多元线性判别分析、LOGIT模型、人工神经网络、支持向量机等已成功应用于财务困境的研究。
二、财务困境的定义关于财务困境（或财务危机），由于其引致变量的复杂性，对其定义还没有一个普遍的共识，大多数学者都是从自身研究取样的角度，来定义财务困境的相关内涵。
早期对财务困境的定义即为企业破产（Fitzpatrick，Winakor，smith，Foulke，Merwin），随着研究的进展，Beaver（1966）在研究财务困境模型时加入了拖欠债务的公司和拖欠优先股股利的公司，丰富了财务困境的内涵。
Amy Hing-Ling lau（1987）将企业财务状况划分成不同的阶段，将取消或减少股利到破产清算划分为困境期。
在国内，财务困境公司一般是被ST的公司（陈静，1999；吴世农、卢贤义，2001等）。
彭韶兵、邢精平（2005）把从资金管理技术性失败到大规模重组作为财务困境的阶段。
吴星泽（2011）在加入了利益相关者的前提下，将危机力量导致的支付能力不足视为财务困境。
虽然该定义考虑了利益相关者，但仍局限在现金流层面考虑财务困境。
笔者认为，企业出现下列事项就应当视为发生财务困境：税息折旧及摊销前利润（EBITDA）小于利息费用、存量破产、流量破产、债务违约、财务异常和其他异常等。
三、预测变量的选择（一）变量的分类财务类指标是最常用的一类衡量财务困境的指标，它是将财务指标作为预测模型的解释变量进行预测（Fitzpatrick，Altamn，Olhson，Odom et al.）。
应对财务困境的解决方法制定合理的预算和寻求财务建议
应对财务困境的解决方法制定合理的预算和寻求财务建议应对财务困境的解决方法-制定合理的预算和寻求财务建议在日常生活中，我们难免会面临财务困境。
无论是个人还是企业，遇到财务困境都需要采取积极的措施来应对。
本文将介绍两种有效的方法来解决财务困境，即制定合理的预算和寻求财务建议。
一、制定合理的预算制定合理的预算是应对财务困境的重要步骤。
预算是对个人或企业经济状况的合理估计和规划，是财务管理的基础。
下面将从个人和企业两个不同的角度来介绍制定预算的方法。
1. 个人预算对于个人来说，制定预算需要先评估自己的收入和支出情况。
可以列出一个详细的收支表格，记录每月固定的收入和支出，以及一些额外的变动支出。
在制定预算时，应合理安排支出，确保收支平衡。
可以根据实际情况删减一些不必要的开支，比如购物、娱乐等。
同时，制定一个紧急备用金的计划，用以应对突发情况。
2. 企业预算对于企业来说，制定预算需要更为精确和详细。
企业可以根据历史数据和市场趋势来预测未来的收入和支出。
在制定预算时，需要考虑到各项经营成本、销售额、市场竞争等因素。
合理规划资金的使用，控制成本的同时保证产品质量和服务水平，从而增加利润。
二、寻求财务建议除了制定合理的预算外，寻求财务建议也是解决财务困境的有效方法。
通过请教专业人士，可以获取有用的财务建议和经验分享。
下面将介绍两种获取财务建议的途径。
1. 咨询财务专家如果个人或企业面临较大的财务困境，可以寻求财务专家的帮助。
财务专家具有丰富的知识和经验，在面对各种财务问题时能够提供专业的建议和解决方案。
他们可以帮助分析财务状况，提出可行的改进措施，帮助个人或企业重新规划财务策略，实现财务健康。
2. 参与财务培训和研讨会参与财务培训和研讨会是另一个获取财务建议的途径。
这些培训和研讨会通常由专业机构或企业主办，旨在帮助个人和企业提升财务管理能力和知识。
通过参与这些活动，可以学习到一些实用的财务技巧和方法，并与其他人分享经验，互相交流和学习。
上市公司财务困境预测模型比较研究
支持 向量机 （ ｕ ｐｒ Ｖ ｃｏ Ｍ ｃ ｉ ，Ｓ Ｍ） 是 Ｓ ｐ ｏｔ ｅｔ ａ ｈ ｅ Ｖ ｒ ｎ 在统 计学 习理论 的基础 上 发 展起 来 的 一种 新 的机 器
学 习方法 。它基 于 结 构 风 险最 小 化原 则 ，尽 量 提 高 学 习机 的泛 化 能力 ，具 有 良好 的推 广性 能 和 较 好 的 分类精 确性 。另 外 ，支 持 向量 机 算 法 是一 个 凸 优 化 问题 ，局部最 优 解 一定 是 全局 最优 解 ，这 些 特 点都 是包括 神经元 网络在 内 的其他 算法所 不具备 的 。
Ｃｏ ｐ ｒ ｔｖ ｕ ｉ Ｍ ｏ ｅｓ ｏ ｎａ ｃａ ｓｒ ｓ ｅ ｉ ｔｏ ｎ Ｃｈｉ ｅ ｅ Ｌｉｔ ｄ Ｆｉｍ ｓ ｍ ａ ａ ｉ ｅ Ｓｔ ｄｙ ｏ ｌ ｄ ｌ ｆＦｉ ｎ ｉｌＤｉｔ ｅ ｓ Ｐｒ ｄ ｃ ｉ ｎ ｉ ｎ ｓ ｓｅ ｒ
ＹＡＮＧ Ｊａ ｈ ｉ ｉｎ ｕ ，ＣＨＥ ｈ ｗ ｎ Ｎ Ｃ ｉｅ
一
传 统 的 统 计 模 型 包 括 多 元 判 别 分 析 模 型 （ Ａ）和对 数 回归 模 型 （ ｏｉｉ Ｒ ｇｅｓ ｎ 等 ， ＭＤ Ｌ ｇｓｃ ｅｒ ｉ ） ｔ ｓｏ 其 中以 ＭＤ Ａ和对 数 回归模 型应 用最 为广泛 。统计 模 型最 大的优 点在 于具 有 明显 的解 释 性 ，而 存 在 的缺 陷是过 于严格 的 前提 条 件 ，如 两 者都 对 变 量之 问多 重共线性 敏感 ，且 Ｍ Ａ要 求数据 服从 多元正 态分 布 Ｄ 和 同协方 差等 ，当样本 数 据 不满 足这 些条 件 时分 类
（ ｃ ｏ ｌｏ ｕ ｉｅ ｓＡｄ ｎｓｒｔ ｎ，Ｓ ｕｈ Ｃ ｉａＵｎｖｒｉ ｆ ｅ ｈ ｏｏｙ Ｓ ｈ ｏ ｆＢ ｓｎ ｓ ｍｉｉｔ ｉ ａｏ ｏ ｔ ｈｎ ｉｅｓｔ ｏ ｃ ｎ ｌｇ ，Ｇｕ ｎ ｚ ｏ ０ ４ ｙ Ｔ ａ ｇｈ ｕ５１６ ０，Ｃ ｉａ ｈｎ ）
财务困境预测模型
财务困境预测模型概述财务困境预测模型研究的基本问题——财务困境财务困境(Financial distress)又称“财务危机”(Financial crisis)，最严重的财务困境是“企业破产” (Bankruptcy)。
企业因财务困境导致破产实际上是一种违约行为，所以财务困境又可称为“违约风险”(Default risk)。
事实上，企业陷入财务困境是一个逐步的过程，通常从财务正常渐渐发展到财务危机。
实践中，大多数企业的财务困境都是由财务状况正常到逐步恶化，最终导致财务困境或破产的。
因此，企业的财务困境不但具有先兆，而且是可预测的。
正确地预测企业财务困境，对于保护投资者和债权人的利益、对于经营者防范财务危机、对于政府管理部门监控上市公司质量和证券市场风险，都具有重要的现实意义。
纵观财务困境判定和预测模型的研究，涉及到三个基本问题：•1、财务困境的定义；•2、预测变量或判定指标的选择；•3、计量方法的选择。
[编辑]财务困境预测模型分类预测变量或判定指标的选择财务困境预测模型因所用的信息类型不同分为财务指标信息类模型、现金流量信息类模型和市场收益率信息类模型。
1、财务指标信息类模型Ahman(1968)等学者(Ahman，Haldeman和Narayanan，1980；Platt和Platt，1991)使用常规的财务指标，如负债比率、流动比率、净资产收益率和资产周转速度等，作为预测模型的变量进行财务困境预测。
尽管财务指标广泛且有效地应用于财务困境预测模型，但如何选择财务指标及是否存在最佳的财务指标来预测财务困境发生的概率却一直存在分歧。
Harmer (1983)指出被选财务指标的相对独立性能提高模型的预测能力。
Boritz(1991)区分出65个之多的财务指标作为预测变量。
但是，自Z模型 (1968)和ZETA模型(1977)发明后，还未出现更好的使用财务指标于预测财务困境的模型。
2、现金流量信息类模型现金流量类信息的财务困境预测模型基于一个理财学的基本原理：公司的价值应等于预期的现金流量的净现值。
FA-SVM模型在上市公司财务预警中的应用
FA-SVM模型在上市公司财务预警中的应用FA-SVM模型是一种基于财务指标的支持向量机模型，可以用于预测上市公司的财务预警情况。
在这篇文章中，我们将探讨FA-SVM模型在上市公司财务预警中的应用。
财务预警是指在公司财务状况出现问题或面临风险之前，通过分析公司的财务指标来预测公司未来的财务困境。
财务预警对于公司的管理者、投资者和债权人来说都非常重要，可以帮助他们及时采取措施以避免损失或降低风险。
FA-SVM模型是将财务分析（Financial Analysis，FA）和支持向量机（Support Vector Machine，SVM）相结合的一种预测模型。
FA模型通过分析多个财务指标，如盈利能力、偿债能力和运营能力等，来评估公司的财务状况。
而SVM模型是一种机器学习算法，可以通过建立一个分类器来预测未知数据的分类。
在使用FA-SVM模型进行财务预警时，首先需要准备一段时间内的财务数据，并计算出相应的财务指标。
这些指标可以包括净利润率、资产负债率、流动比率等。
然后，将这些财务指标作为输入，将公司的财务状况作为输出，建立一个FA-SVM模型。
在建立模型时，通常需要将数据进行标准化处理，以确保不同财务指标之间的量纲一致。
建立好FA-SVM模型后，可以使用该模型对新的公司财务数据进行预测。
当预测的结果趋向于负面，即表示公司可能出现财务困境，需要引起管理者的重视。
预测结果可以通过设置一个阈值来进行划分，超过阈值即为财务预警。
FA-SVM模型的优点包括对大规模数据的高效处理能力、能够处理非线性问题、具有较高的预测准确率等。
它可以帮助管理者提前预警公司财务困境的发生，以采取相应的措施来保护公司的利益。
对于投资者和债权人来说，使用FA-SVM模型可以帮助他们评估公司的风险，并做出相应的投资和债权决策。
FA-SVM模型也存在一些局限性。
该模型假设了财务指标与公司财务状况之间存在线性关系，而实际上财务问题往往是复杂的非线性问题。
基于Z-Score模型的财务困境预测研究
基于Z-Score模型的财务困境预测研究1. 引言1.1 研究背景通过对Z-Score模型的研究和应用，可以更好地把握企业财务状况的演变趋势，及时预警潜在的财务风险，为企业管理者和投资者提供决策参考。
深入研究基于Z-Score模型的财务困境预测方法具有重要意义，可以有效提升企业的风险管理能力，促进企业的可持续发展。
.1.2 研究目的本研究的目的是探讨基于Z-Score模型的财务困境预测研究。
通过对Z-Score模型原理、应用范围以及在财务困境预测中的作用进行深入研究，我们旨在揭示Z-Score模型在帮助企业及投资者识别财务风险和预测财务困境方面的有效性。
本研究也将探讨Z-Score模型的优缺点，分析其在实际应用中可能遇到的问题和挑战。
通过分析相关研究现状，我们将进一步完善Z-Score模型在财务困境预测中的应用和改进方向，为未来研究提供参考。
本研究旨在为企业管理者、投资者和监管机构提供有益的理论依据和决策支持，促进财务管理和风险控制水平的提升，同时为学术界在财务预测领域的研究提供新的思路和方法。
1.3 研究意义而对于企业和投资者来说，了解Z-Score模型的优缺点以及相关研究现状，有助于他们更准确地评估企业的财务状况，从而做出更明智的决策。
本研究也将探讨Z-Score模型对财务困境预测的有效性，为相关领域的研究提供参考和借鉴。
未来研究方向部分将指明Z-Score 模型在财务困境预测领域有待深入探讨和改进之处，为后续研究提供一定的思路和方向。
结论部分将对整个研究进行总结，并展望未来可能的发展趋势，为学术和实践界提供有益启示。
2. 正文2.1 Z-Score模型原理Z-Score模型是由美国金融学家艾德华·阿尔特曼于1968年提出的一种用于评估公司财务健康状况的指标体系，其原理是通过对公司财务数据进行统计分析和比较，从而得出一个综合评分来评估公司是否处于财务困境之中。
Z-Score模型主要包括五个关键指标，分别为营业利润与总资产比率、资产回报率、净利润与总资产比率、流动资产比率和市值比率。
财务与决策模型
财务与决策模型在现代商业环境中，财务决策是每个企业管理者必须面对的重要问题。
财务决策的结果直接影响企业的盈利能力、发展方向甚至生存状况。
为了做出正确的决策，管理者需要使用各种财务模型来分析数据和情况，以提供可靠的信息和指导。
本文将深入探讨财务决策中的一些常见模型。
一、财务比率模型财务比率模型是财务分析中最常用的工具之一。
它通过计算不同指标之间的比率，来评估企业的财务状况和绩效。
常见的财务比率包括盈利能力比率、偿债能力比率、运营能力比率等。
这些比率能够提供有关企业利润、偿债水平、运营效率等方面的信息，帮助管理者全面了解企业的财务状况。
二、财务预测模型财务预测模型用于预测企业未来的财务状况和经营绩效。
其中，最常用的模型之一是财务比率趋势分析。
通过比较历史数据和趋势，可以预测未来的财务指标。
此外，还有基于财务比率的线性回归模型和时间序列分析等方法，可以更进一步地预测未来的财务情况。
准确的预测有助于管理者制定合理的经营策略和决策，以应对变化的市场环境。
三、投资评估模型投资是企业决策的重要组成部分。
为了评估不同投资机会的可行性和回报，管理者需要使用投资评估模型来分析和比较不同项目的风险和收益。
最常用的投资评估模型是净现值（NPV）和内部收益率（IRR）等。
净现值通过计算现金流的现值与投资的差额，判断投资项目的价值。
内部收益率则是计算项目内部的回报率，以评估项目的可行性和潜在收益。
四、成本分析模型成本分析模型用于评估和控制企业的成本结构，进而影响决策制定。
成本分析模型包括边际成本分析、全面成本分析等。
边际成本是指企业生产一单位产品或提供一项服务所增加的附加成本。
通过边际成本分析，管理者可以评估不同决策对成本和收益的影响，从而做出更明智的决策。
全面成本分析则考虑企业所有相关成本，更全面地评估决策的经济效益。
五、风险管理模型在经营过程中，风险是不可避免的。
管理者需要使用风险管理模型来评估和应对风险。
最常用的风险管理模型是风险评估矩阵和风险价值分析。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
财务困境预测模型概述财务困境预测模型研究的基本问题——财务困境财务困境(Financial distress)又称“财务危机”(Financial crisis)，最严重的财务困境是“企业破产” (Bankruptcy)。
企业因财务困境导致破产实际上是一种违约行为，所以财务困境又可称为“违约风险”(Default risk)。
事实上，企业陷入财务困境是一个逐步的过程，通常从财务正常渐渐发展到财务危机。
实践中，大多数企业的财务困境都是由财务状况正常到逐步恶化，最终导致财务困境或破产的。
因此，企业的财务困境不但具有先兆，而且是可预测的。
正确地预测企业财务困境，对于保护投资者和债权人的利益、对于经营者防范财务危机、对于政府管理部门监控上市公司质量和证券市场风险，都具有重要的现实意义。
纵观财务困境判定和预测模型的研究，涉及到三个基本问题：•1、财务困境的定义；•2、预测变量或判定指标的选择；•3、计量方法的选择。
[编辑]财务困境预测模型分类预测变量或判定指标的选择财务困境预测模型因所用的信息类型不同分为财务指标信息类模型、现金流量信息类模型和市场收益率信息类模型。
1、财务指标信息类模型Ahman(1968)等学者(Ahman，Haldeman和Narayanan，1980；Platt和Platt，1991)使用常规的财务指标，如负债比率、流动比率、净资产收益率和资产周转速度等，作为预测模型的变量进行财务困境预测。
尽管财务指标广泛且有效地应用于财务困境预测模型，但如何选择财务指标及是否存在最佳的财务指标来预测财务困境发生的概率却一直存在分歧。
Harmer (1983)指出被选财务指标的相对独立性能提高模型的预测能力。
Boritz(1991)区分出65个之多的财务指标作为预测变量。
但是，自Z模型 (1968)和ZETA模型(1977)发明后，还未出现更好的使用财务指标于预测财务困境的模型。
2、现金流量信息类模型现金流量类信息的财务困境预测模型基于一个理财学的基本原理：公司的价值应等于预期的现金流量的净现值。
如果公司没有足够的现金支付到期债务，而且又无其他途径获得资金时，那么公司最终将破产。
因此，过去和现在的现金流量应能很好地反映公司的价值和破产概率。
在Gentry，Newbold和Whitford(1985a；1985b)研究的基础上，Aziz、Emanuel 和Lawson(1988)发展了现金流量信息预测财务困境模型。
公司的价值来自经营的、政府的、债权人的、股东的现金流量的折现值之和。
他们根据配对的破产公司和非破产公司的数据，发现在破产前5年内两类公司的经营现金流量均值和现金支付的所得税均值有显著的差异。
显然，这一结果是符合现实的。
破产公司与非破产公司的经营性现金流量会因投资质量和经营效率的差异而不同，二者以现金支付的所得税也会因税收会计的处理差异而不同。
Aziz、Emanuel和Lawson(1989)比较了Z 模型、ZETA模型、现金流量模型预测企业发生财务困境的准确率，发现现金流量模型的预测效果较好。
3、市场收益率信息类模型Beaver(1968)是使用股票市场收益率信息进行财务困境预测研究的先驱。
他发现在有效的资本市场里，股票收益率也如同财务指标一样可以预测破产，但时间略滞后。
Altman和Brenner(1981)的研究表明，破产公司的股票在破产前至少1年内在资本市场上表现欠佳。
Clark和Weinstein(1983)发现破产公司股票在破产前至少3年内存在负的市场收益率。
然而，他们也发现破产公告仍然向市场释放了新的信息。
破产公司股票在破产公告日前后的两个月时间区段内平均将经历26％的资本损失。
Aharony，Jones和Swary(1980)提出了一个基于市场收益率方差的破产预测模型。
他们发现在正式的破产公告日之前的4年内，破产公司的股票的市场收益率方差与一般公司存在差异。
在接近破产公告日时，破产公司的股票的市场收益率方差变大。
计量方法的选择财务困境的预测模型因选用变量多少不同分为1、单变量预测模型2、多变量预测模型：多变量预测模型因使用计量方法不同分为•1）线性判定模型•2）线性概率模型•3）Logistic回归模型。
此外，值得注意的是，近年来财务困境预测的研究方法又有新的进展，网络神经遗传方法已经开始被应用于构建和估计财务困境预测模型。
[编辑]上市公司财务困境预测模型比较研究[1]一、建模方法1.统计方法采用MDA、Logistic回归、近邻法，以及分类和回归树(CART)四种方法建立统计模型，其中前两者属于参数法，后两者属于非参数方法。
MDA和Logistic回归都属于多元统计学方法，基本思路是由一些已知类别的训练样本，根据判别准则建立判别函数(模型)，用来对新样本进行分类。
这两种方法的最大优点在于具有明显的解释性，存在的缺陷是过于严格的前提条件。
如两者都对变量之间多重共线性敏感，且MDA要求数据服从多元正态分布和等协方差。
近邻法根据新样本在特征空间中K个近邻样本中的多数样本的类别来进行分类，因此具有直观、无需先验统计知识、无需学习等特点。
但当样本的维数较高时，存在所谓的“维数祸根”——对高维数据，即使样本量很大，其散布在高维空间中仍显得非常稀疏，这使得“近邻”的方法不可靠CART是一种现代非参数统计方法，它根据一定的标准，运用二分法，通过建立二元分类树来对新样本进行预测。
CART模型宜于理解，能处理缺失数据，并且对噪声有一定的鲁棒性。
它的缺点是，作为一种前向选择方法，当它引入新的分类规则时并没有考虑前面的分类方法，因而有可能同一个分类变量会重复出现但判别点发生变化。
2.神经网络方法神经网络是由大量的简单处理单元相互联结组成的复杂网络系统。
作为非参数的分类方法，它克服了选择模型函数形式的困难，同时对样本及变量的分布特征没有限制。
采用在财务困境预测研究中应用最广的三种神经网络：反向传播网络(BPNN)、概率神经网络(PNN)和学习矢量量化网络(LVQ)来建立模型。
BPNN是应用最广泛的一种神经网络。
在建立财务困境预测模型时，一般选三层BPNN：输入层由代表财务比率的节点构成；隐层节点个数由经验试错法确定；输出层仅有一个节点，该节点输出值大于预设阈值时为一类，小于预设阈值时为另一类。
PNN主要是用估计各个类别核密度的方法完成样本分类。
当用于财务困境预测时，PNN通常取三层：输入层节点数等于建模所用财务比率个数；中间层节点数等于训练集样本个数；输出层节点数等于样本类别数。
与BPNN相比，PNN的优势在于要估计的参数少，训练时间短，而且能够对模型生成的结果做出概率上的解释。
LVQ是在自组织映射神经网络基础上改进的一种有导师监督分类器，它允许对输入样本按照所属的类别进行指定。
用于财务困境预测的LVQ由三层节点组成。
输入层节点数等于建模所用的财务比率个数，输出层节点数对应于输入样本的类别个数。
与前两种神经网络不同的是，LVQ竞争层的每个节点只与输出层的一个节点相连接，即被指定属于这个输出层节点所对应的类别。
也就是说，竞争层将输入矢量分成不同子类，输出层负责将竞争隐层的子类转换为使用者定义的类别。
神经网络具有一些统计方法无法比拟的优点，如：对数据分布的要求不严格；非线性的函数映射方式；高鲁棒性和自适应性等。
然而，由于神经网络缺乏统一的数学理论，在如何确定网络结构、如何提高模型的解释性、过学习和局部极小点等问题上还未有实质突破，并且实际效果也不太稳定。
3.交叉验证所谓m重交叉验证，就是将样本总数为n的样本集随机地分成m个不相交的组，每组有nlm个样本。
用(m-1)个组的样本训练分类器，并用剩余的1个组的样本作为测试集测试分类器，求得一测试误差。
重复这一过程，直到m个组中的每一组都成为过一次测试集为止。
将m个组所对应溅试误差的平均值作为分类器在整个样本集上的测试误差。
交叉验证能减少估计偏差，从而更客观地评价模型。
二、样本和变量选择1.样本选择我国沪深股市1998～2002五年间258家公司选作建模样本，其。
申ST公司和配对的非ST公司各129家，将2003,2004两年内被ST的106家公司和246家非ST公司作为独立的预测集，所有610家公司假设是在t年被ST或未被ST。
样本选择标准如下：1)从1998～2002五年间所有的151家sT公司中剔除因“其它状况异常”而被ST的公司22家，保留因“财务状况异常”(“连续两年亏损”或“每股净资产低于股票面值”)而被ST的129家公司作为财务困境公司；根据同行业与总资产规模相当标准，从同一财务年度选出129家配对的非ST公司；2)在构造预测集时，为了评价模型实际预测效果，将2003-2004两年内所有ST公司全部选人预测集，没有进行任何剔除；在选择非ST样本时，同样为了评价模型实际预测效果，没有根据配对原则来选，只是随机地选取了这两年内246家非ST公司；2.比率选择由于缺乏具体的经济理论指导，而公司被ST的本质原因又不尽相同，所以很难用简单的几个财务比率对财务困境进行充分描述。
研究者选用的财务比率有所差异，通常选择尽可能多的财务比率，这些不同的财务比率反映着企业不同的财务侧面，如盈利能力、偿债能力、营运能力和现金能力等方面。
从研究结果来看，得出的预测财务困境最有效的财务比率也不尽相同心。
财务比率共有41个(见下表)，反映了企业财务状况的各个方面，以便从中找出统计检验显著性强的比率进行建模三、模型选择为了消除财务比率量纲和数量级差异的影响，首先对原始数据进行标准化，即变换为均值为0和标准差为1的新数据。
然后进行ST公司和非ST公司财务比率差异的单变量检验。
根据检验结果，首先选出两类公司间具有显著差异(P<0.05)的比率：被ST前的(t-2)财政年度包括X3−X9,X11,X15,X17 −X6,X19,X31,X37,X40,X41；被ST前的(t-3)财政年度包括X5−2X,X14,X15,X17,X18,X20,X22 −X26,X28,X29,X37 −X4181.统计模型MDA和Logistic回归模型预测变量集(t-2) (t-3)对于MDA和longistic回归，首先采用10重交叉验证+和逐步回归选择变量方法对上述初选的比率集进行再次筛选，如果某一财务比率在10次结果中出现了4次以上。
则被选人。
然后经过多重共线性检验剔除冗余变量，最终选出的预测变量如表2对于近邻法，仍采用上述财务比率集{X_6,X_17,X_23,X_24,X_25}和{X_7,X_20,X_28,X_38,X_41}作为(t-2)和(t-3)年模型的预测变量集。
并应用10重交叉验证选择近邻数K，具体如表3。
可见，最近邻(K=1)具有最佳分类效果近邻法K选择的10重交叉验证分析注:表3-表7中数据均为10次交叉测试结果的平均值由于决策树属于非参数化的自上而下的归纳学习算法，所以对于CART模型，不必对变量进行筛选但是，为防止“过拟合”发生，需要对树进行修剪，修剪程度的大小由10重交叉验证确定，结果如下表。