基于混频数据的中国上市公司财务困境动态预测研究

doi:10.16381/j.cnki.issn1003-207x.2021.1570

摘要/Abstract

摘要：

本文以年度财务指标、年度失业率、季度GDP增长率以及月度通货膨胀率为解释变量，以年频的财务困境状态变量为响应变量，结合指数Almon多项式赋权和逻辑回归方法，构建了不同时间窗口（t-k年）的中国上市公司财务困境低频预测模型。进一步地，本文捕捉了上市公司摘戴帽的季度时间信息，将财务困境状态设置为季频变量，又构建了中国上市公司财务困境的高频预测模型，揭示混频宏观和财务因素对企业未来每季度发生财务危机的预警功能。本研究创新和特色在于：构建年度的失业率、季度GDP增长率、月度CPI增长率与企业财务困境状态的非线性函数关系，反映不同频率的关键宏观因素变化对企业清偿能力的影响。本文研究结果表明：（1）通过引入高频宏观经济指标，能有效提高中国上市制造业企业财务困境的年度预测表现。以t-3年模型为例，混频模型相比同频的年度数据模型的AUC值提高了7.32%。（2）不同频率的关键宏观因素在不同年度的预测表现不同。月度的通货膨胀率仅在t-2年模型中具有显著预测功能。季度的GDP增长率、年度的失业率在不同窗口下的模型中，均具有统计意义下的显著影响。（3）与低频的年度财务困境预测相比，年度失业率指标不再对企业季度财务困境状况的变化具有显著影响，而行业景气指数却表现出明显的预测功能。季度GDP增长率和月度通货膨胀率数据的经济意义更加明显，在企业财务困境风险的季度高频预测中，表现出更强的时效性。

关键词: 财务困境预警, 混频数据, 混频数据抽样方法, 高频宏观经济变量, 中国上市公司

Abstract:

In this paper， a mixed-frequency data driven financial distress prediction problem is considered. The exponential Almon weighting scheme of mixed-data sampling is introduced in the context of a Logistic regression， which allows for an individual weighting of high-frequent increments， hence distinguishing the importance of different macroeconomic period to explain the change of a listed companies’ financial status. In applying the suggested model to the period from 2007 to 2017， a total data set is used that includes 4 macroeconomic indicators of mixed annual， quarterly and monthly frequency and 15 potentially significant financial indicators of annual frequency for 350 Chinese listed manufacturing companies. The results show that （1） the model correctly classifies more financially distressed companies than classic Logistic model， in particular for forecasting horizons of 2-3 years. （2） The macroeconomic indicators observed at different frequency show their importance for both low frequency （annually） and high frequency （quarterly） financial distress prediction， while quarterly GDP growth rate and monthly inflation rate have more significant influence， both statistically and economically， on quarterly financial distress risk. All findings indicate that this paper provides a suitable approach incorporating mixed-frequency data for prediction of financial distress for listed companies in China.

Key words: financial distress prediction, mixed-frequency data, mixed data sampling method, high- frequency macroeconomic indicators, Chinese listed companies

中图分类号:

F224

闫达文,李存,迟国泰. 基于混频数据的中国上市公司财务困境动态预测研究[J]. 中国管理科学, 2024, 32(1): 1-12.

Dawen Yan,Cun Li,Guotai Chi. Dynamic Financial Distress Prediction for Chinese Listed Companies Based on the Mixed Frequency Data[J]. Chinese Journal of Management Science, 2024, 32(1): 1-12.

图/表 7

表1

表2

表3

表4

表5

表6

表7

参考文献 32

1	罗逸姝.2021年A股市场多项指标刷新纪录［N］.经济参考报，2022-01-04（003）.DOI：10.28419/n.cnki.njjck.2022.000012 . doi: 10.28419/n.cnki.njjck.2022.000012
	Luo Y S. Many indicators of A-share market refreshed records in 2021［N］. Economic Information Daily， 2022-01-04（003）.DOI：10.28419/n.cnki.njjck.2022.000012 . doi: 10.28419/n.cnki.njjck.2022.000012
2	Geng R B， Bose I， Chen X. Prediction of financial distress： an empirical study of listed Chinese companies using data mining［J］. European Journal of Operational Research， 2015， 241（1）： 236-247.
3	Sharma A， Adhikary A， Borah S B. Covid-19′s impact on supply chain decisions： strategic insights from NASDAQ 100 firms using Twitter data［J］. Journal of Business Research，2020，117：443-449.
4	Gu X， Ying S， Zhang W Q， et al. How do firms respond to covid-19？ First evidence from suzhou， China［J］. Emerging Markets Finance & Trade，2020，56（10）：2181-2197.
5	Altman E I. Financial ratios， discriminant analysis and the prediction of corporate bankruptcy［J］. The Journal of Finance， 1968， 23（4）：589-609.
6	迟国泰，章彤，张志鹏.基于非平衡数据处理的上市公司ST预警混合模型［J］.管理评论，2020，32（3）：3-20.
	Chi G T， Zhang T， Zhang Z P. Special treatment warning hybrid model dealing with imbalanced data of Chinese listed companies［J］. Management Review， 2020，32（3）：3-20.
7	Hernandez Tinoco M， Holmes P， Wilson N， et al. Polytomous response financial distress models： the role of accounting， market and macroeconomic variables［J］. International Review of Financial Analysis， 2018， 59：276-289.
8	王昱，杨珊珊.考虑多维效率的上市公司财务困境预警研究［J］.中国管理科学，2021，29（2）：32-41.
	Wang Y， Yang S S. Corporate financial distress prediction based on multi-dimensional efficiency indicators［J］. Chinese Journal of Management Science， 2021，29（2）：32-41.
9	Shen F， Liu Y Y， Wang R， et al. A dynamic financial distress forecast model with multiple forecast results under unbalanced data environment［J］. Knowledge Based Systems，2020， 192：1-16.
10	Almamy J， Aston J， Ngwa L N. An evaluation of Altman’s Z-score using cash flow ratio to predict corporate failure amid the recent financial crisis： evidence from the UK［J］. Journal of Corporate Finance， 2016，36： 278-285.
11	Inekwe J N， Jin Y， Valenzuela M R， et al. The effects of financial distress： evidence from US GDP growth［J］. Economic Modelling， 2018， 72： 8-21.
12	Sagaert Y R， Aghezzaf E H， Kourentzes N， et al. Tactical sales forecasting using a very large set of macroeconomic indicators［J］. European Journal of Operational Research， 2018， 264（2）： 558-569.
13	Hackbarth D， Miao J J， Morellec E. Capital structure， credit risk， and macroeconomic conditions［J］. Journal of Financial Economics， 2006， 82（3）：519-550.
14	卢永艳.宏观经济因素对企业财务困境风险影响的实证分析［J］.宏观经济研究，2013（5）：53-58.
	Lu Y Y. An empirical analysis of the impact of macroeconomic factors on the risk of corporate financial distress［J］.Macroeconomics，2013（5）：53-58.
15	Yan D W， Chi G T， Lai K K. Financial distress prediction and feature selection in multiple periods by lassoing unconstrained distributed lag non-linear models［J］. Mathematics， 2020， 8（8）：1-29.
16	Tang D Y， Yan H. Market conditions， default risk and credit spreads［J］. Journal of Banking and Finance，2010，34（4）： 743-753.
17	Figlewski S， Frydman H， Liang W J. Modeling the effect of macroeconomic factors on corporate default and credit rating transitions［J］. International Review of Economics & Finance， 2012， 21（1）： 87-105.
18	Jiang Y， Jones S. Corporate distress prediction in China： a machine learning approach［J］. Accounting & Finance， 2018， 58（4）： 1063-1109.
19	Bhattacharjee A， Han J. Financial distress of Chinese firms： microeconomic， macroeconomic and institutional influences.China Economic Review，2014，30： 244-262.
20	Ghysels E， Hill J B， Motegi K. Testing for granger causality with mixed frequency data［J］. Journal of Econometrics， 2016， 192（1）： 207-230.
21	Lima L R， Meng F， Godeiro L. Quantile forecasting with mixed-frequency data［J］. International Journal of Forecasting， 2019， 36（3）： 1149-1162.
22	Ghysels E， Santa-Clara P， Valkanov R. The MIDAS touch： mixed data sampling regression models［R］. Discussion Paper， UNC and UCLA， 2010.
23	刘金全，刘汉，印重.中国宏观经济混频数据模型应用——基于MIDAS模型的实证研究［J］.经济科学，2010，32（5）：23-34.
	Liu J Q， Liu H， Yin Z. Application of Chinese macroeconomic mixing data model： an empirical study based on MIDAS model［J］. Economic Science， 2010， 32（5）：23-34.
24	Xu Q F， Zhuo X X， Jiang C X， et al. Reverse restricted MIDAS model with application to US interest rate forecasts［J］. Communications in Statistics -Simulation and Computation， 2021， 50（2）：462-482.
25	Audrino F， Kostrov A， Ortega J P. Predicting U.S. bank failures with MIDAS logit models［J］. Journal of Financial and Quantitative Analysis， 2019，54（6）： 2575-2603.
26	Ohlson J A. Financial ratios and the probabilistic prediction of bankruptcy［J］. Journal of Accounting Research， 1980， 18（1）： 109-131.
27	Li Z Y， Crook J， Andreeva G. Chinese companies distress prediction： an application of data envelopment analysis［J］. Journal of the Operational Research Society， 2014， 65（3）： 466-479.
28	王小燕，张中艳，马双鸽.基于文本先验信息的贷款信用风险评估模型［J］.中国管理科学，2021，29（5）：34-44.
	Wang X Y， Zhang Z Y， Ma S G. A loan credit risk model incorporating text prior information［J］.Chinese Journal of Management Science，2021，29（5）：34-44.
29	Ghysels E， Sinko A， Valkanov R. MIDAS regressions： further results and new directions［J］. Econometric Reviews， 2007， 26（1）： 53-90.
30	梁墨，李鸿翔，张顺明.基于ST预测的财务困境测度与股票横截面收益［J］.中国管理科学， 2023，31（2）：138-149.
	Liang M， Li H X， Zhang S M.A Measure for financial distress based on st predictive model and the cross-section of stock returns［J］.Chinese Journal of Management Science， 2023，31（2）：138-149.
31	Hosaka T. Bankruptcy prediction using imaged financial ratios and convolutional neural networks［J］.Expert Systems with Applications， 2019， 117： 287-299.
32	Scalzer R S， Rodrigues A， Macedo M A， et al. Financial distress in electricity distributors from the perspective of Brazilian regulation［J］. Energy Policy， 2019， 125： 250-259.

准则层	比率指标	指标计算公式	准则层	比率指标	指标计算公式
偿债能力	资产负债率x₁	总负债/总资产	运营能力	固定资产周转率x₉	销售收入/固定资产
	流动比率x₂	流动资产/流动负债		存货周转率x₁₀	主营业务成本/库存
	负债权益比x₃	总负债/股东权益总额		应收账款周转率x₁₁	主营业务收入/应收账款
	现金流量比x₄	经营现金流/流动负债	发展能力	总资产增长率x₁₂	总资产(t)/总资产(t-1)
	已获利息倍数x₅	息税前利润/利息费用	发展能力	净利润增长率x₁₃	净利润(t)/净利润(t-1)
盈利能力	销售净利率x₆	净利润/销售收入	结构稳健	固定资产比率x₁₄ 留存收益比率x₁₅	固定资产/总资产留存收益/总资产
	资产息税前利润率x₇	息税前利润/总资产
	资产收益率x₈	净利润/总资产

指标	含义	观测频率
失业率x₁₆	16岁~退休年龄间各省份失业人口占总人口的比率	年度
行业景气指数x₁₇	反映行业各种指标及行业经济变动趋势的综合指数	年度
GDP增长率z	相比去年同一季度，各省份国内生产总值的增长比率	季度
通货膨胀率u	相比去年同一月度，各省份居民消费价格指数的增长比率	月度

(1)指标	(2)系数	(3) t-2模型	(4) t-3模型	(5) t-5模型
0常数项	α₀	48.5007^***(4.9052)	38.4372^***(5.2665)	23.4600^***(5.2293)
1资产负债率x₁	α₁	2.6462^***(1.2841)	-1.0373^***(0.3585)	6.8691^***(2.2271)
2流动比率x₂	α₂	1.1579(0.9563)	-4.6940^***(0.9326)	-3.1324^***(0.1637)
3负债权益比x₃	α₃	-3.6017(0.7041)	2.1503(2.2682)	-0.1856(2.4453)
4现金流量比x₄	α₄	-0.2972(1.1972)	-6.1454^***(1.0784)	-5.8332^***(1.8972)
5已获利息倍数x₅	α₅	0.9237^*(0.5453)	×	-0.8394(0.5224)
6销售净利率x₆	α₆	2.4140(2.4556)	4.2932^*(2.3432)	-7.4336^*(4.2062)
7资产息税前利润率x₇	α₇	-50.9031^***(11.5141)	-3.7502^**(1.5101)	-0.4948(2.2386)
8资产收益率x₈	α₈	-27.9293(26.7271)	-18.0771^***(2.2723)	-4.9597(5.0262)
9固定资产周转率x₉	α₉	-11.9335^***(4.9082)	-2.3592(1.9678)	1.2494(1.0791)
10存货周转率x₁₀	α₁₀	×	×	×
11应收账款周转率x₁₁	α₁₁	3.1294(2.4213)	-1.2040^***(0.9236)	×
12总资产增长率x₁₂	α₁₂	0.4134(0.5984)	-5.2313(4.7213)	0.3792(2.0024)
13净利润增长率x₁₃	α₁₃	-14.1819(13.1423)	-1.8842(9.0582)	0.2386(0.5952)
14固定资产比率x₁₄	α₁₄	2.2948^***(0.0457)	2.7019^***(0.2085)	3.7465^***(0.6946)
15留存收益比率x₁₅	α₁₅	-5.6279^**(2.8836)	-32.8794^***(2.9702)	-19.8504^***(3.8592)
16失业率x₁₆	α₁₆	0.7719^*(0.5457)	1.0869^***(0.2241)	1.5802^***(0.4781)
17行业景气指数x₁₇	α₁₇	0.6536(0.5223)	-0.1792(0.2625)	0.9342(0.7756)
18GDP增长率z	β₁	-0.3582^***(0.0176)	-0.1265^***(0.0502)	-0.6361^***(0.1647)
	θ₁	-0.0070	0.0067	0.0040
	θ₂	-0.0090	0.0706	0.0030
19通货膨胀率u	β₂	1.0681^***(0.0653)	0.0164(0.03274)	1.0424^*(0.6562)
	η₁	0.0025	0.0016	0.0090
	η₂	0.0054	0.0035	0.0024

(1)模型		(2)AUC	(3)ACC	(4)G-mean	(5)F-Score	(6)Recall	(7)KS
t-2	混频逻辑回归	0.9662	0.9355	0.9349	0.9333	0.9032	0.9355
t-2	同频逻辑回归	0.9532	0.9032	0.8980	0.8929	0.8065	0.8387
t-3	混频逻辑回归	0.9146	0.8226	0.8216	0.8308	0.8710	0.7097
t-3	同频逻辑回归	0.8522	0.7742	0.7735	0.7813	0.8065	0.6129
t-5	混频逻辑回归	0.8835	0.7742	0.7735	0.7823	0.8266	0.5806
t-5	同频逻辑回归	0.8262	0.7581	0.7496	0.7826	0.8710	0.5484

(1)指标	(2)系数	(3)窗口t-2(q=2)	(4)窗口t-3(q=3)	(5)窗口t-4(q=4)
0常数项	α₀	8.5975^***(0.3667)
1资产负债率x₁	αq_,1	0.5989^***(0.0333)	1.3978^***(0.0245)	0.3676^***(0.0876)
2流动比率x₂	αq_,₂	-0.9103(1.5874)	1.1409(0.9587)	-2.0151(1.9623)
3负债权益比x₃	αq_,₃	0.9917^***(0.0504)	0.2854^***(0.0183)	0.5796^***(0.0442)
4现金流量比x₄	αq_,₄	-2.5197^***(0.1023)	-1.0214^***(0.0130)	-1.1055^*** (0.0454)
5已获利息倍数x₅	αq_,₅	-0.7927(1.7894)	0.7314^*(0.8889)	-0.3904(0.6567)
6销售净利率x₆	αq_,₆	-3.0491^***(1.021)	2.0250^*(1.4495)	7.3009^***(1.9680)
7资产息税前利润率x₇	αq_,₇	-5.9187^***(1.5787)	-1.2960^***(0.2236)	-3.2754^***(0.7685)
8资产收益率x₈	αq_,₈	-1.0137(1.6874)	1.2557(1.1500)	-0.8195^*(0.5588)
9固定资产周转率x₉	αq_,₉	1.6113^*(0.7136)	0.6163(0.4905)	0.0607(0.2355)
10存货周转率x₁₀	αq_,₁₀	1.0285(1.2422)	-2.2346^**(0.9441)	-24.3844^***(4.6687)
11应收账款周转率x₁₁	αq_,₁₁	-3.9888^*(2.0634)	-1.7021^***(0.1027)	1.8192^***(0.7372)
12总资产增长率x₁₂	αq_,₁₂	-70.2358^***(4.2916)	-22.8505^***(2.1676)	-5.6760^***(1.3165)
13净利润增长率x₁₃	αq_,₁₃	0.0114(0.516)	0.2457(0.5246)	1.2030(0.8727)
14固定资产比率x₁₄	αq_,₁₄	1.6477^*(1.0260)	-0.9541(0.8432)	1.3517(1.0659)
15留存收益比率x₁₅	αq_,₁₅	2.3330^***(0.3314)	-2.3260^***(0.3140)	-4.2075^***(0.1726)
16失业率x₁₆	αq_,₁₆	0.3960(0.7465)	-0.4546(0.5045)	-0.1927^*(0.1002)
17行业景气指数x₁₇	αq_,₁₇	-1.1788^***(0.0294)	-2.4315^***(0.3326)	-1.9079^***(0.1143)
18GDP增长率z	β₁	-1.0498^***(0.0244)	×	×
	θ₁	-0.0738	×	×
	θ₂	-0.3186	×	×
19通货膨胀率u	β₂	1.7826^***(0.0770)	×	×
	η₁	-0.0957	×	×
	η₂	-0.4230	×	×