Multivariate CUSUM model to predict financial distress - An application in artificial neural network

財務危機預警模式的建立一直是國內外財金學者所感興趣的課題，從早期單純的財務比率判定到統計方法的使用，至近幾年來非統計式的類神經網路之偵測分類，其模式的演變無不在增加危機預警的能力。一方面能正確的分類失敗企業與健全企業的財務結構，一方面能早期偵測出失敗企業體質的徵兆。而本研究所建模型為擷取統計方法在分類能力上的表現與類神經網路優於統計方法上的預測能力，所結合而成的一種含有類神經網路架構的動態化財務危機預警模式。以台灣股票上市公司民國七十一年以後打入全額交割股的企業為失敗企業，並在相同期間之相同產業內，挑選規模相近之正常企業為配對之健全企業。為了方便網路的學習，我們將樣本區分為以民國七十四年以前打入全額交割股的配對企業為供網路訓練之前期樣本，以及民國七十五年以後打入全額交割股的配對企業為建立財務危機預警模式之後期樣本。其實證結果有幾項結論： 1.經由後期樣本所推估的多變量CUSUM模式(4.1)中，我們發現固定資產／總資產比率對模式的分類結果較不敏感，而每股盈餘／每股市價比率對模式的分類結果最為敏感，且敏感度將近固定資產／總資產比率的十倍。 2.倒傳遞類神經網路在預測各期財務比率的誤差均方根為0.051，而多變量CUSUM模式的正確分類率為71.43%，且百分之八十的失敗企業在其危機發生（打入全額交割股）時的前六季左右，動態化多變量CUSUM模式即可偵測出徵兆。 3.一般而言，失敗企業的固定資產／總資產比率與存貨／營業收入比率較健全企業來得高；而失敗企業的營運資本／總資產比率，營業利益／總資產比率及每股盈餘／每股市價比率則低於健全企業，尤其在危機發生時前六季左右，更是急速下降。因此，失敗企業的流動性普遍不足，存貨積壓的結果，造成營運資金週轉不靈，而走向營運困難的窘境