凰网的股票数据模块。以 2005 年至 2013 年期间，上交所和深交所的上市公司年度财务报表为数据来源。以全部ST公司按资产规模配对同等数量非ST公司。同时采用第 t-2 年的数据作为样本数据，主要原因是：我国法律是根据公司发生财务状况异常的前一年的数据报告来判定是否对该公司进行特别处理的，如果将第 t 年定为实施 ST 的年份，那么实际发生财务困境的年份应该是 t-1年。既然我们的研究目的是为了尽早的预测财务困境发生的可能性，为了更好的体现财务困境预测的特性，用于预测的输入变量数据应该是发生财务困境的前一年的各项财务指标，即 t-2 年。因此，根据上述分析，本文采用财务困境发生前的第二年，也就是 t-2 年的财务数据作为财务困境预警研究的实验数据来源。 （2）指标体系的构建
根据全面性、概括性、敏感性、可度量、先验性等五个原则，初始选择了涉及偿债能力、盈利能力、营运能力、发展能力四个方面的 46 个财务指标作为备选财务指标，通过统计软件SPSS进行相关性检验和显著性检验，得出精简的财务指标11个。
（3）采用 10 重交叉验证和网格搜索方法确定 SVM 模型参数。
（4）为了更加准确地反映对训练样本之外企业的财务危机预测能力，采用余 1 交叉验证准确率来对 SVM 财务危机预测方法的有效性进行评价。分别以数据集中的每个样本作为测试样本，并用剩余的样本训练 SVM 分类函数，并用它对取出的样本进行测试。经过 s（s 为样本总量）次训练和测试后，将每个样本的测试类别标识与目标类别标识进行比较，计算余 1 交叉验证准确率。同时，将余 1 交叉验证准确率与训练准确率进行比较，计算它们之间的差额幅度来辅助评价。 （5）在台湾大学林智仁老师开发的 LIBSVM 软件基础上，结合MATLAB 编程语言和 Python 软件的画图功能来实现 SVM 的建模和测试过程；
六、实验结果分析
根据上述实验得出SVM在判断财务困境预警的准确度高达91.4%，在拟合能力、泛化能力、模型稳定性方面都具有较好的表现，达到了最好的平衡。SVM能够从训练样本中挖掘企业财务危机预测的支持向量，来对训练样本之外的企业是否存在财务危机进行较好地预测，并且能够在训练样本发生一定变化的情况下保持模型预测准确率的较好稳定性。因此，SVM 是企业财务危机预测的有效手段，不但在理论上是很好的分类器，而且具有实际应用价值，在企业财务危机预测实践中应该加以推广应用。
但是，在实际操作中，由于ST公司和非ST公司在数量上有很大差异，是个显然的类别非平衡问题，但是单纯地支持向量机很难处理非平衡问题，因为支持向量机关注分类准确率问题，当少数类别非常少的时候，支持向量机的分类超平面会偏向多数类样本，导致难以区分少数类样本，所以在非平衡处理的问题上，单纯地支持向量机显然是不够的，有待进一步研究探讨。
6
参考文献
[1] 谷琪，刘淑莲．财务危机企业投资行为分析与对策[J]．会计研究，1999，(10)： 28-31．
[2] 陈静．上市公司财务恶化预测的实证分析[J]．会计研究， 1999，4：31-38． [3] 陈晓，陈治鸿．我国上市公司的财务困境预测[J]．中国会计与财务研究， 2000(2)：55-72．
[4] 吴世农，卢贤义．我国上市公司财务困境的预测模型研究[J]．经济研究， 2001(6)：46-55．
[5] 吕长江，韩慧博．财务困境、财务困境间接成本与公司业绩[J]．南开管理 评论．2004，7(3) ：80-85．
[6] 杨淑娥，黄礼．基于 BP 神经网络的上市公司财务预警模型[J]．系统工程 理论与实践．2005，(1)：12-18．
[7] 苏慧英．公司财务困境预警模型研究[D]．暨南大学硕士学位论文，2007．
7
8