python 广义似然比_回归五式第二式：0-1回归——上市公司ST状态预测和分析（内含报告和Python代码）...

0 目录

1.简单分析报告

2.具体操作

（1）数据读取和处理

（2）描述性分析

（3）参数估计

（4）模型选择

（5）预测和评估

3.Python代码和数据集链接

4.参考文献

正文

1 简单分析报告

上市公司ST状态预测分析

内容提要 特殊处理（ST）政策是我国股票市场一项特有的、旨在保护投资者利益的政策，因而对公司未来ST政策的预测具有重要意义。本报告利用公开的财务数据对未来的ST状态进行预测分析。我们的分析结果表明有三个财务指标与ST状态相关，它们分别为应收款账与总资产的比例（ARA）、销售收入增长率（GROWTH）以及债务资产比率（LEV），其中应收账款与总资产的比例（ARA）格外重要。基于本报告的分析结果和模型，投资者可以利用上市公司的公开财务指标对公司未来的ST状态进行合理的预测，进而进行科学的风险分析和投资；管理者可以更有效地监控公司的财务状态，通过合理的管理规划来降低公司被宣布ST的风险。

一、研究目的

特殊处理政策是我国股票市场一项特有的、旨在保护投资者利益的政策。根据相关规定，如果某上市公司出现财务状况或其他状况异常，以至于投资者难以判断公司前景，并且投资者权益可能受到损害时，中国证券监督管理委员会将考虑对该公司的股票交易进行特殊处理（special treatment，ST）。一旦某股票被特殊处理，那么该股票报价的日涨跌幅就会被人为地限制在5%以内。此外，如果该公司在下一个会计年度还不能取得正盈利，那么该股票将面临退市的风险。显然，股票的特殊处理可能给上市公司及其投资者带来巨大的经济损失。因此，如何利用公开的财务报表信息预测公司的ST状态（ST=1：被特殊处理；ST=0：没有被特殊处理）就成了人们关注的热点话题。本报告试图对中国的股市予以分析，找出能够合理预测上市公司未来ST状态的方法，并根据分析结果提出有意义的结论和建议。

二、数据来源和说明

我们需要有效的利用上市公司的历史财务数据，对其未来的ST状态，即本报告中的因变量，予以合理的预测。为此，我们选取了下列财务指标作为本次分析的解释性变量：

• 应收账款 / 总资产（ARA）：该财务指标反映了公司的盈利质量。
• 对数变换后的资产总计（ASSET）：简称资产总计，用来反映公司规模。
• 资产周转率（ATO）：该财务指标综合评价了企业全部资产的利用效率。
• 主营业务收入增长率（GROWTH）：该指标反映了公司的成长潜力。
• 债务资本比率（LEV）：该财务指标反映了公司的基本债务状况。
• 资产收益率（ROA）：该财务指标用于度量盈利能力。
• 最大股东的持股比例（SHARE）：该财务指标用于反映股权结构。

我们的数据包含1430个完整的观测。其中，684个观测来自1999年，即训练集来自1999年，我们用这部分数据建立模型。剩下的746个观测来自于2000年，我们用这部分数据检验我们模型的预测效果。需要注意的是，我们的因变量ST反映的是公司在未来三年以后是否被宣布ST。

三、描述性分析

为了获得对数据的整体概念，并考虑到因变量取离散值的特点，我们利用箱线图对训练数据进行简单的描述性分析，得到图1-1和图1-2：

图1-1 应收账款与总资产比例的箱线图

图1-2 6个自变量与因变量ST状态的箱线图

从图1-1，我们可以看出：

被特殊处理的公司（ST=1）的平均应收账款与总资产的比例（ARA）值（以中位数计）要明显地高于没有被特殊处理的公司（ST=0）。

从图1-2，可以看出：

• 公司规模（ASSET，以中位数计）同被特殊处理与否没有太强的关系。
• 公司的资产周转率（ATO，以中位数计）同被特殊处理与否没有明显的关系。
• 被特殊处理的公司的平均销售增长率（GROWTH，以中位数计）明显低于没有被特殊处理的公司。
• 被特殊处理的公司的平均负债水平（LEV，以中位数计）明显高于没有被特殊处理的公司。
• 被特殊处理的公司的平均盈利能力（ROA，以中位数计）明显低于没有被特殊处理的公司。
• 被特殊处理的公司的第一大股东持股比例（SHARE，以中位数计）明显低于没有被特殊处理的公司。

四、数据建模

1. 全模型分析

根据因变量取离散值的特点，我们采用probit回归和logit回归的方法建立模型。针对训练数据，我们首先用logit回归的方法对包含全部自变量的模型进行估计，得到的估计结果如表1-1所示：

从表4-1中我们可以看到，模型广义似然比检验的P值非常小（P值<0.001），表明该模型时显著的，即至少有一个财务指标对企业ST与否具有一定的预测能力。进一步通过对各个自变量对应的Z检验的P值得考察，我们得到以下重要结论：

• 应收账款与总资产的比例（ARA）和被ST与否高度相关，其Z检验在0.01的显著性水平下高度显著（P值=0.001）。并且可以看到，ARA的系数估计值的符号为正，这说明应收账款占总资产的比例越高，被ST的可能性越大。
• 债务资产比率（LEV）和企业被ST与否高度相关，其Z检验在0.10的显著性水平下高度显著（P值=0.050）。同样可以看到，LEV的系数估计值的符号为正，表明债务占总资产的比例越高，被ST的可能性越大。
• 没有证据表明其他财务指标对预测ST与否有重要作用。

类似的，我们用probit回归分析训练数据，得到回归结果如表1-2所示：

从表1-2中我们可以发现，基本结论同logit回归非常相似。唯一不同的是，在0.10的显著性水平下，probit回归还发现销售收入增长率（GROWTH）对该企业是否被ST有显著影响。由于GROWTH的系数估计值符号为负，我们可以认为销售收入增长越慢的公司，被ST的可能性越大。

2. 模型选择

以上的分析结果告诉我们，我们选取的财务指标确实对公司未来的ST状态有一定的预测能力。但是全模型过于复杂，而且其中还有部分变量是不显著的。为得到一个尽量简单同时又具有良好预测能力的模型，我们采用AIC和BIC的模型选择标准来选择一个最佳的模型。

对logit回归模型，我们用AIC方法选出的模型及其估计结果如下表1-3：

对应于BIC方法选出的模型及其估计结果如表1-4所示：