![7f6e5db8711cb75d60b1099456985334.png](https://i-blog.csdnimg.cn/blog_migrate/8a8451e9e2c28639d86341c39ae5aceb.jpeg)
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:
![f571853c5df12321efd90440fce1d9ce.png](https://i-blog.csdnimg.cn/blog_migrate/e8903c3b046a490e2d4b45ba5e5fc621.jpeg)
![6b9a13d7423809476179cf40320d0e6d.png](https://i-blog.csdnimg.cn/blog_migrate/62f76759dc5cd33b05f208086f2ba14c.jpeg)
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:
![5faf4f980e0eb8d7f406e083f316b13e.png](https://i-blog.csdnimg.cn/blog_migrate/39314c7444997aea2375911448981e3d.jpeg)
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:
![6bf1a945711f6ee8172ac067937c050f.png](https://i-blog.csdnimg.cn/blog_migrate/2010aff55a983ea2941e5c2b0c9ce9a4.jpeg)
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:
![c28a8bffab983a5b254a972831288378.png](https://i-blog.csdnimg.cn/blog_migrate/759fad3128d2830c960398cbbce8787f.jpeg)
对应于BIC方法选出的模型及其估计结果如表1-4所示: