机器学习对财务风险预警优化研究

赵文浠

长春市儿童公园吉林长春 130000

摘要

风险预警是财务管理的主要内容，但在风险预警过程中，财务信息量、预警手段会对结果产生影响，降低风险预警准确性，致使预警结果错误。基于此，本文对财务管理数据进行风险预警，提高财务管理水平，缩短财务预警时间。然后对财务管理数据进行综合预警。最后，利用持续监测进行管理风险预警，并输出最终预警结果。研究结果显示：机器学习能准确地进行风险预警，提高风险预警水平，风险预警准确性优于持续监测法。所以，机器学习能满足财务预警的选择要求，适合于财务管理的持续分析。

关键词

财务；管理；时间序列；算法

正文

0 引言

有学者认为，风险预警是财务管理的综合预警过程，要对财务管理数据、审计数据进行综合预警，而且容易出现错误预警、预警不合理等问题[1]。目前，财务管理中风险预警经常出现准确性低、预警时间长，财务管理财务信息量大的问题[2]。所以，有学者提出将智能算法应用到风险预警中，并对干扰因素进行识别，更好地选择预警[3]。但是，盈利预警、偿债预警之间的分析仍然不够理想[4]。为此，有学者提出通过对偿债预警、盈利预警和运营预警进行分析，并对财务预警进行时间序列分析，以此来提高风险预警的准确性[5]。因此，本文以机器学习为基础，对财务管理中的关键数值进行时间序列分析，并验证该方法的安全选择结果。

1. 风险预警智能分析

风险预警分析对盈利预警、运营预警和偿债预警进行合理选择，并检测管理数据的变化特征，具有较高的干扰能力，能有效地进行风险预警[6]。风险预警分析主要依据财务指标，计算预警的峰值。机器学习利用风险理论对财务管理数据进行分析，完成风险预警的全面识别。在风险预警过程中，要对财务管理信息进行综合计算，以此降低管理决的错误率。依据持续分析意识，要识别存在差异的财务预警、审计预警[7]，计算财务预警的准确性。所以，必须要对不同时间段的盈利预警、运营预警和偿债预警进行随机性分析。

2　财务预警的选择步骤

风险预警要减少无价值数据出现量，需要对盈利预警、运营预警和偿债预警进行抽样分析，包括：盈利、运营，以及偿债方面分析。另外，依据机器学习对财务预警进行分析，计算不同时间段、不同预警内容的分析。同时，对不同准确性的财务预警进行干扰分析，消除干扰对计算结果的影响，具体内容如下。

第一步，收集财务风险数据，确定风险预警的约束性，并对财务风险进行综合预警，然后确定预警判断的阈值和权重。

第二步：对盈利预警、运营预警和偿债预警进行混合粒子群计算，并对财务管理数据进行持续分析。

第三步：对不同财务预警进行比较，验证风险预警的准确性、预测性、完整性，并将结果存入财务预警集合中。

第四步：对财务预警进行累计计算，如果超过预设时间，或达到最大迭代次数，则终止分析，否则进行持续计算。

3　财务风险预警的实际案例

3.1财务风险数据状态

为了验证机器学习的效果，以传统企业作为依据，分析风险预警的准确性，具体参数如表1所示。

表1 财务风险数据状态（单位：%）

参数	完整性	有效性
盈利数据	92.56	98.4
运营数据	94.32	96.4
偿债数据	96.72	96.1
财务信息量	93.28	94.12
审计数据	85.23	78.31
会计数据	88.42	81.33

依据表1中的参数，盈利数据、运营数据、偿债数据、财务信息量、审计数据和会计数据等方面无显著差异，说明财务风险数据状态无显著差异，符合机器学习的分析要求，可以进行风险预警分析。

由表1数据可知，财务风险数据状态的分布比较离散，预警之间呈现独立性，符合盈利预警、运营预警和偿债预警分析的要求，所以能进行后期的混合粒子群算法分析。

3.2　风险预警的完整性和准确性

风险预警要保持一定的完整，否则会影响风险预警结果，对风险预警结果的完整性和准确性进行检测，具体结果如表2所示。

表2 完整性和准确性的对比结果（单位：%）

算法	预警方向	参数	准确性	完整性	平均变化幅度
机器学习	会计	盈利能力	91.12±4.01	98.12±4.01	1.92±0.31
		偿债能力	98.21±4.21	94.04±4.02	1.11±0.32
		运营能力	14.21~24.13	24.11~24.12	1.31±0.32
	审计	盈利能力	91.12±0.01	94.13±0.11	1.21±0.12
		偿债能力	94.12±0.01	94.21±0.06	2.41±0.72
		运营能力	94.11±0.42	91.04±0.41	1.12±0.41
在线风险预警法	会计	盈利能力	74.81±4.42	78.12±0.02	4.12±4.82
		偿债能力	78.41±4.92	74.01±2.81	4.28±4.41
		运营能力	71.21±4.42	74.14±1.88	2.41±4.42
	审计	盈利能力	71.11±4.42	74.19±0.42	4.14±2.12
		偿债能力	74.14±4.12	74.12±0.91	1.12±4.12
		运营能力	74.14±4.12	74.12±0.08	4.16±1.12
结果对比		X²=9.11，P<0.04

由表2可知，盈利、偿债的财务预警之间的变化幅度相对较小，所以机器学习的整体结果较好。而在线风险预警法准确性、完整性的差异性较大，相对较差。在数据混合抽样中，机器学习的风险预警准确性和完整性较为集中，而在线风险预警法的风险预警准确性、完整性较离散，与表2中的研究结果一致。究其原因，机器学习对于盈利预警、运营预警和偿债预警财务预警、财务预警等预警进行准确性分析，并计算不同数值的凸函数值，实现财务预警长度、财务预警综合位置等属性的简化。

3.3　财务预警的风险预警时间

风险预警时间是风险预警效果的重要指标，包括会计风险预警、审计风险预警的确定等，具体结果如表3所示。

表3　财务风险预警时间（单位：秒）

方法	机器学习	会计风险预警			审计风险预警
方法	机器学习	偿债能力	盈利能力	运营能力	偿债能力	盈利能力	运营能力
机器学习	10~20	1.49±0.74	1.24±0.42	1.74±0.47	1.21±0.44	1.47±0.24	1.49±0.74
	20~60	2.41±0.97	2.44±0.21	2.44±0.24	2.29±0.47	2.41±0.49	2.41±0.47
	60~100	6.44±0.47	6.24±0.47	6.84±0.79	4.47±0.47	8.04±0.74	9.24±0.14
浮动率		0.81~1.21
在线风险预警法	10~20	2.49±0.74	2.42±0.42	2.47±0.47	2.41±0.42	2.24±0.47	2.24±0.74
	20~60	4.49±0.17	4.42±0.79	4.42±0.42	4.47±0.24	4.41±0.27	4.49±0.24
	60~100	9.44±0.47	8.74±0.27	8.84±041	12.47±0.74	6.24±0.42	18.74±0.94
浮动率	1.19~2.41

根据表3可知，在机器学习中，风险预警的时间比较稳定，整体风险预警时间比较理想。而在线风险预警法的计算时间相对较长。究其原因，机器学习以财务管理为基础，对的偿债能力、盈利能力、运营能力进行迭代分析，确定风险预警时间。在线风险预警法的冗余财务信息量加大，进而延长计算时间。此外，机器学习的综合时间较长，整体变化比较平稳，而在线风险预警法的时间变化幅度较大，逊色于机器学习。

4.结论

针对财务预警过程中，以往的智能方法无法准确地进行选择。基于此，本文提出一种机器学习对偿债能力、运营能力进行综合预警，确定最终的预警结果。通过机器学习进行财务风险的综合计算，减少财务数据复杂度。以风险阈值为基础进行风险预警，实现盈利预警、运营预警和偿债预警，最终提高预警的准确性。同时，盈利、偿债的财务预警结果变化幅度相对较小，所以机器学习的整体结果较好。同时，风险预警的时间比较稳定，整体风险预警时间比较理想。

参考文献

[1] 曾曙莲.基于机器学习的制造业上市公司财务风险预警案例研究[D].湖北民族大学,2023.

[2] 张李威,何晓英.基于机器学习的财务风险预警模型构建与优化[J].财讯, 2023(21).

[3] 柯剑,王琦琦.基于机器学习的研发型制造业财务风险预警研究[J].管理会计研究, 2023(5):22-32.

[4] 罗瑞宁,许立志.基于机器学习的公司财务困境预警研究[J].市场调查信息, 2022(4):76-78.

[5] 周传华,周子涵,夏徐东,等.机器学习算法在房地产企业财务风险预警中的性能比较[J].科技和产业, 2023, 23(15):43-48.

[6] 马旭辉.基于机器学习的上市公司财务风险智能识别研究[D].南京大学,2019.

[7] 张彩妮,任爱珍,林子达.上市公司财务风险预警——基于机器学习方法[J].中小企业管理与科技, 2023(16):182-184.

...

阅读全文