本报告结合业务逻辑与量化回测方法,构建并验证了基于规则库的财务风险识别模型。通过分析历史违规样本,设计了包含16个单规则的规则库,覆盖约73%的财务风险案例,且在样本外展示稳定的负异常收益,体现规则库的有效性和较强的泛化能力。但模型主要是基于历史手法构建,无法预测创新型风险手法,具有一定的跟踪局限性.
报告标题:基于规则库的财务风险识别方法
作者:殷明、刘富兵、留富兵法
发布机构:国盛证券研究所
发布日期:2019年11月21日
研究主题:上市公司财务风险识别模型的构建与验证,重点聚焦虚假陈述等财务造假行为
核心论点:本报告提出了一种融合“自上而下”的业务逻辑和“自下而上”的数据归纳分析的财务风险识别方法,构建了以规则库为基础的财务风险预警模型。该模型通过归纳总结上市公司财务造假的共性特征,结合具体规则的量化检验,能较有效识别存在潜在财务风险的公司。模型经样本内和样本外测试,显示较好的覆盖率和稳定的负异常收益表现,证明其一定程度的有效性和泛化能力。
目标信息:报告无明确评级或目标价,但明确提出了基于规则库的财务风险识别框架,希望为投资者提供财务风险预警工具。
报告首先回顾财务风险研究中的两大流派:
两者分别侧重逻辑与数据,但单独应用存在片面性。因而本文采用“先猜想后验证”的思路,先基于业务逻辑设计规则,后用历史数据做量化回测验证,进而构建更鲁棒的风险模型。同时给出中国A股违规数据概览,提到2001年至今,剔除关联主体后,累计存在约6371起违规案例,涵盖虚假陈述、业绩不实、披露违规等多个方面,报告关注点主要聚焦虚假陈述部分(约875个违规样本)。
违规行为占比(图表2):
研究思路框架(图表3):
整体研究流程包括样本分类、案例分析、单规则构造、规则检验、规则库构建及样本外验证六个步骤,具体如下:
1)根据违规案例归类财务指标;
2)分析案例特征;
3)设计单规则衡量特征表现;
4)使用事件研究方法检验规则有效性;
5)汇聚规则构成规则库;
6)对样本外数据做泛化能力测试,保证模型稳定性。
该流程体现了业务逻辑与量化方法的结合,全面且系统地推进财务风险识别体系的构建。
报告详细介绍了六大类单规则:
以“扭亏为盈”类别为例说明规则设计与检验过程:
规则设计(RULE1):
净利润/过去三年中位净利润 < 0.2 且净利润 > 0 且净利润 > 1066万元,并且过去两年披露有资产重组公告。该规则针对那些为了实现净利润由负转正,且利润仅为微弱正值的公司,并伴随资产重组以掩盖亏损的典型财务造假模式。
案例示范:选取A公司2004年数据显示,该年净利润仅212.6万元,远低于过去三年中位数,且存在重组公告,符合规则条件。
规则验证方法:借鉴事件驱动中的异常收益(Abnormal Return, AR)分析,将规则触发日视为T+0,观察未来252个交易日(约一年)股票超额收益表现,剔除行业和风格因子,确保结果不受市场系统性偏差影响。
检验结果(图表6):前30个交易日内股价短期表现尚可,但之后逐渐显现显著的负异常收益,累计超额跌幅约4%,提示市场对财务造假有识别并做出负面反应。由此反推,该规则较好提示了潜在风险,应纳入规则库。
规则库效果(图表28):由上述以及其他15条规则组成,共16条规则覆盖了违规样本及财务风险样本的约73%。剩余27%的样本多因财务报表无法直接捕捉或通过其他手段确认违规行为。
覆盖率细分(图表29):规则按指标覆盖分布显示,涵盖现金负债比异常(6%)、存货周转与毛利率异常(11%)、主营收入与净利润指标(7%)、规避退市(8%)等多个关键维度,但也存在未归类(4%)、仅审计(18%)等限制。
模型召回与准确率分析:
报告强调财务风险识别模型更看重召回率(尽可能少漏掉风险股)而非准确率(错判好股),因第一类错误(漏检)对投资者损害巨大,而错误标记部分好公司风险可通过策略调整减缓。
样本外表现(图表30、31):
对2017年至今的样本外数据检验,规则库触发组合表现出显著负超额收益趋势,跑输市场基准指数Wind全A及创业板综指数,验证了模型一定的泛化性和预测财务风险的能力。
泛化能力分析:
模型依赖历史上已出现的财务操纵手法,难以预测创新型财务风险。其本质是跟踪模型,通过识别历史典型特征防范重复风险,而非完全预测未来新型风险。因此模型需持续迭代完善,才能保持有效性。
风险提示:若市场环境大变,模型有失效风险。规则库在未来需结合监管动态、财务政策等因素不断更新。
本报告未涉及企业估值或目标价分析,重心聚焦于财务风险识别规则的设计与验证,故无相关估值内容。
模型风险:
操作风险:
数据局限:
该报告系统构建了基于规则库的财务风险识别体系,融合了业务逻辑推导和归纳法统计检验,取得了以下关键成果与结论:
整体而言,该报告对财务风险建模提出了创新且实用的思路,通过严谨的样本分析和合理的量化检验为投资者识别潜在风险提供了理论支撑和工具依据。图表及数据分析扎实,为金融工程师和投资策略师提供了丰富可操作的洞见和未来研究方向。
财务风险违规行为占比图(图表2)
财务风险模型研究思路(图表3)
Rule1异常收益检验(图表6)
各指标覆盖率占比(图表29)
样本外异常收益(图表30)
财务风险组合样本外表现(图表31)
基于规则库的财务风险识别方法.pdf