LightGBM算法在上市饲料公司财务预警中的应用.pdf

NO.172023123问题探讨饲料研究FEEDRESEARCHLightGBM算法在上市饲料公司财务预警中的应用吴展王春晓*（上海海洋大学经济管理学院，上海2 0 130 6）摘要：文章旨在应用LightGBM算法对上市饲料公司财务状况进行预警。文章将LightGBM算法与Z-score模型结合，选取2 0 12 年至2 0 2 1年14家A股饲料上市公司的财务数据计算出Z值，并将得到的Z值作为LightGBM算法的输入，得到最终优化的乙值。结果显示，饲料上市企业整体财务状况良好，风险水平较低，其中债偿能力对公司的财务状况的影响最大，该特征重要性比例为2 7.90%。LightGBM算法优化的Z-score模型的训练集与测试集的R分别为0.915和0.90 3，且均方根误差（RMSE）最低分别为0.7 8 7 和0.7 0 0，误差较小。研究表明，优化的Z-score模型在饲料上市公司财务预警上具有良好的稳定性和应用前景，可为饲料上市公司管理者和投资者防范公司财务风险提供一定的参考。关键词：机器学习；LightGBM算法；Z-score模型；财务预警；饲料上市公司中图分类号：S8-9文献标识码：A文章编号：10 0 2-2 8 13（2 0 2 3）17-0 12 3-0 4Doi:10.13557/ki.issn1002-2813.2023.17.024Application of LightGBM algorithm in financial warning of listed feed companiesWU ZhanWANG Chun-xiaoAbstract:The article was to apply the LightGBM algorithm to provide early warning on financial situation of listed feedcompanies,combining LightGBM algorithm with Z-score model.The financial data of 14 A-share listed feed companiesfrom 2012 to 2021 were selected to calculate the Z-values,and the obtained Z-values were used as input to LightGBMalgorithm to obtain final optimised Z-values.The results showed that the overall financial position of listed feedcompanies was good and the level of risk was low,with debt servicing capacity having the greatest impact on thecompanys financial position,with the proportion of importance of this characteristic being 27.90%.The LightGBMalgorithm optimised Z-score model had an R of 0.915 and 0.903 for training and test sets respectively in terms ofaccuracy,and the lowest root mean square error(RMSE)of 0.787 and 0.700 errors respectively were smaller.The paperindicates that the optimised Z-score model has good stability and application prospects in financial early warning of listedfeed companies,and can provide some reference value for listed feed company managers and investors to preventcorporate financial risks.Key words:machine learning;LightGBM algorithm;Z-score model;financial early warning;listed feed companies近年来，在国内外复杂多变的客观环境下，饲料产业链面临诸多风险，饲料企业需要走高质量发展路径获得竞争优势，提高综合实力。因此，为保障上市饲料企业的高质量发展，对其财务危机管控和及时监测可以对上市公司的财务状况进行全面的评价，及时预测公司的财务风险，有效地防止公司的危机，从而提高公司化解风险的能力，保护投资者和债权人的利益，维护公司高质量发展。财务预警模型包括单变量模型和多变量模型等2-3。随着人工智能算法的不断更新与发展，更多学者选择使用机器学习算法构建财务风险预警模型4-7 。目前，许多学者为全面衡量上市公司财务风险，采用多变第一作者：吴展，硕士，研究方向为农业经济、自动化技术。通信作者：王春晓，博士，副教授，硕士生导师。收稿日期：2 0 2 3-0 1-2 9量预测模型中具有较强代表性的Z-score预警模型。蔡兴林等18 借助Z-score模型对体育用品上市公司的整体财务状况进行风险评估，发现部分体育用品上市公司财务状况不稳定，存在一定的风险。Sharma等9运用以2 0 17 年印度储备银行违约者名单上的19家公司为例，运用Z-score模型预测其违约风险，表明Z-score模型预测违约概率方面准确。李静0 发现，Z-score模型适用于我国股票市场ST上市公司的财务风险预警，且预警效果显著。但传统Z-score模型的财务预警能力不足，无法精准判定上市公司的财务风险状况。因此，需要对Z-score模型进行改进，探讨改进后模型的财务风险预警效果。王蕙2 在衡量银行体系稳定性时，对Z-score法进行了改进，将风险因素纳入测度过程中。雷艳丽等113提出了一种基于SOA算法优化的Z-score模型，发现改进的Z-score模型的财务风险预警效果良好。LightGBM是一MNO.172023饲料研究FEEDRESEARCH124问题探讨种先进的机器学习算法，其采用直方图算法和具有深度限制的Leafwise策略提高模型的精度和防止过拟合。Wang等41建立LightGBM模型对18 6 家企业的融资风险概况进行预测，表明LightGBM具有更好的预测效果，可以作为预测企业融资风险的有效工具。但鲜有学者将LightGBM算法与Z-score模型结合。为提高财务风险预警水平，本文将LightGBM算法与Z-score模型结合，选取2 0 12 年至2 0 2 1年14家A股饲料上市公司的财务数据计算出Z值，并将得到的Z值作为LightGBM算法的输入，得到最终优化的乙值，为上市饲料公司管理者和投资者防范公司财务风险提供一定的参考。1试验方法1.1Z-score模型为了更好地应对与防范公司的风险，美国纽约大学教授EdwardAltma提出了Z值模型15。根据通过建立Z-Score财务预警模型，可分析出上市公司的风险概况Z=1.2X,+1.4X,+3.3X,+0.6X4+1.0X,(1)式中：Z为Z-Score模型的得分，XiI、X z、X、X 4、X,分别从5个方面衡量了公司的财务情况。其中，X变量反映的是资产的变现能力和规模特征；X,反映的是公司的保留盈余的能力；X,反映公司资产的盈利能力；X4是衡量了一家公司的偿债能力；X,用来衡量公司利用资产的效率情况。5个Z值模型的指标变量解释见表1。当计算出的Z值小于等于1.8 10 时，表明企业存在财务困境具有很大的破产风险；当Z值介于1.8 10 2.6 7 5，表明企业财务状况不稳定；当Z值2.6 7 5时，表明企业经营状况良好，财务风险小。表15个乙值模型的指标变量解释项目指标计算公式X营运资金/资产总额X2保留盈余/资产总额X息税前净利润/资产总额X4股东权益市值/总负债的账面价值额X销售金额/资产总额1.2LightGBM原理及优势LightGBM是GBDT类模型中的一种高效算法，梯度提升决策树（GBDT）模型是提升算法（Boosting）的一种，以CART决策树作为基学习器的集成模型，采用加法模型和前向分布算法来完成学习优化的过程0 。GBDT回归算法基本流程为7：输入：训练集Data=(Xi,yi),(X2,y2),(Xn,yn)，基学习器数量以及损失函数。（1）初始化估计一个使损失函数极小化的常数值c，此时构建了只有一个根节点的树。（2）对样本i=1,2，n，计算损失函数的负梯度并作为残差的估计值。（3）将每个叶子节点的Rk上使损失函数最小的最佳拟合值C求和，从而得到第t棵树模型对本轮损失的估计值h(x,)18)Oh(x,)-Ek-,CuI(xeRk)(2)（4）进行更新迭代，得到最终的强学习器。为解决GBDT模型构造子模型，选取最优分割点非常耗时的问题19，LightGBM算法将连续的浮点特征离散成k个离散值，并构造宽度为k的直方图。之后遍历训练数据，计算每个离散值在直方图中的累计统计量。在进行特征选择时，只需要根据直方图的离散值，遍历寻找最优的分割点2 0-2 1 2上市饲料公司预警分析及数据来源2.1上市饲料公司样本选取与数据来源为确保本次研究结果真实有效，选取2 0 12 年至2021年持续经营10 年及以上，且2 0 2 1年饲料产品收入占总营业收入的10%以上的上市公司，所选的14家饲料公司的饲料产品营业收入及占比见表2。本研究中，样本公司财务数据来自国泰安CSMAR数据库和同花顺网站，其余部分数据来源于饲料上市公司年报。最终基于时间一致性、数据可获得性等方面考量，选取京基智农、正虹科技、新希望、天康生物、正邦科技、海大集团、大北农、金新农、唐人神、百洋股份、西部牧业、中牧股份、通威股份和梅花生物14家饲料上市公司为研究样本。表22021年14家上市饲料公司主营收入公司名称饲料产品主营收入/亿总营收占比/%京基智农3.5932.78正虹科技3.4667.32新希望708.2056.09天康生物27.5234.36正邦科技174.9036.92海大集团698.3081.19大北农95.5871.36金新农11.1660.25唐人神95.2183.62百洋股份8.2957.07西部牧业0.9515.27中牧股份4.9619.09通威股份245.9038.73梅花集团78.9637.92由表2 可知，新希望、海大集团和通威股份的主营应收入排名前三，饲料产品的营业收入分别为708.20亿元、36 3.90 亿元、2 45.90 亿元。2.2LightGBM优化的Z-SCORE模型的财务风险预警分析借助Python3.0和SPSSPRO1.0.11，设置LighGBN通NO.172023饲料研究FEEDRESEARCH125问题探讨算法参数为：基学习器为gbdt，基学习器数量为10 0，学习率为0.1，样本征采样率与树特征采样率均为1，树的最大深度为10，叶子节点最小样本数为10。模型参数见表3。表3模型参数参数名参数值训练用时0.034 s数据切分0.700数据洗牌否交叉验证否基学习器gbdt基学习器数量100学习率0.1L1正则项0L2正则项1样本征采样率1树特征采样率1节点分裂值0叶子节点中样本的最小权重0树的最大深度10叶子节点最小样本数10基于LightGBM算法优化的Z-score模型，将Z-score模型的变量作为LightGBM模型的输入，将计算得出的Z值作为输出，得到优化的Z-score模型得分，通过LightGBM算法优化的Z值模型和Z-score模型对14家上市饲料公司财务风险测算的结果见图1。88+LightGBM-Z值Z值6值4N20-2工性洋14家饲料上市公司图1LightGBM-Z-score与Z-score模型结果对比由图1可知，2 0 2 1年14家上市饲料公司中的正虹科技、大北农、海大集团、西部牧业、中牧股份、通威股份和梅花生物的LightGBM-Z-score模型得分均大于临界值2.6 7 5，财务风险较小。LightGBM算法优化的Z-score模型与传统Z-score模型的Z值得分在京基智农、天康生物、海大集团、大北农、唐人神、百洋股份、通威股份和梅花生物基本一致。运用LightGBM算法改进后的Z-SCORE模型，得到2 0 2 1年14家饲料上市公司相应Z值，结果见表4。由表4可知，LightGBM-Z-score和传统Z值的平均值分别为3.39和2.7 4，均高于临界值2.6 7 5。因此，2021年14家上市饲料公司整体趋势向好，财务风险较低，但京基智农、新希望、天康生物、正邦科技、金新农、唐人神和百洋股份的LightGBM-zscore值均小于2.675，存在财务困境的风险。表4LightGBM算法优化的值公司名称LightGBM-Z值乙值京基智农1.170.80正虹科技3.041.31新希望1.911.34天康生物2.402.02正邦科技2.01-0.72海大集团6.976.82大北农3.072.79金新农1.660.49唐人神2.322.05百洋股份2.552.42西部牧业5.204.58中牧股份7.836.97通威股份3.894.01梅花生物3.373.432.3预测结果评价准则为评价LightGBM-Z-score模型的精度，本文采取了常见的5种评价指标，采用均方误差（MSE），均方根误差（RMSE），平均绝对误差（MAE），平均绝对百分比误差（MAPE）和决定系数（R）来作为评价模型的预测结果的依据，LightGBN-Z-score模型结果评价结果见表5。由表5可知，LightGBM-Z-score模型的训练集与测试集的误差较小，均方误差（MSE）分别为0.6 19、0.489，均方根误差（RMSE）分别为0.7 8 7、0.7 0 0，平均绝对差（MAE）分别为0.318、0.499，平均绝对百分比误差（MAPE）分别为6.494、18.40 9；且决定系数R分别为0.915、0.90 3，接近于1，模型的精度较高，证明了该模型的有效性。可为上市公司管理者与投资者防范饲料上市公司财务风险提供参考，也可在后续研究中进一步深入应用。表5LightGBN-Z-score模型结果评价结果项目训练集测试集均方误差（MSE)0.6190.489均方根误差(RMSE)0.7870.700平均绝对误差（MAE）0.3180.499平均绝对百分比误差（MAPE）6.49418.409决定系数（R2)0.9150.9032.4影响财务风险的具体因素分析过上述分析可知，上市饲料公司乙值的均值大于NO.172023饲料研究FEEDRESEARCH126问题探讨临界值2.6 7 5，表明该行业发展形势较好。通过LightGBM中的直方图算法进一步探究各变量之间带来的影响以及饲料行业中影响财务风险的具体因素，见图2。由图2 可知，2 0 2 1年在国内猪肉价格下跌、公司战略制定等影响下，14家上市饲料公司的偿债能力和资产利用效率对乙值的影响程度最大，其特征重要性分别为27.90%和2 4.7 0%。其中，公司变现能力和规模特征对上市饲料公司财务风险预警的影响最小，其占比为10.70%。3027.924.72418.917.8181210.760X4X5X3X2XI影响因素图2饲料上市公司乙值影响因素贡献度3结论本研究采用LightGBM算法对传统Z-score模型进行改进，模型的训练集与测试集的RMSE较小分别为0.787、0.7 0 0，且R分别为0.915、0.90 3，接近于1，精度较高，证明了该模型的有效性。14家上市饲料公司的财务状况良好，财务风险水平较低。但不同饲料上市公司的Z值存在较大差异。在5种财务比率中，饲料上市公司的偿债能力和资产利用效率对乙值的影响程度最大。鉴于目前仍有7 家饲料上市公司存在财务风险，需要树立风控意识，提前采取防范和预警措施。针对上述结论提出如下优化建议：一是针对上市公司偿债问题，饲料上市公司可完善公司治理，进行战略调整，扩大企业的盈利能力。二是针对饲料上市公司的资产利用效率的问题，要根据公司目前的经营现状，制订有针对性的发展计划，以最大限度地利用现有的资源。改变经营方式、减少原料的消耗和节约成本，确保优质的饲料产品的质量。饲料企业可以通过多种途径和网络平台进行合作，以最大限度地发挥其渠道的优势，减少库存和运营的成本。参考文献1何华沙，朱璐婕.产业链视角下饲料企业高质量发展研究.中国饲料，2022(12):118-121.2代春倩,刘丹,郑雪菲.基于因子分析法的饲料上市企业财务绩效评价).中国饲料,2 0 2 1(19):111-114.3吴国鼎,张会丽.多元化经营是否降低了企业的财务风险？来自中国上市公司的经验证据.中央财经大学学报,2 0 15(8):94-10 1.4任婷婷,鲁统宇,崔俊.基于改进AdaBoost算法的动态不平衡财务预警模型).数量经济技术经济研究,2 0 2 1,38(11):18 2-197.5李成刚,贾鸿业.企业管理层的文本披露质量与上市公司的风险预警一基于公司年报文本信息的分析研究C/中国数量经济学会2019年年会.兰州：中国数量经济学会2 0 19.6杨旭,黄雪梅.基于LSTM神经网络的饲料企业财务风险预警模型构建).中国饲料,2 0 2 2(14):135-138.7李彩.基于BP神经网络的饲料上市公司财务风险预警研究.饲料研究,2 0 2 2,45(7):117-12 18蔡兴林，张高雅.中国体育用品上市公司财务风险状况评估与预警研究基于2 0 0 92 0 16 年财务数据.西安体育学院学报,2 0 19,36(3):282-289.9 Sharma A,Theresa L,Mhatre J,et al.Application of Altman Z-Score toRBI defaulters:Indian caseJ.Asian Journal of Research in BusinessEconomics and Management,2019,9(4):1-11.10李静.Z-score模型对中国上市公司财务预警适用性分析U.山西广播电视大学学报,2 0 17,2 2(2):48-50.11赵海蕾,周方召,金德环.基于人群搜索算法的上市公司的Z-Score模型财务预警研究.财经理论与实践,2 0 15,36(2):6 6-7 0,139.12王蕙.外资战略投资对中国银行体系稳定性的影响基于面板模型及改进的Z-Score法的实证分析D).会计与经济研究,2 0 19,33(5):112-128.13雷艳丽,洪丽君,胡晓峰.基于改进Z-SCORE模型饲料上市公司的财务风险预警研究.饲料研究,2 0 2 2,45(2):10 7-111.14 Wang D N,Li L,Zhao D.Corporate finance risk prediction based onLightGBMJ.Information Sciences,2022,602:259-268.15 Altman E I.Financial ratios,discriminant analysis and the prediction ofcorporate bankruptcyJ.The Journal of Finance,1968,23:589-609.16徐英卓,郭博,王六鹏.基于GBDT算法的游戏销量预测模型研究.智能计算机与应用,2 0 2 3,13(1):18 2-18 5.17孙川永,彭友兵,刘志亮,等.梯度提升树算法在陕北风电场短期风电功率预测中的应用.电网与清洁能源,2 0 2 2,38(4):12 4-12 8,134.18王彦琦,张强,朱刘涛,等.基于改进鲸鱼优化算法的GBDT回归预测模型.吉林大学学报：理学版,2 0 2 2,6 0(2):40 1-40 8.19高亚男,王文倩,王建新.集成模糊层级划分的LightGBM食品安全风险预警模型：以肉制品为例D).食品科学，2 0 2 1,42(1):197-2 0 7.20岑健铭,封全喜,张丽丽,等.基于DE-lightGBM模型的上市公司高送转预测实证研究.计算机科学,2 0 2 2,49(2):137-143.21 Guolin K,Qi M,Thomas F,et al.LightGBM:A highly efficientgradient boosting decision treeC/In Proceedings of the 31stInternational Conference on Neural Information Processing Systems(NIPS17).New York:Curran Associates Inc.,Red Hook,2017.