FA-SVM 在上市公司财务预警的应用 摘要：将因子分析和支持向量机相结合构建组合预测模型，并以 317 家制造业上市公司为样本，进行财务预警讨论
结果表明：因子分析提高了支持向量机的判别效率，能有效预测企业的财务危机，该组合预测模型具有较强的有用价值
关键词：财务预警；支持向量机；因子分析 财务预警模型是指利用企业财务指标或非财务指标体系来预测或推断企业财务状况的模型
传统的财务预警方法主要有：单变量判别分析、多元判别分析、 Logistic 回归模型、Fisher 模型、Bayes 模型等
传统的模型通常建立在严格的假设前提下，然而现实中有些假设往往很难满足，从而导致模型的判别效率不高
随着数据挖掘技术的进展，神经网络被应用到财务预警中，且被证实其判别能力优于传统的模型
支持向量机作为一种新的神经网络，拥有强大的分类泛化功能，已在众多领域得到了广泛的应用
虽然支持向量机的判别准确率很高，但对多元共线性敏感，当变量的相关程度较高时，将会影响到模型的预测准确率
因此，引入因子分析法对样本变量进行处理，使其不存在共线性问题，同时降低了问题的维度，提高了计算速度
一、因子分析和支持向量机组合模型 首先将原始数据进行因子分析（FA），即对原始变量进行特征提取和压缩，得到低维度且不相关的数据，也就是将大量的输入变量浓缩成几个公共因子
然后将新的数据输入到支持向量机（SVM）中，进行模型训练，从而建立因子分析和支持向量机组合的预测模型（FA-SVM）
图 1 是 FA-SVM 模型的流程图
二、FA-SVM 财务预警模型的应用 （一）模型样本的选择
将上市公司财务状况亏损作为财务危机的标志，在选取危机企业样本时，以因连续两年亏损而被标注*ST 的制造业企业为危机企业，排除因其他原因被标志*ST 的企业
选取沪深两市 A 股市场上 2024-2024 年三年中被标注*ST 的制造
