2.2.3 概率模型
Logistic模型是提供可以归为某一类观察对象的条件概率，从而判断观察对象的财务风险，它不要求变量服从正太分布假设，条件相对宽松，模型的假设条件时：一是自变量之间不存在共线性，二是样本数必须为回归参数。
Ohlson（1980）第一次使用了Logistic回归分析方法对公司进行破产的预测。他选择的105家破产公司是至少在证券交易所上市3年的公司，更具有代表性。除此之外，选取了1970-1976年间2058家非破产企业作为配对样本，采用极大似然法的思想，即假设使企业财务危机发生的自变量是X1，X2，…Xn，如果实验证明X1指标导致企业破产，则认为当时的条件最有利于X1发生以此来分析样本公司在破产区间上的概率分布。他发现用公司规模，资本结构业绩和当前的变现能力进行财务危机预警研究比较准确。模型的基本思想：Logistic模型的因变量要求是服从二项分布的，本文的Logistic实证研究也是严格遵循了这一原则，即将企业划分为破产组与非破产组。Logistic模型假设在自变量X1，X2,…，Xn的作用下，某事件发生的概率为P，则事件不发生的概率1-P。该模型的表达式为：Logit(P)=In[P(1-P)]= + …+ ，可以等价的表示为：P= 。其中，P表示企业面临财务危机的概率，X1，X2,…，Xn为用来拟合模型的N个财务指标，在模型拟合之间，对于财务风险公司，P值取0，对于非财务风险公司P则取1。其判别规则是：如果P值＜0.5,则表明企业处于财务困境的概率比较大，判定企业为风险类型；如果P值＞0.5，则表明企业财务状况正常的概率比较大，判定企业的财务状况和经营状况良好。投资者可以根据Logistic回归模型最终得出的P值来决定是否对某公司进行投资，十分具有使用价值。Logistic模型现多用于探索导致一些疾病产生的危险因素并对患病的概率进行估计。
2.2.4 神经网络模型
神经网络一般可以分为两种，一种是生物神经网络，一种是人工神经网络（Artificial Neural Networks）。BP神经网络模仿人工神经网络的构造，它是由一个个神经元组成，通过神经元之间的相互作用形成了一个复杂的网络预测系统。BP神经网络能学习和贮存大量的输入-输出模式映射关系，而无需事前给出描述这种映射关系的数学方程式。它的学习规则是使用梯度下降法，梯度下降法可以用来求解非线性方程组，越接近目标值时，步长越小，前进越慢。1990年，Odour&Sharda用BP神经网络进行财务危机预测，但这一方法只是Altman(1968)年多元线性判别方法的重复。1992年，Tam&Kiang利用三层BP模型用于银行破产预测。
2. 3    国内财务预警系统构建以及实证研究综述
国内财务风险预警研究起步较晚，主要针对ST公司的财务指标进行研究，且实证研究很大程度上借鉴了国外的研究方法。周守华，杨济华和王平（1996）年对Altman的Z值模型加以改造，结合了现金流量对企业偿债能力和资产利用能力的影响，建立了F分数模型。陈静（1999）以截止到1998年的27家ST公司作为破产组，和与这27家ST公司资产规模相当的27家非ST公司作为非破产组为研究样本，在研究中选取资产负债率，流动比率，总资产收益率及净资产收益率等4个财务比率，分别采用单变量分析和多元判别分析方法进行财务危机预警研究，较好地实现了对特别处理公司的预测。吴世农，卢贤义（2001）从企业的长期偿债能力，盈利能力，成长能力，营运能力和企业规模等角度确定了6个财务预测指标，即资产报酬率，盈利增长指数，长期负债，股东权益比率与流动比率，资产周转率和营运资本与总资产比，作为多元判定分析方法的变量。赵健梅，王春莉（2002）也分别采用单变量分析和多元变量分析方法，她们选择了40家ST公司作为破产组，40家非ST公司作为非破产组进行配对研究，发现某些单个的财务指标如净利润/所有者权益（净资产利润率），净利润/平均资产总额（总资产利润率）对企业财务状况的判别准确程度要高于多元线性模型；与此同时，Z值模型的预测结果的准确性要高于选择的大部分财务指标。郑茂（2003）选取了我国证券市场的60家ST公司，与此同时选取了59家财务状况良好的上市公司进行比较，研究结果表明我国现有的财务指标对预测企业的财务风险是有效的。 我国信息电子行业上市公司财务风险预警模型构建及实证分析(6):http://www.751com.cn/kuaiji/lunwen_19014.html