基于规则库的财务风险识别方法

来源：留富兵法

财务风险研究主要分为两种思路，即自上而下演绎法和自下而上归纳法。自上而下演绎法一般基于业务逻辑，通过分析上市公司的公开信息，并辅以其他方式做出是否存在财务风险的判断。自下而上归纳法则根据历史数据找出存在财务风险公司的共性特征，该模型基于历史统计规律。

我们将金融业务逻辑和数理统计检验相结合，形成了“先猜想再检验”的基于规则库的研究思路。本篇报告希望将以上两种思路结合，先从业务逻辑出发找到一些描述公司财务风险的“规则”，然后再使用量化的方法，通过“回测”对这些规则进行定量验证，从而构建更加鲁棒的模型。

我们对财务风险模型的单规则进行了一一检验。单规则可以分为六大类：扭亏为盈、规避ST或退市、虚增资产或虚减负债、同行业比较异常、多指标冲突和其他情形。我们对大部分规则都通过具体示例进行了解释，并给出了单指标的检验结果。结合所有16个规则，我们构建了财务风险预警规则库。经检验，规则库在样本内可以覆盖约73%的违规公司样本，且在样本外具有较为稳定的负超额异常收益，说明财务风险模型具有一定的有效性。

一、财务风险模型简介

海内外对于财务造假的研究非常丰富，大体来说可以分为两种思路，即自上而下演绎法和自下而上归纳法。自上而下演绎法一般基于逻辑推导，即通过分析公司的财务报表或者其他相关公开信息，找出不合理或者非正常的可疑点，并辅以公司调研、投资者提问等方式做出是否公司存在风险的判断。自下而上归纳法则是根据历史数据找出存在财务风险公司的共性，通过归纳法总结出一套用以判断公司是否存在风险的“预测模型”，该模型基于历史统计规律。前者重逻辑轻验证，后者重数据轻逻辑，均有一定的片面性。本文希望能将两者有机结合，从业务逻辑出发找到一些描述公司财务风险的“规则”，然后再使用量化的方法，通过“回测”对这些规则进行定量验证，从而构建更加鲁棒的模型。

从2001年起至今，根据Wind统计数据，剔除同一家公司及其子机构之后，公司违规案例约6371起，其大体可以分为虚假陈述、业绩预测结果不准确、信息披露不及时、定期报告未按时披露、未依法履行其他职责等。

我们主要将精力放在虚假陈述这方面，而大部分存在财务欺诈行为的公司在违规处罚的情况下也都会被归类到这一类中，该类样本共计约875个。对于这些样本，我们进一步进行了清洗，排除掉关联交易相关的样本，并将同一家公司几次时间较为接近的处罚案例进行合并，最后得到共计145个样本。另外，从历史经验看，依然存在一些没有被处罚，但却曾经在正式财报中大幅下调利润的公司，这些公司同样也暴露了巨大的风险。我们整理出从2010年起，曾经在财务报告中大幅调低（下调20%以上）基准报告的净利润的公司样本，剔除重复项后共计328起，将这些样本和之前的145起违规样本进行集合，得到本篇报告最终要研究的473个财务风险样本。

本文从演绎的角度出发，找到一些可能适用A股的规则，然后对规则进行检验，并找出命中数量足够多样本的规则，如果满足这些规则的公司的确业绩表现不佳，则我们认为这是一条“好的规则”。集合所有规则的并集，则可以得到我们最终的“规则库”。当然，为了进一步说明我们的模型在样本外具备基本的泛化能力，我们在样本外做了简单的验证。具体思路如下图所示。

二、财务风险单规则构建及案例分析

单规则可以分为六大类：扭亏为盈、规避ST或退市、虚增资产或虚减负债、同行业比较异常、多指标冲突和其他情形。对于这六大类规则，我们需要解决以下问题：

1.如何从逻辑出发找到一条有业务含义的规则？

2.如何对该规则进行检验，怎样评价该规则的有效性？

3.规则命中的样本数是否足够多，是否具备统计意义？

我们以扭亏为盈为例介绍该研究过程：市场上有一类公司，因为经营不善可能导致其某年度未能如期盈利，为了不使得股价遭受严重损失，公司有动力对部分数据进行造假，从而导致当年度会计报表净利润扭亏为盈。这部分公司的共同点是，由于为了提升净利润，必须虚增资产或者虚减负债，而这些动作都会对未来的财务报表造成影响。为了不使得为了的财务报表承受过大的压力，一般公司都只让净利润“刚刚好”为正值，或者为一个很小的正值（尤其是相比于公司过去的净利润体量而言）。并且，为了虚构利润，很多公司选择使用资产重组的方式进行“洗大澡”来掩盖利润损失。根据此现象，我们猜测以下规则：

RULE1：(净利润/median(净利润,3))<0.2 AND 净利润>0 AND 净利润>10e6 AND IF(资产重组,2)=1

可以解释大部分这些公司的情况。其中，净利润是归属母公司的净利润（不含少数股东权益），median(净利润,4)代表过去四个会计年度的净利润中位数，IF是判断函数，IF(资产重组,2)是指过去两年是否有发公告表示公司及其子公司有重组行为。

我们举A公司为例，该公司2004年的财务报表显示，公司归属于母公司的净利润水平为212.60万元，而从历年水平看，公司的净利润水平如下表所示：

不难看出，过去三年该公司净利润水平在千万元级别，然而2004年会计年度公司净利润水平只有212万元，是一个大于0的小值，且公司过去两年有重大重组事件，从而满足了RULE1的所有条件。

那么这个规则是否真的有效呢？我们需要进行量化验证。这里我们借鉴事件驱动研究中的异常收益检验法进行研究，即将每次触发规则的时间记为第T+0天（一般为财报公告日），观察该公司未来一年约252个交易日的股价表现。由于不同的公司触发该规则的时间不同，有时市场总体表现强劲有时萎靡，有时小市值公司表现更佳，有时市场更青睐龙头白马。为了剔除市场风格的影响，我们将个股的收益做了以下处理：

AR(Rule_i) = R_i  – R_industry– R_style

其中R_industry为行业因子收益率，R_style为风格因子收益率，其中风格因子包含Barra CNE5中的十大类风格因子。通过这样的调整，我们使得用来验证该规则的收益率不受市场主要风险因素以及股票所在的行业因素的影响。

对于本规则，我们计算了从2010年至2016年所有触发该规则的样本，共计128次，其中，触发规则时，一家公司可能会重复触发，我们分多次记录。对于这128个样本，我们计算了股价未来一年异常收益的表现，如下图所示。

如图所示，横轴为事件发生后的252个交易日，左轴（蓝色折线图）为组合异常收益净值，右轴（红色柱状图）为单日异常收益表现。该规则触发后，股价在前30日表现很好，但在之后则明显表现出负向的超额收益（一年内约4%的负超额收益）。因此，我们认为该规则总体上较好地验证了我们之前的逻辑，并且将这样通过检验的规则纳入规则库中。

类似地，我们对所有其他规则也做了相应检验，最终得到规则库：

具体规则的含义解释以及检验结果请查阅原始报告。

三、模型绩效检验与讨论

财务造假模型有可能犯两类错误，即如果一家公司存在财务造假但被模型评判为好公司（第一类错误），以及一家公司是好公司但被模型评判为具有风险（第二类错误）。第一种错误对投资者更为致命：如果不小心投资了一家财务造假的公司，可能会给投资者造成巨大的损失；而如果不小心将很多好公司打上了财务风险的记号，那么最多失去的是投资这些公司的机会。从量化模型角度说，量化模型本身就是广度极高的，多剔除一些股票可能很难大幅影响量化策略的收益。因此，我们更看重模型的召回率（有风险的尽量都找出来），不看重模型的准确度（多标记错误几个公司还能补救）。下面，我们从召回率和准确度两方面进行检验。

召回率：

我们通过规则库对样本时间内（2010年-2016年）进行了检验，发现通过这16个规则可以覆盖73%的样本。另外还有27%的样本大多是因为无法通过财务报表直接获得造假信息，或者是通过进一步对公司的财务进行审计查明公司的违法行为，最后一类就是公司本身公告没有写明财务操纵的具体事项，被归为“未分类”。对于已经覆盖的73%的样本，我们对每个规则的覆盖度做了统计，如下图所示。

准确度：

由于在单因子测试中我们对模型的检验是完全基于样本内的，那么样本外模型的表现如何呢？是否真的能找出财务风险公司？由于在模型准确度评价中最为关键的环节——正例样本是不齐全的，即有些还未被监管机构处罚的公司有可能也具有财务风险，因此样本外的跟踪还是只能根据股价的异常收益表现，即市场对模型的理解做一个准确度估计。我们在样本外的2017年至今做了整个规则库的异常收益检验，即假设不考虑组合换仓成本，每个交易日等权配置所有命中规则库的公司，对组合进行异常收益检验，结果如下图所示。

从图中不难看出，整体来说组合存在一个较为明显的负超额收益。如果我们使用每天触发规则的组合做一个“财务风险组合”，不考虑换仓成本情况下，组合的样本业绩表现如下图所示。

可以看到，组合在样本外总体还是显著跑输了基准组合Wind全A。另外，考虑到组合中的股票偏小市值，我们同样将创业板综指数作为比较基准，发现组合从2017年10月起也开始跑输创业板综。

关于模型的泛化能力：

虽然我们对模型在样本内外的准确度和召回率做了检验，但不可否认的是，虽然模型具有一定的泛化能力，但这些泛化能力来自于上市公司的“故技重施”，即上市公司的财务操纵手法必须在历史上出现过。如果有一家公司“创新性”地进行财务操纵，我们的模型是无能为力的。这也就从侧面说明了这个模型最大的问题：无法对新的财务风险进行预测。

从这一点来说，我们对这个模型或许可以做一个重新的审视：这更像是一个“跟踪”模型，而非一个“预测”模型——对于已有的财务风险，我们提取出特征，并希望以后自己的组合里不要投资于类似股票，即不要犯“重复错误”；但是如果上市公司“技高一筹”，使用新的财务操纵方法，那么我们的模型可能短期内无能为力，只能等到新方法出来后，再通过规则加入到指标库中了。所以，这是一个不断迭代更新的过程。

风险提示：以上结论均基于历史数据和统计模型的测算，如果未来市场环境发生明显改变，不排除模型失效的可能性。

本文节选自国盛证券研究所已于2019年11月21日发布的报告《基于规则库的财务风险识别方法》，具体内容请详见相关报告。

免责声明：自媒体综合提供的内容均源自自媒体，版权归原作者所有，转载请联系原作者并获许可。文章观点仅代表作者本人，不代表新浪立场。若内容涉及投资建议，仅供参考勿作为投资依据。投资有风险，入市需谨慎。