IMS-MAUKF：用于财务困境预测的一种新颖动态分而治之方法

《Big Data Research》：IMS-MAUKF: A novel dynamic divide-and-conquer approach for financial distress prediction

　　

摘要

本文提出了一种动态分而治之方法用于财务困境预测，通过动态聚类、分而治之建模和协同更新来解决金融时间序列中的概念漂移问题。现有的全局建模方法在处理异质性方面表现不佳，训练效率低下，且在应用于多变量长期数据时缺乏实时监控能力。为了克服这些局限，我们首先开发了一种改进的均值漂移（IMS）聚类算法，结合高斯核密度估计、自适应带宽计算和动态种子选择，用于金融时间序列的结构表示和子空间聚类。随后，我们提出了一种改进的自适应无迹卡尔曼滤波（MAUKF），基于新息协方差匹配进行多步时间序列外推，以估计财务困境动态中的长期依赖关系。对中国上市公司的实验表明，所提出的方法能够实时监控公司财务状态，同时捕捉财务信号和市场趋势。该方法在财务困境发生前四年预测准确率高达90.09%，其财务轨迹估计捕捉了危机演化过程的几乎所有时间特征。

引言

财务困境动态预测涉及对公司或金融机构的实时监控，分析和预测财务状态的时间变化以识别潜在困境及其演化过程。这一过程需要动态更新财务数据、趋势分析和预警机制，以便及时发现新兴风险并实施适当的对策[1]。财务困境预测可分为长期预测和短期预测[2]。长期预测评估公司在较长时期的财务健康状况，通常关注长期财务趋势和结构性转变，有助于识别持续存在的财务脆弱性并支持战略决策。短期预测则专注于即时的财务波动，通常使用季度或月度数据来评估短期负债、流动性需求和市场波动的影响。这种方法能够迅速检测并缓解即将发生的财务困境。

与用于二元或多类财务困境分类的静态建模范式不同，动态预测建模将公司财务困境视为一个本质上具有时间依赖性和渐进演化过程的现象。其形成机制遵循累积效应的量变质变原则[3]。因此，传统的横截面数据分析表现出显著局限性：仅依赖特定危机前时间点的静态财务指标，无法捕捉危机演化轨迹，也无法考虑历史财务表现的累积影响[4]。当前动态预测方法未能考虑财务比率的时间序列特征，导致无法捕捉财务状态转变的动态模式[5,6,7]。例如，当基于T-1（危机年T前一年）和T-2（危机前两年）期进行未来财务状况预测时，这些方法仍通过简单汇总进行静态分析，未能反映历史累积财务比率的当前影响[8,9]，也无法建立真正的时相关模型[10]。这些方法割裂了财务指标在不同时间点之间的动态关系，难以识别长期累积效应对公司财务健康的潜在影响[11]。对于复杂的人工智能模型，其固有的静态特性限制了在动态财务预测中的有效性，导致长期预测准确率显著降低[12]。财务困境的轨迹应被视为一个需要基于持续更新的时间序列数据进行动态预测的连续长期过程[13]。通过采用适当的方法分析健康和困境公司历史财务状态演化路径，并随后基于其财务轨迹的差异特征构建预测模型，我们可以提高模型可解释性和困境过程的可视化，同时改善预测性能[14]。

在财务困境预测中，概念漂移指财务指标与困境结果之间统计关系的时间演化，导致基于历史数据训练的模型随时间推移准确率下降[15]。这种漂移以三种方式表现：随着宏观经济状况和监管环境变化，特征分布发生偏移；随着特定财务比率的预测能力演变而发生关系漂移；随着个体公司遵循不同的时间路径走向困境而出现轨迹漂移[16]。鉴于财务困境的渐进性和连续性，传统预测方法难以实时适应这些动态变化。然而，时间序列聚类允许实时监控变化的数据模式。检测到异常状态或模式偏离时，模型可以进行重新聚类和重新校准，从而增强对动态环境的适应性并优化财务策略和资源分配。

为应对这些挑战，本文提出了一种增强的动态分而治之预测方法。首先，我们改进均值漂移聚类以实现金融时间序列数据的结构表示和子空间聚类分析。其次，我们改进自适应滤波用于多步时间外推，量化公司财务状态并建立协同的"粗聚类加精细预测"框架。该框架在捕捉长期财务困境动态的同时，能够实现在财务状态不同阶段和时间点的空间预测。

本文其余部分结构如下。第2节回顾财务困境动态预测和时间序列聚类预测的当前研究现状，识别关键研究缺口和目标。第3节呈现方法框架。第4节进行实证验证。第5节通过综合讨论检验模型有效性。第6节总结主要发现和启示。

章节片段

动态财务困境预测

公司财务困境的爆发不是离散事件，而是一个具有时间依赖性和路径依赖性的动态演化过程。当前研究表明，金融危机通常是长期财务恶化和风险因素累积的结果[17]。这种动态特性对传统的静态预测模型提出了重大挑战。Candelon等人[18]取得了重大突破，挑战了静态假设

方法论

本节呈现所提出的IMS-MAUKF框架，该框架实现了"粗聚类和精细预测"的分而治之范式用于动态财务困境预测。该框架由两个紧密耦合的模块组成。首先，IMS聚类算法对金融时间序列轨迹进行结构表示和子空间划分，将异质性公司分组为财务同质性簇。其次，MAUKF进行多步时间

财务样本选择

本文采用中国深圳证券交易所和上海证券交易所的特殊处理（ST）和退市风险警示（*ST）机制作为公司财务困境的指标。为确保模型构建的客观性，每个选样的公司必须首次被标记为特殊处理。基于行业接近性、相似资产规模和一致财政年度的标准，采用配对抽样方法。这种匹配策略确保

讨论

本文提出了一种基于财务困境长期动态过程和状态空间概念的聚类增强MAUKF动态分而治之预测模型。该模型采用"分而治之建模，协同更新"方法实现财务时间序列轨迹的实时动态估计，可视化财务困境的演化。随着财务数据的持续更新，IMS使用高斯核密度估计进行计算

结论

静态建模方法难以处理财务数据的高维性、非线性和时间动态性，特别是在检测危机早期预警信号和保持跨周期预测准确率方面。高级模型在处理多变量长期数据时面临效率挑战，全局深度学习方法的训练成本高昂，不适合实时动态预测。

为了克服这些

生成式AI和AI辅助技术在论文准备过程中的声明

在本工作准备过程中，作者使用了AI辅助的语言编辑工具（Coze，字节跳动有限公司，基于大语言模型）进行英文润色和语法完善。作者根据需要审查和编辑了输出内容，并对发表文章的内容承担全部责任。

资助

本工作得到了国家自然科学基金的资助（编号72131005和72121001）。

CRediT作者贡献声明

毛曾礼：软件、方法论、数据整理。吴聪：写作 - 审阅与编辑、指导。

毛曾礼|吴聪