上市公司財務狀況的多元統計分析

Ⅰ IPO定價的因素分析

我們將承銷商在IPO定價程序中可能考慮的各種因素分為兩類，即外部因素和公司內部因素。它們的組合及其影響直接導致了IPO價格的確定。
所謂外部因素是指與企業正常經營狀態相對獨立的、不直接反映其內生持續盈利能力 但卻影響承銷商IPO定價判斷的各種情況，它們包括國民經濟運行狀況、市場利率水平、突發性事件、行業宏觀政策導向、產品市場預期、同業競爭情況、市場波動情況、股票發行規模以及承銷商自身實力等等。這些因素可能會以不確定的、非線性的方式對承銷商的定價過程發生作用，而且在特定的定價行為中，上述信息對IPO價格的最終形成主要起著經驗性的非量化影響；公司內部因素是指反映在IPO價格中的直接體現公司素質和增長前景的各種要素的總和，包括承銷商對其經營效率、獲利能力、管理狀況、資本結構等各種內部情況的評估結論。與外部因素不同之處在於，這些內部因素對於IPO定價主要可能起著較為確定的、線性的量化影響。
在模擬外部因素時，我們考慮到一些外部影響的量化難度而進行了相應的簡化或剔除。最終，我們假設承銷商的IPO定價程序主要受到以下四方面因素的直接影響：（1）市場波動情況；（2）股票發行數量；（3）行業特性；（4）承銷商等級指數。
對因素（1），我們使用了上證指數的相對波動率指標來模擬整個市場的中短期波動情況。考慮到在實際發行程序中，IPO定價的最終確定時間一般是在正式發行日的兩周之前，因此我們採用發行前兩周的市場波動率組合S1來模擬市場氣氛的研判環境。其計算公式為：
F/An=Ft/Fn（n=3，5，7，9，11，13，15）
其中，F/An代表相對於上證指數第n周移動平均收盤點位的市場波動率；
Ft為特定股票發行日兩周前的上證指數收盤點位；
Fn為特定股票發行日兩周前的上證指數n周移動平均收盤點位.
對於因素（3），我們使用了最新頒布的上市公司行業分類指引。由於兩個交易所公布的上市公司行業分類結果詳細程度不同，因此我們以深交所較為概括的分類標准來對樣本公司所屬的行業進行判別。
在因素（4）即承銷商自身實力方面，我們考慮到美國的IPO市場中等級較高的投資銀行所承銷的IPO股票定價傾向於高出平均水平（Michelle Lowry&G. William Schwert，2001），因此，國內承銷商的實力差別可能也會對其作出的IPO定價決策有所影響。在考慮多重指標之後，我們大致把1997－2000年樣本期間內的主承銷商進行了等級排名，共分為1、2、3、4個檔次。其中，檔次越靠前的承銷商實力也越強。
在公司內部因素方面，我們考慮到市盈率指標所反映的公司基本面情況較為有限，而要試圖對公司的內在價值運用現金流量貼現方法作出判斷又會令主觀因素的干擾加大。因此，為了全面反映特定公司的基本面素質，我們運用了71個財務指標來模擬公司的償債能力、贏利能力、資產周轉能力、管理效率等各個方面的情況。這些財務指標的原始數據均來自於樣本公司招股說明書及上市公告書中上一個會計年度的資產負債表和收益表。盡管現金流量信息非常重要，但在權責發生制的框架下，資產負債表和收益表仍然可以完整地代表特定企業的財務狀況和經營成果。鑒於報表編制基礎的沖突，我們在選取財務數據時沒有納入現金流量信息。
另外，我國證券市場的政策環境變化較大，經驗數據表明：市場的IPO定價從趨勢上看，有突然間受到某種沖擊而整體增加的跡象，而不是逐漸的增加；而從實際的市場情況來看，定價增加可能是因為受到一級市場市場化的政策的影響，從而表現出的不理性行為導致。基於上述兩個原因，我們沒有在後續的分析過程中引入時間變數。 （1）數據性質的檢驗
我們試圖從81個變數中尋找到對新股價格有效的解釋變數。如果這些變數高度相關，必然會導致回歸方程中自變數相互削弱各自對y的邊際影響，而出現回歸方程整體顯著，但各個變數都不顯著的現象，也就是多重共線性的現象。另外，在眾多的數據中如果存在奇異值，將嚴重地歪曲變數與自變數之間的關系，使回歸方程不能很好地描述一般情況下變數與自變數之間的關系。因此，在發現奇異值時，應將其刪除以使回歸方程得到較好的效果。
我們通過標准化誤差和標准化預測值的散點圖檢驗數據是否存在奇異值的一般規則是：如果存在數據點明顯超出 標准化誤差值區間，則可以認為該數據是奇異值。根據結果看，幾乎所有的值都在 標准化誤差值區間內，有兩個點遠離該區間，顯見這兩個值是奇異值，將嚴重影響到回歸方程的質量，應該剔除。這兩個點對應的個體是新力葯業（0153）和平高電氣（600312）。
（2）多重共線性的檢驗
我們通過相關系數矩陣觀察各指標之間的相關程度，從而判斷各指標間是否存在高度的相關性。從相關系數矩陣可以看到，在擬選用的指標中，變數之間普遍存在著高度相關的現象，比如F/A7與F/A9之間的相關系數為0.977794、主營收入/有形資產與總資產周轉率之間的相關系數高達 0.998043等等。所以，這些變數不能同時進入回歸方程，在進行回歸之前必須對數據進行處理以消除多重共線性的影響。
（3）數據處理
從上述數據性質的檢驗中，我們發現數據存在奇異值、存在多重共線性的現象。對於奇異值我們將其從數據中剔除，而對於多重共線性的問題我們採用主成分分析法進行處理。
擬選用的指標可以分為兩類，即外部指標（行業類別、市場波動指數、承銷商等級、發行量系數）和反映公司內部因素的財務指標類聚，並分別對這兩類指標進行主成分分析。
（4）用多元統計分析中的主成分分析法進行數據簡化
由於存在多重共線性的現象，也就是說各變數之間相互關聯，所反映的信息很大程度上也是重復的，所以我們完全可以用少數一些變數來反映大部分的信息。主成分分析作為多元統計分析技術的一個分支，其主要目的就是濃縮數據，就是研究如何以最少的信息丟失把眾多的觀測變數濃縮為少數幾個因子。這幾個因子不僅保留了原始指標中的主要信息，而且彼此之間不相關，很好地避免了出現多重共線性的問題。
（5）從財務指標中提取公因子。
第一步，提取公因子，並進行因子旋轉。
這一處理的結果發現：特徵值（Total項）大於1的因子共13個，這13個因子的累計解釋方差佔到總方差的91.33864%，也即這13 個因子代表了原來所有71財務指標所表達的信息量的91%左右，代表了絕大多數的信息。而變數數由71個減少到13個，以最小的信息丟失量，極大地簡化了數據。在之後的回歸分析中，我們將用這13個共因子替代原來的71個財務指標進行回歸。通過主成分法得到的公因子是完全不相關的，即相關系數為0，用它們進行回歸分析就不會出現多重共線性問題。
另外，因子旋轉後並沒有改變這13個因子的累計解釋方差佔到總方差的比例，旋轉前後該比例均為91.33864%，只是在各個因子之間的分配比例有所變化。
第二步，計算因子得分。
實際上因子得分是通過原始變數的線性組合得到，原始變數前的系數就是因子載荷矩陣中的因子載荷。
（6）從市場指數波動指標中提取公因子
利用上表中的因子載荷矩陣計算因子得分S1
S1=0.823232×（F/A3）+A+0.895644×（F/A15）
（7）用虛擬變數處理行業數據
對於樣本所含的94隻新股，共涉及19個不同行業，我們引入虛擬變數進行處理。我們用18個虛擬變數di（i=1，2A 18 ）來反映行業分布對新股定價的影響。
（8）回歸分析
在剔除奇異值、運用主成分分析法濃縮數據並同時處理了多重共線性的問題之後，我們即可進行最後的回歸分析。下面是我們通過採用主成分法得到的財務指標的公因子、市場指標的公因子及發行量系數、行業類別的虛擬變數、券商等級等因素對被解釋變數（即IPO價格）進行逐步回歸所選出的最優回歸方程。
Price=14.27727－1.71038×發行量系數－0.41778×S1+6.70326×d11+3.861002×d15－3.06603×d17+1.132558×F1+0.579465×F3+0.863128×F4+0.67048×F6+0.422713×F8－ 0.6338×F12
其中R2=0.68
（9）最終結果分析：
在財務指標的公因子中，對新股價格有顯著影響只有F1、F3、F4、F6、F8、F12、這六個因子，其餘因子對新股價格影響甚小，不予考慮。除此之外，市場波動指標的公因子S1對新股價格的影響也是顯著的，S1也進入了回歸方程。發行量對新股價格的影響同樣不能忽視。在反映行業分布的18 個虛擬變數中d11、d15和d17進入了方程，它們所對應行業為行業C99（其他製造業），行業G（信息技術業）和行業K（社會服務業），這說明在 2000年以來，屬於這三個行業的上市公司在進行新股定價時，行業分布對其股票定價有顯著影響。其中，行業C99和行業G對新股定價是正向的影響，而行業 K對新股定價的影響則是反向的。
上述的Tolerance和VIF兩個指標為多重共線性的檢查指標。可以看到，所有變數的Tolerance均大於0.1，VIF均小於10，因此不存在多重共線性的問題。
另外，檢驗數據表明，在5%的顯著性水平下，各系數的t值與方程的F值全部通過檢驗，新股定價模型擬合效果非常好。
作為對比，我們對1997年至2001年初的328隻IPO股票數據進行了類似分析，檢驗結果與上述結論較為相近（檢驗通過變數完全一致），但回歸方程中的自變數系數有一些差別，而樣本的擬合度也較差一些，這表明較長期間的IPO定價因素影響可能會隨著結構性的市場變動而發生變化。另外，從行業分布角度看，在這一期間對股票定價有顯著影響的行業也變成行業C99，行業F（交通運輸、倉儲業）和行業L（傳播與文化產業）。其中，行業C99和行業 L對新股定價是正向的影響，而行業F對新股定價的影響則是反向的。這說明市場熱點會隨著一些環境因素的變化而轉移。

Ⅱ 如何利用因子分析法評價企業並購績效

因子分析法是解決如何以最少的信息丟失,將眾多原始變數濃縮成少 數因子變數,使因子變數具有較強可解釋性的一種多元統計分析方法.以2006年發生並購的上市公司為例,用因子分析法在公司並購財務績效評價中的應用進行 闡述,並通過該方法計算綜合績效得分F值,得出上市公司並購前後的績效變化情況.

Ⅲ 什麼是多變數預警模型

多變數預警模型即是運用多種財務比率加權匯總而構成線性函數公式來預測財務危機的一種模型。它一種綜合評價企業風險的方法，當預測企業是否會面臨財務失敗時，只需將企業的多個財務比率同時輸入模型中，模型會通過計算得到一個結果，然後根據結果就可以判斷企業是否會面臨財務失敗或破產。
多變數預警方法通過多個變數的組合來綜合確定企業發生財務風險的可能性，其從企業集團的宏觀角度出發運用多個財務指標衡量企業風險，為管理決策提供幫助，進而規避風險或延緩危機的發生。相對於單變數模型而言，多變數模型預警財務指標能多方位反映企業經營狀態，揭示企業產、供、銷各環節可能存在的風險，適合企業集團的財務預警系統的要求。

多變數模型的分類
多變數模型就是運用多個財務指標或現金流量指標來綜合反映企業的財務狀況，並在此基礎上建立預警模型，進行財務預測。按所建模型是否具有動態預警能力、財務預警系統是否易於修改和擴充，多變數模型又可以分為靜態統計模型和動態非統計模型。
1. 靜態統計模型。
① 線性判別模型。多元線性判別模型是運用多元統計分析方法中的判別分析建立起來的，它是根據一定的樣本資料，建立判別函數、確定判定區域，以對企業財務狀況進行預測。這種模型以美國Atlman教授的Z模型最具代表性。
② 主成分預測模型。該模型也形成一個線性判定函數式，其形式類似判別分析模型。不過該模型是運用多元統計分析中的主成分分析方法，通過提煉綜合因子形成主成分，並利用主成分建立起來的。我國學者張愛民、楊淑娥等分別運用主成分分析方法對我國上市公司的財務預警模型進行過研究。
③ 簡單線性概率模型。該模型是利用多元線性回歸方法建立起來的，其形式是：y=c+β1x1+β2x2+…+βkxk。其中：c、β1、β2、…、βk為系數;x1、x2、…、xk為 k個預測變數，即財務指標;y為企業財務失敗的概率。該模型以0.5為危機分界點，y值越大，企業發生財務失敗的可能性越大，y值越接近於0，說明企業財務越安全。
④ logit模型和probit模型。它們也分別叫作對數比率模型和概率單位模型，都屬於概率模型，是在克服簡單的線性概率模型的基礎上並分別用logit 和probit概率函數建立起來的。logit模型的形式為：ln=α0+β1x1+β2x2+…+βkxk。其中：p取值為0、1; p為概率;x1，x2，…，xk為k個預測變數，即財務指標;α0、β1、β2、…、βk為系數。probit概率模型的預測效果一般與logit模型預測的效果相差不大，在此不多加介紹。
2. 動態非統計模型。
動態財務預警模型主要是把人工智慧中的歸納式學習的方法應用於財務危機預測。目前，這種方法中最常用的是神經網路預測模型。在神經網路模型中，當輸入一些資料後，網路會以目前的權重計算出相對應的預測值以及誤差，而再將誤差值回饋到網路中調整權重，經過不斷地重復調整，從而使預測值漸漸地逼近真實值。當應用此網路到新的案例時，只要輸入新案例的相關數值，神經網路就可以根據當時的權重得出輸出值即預測值。神經網路分析是一種並行分布模式處理系統，具有高度的計算能力、自學能力和容錯能力。該模型由一個輸入層、若干個中間層和一個輸出層構成。案例推理法是近年來才被嘗試應用於財務危機預測上的一種動態非統計模型方法。它是一種依循經驗來推理的方法，就是以過去發生的案例為主要的經驗依據來判斷未來可能發生的問題，是一種典型的「上一次當，學一次乖」 的推理方法。當輸入一個新的問題到案例推理法系統，該系統會在從現有的案例庫中搜尋相似的案例，判斷新案例的類型。案例推理法的關鍵步驟就是根據相似性演演算法測算出案例之間距離，再轉變為案例之間的相似度，由相似度選取最相近的案例，據此進行推理判斷。
多變數預警分析模型的構建
財務預警的方法很多，如比弗的立面分析、兩分法檢驗和一元判定模型，迪肯的概率模型，埃德米特的小企業研究模型，達艾蒙德的範式確認模型等。但比較有代表性的主要是Z預警模型和F預警模型。
1、Z預警模型。
Z預警模型是由美國愛德華?阿爾曼（Altman）在20世紀60年代中期提出來的，最初阿爾曼在製造企業中分別選取了66家破產企業和良好企業為樣本，收集了樣本企業資產負債表和利潤表總的有關數據，並通過整理從22個變數中選定預測破產最有用的5個變數，經過綜合分析簡歷了一個判別函數：在這模型中他賦予5個基本財務指標以不同權重，並加權產生「Z」值，即
Z＝0.012X1＋0.014X2＋0.033X4+0.999X5
式中：Z為判別函數值
X1＝（營業資金÷資產總額）×100

X2＝（留存收益÷資產總額）×100
X3＝（息稅前利潤÷資產總額）×100
X4＝（普通股優先股市場價值總額÷負債賬面價值總額）×100
X5＝銷售收入÷資產總額
該模型將反映企業償債能力的指標X1和X4、反映企業獲利能力的指標X2和X3以及反映企業運營能力的指標X5有機聯系起來，通過綜合分值分析預測企業財務失敗或破產的可能性。按照這個模式，一般來說，Z值越低企業越有可能破產，通過計算某企業若干年的Z值就可以發現企業是否存在財務危機的徵兆。阿爾曼根據實證分析提出了判斷企業財務狀況的幾個臨界值，即：當Z值大於2.675時，則表明企業的財務狀況良好，發生破產的可能性小；當Z值小於1.81時，則表明企業潛伏著破產危機；當Z值介於1.81-2.675時被稱為「灰色地帶」，說明企業的財務狀況極為不穩定。
上述模型主要使用於股票已經上市交易的製造企業，為了能夠將Z預警模型使用於私人企業和非製造企業，阿爾曼又對該模型進行了修正，即
Z=0.065X1+0.0326X2+0.01X3+0.0672X4
式中：X1＝（運營資金÷資產總額）×100
X2＝（留存收益÷資產總額）×100
X3＝（息稅前利潤÷資產總額）×100
X4＝（企業賬面價值÷負債賬面價值）×100
在這個預警模型中，當目標企業的Z值被測定為大於2.90時，說明企業的財務狀況良好；當Z值小於1.23時，說明企業已經出現財務失敗的徵兆；當Z值處於1.23-2.90時為「灰色地帶」，表明企業財務狀況極不穩定。
阿爾曼設計的Z模型綜合考慮了企業的資產規模、變現能力、獲利能力、財務結構、償債能力等方面的因素，該模型在西方預測公司破產的准確率達70％-90％，在破產前一年准確率高達95％。
2、F預警模型。
由於Z預警模型在建立時並沒有充分考慮到現金流量的變動等方面的情況，因而具有一定的局限性。為此，有學者擬對Z預警模型加以改造，並建立其財務危機預測的新模型——F預警模型。

F預警模型的主要特點是：（1）F預警模型加入現金流量這一預測自變數。許多專家證實現金流量比率是預測公司破產的有效變數，因而它彌補了Z分數模式的不足。（2）本模型考慮到了現代化公司財務狀況的發展及其有關標準的更新。比如公司所應有財務比率標准已發生了許多變化，特別是現金管理技術的應用，已使公司所應維持的必要的流動比率大為降低。（3）本模型使用的樣本更加擴大。其使用了CompustatPCPlus會計資料庫中1990年以來的4160家公司的數據進行了檢查；而Z預警模型的樣本僅為66家（33家破產公司及33家非破產公司）。F預警模型對4160家公司進行了驗證。
F預警模型如下：
F=-0.1774+1.1091W1+0.1074W2+1.9271W3+0.0302W4+0.4961W5
F預警模型中的五個自變數的選擇是基於財務理論，其臨界點為0.0274，若某一特定的F值低於0.0274，則將被預測為破產公司；反之，若F值高於0.0274，則公司將被預測為繼續生存公司。

Ⅳ 求一個學年論文題目（經濟類，最好和統計有關的）

提供一些經濟統計類的學年論文題目，供寫作參考。

1. 某省各地市經濟發展水平的綜合評價
2. 工業企業經濟效益綜合評價的應用研究
3. 某省市經濟發展水平分區研究
4. 某省市消費拉動第三產業增長的實證分析
5. 某省市城鎮居民消費結構變化趨勢研究
6. 某省普通高等教育生源變動趨勢與對策研究
7. 某省城鎮居民消費結構比較研究
8. 某高校學生的心理健康統計分析
9. 課堂教學評估體系與方法研究
10. 某市各區縣經濟綜合實力評價研究
11. 基於多元統計的某省經濟分區研究
12. 因子分析在某省利用外資效果評價中的應用
13. 因子分析在居民消費結構變動分析中的應用
14. 因子分析在企業競爭力評價中的應用
15. 深滬股市收益率分布特徵的統計分析
16. 某省市農民收入問題的調查與思考
17. 最優加權組合法在GDP預測中的運用研究
18. 最優加權組合法在糧食產量預測中的運用研究
19. 最優加權組合法在能源消耗預測中的運用研究
20. 我國（某省）實際人均GDP的趨勢分析及預測
21. 某省市工業經濟效益的綜合評價
22. 工業企業科技競爭力的綜合評價
23. 某省市城鎮居民消費結構的地區差異分析
24. 某省市各地區經濟綜合實力的評價
25. 基於因子分析法的上市公司財務狀況評價研究
26. 某省工業化進程統計測度及實證分析
27. 某省城市化進程統計測度及實證分析
28. 某省城市規模發展水平分析與比較研究
29. 某省市工業行業結構特徵的因子分析
30. 城鎮居民消費的典型相關分析
31. 我國（某省）各地區人口素質差異的統計分析
32. 我國（某省）三次產業結構變動的統計分析
33. 某省農業產業化發展的實證研究
34. 某省外貿出口與經濟發展關系的實證研究
35. 縣域經濟發展綜合評價的實證研究
36. 某省各縣市經濟發展的聚類分析
37. 某省各縣市產業結構的聚類分析
38. 某省（市）信息化實現程度實證評價
39. 某省（市）環境保護綜合評價
40. 我國科技進步貢獻率的測度
41. 某省（市）居民生活水平與質量實證評價
42. 某省（市）經濟外向度實證研究
43. 縣級政績考核指標體系與方法研究
44. 我國城鄉居民收入差距實證研究
45. 我國東西部城鎮居民收入差距實證研究
46. 某省市城鎮居民消費水平與結構變化趨勢研究
47. 某省市投資拉動GDP增長的實證研究
48. 耐用品需求預測模型及其應用研究
49. 某省市GDP周期波動實證研究
50. 某省市工業周期波動實證研究
51. 某省市零售市場周期波動實證研究
52. 某省市農民收入周期波動實證研究
53. 某省市人口最優預測模型與應用研究
54. 某省市人口老齡化趨勢與對策研究
55. 某省市財政收支變化趨勢與對策研究
56. 某省市城鎮居收入差距變化趨勢與對策研究
57. 某省市農民收入差距變化趨勢與對策研究
58. 長江水質的綜合評價與預測
59. 多元統計分析方法在股票市場板塊中的應用研究
60. ARCH族波動模型研究及其在我國股市中的應用研究