基于股票特别处理的 A 股财务困境预测研究

创建于 2025-07-20T23:52:28.055804+08:00 更新于 2025-07-21T06:45:34.609071+08:00

摘要

本报告以被实施特别处理(ST)的上市公司为财务困境标志，基于A股市场实际，采用Fisher判别与Logistic回归模型构建财务困境预警指标。指出ST实施前后公司股价均显著承压，市场对ST风险提前反应明显。两模型各具优势：Logistic模型对极端值识别更优，Fisher判别对全样本适应性强。报告进一步揭示自2017年起，随着监管趋严及投资者风险偏好下降，财务健康公司相对溢价逐步显现，并预测该趋势将持续。[page::0][page::4][page::5][page::6][page::13][page::15]

速读内容

ST实施对股价的显著负面影响及市场提前反应 [page::4][page::5]

2016-2018年被ST股票在实施前150个交易日内累计超额收益平均下降31.32%，事后超额收益持续负向，达25.7%。

- 市场对ST风险提前反应明显，股价在ST实施前100个交易日即出现负向超额收益。

财务困境预测模型构建：Fisher判别与Logistic回归分析 [page::7][page::9][page::11][page::12]

Fisher判别方法通过线性判别分析将财务指标投影到一条判别线上，实现ST与非ST公司区分。

- 选取15个关键财务指标，涵盖盈利能力、偿债能力、营运能力、成长能力、资本结构及盈余操纵。

通过逐步回归筛选变量并动态调整判别式系数，得分越低公司被实施ST风险越高。

- Logistic回归基于全样本数据，模型中加入净利润是否为负的二值变量以提升预测效果，适用于极端情况判断。

两种模型均采用横截面百分位数阈值(10%或50%)划分风险等级，阈值选择影响误判率(Type I 和 Type II错误)。

| 模型 | 阈值百分位 | Type I 错误率（漏报概率） | Type II 错误率（误报概率） |
|-----------|------------|--------------------------|----------------------------|
| Fisher 判别 | 10% | 8%~9% | 17%~33% |
| Fisher 判别 | 50% | 0%~7% | 49% |
| Logistic 回归 | 10% | 8%~9% | 9%~31% |
| Logistic 回归 | 50% | 2%~8% | 49% |

市场对财务健康状况的定价表现 [page::13][page::14]

按Fisher判别得分分组，财务健康公司年化收益略优，但差距不大。

多空组合显示2017年起财务健康公司逐渐取得相对超额收益。

- 2014-2016年“壳市场”盛行，ST股票因“壳资源”吸引短期资金，中间阶段财务困境公司曾有相对超额收益。

自2017年监管加强，市场更重视基本面，财务健康公司的相对溢价开始稳定提升。

结论与投资建议 [page::15]

ST风险对股价产生持续且提前的负面影响，应及早规避高风险标的。

- Fisher判别和Logistic回归模型均有效，适用场景存在差异，建议结合使用。

随着投资者风险偏好变化，财务健康指标在定价中的参考价值逐渐增强。

深度阅读

基于股票特别处理的A股财务困境预测研究 — 全面分析报告

---

一、元数据与概览

报告标题： 基于股票特别处理的A股财务困境预测研究——数量化专题之一百一十四

- 作者与机构： 国泰君安证券“金融工程团队”发布，主要分析师包括陈奥林、李辰、孟繁雪等，附研究助理支持。

发布日期： 2018年（报告中引用数据截止至2018年）

- 研究主题： 聚焦中国A股市场被实施“特别处理”（ST）的上市公司，研究如何构建预测财务困境的量化模型，帮助投资者提前识别财务风险，规避相关风险。

核心论点与目标信息：

本报告核心在于通过对实施特别处理(ST)的A股上市公司事件及财务数据的深入分析，利用Fisher判别分析和Logistic回归两种模型技术，构建有效的财务困境预测工具。报告指出，ST公司股价在ST实施前后均面临较大负面冲击，尤其是ST实施前的市场预期已导致负超额收益。两种模型均表现良好：Logistic回归优势于极端风险识别，Fisher判别在综合样本中表现更优。未来财务健康股票的相对溢价有望持续扩大，投资者需强化风险管理与优选。

---

二、逐节深度解读

1. 研究背景及政策环境

市场竞争与风险现实： 报告首先指出在宏观供给侧改革和国际贸易摩擦（如美国关税）等环境影响下，企业财务困境风险增加。2018年1-5月，中国债券市场出现多起违约事件，其中民企上市公司违约比例上升，债市风险溢出至股市，股市投资者风险偏好下降。

- 财务困境定义的特殊性： 由于中国上市公司尚无破产案例，且“买壳上市”普遍存在，故ST实施作为标志财务困境的指标更为合适。ST制度由证监会设立，针对连续两年净利润为负、净资产为负、审计报告非标、信息披露违规等情形发出风险警示。

ST样本统计特征： 在2007-2018年间，累计发生449次ST事件，85.3%源于连续两年净利润为负[page::2][page::3][page::4]。

- 事件研究表明： ST股票在ST实施前后150个交易日的累计超额收益明显偏负，2018年ST实施前150个交易日平均超额收益达-31.32%，实施后仍维持-25.7%，表明市场对ST风险提前且持续地反应，投资者应提前规避这类公司[page::4][page::5]。

逻辑与推理： 报告分析中强调ST作为财务困境信号的合理性并符合中国市场制度环境，较破产更具可观测性和操作性；事件研究有效揭示了市场理性预期机制，即ST风险被市场在事件之前部分消化，说明提前预测模型有重要现实意义。

---

2. 财务困境预测模型

2.1 Fisher判别分析

模型原理： Fisher判别为线性判别分析方法，通过线性投影使得同类企业财务指标投影紧凑、异类样本投影分离最大化，以此对企业分类。其数学优化目标是最大化类间均值差异平方与类内方差之和的比值，实现最优线性判别向量$\boldsymbol{w}$[page::7][page::8]。

- 指标体系与变量选取： 选取盈利能力、偿债能力、营运能力、成长能力、资本结构和盈余操纵等15个代表性财务指标作为判别变量（详见表3），如资产收益率、资产负债率、存货周转率、净利润增长率、市值负债比等，覆盖公司生产经营各维度[page::8]。

模型构建流程强调自学习和动态调整： 每4年作为训练期，行业配对匹配非ST样本，通过逐步回归筛选显著指标，得到动态判别系数进行下一期预测。此方法避免固定阈值的时序不可比问题，统一采用横截面分位阈值分类[page::9][page::10]。

- 预测表现与误判分析： 在10%分位数阈值下，判别模型对ST公司有超过2/3的捕获率（Type I Error在20%-30%左右），Type II Error约为8%-9%；宽阈值（50%分位）时可大幅降低遗漏率，但误杀率攀升至近50%[page::10]。

合理性与实用性分析： 该模型兼顾了样本数据的动态变化和行业特性，符合实际市场条件。误差率分布说明该模型在极端风险中场显著，但宽松阈值下对非ST公司的误判率偏高，适合风险偏好差异化的投资者制定不同门槛。

2.2 Logistic回归分析

模型逻辑与变量输入： Logistic回归通过logit函数将财务指标和净利润负值的二值变量映射为预测ST的概率，独立于正态分布等严格假设，泛用性强。因ST股票受“壳价值”炒作影响，股价等市场变量反而弱化，故未纳入市场变量[page::11][page::12]。

- 变量选择： 逐年训练期不同，关键指标围绕净利润是否为负及存货周转率、净利润增长率、负债权益比等，体现盈利稳定性和偿债压力[page::12]。

误判率情况： 在10%阈值，Logistic模型Type I Error一般小于Fisher模型，多数年份低于10%，Type II Error表现略逊于Fisher；50%阈值观测误判率相仿，仍不放弃Fisher的优势[page::12][page::13]。

- 模型优劣对比总结： Logistic模型以其更少的分布假设，在极端财务困境预测中表现更优，尤其在低阈值检测时更有效；Fisher判别适合全局样本预测，更适合宽松风险控制。

---

3. ST风险与资本市场表现

股价表现聚焦： 通过按照Fisher得分或Logistic概率指标，将A股公司分为五组（市值中性）观察收益，发现：

- 财务健康股年化收益优势有限（约17.9% vs 15.4%），短期差异不显著。
- 多空组合（健康公司做多，困境公司做空）从2017年开始展现增长趋势，反映市场对基本面关注提升，风险定价更合理[page::13][page::14]。

监管与市场情绪影响： 2015-2016年“壳市场”热度抬高ST及潜在ST公司股价，导致市场风险偏好临时变动，但监管加强后投资者回归基本面，风险溢价收敛[page::14]。

- 图表解读亮点：
- 图5、图6（Fisher得分组合收益）显示多空收益自2017年后稳步改善。
- 图7、图8（Logistic概率组合）反映出财务健康股早期的相对溢价和2016年逆转，随后市场回归理性。

宏观展望： 结合金融监管及合格境外机构投资者（QFII）的持续放开，财务困境风险被市场逐步更合理定价，投资者关注财务健康属性的趋势将保持。

---

4. 总结与结论

主要结论：

- ST实施对公司股价具有明显负向影响，且市场有提前反应。
- Fisher判别和Logistic回归两种模型均较好地预测ST风险。
- Logistic模型在极端值预测方面表现更强，特别是在低阈值预警。
- Fisher判别分析对整体样本拟合更好，适合宽松阈值风险管控。
- A股市场从“壳价值”炒作逐步转向基本面关注，ST风险溢价趋于合理，财务健康公司预计维持相对溢价。

投资策略启示： 投资者应依据自身风险偏好灵活选择预测模型和阈值水平，提前规避ST风险显著个股，结合宏观监管环境调整投资组合。

---

三、图表深度解读

表1 & 图1：ST公司实施原因与时间分布

内容描述： 表1详列ST实施原因频次，以连续两年净利润为负最为主要（85.3%），其次是无法表示审计意见（5.1%）。图1呈现2007-2018年各类原因的样本年分布。

- 解读趋势： 样本整体数量波动，近年来因审计意见非标样本数量增加，隐含财务报告质量问题加剧，是ST风险加重的信号。

意义联系： 指导模型选择更需重视财务报告质量指标。

图2 & 表2：ST事件前后累计超额收益

内容描述： 图2显示2016-2018年ST事件前后累计超额收益明显下跌，尤其ST实施日附近断层式下跌，至后期仍持续低位。表2提供分年平均累计超额收益。

- 数据洞察： 2018年ST事件前收益平均-31.32%，后续-25.7%，说明市场风险提前反映。

文本联系： 有效验证市场对ST风险具备“理性预期”，提示建模应注重提前信号。

图3 & 图4：Fisher判别的几何示意

内容描述： 图3二维示意Fisher判别目标是将不同类别样本聚拢投射，图4展示同一类样本投射到直线上的分布区别。

- 解读： 落实判别分析通过最大化类间差异和最小化类内差异实现分类，图形直观表达了判别准则。

说明： 深化理解模型构建机制，为后续指标选取和优化提供方法论支持。

表3：指标定义

内容描述： 指标涵盖盈利、偿债、营运、成长、资本结构和盈余操纵等领域15项具体财务比率。

- 意义： 指标覆盖全面，有助精准反映财务健康状况，提升模型区分能力。

表4-6 & 表7-9：模型选取指标与误判率

表4、7： 展示两个模型训练期选择的指标组合，Fisher集中于资产收益率、负债率等传统财务指标，Logistic纳入净利润负值指示变量和周转率等。

- 表5、6（Fisher）与表8、9（Logistic）： Type I 和 II 错误率对比，Logistic模型在低分位阈值下误判率更低，显示其极端风险识别优势；Fisher模型在宽阈值区间更具样本适应性。

重要启示： 投资者可依风险偏好在两模型间做选择，亦可结合两模型优势。

图5-8：模型分组收益表现

图5、6（Fisher）： 五组组合累计收益差距不大，但多空组合自2017年后收益明显向好，体现基本面投资价值回归。

- 图7、8（Logistic）： 区分较为明显，虽2016年出现“壳市场”炒作效应，但长期趋势显示财务健康股溢价提升。

解读： 说明模型得分和概率是市场认可的财务健康风向标，且能映射市场结构性变化。

---

四、估值分析

报告本身未深入涉及传统估值模型（如DCF、PE、EV/EBITDA等）计算，但通过Fisher判别得分与Logistic概率模型间接量化财务健康，赋予股票不同风险溢价，反映在股价的超额收益差异上。模型提供了对财务风险溢价的定量衡量，是财务评估的补充工具。

---

五、风险因素评估

模型误判风险： Type I Error（漏判ST企业风险）与Type II Error（误判健康企业为风险企业）均存在，需根据投资者偏好权衡。

- 模型适用局限性： A股市场“买壳”现象、信息披露不透明性、监管政策变化可能影响模型稳定性。

宏观经济与市场环境风险： 突发经济冲击或政策调整可能影响模型预测准确度。

- 缓解措施： 动态滚动训练、多个模型联合使用、结合政策及市场信号动态调整阈值。

---

六、批判性视角与细节

模型变量稳定性不足： 两模型所选变量每期均变化，可能导致时间序列上可比性差，尤其Fisher模型得分缺乏固定阈值。

- 数据解释的潜在偏差： A股市场特殊制度安排（如“壳”资源及炒壳市场影响）可能扭曲纯财务数据与市场表现的关系。

市场炒作因素弱化了模型的单纯财务信号作用，尤其Logistic模型外部变量剔除带来的信息损失。

- 报告中未提供敏感性分析或模型准确率（如ROC曲线、AUC值等）进一步佐证预测能力，未来可以完善。

---

七、结论性综合

本报告围绕A股上市公司特别处理制度，创新地将ST实施作为财务困境的核心指标，结合中国市场特点，成功构建并比较了Fisher判别和Logistic回归两种模型，用以预测公司陷入财务困境的概率。

通过详实的事件研究揭示ST事件对股价的负面影响及市场提前反应，模型利用15项涵盖全面的财务指标实现动态自适应预测，具有较好的预测准确度。Logistic回归在低阈值下具备更优极端风险识别能力，而Fisher判别在整体样本上的适应性更强。

进一步，报告以模型得分为基础，构造分组收益分析，验证财务健康度被逐渐市场认可，尤其是在2017年后资本市场基本面选股风格加强的大背景下。这意味着投资者可通过该预测模型提前规避财务困境风险，优化投资组合。

报告最后强调，在制度加强、投资者风险意识提升的环境中，ST相关财务风险溢价将维持较高，财务健康公司的价值被持续认可，维持投资者关注和风控的必要性。

---