基于机器学习的股价崩盘风险预测研究

一、引言

为防范资本市场金融风险，习近平总书记在中央经济工作会议上明确强调，要稳字当头、稳中求进。在疫情反复冲击以及房地产行业收缩等不利因素影响下，我国实体产业与金融业的经济增速放缓，实体企业的盈利能力下降、融资难度加大，最终这些负面信息传导到资本市场，造成股价剧烈波动，甚至引发股价崩盘。如何有效预测和控制股价崩盘风险，对防范股东实质性利益受损、保障金融市场平稳运行以及实体经济健康发展来说都是至关重要的。因此，有必要构建一个股价崩盘预测系统，助力企业全面监控股价崩盘风险。

以往研究通常把地震预测、资产定价、物理学等领域的相关算法直接应用到股价崩盘风险预测中，衍生出如流行病型余震序列（ETAS）、债券-股票收益率差（BSEYD）、对数周期幂律（LPPL）等一系列股价崩盘风险预警模型。然而，这些传统模型存在一定弊端，忽视了历史股票数据所蕴含的关键信息，同时存有标定困难、预测范围广、预测目标不一致等问题。为此，学者们开始尝试运用数据驱动方法研究股价崩盘风险，通过线性模型、逻辑回归等方式构建更为准确的股价崩盘风险预测指标体系和研究模型。

事实上，股价波动是非线性的，传统线性模型很难准确解释和预测股市变化。更重要的是，影响公司股价的因素众多（Araújo  et al.，2013），如交易员预期、公司财务状况、股息宣布、通胀、管理层变动、季度盈利报告、新闻报道等都会对股价产生重要影响，并且股市具有较大噪声，进一步加大了股价崩盘风险的指标体系构建和预测难度。因此，本文认为现有传统模型对股价崩盘风险的识别和预测的准确性不足，有必要探索更为有效的股价崩盘风险预测方式。近几年，机器学习成为处理金融研究中复杂性问题的重要手段。为此，本文基于机器学习算法，将多维股价崩盘风险指标体系应用于多种集成学习算法中，并从中选取预测性能最佳的模型，实现对股价崩盘的精准预测。此外，我们利用SHAP（SHapley Additive exPlanations）方法对模型的经济含义进行充分解释，以便为精准把控好股价崩盘风险提供参考。

二、股价崩盘风险的文献回顾

从市场层面看，我国的政治法律、经济以及投资者都会对公司股价崩盘风险产生影响。诸多研究发现，当经济政策不确定性较大时，公司所面临的股价崩盘风险随之提升（Jin et al.，2019；Luo et al.，2020；Han et al.，2023）。中国证券监督管理委员会的监督（Kubick et al.，2016）、融资融券制度的实施（褚剑 等，2016）等法制监管行为则会抑制公司的股价崩盘风险。机构投资者对股价崩盘风险的影响存在正反两个方面。一部分学者发现，机构投资者的持股增加（曹丰 等，2015）、精力分散（Xiang et al.，2020）、羊群行为（许年行 等，2012）会恶化市场信息环境，导致股东与管理层之间的信息不对称程度增加，从而加重公司的股价崩盘风险。另一部分学者则认为，当机构投资者持股时，他们对企业加强监督的行为，抑制了公司的股价崩盘风险（An et al.，2020）。此外，机构投资者交叉持股促使其利用其中的信息优势，缓解了企业的股价崩盘风险（Hou et al.，2023）。

从行业层面看，行业现金流的波动（Wang et al.，2022）、分析师的羊群效应（Xu et al.，2023）及其过分乐观预期（许年行 等，2012）都会加剧企业股价崩盘媒体频繁报道和密切关注起到外部监督的效果，从而降低了公司潜在的股价崩盘风险（Hossain et al.，2022）。

从公司层面看，内部治理、公司投融资决策、CEO特征以及财务信息透明度都会对股价崩盘风险产生影响（Kim et al.，2016；Chowdhury et al.，2021；Hong et al.，2015）。大量研究从公司内部治理视角证实，企业可以通过提高内部控制质量（黄政 等，2017；Chen et al.，2017）、提升第一大股东持股比例（王化成 等，2015）、建立较强的股权结构（Yeung et al.，2018）来降低企业的股价崩盘风险。当然，保守的会计政策可以有效抑制股价崩盘风险（Wang et al.，2021；Andreou et al.，2016），采取激进商业战略（Safi et al.，2022）或前瞻性商业战略（Xu et al.，2023）的公司则容易面临较高的股价崩盘风险。此外，CEO特征与股价崩盘之间存有较强的关联性。有权势的首席执行官可以通过对首席财务官施加巨大的压力从而迫使他们从事会计违规行为（Feng et al.，2011）或报告有偏的绩效指标（Friedman，2014）。

可见，虽然现有学者从市场、行业以及公司层面对股价崩盘风险的影响因素展开了充分的研究，目前学术界对影响股价崩盘风险的最关键特征是什么这一问题并未达成统一。因为上述研究结果成立的基本前提在于，要保持在其他影响因素不变的条件下，才能探究单一变量对股价崩盘风险的影响。也就是说，现有研究缺乏对多种影响因素的全面考察。机器学习模型的构建，既可以综合考虑多种影响因素，又能够克服高维因素所产生的过拟合问题，为企业股价崩盘风险的有效预测提供关键性支撑。

本文摘自《管理会计研究》2024那年第1期，购买纸质刊请点击本链接至微店购买

......