基于遺傳神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警研究

摘要：針對(duì)基于神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警方法模型結(jié)構(gòu)復(fù)雜、收斂速度慢且容易陷入局部最小的缺點(diǎn)，提出基于遺傳神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警方法。首先對(duì)神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)和參數(shù)進(jìn)行編碼并將其串聯(lián)，形成一個(gè)個(gè)體，隨機(jī)產(chǎn)生N個(gè)個(gè)體形成初始種群。然后分別進(jìn)行復(fù)制、交叉和變異操作，得到神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和初始參數(shù)。再通過(guò)BP算法對(duì)該神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)即可實(shí)現(xiàn)財(cái)務(wù)危機(jī)預(yù)警。測(cè)試結(jié)果表明，該模型訓(xùn)練速度快、預(yù)警精度高。

關(guān)鍵詞：財(cái)務(wù)危機(jī)；預(yù)警；神經(jīng)網(wǎng)絡(luò)；遺傳算法

中圖分類(lèi)號(hào)：F275．5 文獻(xiàn)標(biāo)識(shí)碼：A

Genetic Neural Network Based Alarm System Against Enterprise Financial Crisis

LIU Xin-yun1， PANG Qing-le1， LIU Ai-guo2

(1.School of Information and Electronic Engineering，Shangdong Business College，Yantai，China;

2. Shandong Lukang Pharmaceutical Co. Ltd.， Jining 272100， China)]

Abstract:

Considering the disadvantages of the neural networkfor enterprise financial crisis alarm， such as complex structure，slowconvergence rate and being easy to fall into local minimum points，the paper presents the genetic neural network for crisis alarm purpose. The structure and weights of neural network are encoded and connected in series to gain individual entity. The N individualsrandomly generated construct a population. The reproduction， crossover and mutation operations are performed to bring about the structure and initial weights of the neural network.The neural network is trained through BP algorithms，by which the neural network trained can realize enterprise financial crisis alarm. The testing results show that the method reaches higher training speed and lower error rate.

Key words:financial crisis;alarm; neural network; genetic algorithms

一、引言

財(cái)務(wù)危機(jī)是指企業(yè)喪失償還到期債務(wù)的能力。而財(cái)務(wù)危機(jī)預(yù)警是以現(xiàn)有的財(cái)務(wù)比率為基礎(chǔ)，建立數(shù)學(xué)模型來(lái)預(yù)警企業(yè)財(cái)務(wù)危機(jī)發(fā)生的可能性。建立切合企業(yè)實(shí)際的財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)，具有降低企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)、投資風(fēng)險(xiǎn)以及防范金融危機(jī)的積極作用。企業(yè)財(cái)務(wù)危機(jī)預(yù)警的方法有多種，主要包括經(jīng)典的統(tǒng)計(jì)方法（多元判別分析法^[1]、Logistic回歸法^[2]）和流行的神經(jīng)網(wǎng)絡(luò)法^[3-5]等。但這些方法都存在一定的局限性^[6，7]，統(tǒng)計(jì)方法常常要求正態(tài)樣本等假設(shè)，穩(wěn)健性不高^[8，9]。文獻(xiàn)[8]研究Logistic回歸與BP網(wǎng)絡(luò)用于信用分級(jí)，發(fā)覺(jué)它們效果相當(dāng)；文獻(xiàn)[9]比較了神經(jīng)網(wǎng)絡(luò)和多元判別分析，認(rèn)為神經(jīng)網(wǎng)絡(luò)用于公司財(cái)務(wù)危機(jī)預(yù)測(cè)更加有效；文獻(xiàn)[4]認(rèn)為神經(jīng)網(wǎng)絡(luò)方法優(yōu)于經(jīng)典方法。因而神經(jīng)網(wǎng)絡(luò)方法越來(lái)越引起人們的重視，但是當(dāng)選擇的財(cái)務(wù)比率數(shù)目較多時(shí)會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、訓(xùn)練時(shí)間較長(zhǎng)和計(jì)算量大的問(wèn)題，且神經(jīng)網(wǎng)絡(luò)具有容易陷入局部最小值的缺點(diǎn)。而遺傳算法(Genetic Algorithms， GA)的優(yōu)勢(shì)在于具有較強(qiáng)的全局搜索能力^[10]，但容易過(guò)早收斂。因此提出了基于遺傳神經(jīng)網(wǎng)絡(luò)(Genetic Neural Network， GNN)的財(cái)務(wù)危機(jī)預(yù)警方法，利用遺傳算法較強(qiáng)的全局搜索能力設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)的初始值，然后再對(duì)該神經(jīng)網(wǎng)絡(luò)訓(xùn)練，實(shí)現(xiàn)企業(yè)財(cái)務(wù)危機(jī)預(yù)警。

二、財(cái)務(wù)比率的選擇

（一）財(cái)務(wù)比率的選擇原則[HJ1.7mm]

財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)中的財(cái)務(wù)比率的選擇應(yīng)該遵循以下原則：

1.考慮以前財(cái)務(wù)危機(jī)預(yù)警研究中采用的財(cái)務(wù)比率。以前關(guān)于財(cái)務(wù)危機(jī)預(yù)警的研究中，財(cái)務(wù)比率的選擇有一定的科學(xué)性和合理性。

2.反映企業(yè)盈利能力的原則。企業(yè)的盈利是其償還債務(wù)的重要資金來(lái)源，企業(yè)的盈利能力越強(qiáng)，償還到期債務(wù)越有保障，發(fā)生財(cái)務(wù)危機(jī)的可能性越小。

3.體現(xiàn)企業(yè)償債能力的原則。運(yùn)營(yíng)能力是指企業(yè)生產(chǎn)經(jīng)營(yíng)中各項(xiàng)資產(chǎn)周轉(zhuǎn)速度所反映出來(lái)的企業(yè)資產(chǎn)運(yùn)用效率，它不僅能反映企業(yè)的資產(chǎn)管理水平和資產(chǎn)配置組合能力，而且也影響著企業(yè)的償債能力和盈利能力。

4.可操作性原則。滿足上述原則的財(cái)務(wù)比率很多，但有些指標(biāo)的數(shù)據(jù)很難取得，需要耗費(fèi)大量的人力和物力，因此這些取得成本很高的財(cái)務(wù)比率不予考慮。

5.可比性原則。財(cái)務(wù)比率的選擇應(yīng)具有可比性，如每股收益、每股凈資產(chǎn)等將不予考慮，因?yàn)槠渑c各上市公司發(fā)行在外的普通股股數(shù)有顯著的關(guān)系，不具可比性。

（二）財(cái)務(wù)比率的選擇

根據(jù)上述的財(cái)務(wù)比率初選原則，并結(jié)合我國(guó)企業(yè)的現(xiàn)有狀況，選擇如下12個(gè)財(cái)務(wù)比率：流動(dòng)比率(X₁)、速動(dòng)比率(X₂)、總資產(chǎn)周轉(zhuǎn)率(X₃)、存貨周轉(zhuǎn)率(X₄)、應(yīng)收款周轉(zhuǎn)率(X₅)、資產(chǎn)負(fù)債比率(X₆)、已獲利息倍數(shù)(X₇)、凈資產(chǎn)收益率(X₈)、銷(xiāo)售利潤(rùn)率(X₉)、銷(xiāo)售增長(zhǎng)率(X₁₀)、凈資產(chǎn)增值率(X₁₁)和總資產(chǎn)增長(zhǎng)率(X₁₂)。

三、基于遺傳神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警方法

（一）遺傳算法

遺傳算法是一種基于自然選擇和群體遺傳機(jī)理的搜索優(yōu)化算法。它首先將問(wèn)題的可能解按某種形式進(jìn)行編碼，編碼后的解稱(chēng)為染色體（或個(gè)體）。隨機(jī)選取N個(gè)染色體構(gòu)成初始種群，然后分別進(jìn)行三種運(yùn)算：復(fù)制（reproduction）、交叉（crossover）、變異（mutation），產(chǎn)生適應(yīng)度高的個(gè)體，形成新的種群。這樣逐代繁殖、進(jìn)化，最后收斂到更適應(yīng)環(huán)境的個(gè)體上，也就是問(wèn)題的最優(yōu)解。

（二）神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)的種類(lèi)很多，這里采用被廣泛應(yīng)用的BP網(wǎng)絡(luò)。BP網(wǎng)絡(luò)是一種前饋網(wǎng)絡(luò)，它采用分層結(jié)構(gòu)。通過(guò)對(duì)樣本的不斷學(xué)習(xí)來(lái)調(diào)整神經(jīng)元間的權(quán)重和閾值，根據(jù)誤差反向傳播來(lái)不斷修正權(quán)重和閾值，使誤差沿梯度方向下降，最后使其進(jìn)入穩(wěn)定狀態(tài)。

（三）遺傳神經(jīng)網(wǎng)絡(luò)方法

目前，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的選擇與設(shè)計(jì)還未能找到有效的、合理的方法，大都依賴(lài)設(shè)計(jì)者的主觀經(jīng)驗(yàn)，用試探、比較的方法選擇神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。利用遺傳算法設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)可根據(jù)某些性能評(píng)價(jià)標(biāo)準(zhǔn)，搜索結(jié)構(gòu)空間中滿足問(wèn)題要求的最佳結(jié)構(gòu)。

1.編碼。網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。編碼方式采用二進(jìn)制編碼。基因串的組成如下所示：

索引串表示隱層的節(jié)點(diǎn)情況，為40位二進(jìn)制數(shù)，“1”表示存在該節(jié)點(diǎn)，“0”表示不存在該節(jié)點(diǎn)，第1隱層最大節(jié)點(diǎn)數(shù)為30，第2隱層最大節(jié)點(diǎn)數(shù)為10。每個(gè)權(quán)重和閾值也采用8位二進(jìn)制編碼，其中第1位為符號(hào)位，第2～8位為權(quán)重和閾值的大小，其取值范圍為[0，1]。經(jīng)編碼后，將各編碼串按順序級(jí)聯(lián)起來(lái)，就得到一個(gè)基因串（即個(gè)體），其長(zhǎng)度為716字節(jié)。

2.適應(yīng)度計(jì)算。適應(yīng)度的計(jì)算公式為：f=1/E

其中，f是種群中個(gè)體的適應(yīng)度：E是神經(jīng)網(wǎng)絡(luò)的輸出誤差平方和：Ym和Y[TX-]m分別是第m個(gè)樣本的實(shí)際輸出和期望輸出。適應(yīng)度越大，網(wǎng)絡(luò)的精度越高。

3.算法步驟。其算法步驟如下：

（1）隨機(jī)產(chǎn)生若干不同結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，對(duì)不同結(jié)構(gòu)進(jìn)行編碼，每個(gè)碼鏈對(duì)應(yīng)一個(gè)網(wǎng)絡(luò)結(jié)構(gòu)，N個(gè)碼鏈構(gòu)成初始種群。

（2）計(jì)算在每個(gè)碼鏈下神經(jīng)網(wǎng)絡(luò)的誤差，確定每個(gè)個(gè)體的適應(yīng)度。

（3）選擇適應(yīng)度最大的個(gè)體作父本。

（4）利用交叉、變異等遺傳操作算子對(duì)當(dāng)前種群進(jìn)行處理，產(chǎn)生新一代群體。

（5）重復(fù)上述（2）-（4）步驟，直到群體中的某個(gè)個(gè)體滿足要求為止。

（6）利用BP算法對(duì)該結(jié)構(gòu)進(jìn)行訓(xùn)練，得出問(wèn)題的最優(yōu)解。

流動(dòng)比率[]速動(dòng)比率[]總資產(chǎn)周轉(zhuǎn)率[]存貨周轉(zhuǎn)率[]應(yīng)收款周轉(zhuǎn)率[]資產(chǎn)負(fù)債比率[]已獲利息倍數(shù)[]凈資產(chǎn)收益率[]銷(xiāo)售利潤(rùn)率[]銷(xiāo)售增長(zhǎng)率[]凈資產(chǎn)增值率[]總資產(chǎn)增長(zhǎng)率 []企業(yè)狀態(tài)

（四）基于遺傳神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警

基于遺傳神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警過(guò)程如圖2所示。首先對(duì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)進(jìn)行編碼，形成初始種群，利用訓(xùn)練樣本對(duì)初始種群進(jìn)行復(fù)制、交叉和變異操作，得到神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和初始權(quán)值。再利用BP算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)預(yù)警模型。利用測(cè)試樣本對(duì)該模型進(jìn)行驗(yàn)證。

四、仿真分析

（一）獲取原始數(shù)據(jù)

根據(jù)前面選擇的財(cái)務(wù)比率，選擇60個(gè)企業(yè)的財(cái)務(wù)比率作為樣本。其中20個(gè)財(cái)務(wù)狀況正常的企業(yè)，20財(cái)務(wù)狀況值得關(guān)注的企業(yè)和20個(gè)財(cái)務(wù)狀況已產(chǎn)生危機(jī)的企業(yè)。在每類(lèi)中隨機(jī)選取5個(gè)樣本作為測(cè)試集，其余45個(gè)作為訓(xùn)練集進(jìn)行試驗(yàn)，用于訓(xùn)練的原始數(shù)據(jù)如表1所示。

（二）遺傳算法操作

用VC來(lái)編制遺傳算法程序。隨機(jī)產(chǎn)生60個(gè)個(gè)體作為初始種群，然后分別進(jìn)行復(fù)制、交叉和變異操作。其中，交叉概率取為0．7，變異概率取為0．01，中止條件為適應(yīng)度f(wàn)=1．4。經(jīng)過(guò)325代遺傳操作后，輸入層的節(jié)點(diǎn)數(shù)收斂于8，分別是：X₁，X₃，X₄，X₅，X₆，X₈，X₉，X₁₁，第一隱含層節(jié)點(diǎn)數(shù)收斂于17，第二隱含層節(jié)點(diǎn)數(shù)收斂于3，同時(shí)獲得神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。

（三）神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)

通過(guò)Matlab軟件，利用BP算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，誤差平方和取為0．01，學(xué)習(xí)速率取為0．003。經(jīng)過(guò)10000步訓(xùn)練后，各層的權(quán)值和閾值如表2和表3所示。訓(xùn)練過(guò)程如圖3所示。

[TPT3.tif;%98%98，BP]

圖3 訓(xùn)練過(guò)程曲線[TS）]

（四）財(cái)務(wù)危機(jī)預(yù)警模型的驗(yàn)證

用測(cè)試樣本集對(duì)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)預(yù)警模型進(jìn)行驗(yàn)證，模型輸出靠近0的判斷為正常，靠近0．5則判斷為關(guān)注，靠近1的判斷為危機(jī)。從測(cè)試樣本集的三種類(lèi)型中任意取一個(gè)數(shù)據(jù)和對(duì)應(yīng)的模型輸出如表5所示。輸出結(jié)果和實(shí)際相符，因而該模型正確有效。

五、結(jié)束語(yǔ)

針對(duì)基于神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警方法存在的缺點(diǎn)，提出了基于遺傳神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警方法。利用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和初始權(quán)值進(jìn)行設(shè)定，從而使神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)大大簡(jiǎn)化，然后再對(duì)該神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。不僅使神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)簡(jiǎn)化，還使模型的預(yù)測(cè)精度提高。仿真結(jié)果表明，該方法正確、可靠。

參考文獻(xiàn)：

[1] Altman E. Financial Ratios， Discriminant Analysis and the Prediction of Corporate Bankruptcy[J]. Journal of Finance， 1968，23(4): 589-610.

[2] Martin D. Early warning of bank failure: a logit regression approach[J]. Journal of Banking and Finance， 1977.249-276.

[3] Coats P， Fant L. Recognizing financial distress patterns using a neural network tool[J]. Financial Management， 1993， 3:142-155.

[4] 吳德勝， 梁樑， 殷尹. 不同模型在財(cái)務(wù)預(yù)警實(shí)證中的比較研究[J]. 管理工程學(xué)報(bào)， 2004， 18(2): 105-108.

[5] 楊淑娥，黃禮. 基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財(cái)務(wù)預(yù)警模型[J]. 系統(tǒng)工程理論與實(shí)踐， 2005，25(1): 12-18， 26.

[6] Liang L， Wu D S. An application of pattern recognition on scoring Chinese financial conditions based on back propagation neural network[J]. Computers Operations Research， 2005.

[7] Malhotra R， Malhotra D K. Differentiating between good credits and bad credits using neural -fuzzy systems[J]. European Journal of Operational Research， 2002，136:190-211.

注：“本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文。”