神經(jīng)網(wǎng)絡(luò)模型在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警中的應(yīng)用

紀(jì)娟

四川廣播電視大學(xué) 四川 610073

0 引言

當(dāng)代社會(huì)已經(jīng)進(jìn)入到知識經(jīng)濟(jì)時(shí)代。新技術(shù)、新發(fā)明、新思路如雨后春筍層出不窮。隨著IT技術(shù)的發(fā)展，當(dāng)代社會(huì)信息化程度越來越高，各種信息涌向企業(yè)，在激烈的市場競爭中，誰的信息化管理水平高，誰就主動(dòng)，誰的決策反應(yīng)速度快，誰就搶占良機(jī)，企業(yè)一步失誤可能會(huì)遭受致命性的打擊，基于BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型正是基于這種考慮而產(chǎn)生的。

1952年美國學(xué)者格拉爾在其調(diào)查報(bào)告《費(fèi)用控制的新時(shí)期——風(fēng)險(xiǎn)管理》中首次提出并使用了“風(fēng)險(xiǎn)管理”一詞，隨后風(fēng)險(xiǎn)管理形成一股全球性的熱潮，在世界范圍內(nèi)得到迅猛的發(fā)展。財(cái)務(wù)風(fēng)險(xiǎn)管理是風(fēng)險(xiǎn)管理的一個(gè)分支，最早由伊文·費(fèi)歇爾于 1896年提出的。大量實(shí)例表明，陷入經(jīng)營危機(jī)的企業(yè)很多是以出現(xiàn)財(cái)務(wù)危機(jī)為先兆的，對防范財(cái)務(wù)風(fēng)險(xiǎn)來說，一個(gè)較新的概念就是財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。所謂財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，就是利用及時(shí)的數(shù)據(jù)化管理方式，通過全面分析企業(yè)內(nèi)外部經(jīng)營情況等各種資料，以財(cái)務(wù)指標(biāo)數(shù)據(jù)的形成將中小企業(yè)面臨的潛在風(fēng)險(xiǎn)預(yù)先告知經(jīng)營者，同時(shí)通過尋找財(cái)務(wù)危機(jī)發(fā)生的原因和企業(yè)財(cái)務(wù)管理體系中隱藏的問題，提出解決辦法的有效措施。在市場經(jīng)濟(jì)的激烈競爭中，企業(yè)進(jìn)行財(cái)務(wù)活動(dòng)不可避免地要遇到風(fēng)險(xiǎn)。財(cái)務(wù)管理必須對各種財(cái)務(wù)風(fēng)險(xiǎn)做出反應(yīng)，運(yùn)用行之有效的手段，對不同風(fēng)險(xiǎn)進(jìn)行控制和處理。從國內(nèi)外企業(yè)發(fā)展歷史來看，企業(yè)危機(jī)往往首先是從財(cái)務(wù)管理環(huán)節(jié)爆發(fā)，因此建立和完善企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，對企業(yè)的生存和發(fā)展具有重要的意義。

由于財(cái)務(wù)預(yù)警的復(fù)雜性及其對決策的重要影響，目前國內(nèi)外有大量的研究預(yù)測的工作，采用各種方法來優(yōu)化預(yù)測方法以及提高預(yù)測精度。主要有兩種：一是基于數(shù)值預(yù)測技術(shù)，用建立數(shù)學(xué)模型的方法來求解實(shí)際問題；另一種是應(yīng)用新興的神經(jīng)網(wǎng)絡(luò)或數(shù)據(jù)挖掘方法來進(jìn)行預(yù)測。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)是一種平行分散處理模式，具較好的模式識別能力、容錯(cuò)能力，對數(shù)據(jù)的分布要求不嚴(yán)格，具備處理資料遺漏或是錯(cuò)誤的能力。最可貴的是它具有學(xué)習(xí)能力，可以隨時(shí)根據(jù)新準(zhǔn)備的數(shù)據(jù)資料進(jìn)行自我學(xué)習(xí)、訓(xùn)練，調(diào)整其內(nèi)部的儲(chǔ)存權(quán)重參數(shù)以對應(yīng)多變的經(jīng)濟(jì)環(huán)境。已有文獻(xiàn)表明ANN的分類正確率高于傳統(tǒng)預(yù)警方法，因此它可作為解決財(cái)務(wù)預(yù)警的一個(gè)重要方法。

1 相關(guān)原理及算法

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前向神經(jīng)網(wǎng)絡(luò)，是目前最常見、應(yīng)用最廣泛的一種神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)能學(xué)習(xí)和存儲(chǔ)大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是一個(gè)具有三層或三層以上的階層神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括：輸入層、中間層(也稱隱層)和輸出層。它的特點(diǎn)是：各層神經(jīng)元僅與相鄰層神經(jīng)元之間相互全連接，同層內(nèi)神經(jīng)元之間無連接，各層神經(jīng)元之間無反饋連接，形成具有層次結(jié)構(gòu)的前饋型神經(jīng)網(wǎng)絡(luò)系統(tǒng)。輸入信號先向前傳播到隱節(jié)點(diǎn)，經(jīng)過變換函數(shù)之后，把隱節(jié)點(diǎn)的輸出信息傳播到輸出節(jié)點(diǎn)，經(jīng)過處理后再給出輸出結(jié)果。節(jié)點(diǎn)的變換函數(shù)通常選取Sigmoid型函數(shù)。一般情況下，輸入層和隱層的激活函數(shù)通常為Sigmoid型，但是在隱層和輸出層之間的激活函數(shù)可以是線性的。

1.2 BP算法

三層前饋網(wǎng)絡(luò)的適用范圍大大超過二層前饋網(wǎng)絡(luò)，但學(xué)習(xí)算法較為復(fù)雜，主要困難在于中間的隱層不直接與外界連接，無法直接計(jì)算其誤差。為解決這一問題提出了反向傳播算法(back-propagation, BP)算法。BP算法是誤差反傳和誤差反向傳播算法的學(xué)習(xí)過程，由信息的正向傳播和誤差的反向傳播兩個(gè)過程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu)；最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

2 財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警神經(jīng)網(wǎng)絡(luò)模型的建立

2.1 指標(biāo)變量選擇

表1 財(cái)務(wù)預(yù)警指標(biāo)值

財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警體系首先要建立起財(cái)務(wù)預(yù)警指標(biāo)體系。建立科學(xué)有效的財(cái)務(wù)預(yù)警功能的關(guān)鍵在于找出哪些財(cái)務(wù)指標(biāo)能夠揭示或預(yù)示公司財(cái)務(wù)狀況的變化。本文借鑒國內(nèi)外有關(guān)企業(yè)財(cái)務(wù)評價(jià)指標(biāo)，確定了償債能力、盈利能力、資產(chǎn)運(yùn)營能力和財(cái)務(wù)結(jié)構(gòu)四個(gè)方面，然后從總項(xiàng)目抽取相應(yīng)的指標(biāo)，組成財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系。根據(jù)指標(biāo)公式的計(jì)算得出所選預(yù)警指標(biāo)值如表1所示。

2.2 網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)主要是確定輸入輸出層節(jié)點(diǎn)數(shù)和網(wǎng)絡(luò)的隱層數(shù)、隱層節(jié)點(diǎn)數(shù)。實(shí)踐表明，四層網(wǎng)絡(luò)的結(jié)果比三層網(wǎng)絡(luò)更容易進(jìn)入局部最小，所以在實(shí)際應(yīng)用中選用只有一個(gè)隱層的三層網(wǎng)絡(luò)。由財(cái)務(wù)預(yù)警中的指標(biāo)變量選擇數(shù)知，輸入層節(jié)點(diǎn)數(shù)是16。而輸出是為綜合功效系數(shù)所在的警度區(qū)間，因此輸出層的節(jié)點(diǎn)數(shù)為4。

對于多層前饋網(wǎng)絡(luò)來說，隱層節(jié)點(diǎn)數(shù)的確定是成敗的關(guān)鍵。若數(shù)量太少，則網(wǎng)絡(luò)所能獲取的用以解決問題的信息太少；若數(shù)量太多，不僅增加訓(xùn)練時(shí)間，更重要的是隱層節(jié)點(diǎn)過多還可能出現(xiàn)所謂“過渡吻合”(Overfitting)問題，即測試誤差增大導(dǎo)致泛化能力下降，因此合理選擇隱層節(jié)點(diǎn)數(shù)非常重要。關(guān)于隱層數(shù)及其節(jié)點(diǎn)數(shù)的選擇比較復(fù)雜，一般原則是：在能正確反映輸入輸出關(guān)系的基礎(chǔ)上，應(yīng)選用較少的隱層節(jié)點(diǎn)數(shù)，以使網(wǎng)絡(luò)結(jié)構(gòu)盡量簡單。假設(shè)有n個(gè)輸入節(jié)點(diǎn)，m個(gè)輸出節(jié)點(diǎn)，則根據(jù)經(jīng)驗(yàn)公式選擇隱層節(jié)點(diǎn)數(shù)為：

式中：a為1到10之間的常數(shù)。本系統(tǒng)的隱層節(jié)點(diǎn)數(shù)為：9。

2.3 網(wǎng)絡(luò)的激活函數(shù)

激活函數(shù)是一個(gè)神經(jīng)元及網(wǎng)絡(luò)的核心，網(wǎng)絡(luò)解決問題的能力與功效除了與網(wǎng)絡(luò)的結(jié)構(gòu)有關(guān)，在很大程度上取決于所采用的激活函數(shù)。BP網(wǎng)絡(luò)經(jīng)常采用的激活函數(shù)如圖1所示。我們選擇purelin函數(shù)作為輸出層神經(jīng)元的激活函數(shù)，tansig函數(shù)作為隱層神經(jīng)元的激活函數(shù)。

圖1 BP網(wǎng)絡(luò)常用的激活函數(shù)

2.4 期望輸出

輸出節(jié)點(diǎn)的值對應(yīng)于評價(jià)結(jié)果，為此，需要確定期望輸出。在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練階段，“樣本”的期望輸出值應(yīng)是已知量，它可由歷史數(shù)據(jù)資料給定或通過一些數(shù)學(xué)統(tǒng)計(jì)方法評估得出。本文的輸出是綜合功效系數(shù)對應(yīng)警度。將風(fēng)險(xiǎn)等級分為I[1000]重警，II[0100]中警，III[0010]輕警，IV[0001]無警四種不同狀態(tài)。

2.5 其它參數(shù)選擇

設(shè)置系統(tǒng)誤差ε=0.0075，學(xué)習(xí)率η=0.01，利用隨機(jī)函數(shù)生成初始權(quán)值和閥值，循環(huán)次數(shù)由小到大逐次調(diào)試。

2.6 程序?qū)崿F(xiàn)

由于C++語言與其它語言應(yīng)用程序的接口能力強(qiáng)，且開發(fā)效率高，因此采用C++語言開發(fā)神經(jīng)網(wǎng)絡(luò)程序，再集成到財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警功能中。程序的實(shí)現(xiàn)步驟分為四個(gè)部分：數(shù)據(jù)預(yù)處理、網(wǎng)絡(luò)訓(xùn)練及運(yùn)行、結(jié)果分析以及數(shù)據(jù)還原，下面分別進(jìn)行介紹。

（1）數(shù)據(jù)預(yù)處理

網(wǎng)絡(luò)的輸入?yún)?shù)是能夠揭示或預(yù)示企業(yè)財(cái)務(wù)變化的財(cái)務(wù)指標(biāo)，由于財(cái)務(wù)指標(biāo)數(shù)量多且種類不同，財(cái)務(wù)指標(biāo)值可能大，也可能小，這樣容易造成網(wǎng)絡(luò)運(yùn)行麻痹，為了消除財(cái)務(wù)指標(biāo)絕對數(shù)對網(wǎng)絡(luò)運(yùn)算的影響，避免因神經(jīng)元過大或過小導(dǎo)致預(yù)測結(jié)果精度的降低以及訓(xùn)練速度的降低，本系統(tǒng)對財(cái)務(wù)指標(biāo)值進(jìn)行歸一化處理，把數(shù)據(jù)值轉(zhuǎn)化到[0.1, 0.9]區(qū)間內(nèi)，采用轉(zhuǎn)換公式為：

式中x為原始樣本數(shù)據(jù)，Min(x)和Max(x)分別為原始樣本數(shù)據(jù)中的最小值和最大值，'x為歸一化后的數(shù)據(jù)。

（2）BP網(wǎng)絡(luò)訓(xùn)練及運(yùn)行

這一部分是程序的核心部分，主要完成的功能是根據(jù)系統(tǒng)輸入的網(wǎng)絡(luò)參數(shù)，利用數(shù)據(jù)預(yù)處理程序處理過的樣本，建立并訓(xùn)練神經(jīng)網(wǎng)絡(luò)，利用測試數(shù)據(jù)的預(yù)測結(jié)果及期望輸出計(jì)算誤差，并不斷調(diào)整網(wǎng)絡(luò)權(quán)值，直到達(dá)到誤差要求。

（3）結(jié)果分析

預(yù)測是一種預(yù)估計(jì)，影響預(yù)測的因素有很多，建立預(yù)測的模型難以將所有因素都定量考慮進(jìn)來，所以作為一種估計(jì)，其結(jié)果和實(shí)際情況就必然存在著一定預(yù)測誤差。針對神經(jīng)網(wǎng)絡(luò)的測試結(jié)果進(jìn)行分析，計(jì)算測試結(jié)果的均方差。通過對比測試數(shù)據(jù)得到每個(gè)輸出結(jié)果的均方差和準(zhǔn)確率以及總體的平均誤差和預(yù)測精度，從而了解預(yù)測系統(tǒng)的工作狀況。

（4）數(shù)據(jù)還原

當(dāng)神經(jīng)網(wǎng)絡(luò)處理結(jié)束后，再做反歸一化運(yùn)算。對網(wǎng)絡(luò)輸出，對輸出數(shù)據(jù)采用如下公式使輸出數(shù)據(jù)與原始數(shù)據(jù)在同一個(gè)區(qū)域之內(nèi)，反歸一化的公式為：

顯然，這是原始數(shù)據(jù)進(jìn)行歸一化的逆過程。

財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)警有助于投資者進(jìn)行投資決策、有助于企業(yè)管理層加強(qiáng)內(nèi)部控制并改善經(jīng)營管理。本系統(tǒng)利用神經(jīng)網(wǎng)絡(luò)的非線性映射能力和自學(xué)習(xí)能力，建立財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，通過分析歷史財(cái)務(wù)指標(biāo)數(shù)據(jù)，進(jìn)行風(fēng)險(xiǎn)的定量預(yù)警。

[1]楊云正.基于Internet的ERP系統(tǒng)研究[D].哈爾濱工業(yè)大學(xué).1999.

[2]孫嶸.基于BP神經(jīng)網(wǎng)絡(luò)的中小企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究[D].長沙理工大學(xué).2008.

[3]Tai-Yue Wang,Chien-Yu Huang.Optimizing back-propagation networks via a calibrated heuristic algorithm with an orthogonal array,Expert Systems with Applications.2008.

[4]張鈴,張鈸.人工神經(jīng)網(wǎng)絡(luò)理論和應(yīng)用[M].浙江科學(xué)技術(shù)出版社.1997.

[5]潘濤.BP神經(jīng)網(wǎng)絡(luò)模型中活化函數(shù)對網(wǎng)絡(luò)性能影響的研究[J].安徽師大學(xué)報(bào).1998.