基于Android的項目投資風險評價系統設計

胡秀兵　林勇　陳逗　楊朔

摘 要： 目前主流項目投資風險分析方法易受評價人員主觀意識、經驗，以及知識局限的影響。神經網絡具有大規模并行、分布式存儲和處理等特點，適合處理需要同時考慮多條件、模糊的信息問題。文章設計了一個基于BP神經網絡風險投資評價系統，使用當前主流的Android平臺進行設計開發，利用風險評價方法，發揮人工神經網絡的優點，克服了其他評估方法帶有主觀因素的不足。

關鍵詞： Android； 項目投資； 風險評價； BP神經網絡

中圖分類號：TP399 文獻標志碼：A 文章編號：1006-8228（2015）06-17-03

Abstract： The current mainstream project investment risk analysis methods are susceptible to evaluation personnel's subjective consciousness， experience， and limitations of knowledge. Neural networks has some properties such as massively parallel， distributed storage and processing， it is propitious to solve the problem which has multiple requirements and fuzzy information. In this paper， we design a risk investment evaluation system based on BP neural network and Android platform. And by the risk assessment method， this system is produce the artificial neural network advantage， overcome the lack of other evaluation methods which are susceptible to subjective factors.

Key words： Android； project investment； the risk assessment； BP neural network

0 引言

當前世界風險投資的影響越來越大，尤其是在高新技術產業化的進程中，風險投資扮演了一個重要的角色，它能促進高新技術產業的發展，推動技術創新。風險投資一般是指風險投資家把資金投向新生的、發展迅速的、同時蘊藏著較大風險的創新性技術企業的一種投資行為。它是一種集金融、創新、科技、管理與市場等為一體的資金運作模式。對于一個風險投資機構來說，項目的評價、選擇是其風險投資運作的起點，是風險投資運作過程中至關重要的一環，直接關系到風險投資的成敗。

目前主流風險投資分析方法：現金流評價法、投資回收法、德爾菲法（專家意見法）、層次分析法（AHP）、實物期權風險評估模型、模糊綜合評價法等，在特定環境下能獲得很好的評價效果，但是這些方法在評價時受到較多的隨機因數影響，評價結果易受評價人員主觀意識、經驗、以及知識的局限的影響，往往帶有個人偏見和片面性，主觀性強[1]。

通過以上分析，作者使用神經網絡進行風險投資建模。人工神經網絡（Artificial Neural Network）是一門嶄新的科學，是由大量的、簡單的處理單元（稱為神經元）廣泛地互相連接而形成的復雜網絡系統，它反映了人腦功能的許多基本特性，是一個高度復雜的非線性動力學系統。神經網絡具有大規模并行、分布式存儲和處理、自組織、自適應和自學習能力，特別適合于處理必須同時考慮許多因素和條件的、不精確和模糊的信息處理問題。

本文設計了一個基于人工神經網絡風險投資評價系統，使用當前主流的智能系統Android平臺進行設計開發，發揮人工神經網絡的優點，克服其他評估方法帶有主觀因素的不足。

1 Android系統框架介紹

Android系統是Google開發的一款開源移動OS，Android中文名被國內用戶俗稱“安卓”。它基于Linux內核設計，使用了Google公司自己開發的Dalvik Java虛擬機。Android操作系統已經成為當今全球較為主流的智能手機操作系統。具有如下優點。

⑴ 開放性：Android完全開源，且該平臺從底層操作系統到上層的用戶界面和應用程序都不存在任何阻礙產業創新的專有權障礙。同時開源的最大好處是，使得Android平臺會擁有越來越壯大的開發者隊伍，隨著用戶數量增加與應用的日益豐富，必然會使得Android這個嶄新的平臺走向成熟。

⑵ 廣泛支持：目前主流的手機生產廠商都推出了基于Android操作系統的智能設備，經過眾多開發者測試，安全穩定。

⑶ 可擴展性：Android平臺是開放性的，最大限度為第三方開發商提供了開發權限，使得開發環境自由，不會受到各種束縛?；谔摂M機可以使其具備了很好的擴展性。

⑷ 多元化：目前Android系統除了應用在智能手機外，還應用在平板電腦以及智能電視，目前摩托羅拉、三星、LG、HTC、宏碁、華碩等公司均推出了平板電腦，同時國內的創維、TCL等廠商已經推出了Android智能電視，最終將會有更多的智能家電、機頂盒、車載電子設備出現。

⑸ 緊密結合Google應用：全球最大的在線搜索服務商Google在過去的10年中，已經逐漸滲透到人們的日常生活中。人們不再僅僅滿足于使用電腦終端來享受諸如Gamil、谷歌地圖、在線翻譯等在線服務，PC到移動終端的延伸成了一種必然的趨勢。而Android與Google服務的無縫集成，則可以十足的滿足人們的愿望[2-3]。

2 項目投資風險評價系統設計

2.1 總體設計

項目投資風險評價系統借助于移動互聯網的優勢，實現了對投資項目的管理，專家信息的管理，以及項目投資風險評價等功能，為管理項目提供了方便，實現了實時管理。系統采用三層視圖設計模型（MVC），包括：移動終端程序（Android客戶端，視圖層）、Web服務層（控制層）以及數據服務層（數據模型）。

采用C/S的程序模式，Web服務層和數據服務層位于服務器端用于實現系統邏輯處理和數據存取處理。Web服務層包括中間層和邏輯處理層，中間層主要負責系統的流程處理，連接著客戶端以及邏輯層，數據服務層，控制程序的流程走向。數據服務層負責數據的邏輯處理，包括數據的增，刪，改，查。在服務器端實現了系統的整體邏輯處理，對于客戶端的性能依賴性弱，降低了客戶端的性能要求，增強了軟件的可移植性。移動終端主要實現功能請求以及視圖顯示功能。移動客戶端發送HTTP請求，服務器端接收請求后交由Web服務層進行進一步解析，由Web服務層中的中間層（控制層）處理，調用相關業務處理邏輯，進行功能調用，在邏輯處理中可能要調用數據服務層，數據服務層返回響應數據，業務處理邏輯將結果返回，由中間層進行HTTP響應，客戶端接收響應數據后，解析并顯示相關數據[4]。

2.2 功能模塊設計

本系統主要負責項目的管理，人員信息管理，以及項目風險投資評價，由以下幾個功能模塊組成：系統管理、專家管理、項目投資風險評價、風險投資項目管理。總體功能模塊結構如圖2所示。

⑴ 系統管理

對系統中的用戶信息進行管理，主要包括三個功能模塊。①用戶信息創建：該模塊用于創建用戶，即注冊新用戶，注冊的用戶主要包括兩種角色，即風險投資人和投資項目申請人。風險投資人是對項目進行風險投資的人，包含了對項目的管理和對專家的分配。投資項目申請人是創建投資項目的人，主要是對項目信息的管理。②用戶信息修改：該模塊主要是對用戶基本信息的修改，以及系統管理員對其他用戶信息進行統一管理。③授權用戶角色：該模塊主要是用于對用戶的角色進行管理，角色分為風險投資人、投資項目申請人、專家和系統管理員。風險投資人和投資項目申請人在注冊模塊能夠自行選擇，但專家角色必須由系統管理員或者風險投資人進行指定授權。

⑵ 專家管理

該模塊主要是對專家信息進行管理，主要包含三個功能模塊。①專家信息創建：該模塊用于創建專家用戶信息，應注意該模塊不用于注冊用戶，必須是由系統管理員或者風險投資人進行創建。②專家信息修改：用于修改現有的專家信息。③專家信息刪除：對專家信息進行刪除操作。以上操作都需要進行權限驗證，只有取得權限驗證才能進行操作。

⑶ 項目管理

該模塊主要是對項目信息進行管理，主要包含三個功能模塊。①項目創建：該模塊用于創建項目信息。②項目信息修改：對已有的項目信息進行修改。③項目刪除：對現有項目進行刪除操作。對于投資項目申請人，擁有上述所有的項目信息管理操作權限，但僅限于操作自己創建的項目。

⑷ 項目風險評價

該模塊主要是對項目信息進行處理，從而得到合理的綜合性評價，最后給出對應的評價分值。主要包含兩個功能模塊。①評價標準管理：對項目的評價標準進行管理，對于不同類別的投資項目所用的評價標準有所不同，該模塊主要用于創建不同的評價標準。②風險評價管理：依據項目的各個指標值進行評價，給出綜合評價分值。該模塊是整個系統的核心模塊，對于該模塊的模型設計將在下一節進行詳細介紹。

2.3 項目風險評價流程分析

圖3是整個項目評價流程圖，對于每一個項目都要經過上述流程進行處理，項目信息創建完成后，提交之后要進行初級審查，對項目中的各個指標進行初步審查，對于不符合要求的項目不予推薦評價，即不推薦項目信息到項目投資人。初審通過的項目進行專家審核階段，不同類別的項目分配不同的專家，各個專家進行獨立評價，對項目企劃書和項目基本信息進行評價得到二級指標，根據二級指標計算出一級指標，一級指標作為評價模型的輸入參數，由風險評價模型根據輸入的一級指標進行綜合性評價，得到綜合評價分值，依據分值判斷是否予以立項。

3 神經網絡風險評價模型設計

目前國內外使用的項目投資風險評價方法很多，應用較為廣泛的有德爾菲法、主要分析法、層次分析法、灰色系統評價法、模糊綜合評價法。但是這些方法都存在缺陷，那就是評價中的隨機因素影響較多，評價結果易受評價人員主觀意識的影響，易帶有個人偏見和片面性，主觀性較強。本文利用神經網絡特有的優點——自學習、自組織、自適應能力，克服了主觀因素的影響，將其應用于項目投資風險評價方面，取得了較好的效果。

3.1 BP神經網絡簡介

BP神經網絡是前饋神經網絡，是神經網絡中的一種典型結構，具有分層結構，信息從輸入層進入網絡，逐層向前傳遞至輸出層。BP神經網絡大致可以分為三層：①輸入層，②隱藏層，③輸出層。每一層都有相應數目的神經元組成，層與層之間由突觸進行連接，一般使用全連接方式，即上一層神經元中的每一個神經元與下一層的所有神經元都存在連接。每個連接上都有相應的權值。

3.2 項目投資風險評價中BP神經網絡設計

⑴ BP網絡的結構及參數

對項目投資風險評價問題，可以看作是投資項目的各個風險因素到該項目的最終評價值之間的非線性映射。由于一個三層BP網絡可以以任意精度去逼近任意映射關系，因此，本例采用三層BP網絡結構。從輸入層到隱含層，再到輸出層的轉移函數采用雙極S型函數，誤差設為0.09，學習速率設為0.11。

⑵ 輸入層神經元個數及參數的確定

本系統輸入層神經元確定為23個，分別是各風險因素的專家打分值。

⑶ 輸出層神經元個數的確定

輸出層根據評分值分為四個層次，0.8～1之間為優表示總的投資風險很低，0.7～0.8之間的為良，說明總的投資風險低，0.5～0.7之間表示中，說明該項目投資風險一般，0.5以下為差，表明總的投資風險高。

3.3 實驗測試

對建立的BP神經網絡模型進行測試，訓練集包含14條數據，測試集包含12條數據，測試結果如圖6、圖7所示。誤差結果圖使用訓練集得到的結果，準確率結果圖使用測試集得到的結果，從圖中可以看出，隨著BP神經網絡的迭代訓練，誤差逐漸變小，而準確率則先變高，后變低。這是因為當迭代訓練時，BP神經網絡能從輸入數據和期望輸出中發現規律并將其存入到連接權值中，但是神經網絡的泛化能力將降低。當迭代次數為2萬次準確率最高，達到90%左右。

4 結束語

綜上所述，本文建立的BP神經網絡模型能很好的解決項目投資風險評價問題，為風險投資提供了很好的參考信息。現有的工作還存在一些不足，如不能得到具體的風險評價分值，對不同類別的項目使用同一模型，準確率還有待于提高。

參考文獻：

[1] 姜向陽.國內外風險投資評估方法研究綜述[J].價值工程，2006.7：

84-85

[2] 潘慶華，王冬冬.風險投資決策分析方法述評[J].經濟問題探索，

2003.10：64-65

[3] 楊豐盛.基于Android應用開發揭秘[M].機械工業出版社，2010.

[4] 林永興，李曉蕾.基于android的校園助手手機應用程序的研究與設

計[J].硅谷，2012.

[5] 周志華.神經網絡及其應用[M].清華大學出版社，2004.