BP神經網絡集成挖掘方法在財務預警中的應用

徐明鵑，　王本有

(皖西學院 信息工程學院， 安徽 六安　237012)

?

BP神經網絡集成挖掘方法在財務預警中的應用

徐明鵑，王本有

(皖西學院 信息工程學院， 安徽 六安237012)

摘要：分析了基于加權的集成預測，研究了一種基于貝葉斯的BP神經網絡集成挖掘方法，通過R平臺實現算法，成功地應用于上市公司財務預警。各種預測方法實驗結果對比得出,集成預測可以提高財務風險預測的準確率。

關鍵詞：貝葉斯；BP神經網絡； 財務預警

0引言

隨著大數據時代的到來，信息的重要性越來越受到決策者的重視。我國上市公司在飛速發展的同時，也不斷地受到各種外界風險的沖擊，如何能夠對上市公司的財務風險進行有效預警，是許多決策者和研究者面臨的難題。

國內外學者在財務風險預警方面做了不懈的探索和研究，采用的方法也多種多樣：最常用的是神經網絡方法，例如，Ravi[1]等采用一種主成分結合神經網絡方法進行商業銀行的破產預測；支持向量機方法也是運用較多的機器學習方法之一，例如，Shin[2]等采用支持向量機方法對韓國的數據進行預測和財務預警;此外，也有采用其它算法進行預警研究的，例如，SunL[3]等采用最簡單的貝葉斯網-樸素的貝葉斯分類器進行了財務預警研究，并針對預警數據的相關性特點進行了分析。浙江師范大學的Sun[4]采用將多個分類器串起來的方式，以中國的上市公司為樣本數據進行分類預警,取得了比單個分類器更好的效果。學者殷尹[5]等在構建概率估計模型中，利用貝葉斯多變量模型分析法對企業財務進行預測。

文中在分析了傳統的基于加權的集成預測方法存在的問題后，提出了一種基于貝葉斯的BP神經網絡集成挖掘方法，通過該方法提高了財務風險預測的準確率，為上市公司的決策者提供了更有效的指導依據。

1問題的提出

對于一個具體的預測問題，如果采用不同的預測方法，得到的預測結果準確程度也不一致，而集成預測方法的優勢在于它可以將多種預測結果集成在一起，從而得出一個優于單一預測方法的預測結論。傳統的集成預測方法的原理都是采用加權的方式進行集成的，但是如果所有的子預測方法的預測結果不一致的時候，僅僅將子預測方法進行加權集成得出的預測結果并不是最優和最準確的。因此，針對傳統的集成方法的弊端，提出了一種新的基于貝葉斯的BP神經網絡集成預測方法。

2基于貝葉斯的BP神經網絡集成預測的設計與實現

基于貝葉斯的BP神經網絡集成預測的設計思路：

1)利用數據挖掘的分類方法構建一個能夠選擇最優子預測方法的分類器;

2)對某一上市公司的股票信息進行貝葉斯網算法和支持向量機算法預測，并利用之前建好的分類器篩選出一個最優的子預測方法；

3)把最優的子預測方法的預測結果通過BP神經網絡集成后形成最終的預測結果[6]。

由于BP神經網絡具有很強的非線性映射能力，所以文中選取了BP神經網絡方法構建集成預測分類器。構建的集成預測的系統框架如圖1所示。

圖1BP神經網絡集成預測方法系統框架

2.1貝葉斯網

貝葉斯網是一種概率網絡，它對于不確定知識有較強的表達能力，因此在人工智能領域有廣泛的應用。貝葉斯網絡繼承了圖論的直觀性[7]，其所用的貝葉斯公式幾乎是所有概率推理的人工智能系統的基礎。

設實驗E為樣本空間，A為E的事件，B1，B2，…，Bn為Ω的一個分割，且P(Bi)>0，i=1，2，…，n，則由：

(1)

得到

(2)

貝葉斯網絡由網絡結構和條件概率表兩部分組成。貝葉斯網的結構是一個有向無環圖，由結點和有向弧段組成。每個結點代表一個事件或者隨機變量，變量值可以是離散的或連續的，結點的取值是完備互斥的。表示起因的假設和表示結果的數據均用結點表示。從大量數據中構造貝葉斯網絡模型可以進行不確定性知識的發現。

2.2支持向量機

支持向量機(SupportVectorMachine，SVM)方法是一種基于統計學習理論的模式識別方法，它是由Boser,Guyon,Vapnik在COLT-92上首次提出，從此迅速地發展起來，現在已經在許多領域，如生物信息學、文本、圖像處理、語言信號處理和手寫識別等都取得了成功應用。

支持向量機提供了一個三層網絡結構，可以完成多個輸入、一個輸出的學習機器，它所構建的體系結構如圖2所示。

圖2　支持向量機的體系結構

圖中:x1,x2,x3,…,xn----位于體系結構最底層的輸入樣本;

K(xi,x)----樣本x與支持向量在特定空間的內積,i=1,2,…,n;

αi----拉格朗日乘子,i=1,2,…,n;

f(x)----決策函數的輸出。

首先將股票信息的訓練樣本作為支持向量機的輸入，然后選擇RBF核函數，將訓練樣本從輸入空間映射到高維的特征空間，根據優化問題求解得出支持向量，最終給出相應的決策函數[8]。

2.3BP神經網絡

BP神經網絡是繼人工神經網絡后發展起來的一種算法，是目前神經網絡訓練中采用最多、最成熟的算法之一，它是一種通過誤差逆向傳播算法來進行訓練的多層前饋網絡，由輸入層、隱含層和輸出層構成[9]，并通過反向傳播來不斷調整網絡的權值和閾值，使得網絡的誤差平方和最小[10]。BP神經網絡算法流程如圖3所示。

圖3　BP算法程序流程

2.4基于貝葉斯的BP神經網絡集成預測方法

數據選自國泰安中國上市公司財務指標分析數據庫，從中抽取了2010-2015中上市公司被特殊處理的股票(ST)和未被特殊處理的股票(NST)的財務信息作為原始數據，經過讀取、合并、清理數據，構建的上市公司財務數據訓練集見表1。

表1　上市公司財務數據訓練集

基于貝葉斯的BP神經網絡集成預測方法步驟如下：

1)通過篩選出輸入數據項和期望輸出數據作為集成預測分類器的訓練集。

2)用貝葉斯網和支持向量機算法訓練得到集成預測分類器，將1)篩選出來的訓練樣本進行學習和訓練，得到一種最優子預測方法，把最優的子預測方法的預測結果通過BP神經網絡集成后形成最終的預測結果。

3)對已訓練好的分類器通過測試集進行獨立預測，同時通過測試集去評估集成預測分類器和子預測方法的準確性。

3算法實現及實驗結果分析

3.1實驗平臺

本算法是采用R軟件實現的。R語言是統計領域廣泛使用的一種語言，是誕生于1980年左右的S語言的一個分支。它基于S語言，并由MathSoft公司的統計科學部進一步完善。

預測算法包括兩種子預測方法(貝葉斯網和SVM)和一種集成預測方法(基于BP神經網絡的集成方法)。通過R平臺實現了文中提出的基于貝葉斯的BP神經網絡集成預測方法，并和其子預測方法的預測效果進行對比分析。

3.2集成方法與各子預測方法的對比

為了將集成預測方法和各種子預測進行對比分析，文中選用了3個度量參數：召回率(Recall)、準確率(Precision)和覆蓋率(Coverage)。

召回率也叫查全率，推薦結果的召回率定義為：

(3)

準確率也叫查準率，推薦結果的準確率定義為：

(4)

覆蓋率(Coverage)用來衡量測試的完整性。推薦系統的覆蓋率可以通過下面的公式計算：

(5)

通過實驗得出：以流動比率為 X 軸，以預測分類標簽為 Y 軸，可以畫出文中提出的算法和各子預測方法的預測點和實際點對比圖，如圖4～圖6所示。

圖4　貝葉斯網絡預測結果比較圖

圖5　SVM預測結果圖

圖6　BP神經網絡集成算法的預測結果圖

由上圖的對比可以看到，文中提出集成預測方法的預測結果的準確度明顯高于各個子預測方法，準確率分別提高了 0.3和0.7， 召回率比SVM算法提高了36%，而準確度比貝葉斯算法和SVM算法分別提高3.31%和3.34%。

基于貝葉斯的BP神經網絡集成預測方法和子預測方法在準確率、召回率和準確度三個方面的對比分析見表2。

表2　各種算法對比分析

4結語

提出了一種基于貝葉斯的BP神經網絡集成預測方法，并采用R平臺實現了該算法，對上市公司股票信息的訓練集進行學習和訓練，通過實驗結果分析得出，該集成預測方法克服了傳統的集成預測方法的不足，對上市公司的股票是否被 特殊處理做了很好的預測，為公司管理者提供了有效的決策信息。

參考文獻：

[1]RaviV,PramodhC.Thresholdacceptingtrainedprincipalcomponentneuralnetworkandfeaturesubsetselection:Applicationtobankruptcypredictioninbanks[J].AppliedSoftComputing,2008,8(4):1539-1548.

[2]ShinKS,LeeTS,KimHJ.Anapplicationofsupportvectormachinesinbankruptcypredictionmodel[J].ExpertSystemswithApplications,2005,28(1):127-135.

[3]SunLL,ShenoyPP.Usingbayesiannetworksforbankruptcyprediction:Somemethodologicalissues[J].EuropeanJournalofOperationalResearch,2007,180(2):738-753.

[4]SunJ,LiH.Financialdistresspredictionbasedonserialcombinationofmultipleclassifiers[J].ExpertSystemswithApplications,2009,36(4):8659-8666.

[5]梁美健,閆蔚.企業財務預警的國內外研究綜述[J].財會月刊,2014(6):104-107.

[6]李學明,郭尚坤,王劍柯,等.新的集成預報及其在短期氣候預測中的應用[J].重慶大學學報,2010,33(12):119-126.

[7]吳永廣,龐世春.K2&HC結構學習算法[J].計算機與數字工程,2014(7):1137-1140.

[8]楊永生,張優云,朱永生.基于多核非負矩陣分解的機械故障診斷[J].西北工業大學學報,2015,33(2):251-257.

[9]李文學,李慧,賀琳.BP神經網絡在非線性時間序列預測中的應用[J].長春工業大學學報:自然科學版,2003,24(3):39-40.

[10]李佟,李軍.基于BP神經網絡與馬爾可夫鏈的污水處理廠脫氮效果模擬預測[J].環境科學學報,2016,36(2):576-581.

BPneuralnetworkensembleminingmethodappliedinfinancialearlywarning

XUMingjuan,WANGBenyou

(SchoolofInformationEngineering,WestAnhuiUniversity,Lu’an237012,China)

Abstract：Byanalyzingtheweightedensemblepredictionmethods,aBayesianbasedBPneuralnetworkintegratedminingmethodisputforward,andappliedinfinancialearlywarningoflistingCorporationthroughRplatform.Thecomparisonofsomepredictionmethodsshowthattheintegratedpredictionmethodcanimprovetheaccuracyoffinancialriskprediction.

Keywords：Bayes;BPneuralnetwork;financialearlywarning.

收稿日期：2016-03-10

基金項目：國家自然科學基金資助項目(61375121，61075049)； 高等學校優秀青年人才基金項目(2011SQRL150)； 高等學校省級自然科學研究項目(KJ2011Z401)； 安徽省高等學校省級教學研究項目(2015jyxm289)； 安徽省級質量工程項目(2015zy051); 安徽省級教學研究重點項目(2012jyxm433)

作者簡介：徐明鵑(1980-)，女，回族，安徽六安人，皖西學院講師，碩士，主要從事智能數據挖掘方向研究,E-mail:xmj8217@wxc.edu.cn.

DOI:10.15923/j.cnki.cn22-1382/t.2016.3.06

中圖分類號：O157.5

文獻標志碼：A

文章編號：1674-1374(2016)03-0236-05