基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的財務(wù)預(yù)警系統(tǒng)研究

葉茂華

(淮安信息職業(yè)技術(shù)學(xué)院，江蘇 淮安 223003)

基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的財務(wù)預(yù)警系統(tǒng)研究

葉茂華

(淮安信息職業(yè)技術(shù)學(xué)院，江蘇 淮安 223003)

在當(dāng)前的企業(yè)財務(wù)預(yù)警指標(biāo)體系中，模型與現(xiàn)實的失配問題比較突出，難以反映企業(yè)的真實運營情況，因此，本文針對財務(wù)預(yù)警指標(biāo)體系的構(gòu)建與研究，提出了一種基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的財務(wù)預(yù)警系統(tǒng)，具有重要的現(xiàn)實意義。

財務(wù)預(yù)警；遺傳算法；神經(jīng)網(wǎng)絡(luò)；系統(tǒng)分析

近年來，我國的資本市場發(fā)展迅猛，能否及時有效地對企業(yè)可能發(fā)生的財務(wù)危機進行預(yù)警，不僅關(guān)系著企業(yè)的健康運轉(zhuǎn)，更對投資者的決策有著重要的意義。由于企業(yè)財務(wù)狀況和經(jīng)營管理的復(fù)雜性，建立完備的模型需要涉及管理科學(xué)、過程控制科學(xué)等諸多領(lǐng)域，更需要復(fù)雜龐大的數(shù)據(jù)運算量，因此為了規(guī)避企業(yè)在發(fā)展過程中可能遇到的財務(wù)危機，可借鑒國外的相關(guān)研究成果，并結(jié)合我國資本市場的特點，建立相應(yīng)的市場模型及企業(yè)模型，實現(xiàn)對企業(yè)財務(wù)狀況的全面分析與可靠預(yù)測，從而有效預(yù)防和降低企業(yè)的發(fā)展風(fēng)險。

1 遺傳算法相關(guān)概念介紹

1.1 群體規(guī)模

群體是由一定數(shù)量的個體組成，每個個體代表不同的基因組成，基因個體的數(shù)量稱為整個種群的群體規(guī)模N。在遺傳算法中，群體規(guī)模對算法的收斂性與收斂精度有著重要的影響，群體規(guī)模較小則容易導(dǎo)致收斂到局部最優(yōu)值，群體規(guī)模過大則計算量較為龐大。由于群體規(guī)模與待解決問題間存在非線性關(guān)系，因此群體規(guī)模的選擇難以找到最優(yōu)解，一般群體規(guī)模N的取值多在20～200之間。

1.2 遺傳算子

A.選擇算子。遺傳算法利用類似于自然法則中的優(yōu)勝劣汰機制來實現(xiàn)基因個體的優(yōu)選，淘汰群體中表現(xiàn)劣勢的個體。在遺傳算法的迭代過程中，個體的淘汰與選擇機制直接決定了基因的淘汰或保留，對算法的結(jié)果有著重要影響，因此多利用適應(yīng)值指標(biāo)對群體中不同適應(yīng)值個體按比例進行選擇，并進行后續(xù)的雜交變異處理。目前，比例選擇、Boltzmann 選擇、排序選擇、聯(lián)賽選擇等是遺傳算法中常用的選擇方法。

B.交叉算子。遺傳算法用交叉算子來產(chǎn)生兩個新的基因個體，其過程是由一定的交換概率隨機選擇，隨機交換部分染色體。交叉運算產(chǎn)生的子代繼承了父代的基本特征。在遺傳算法搜索的過程中，交叉操作是產(chǎn)生新個體最主要的手段，起著關(guān)鍵作用。通過選擇和交叉算子產(chǎn)生的子代群體有更高的平均適應(yīng)值和更優(yōu)良的子代群體，使搜索速度大大提高。

C.變異算子。自然界中的生物進化是通過細(xì)胞的不斷分裂和重組發(fā)生的。變異使得生物體表現(xiàn)出不同于以往的新的性狀。遺傳算法過程自然也要模擬生物的變異過程，這一過程是通過變異算子實現(xiàn)的。

2 基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的財務(wù)預(yù)警系統(tǒng)模型分析

BP 神經(jīng)網(wǎng)絡(luò)具有較強的適應(yīng)性與泛化能力，經(jīng)過大數(shù)據(jù)的學(xué)習(xí)訓(xùn)練后，具有較好的預(yù)測能力，對本文所研究的企業(yè)財務(wù)預(yù)警有著較高的適應(yīng)性。BP神經(jīng)網(wǎng)絡(luò)具有大量的可調(diào)參數(shù)，需要通過大數(shù)據(jù)樣本的學(xué)習(xí)訓(xùn)練完成模型的參數(shù)設(shè)置，企業(yè)往年的財務(wù)數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的最佳訓(xùn)練樣本，能夠讓訓(xùn)練好的模型具有較強的預(yù)測能力。由于BP 神經(jīng)網(wǎng)絡(luò)容易陷入局部最小值，因此可利用遺傳算法對其進行優(yōu)化，通過種群規(guī)模的控制，有效實現(xiàn)了最優(yōu)值的獲取。

一般來說，遺傳算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化主要體現(xiàn)在網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的選擇以及網(wǎng)絡(luò)權(quán)值的訓(xùn)練，其中網(wǎng)絡(luò)權(quán)值的選擇易于實現(xiàn)，得到了較為廣泛的應(yīng)用，所以本文利用遺傳算法對神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)值訓(xùn)練過程進行優(yōu)化與改進，通過遺傳算法的全局搜索優(yōu)勢，對BP神經(jīng)網(wǎng)絡(luò)在迭代梯度下降過程中容易陷入局部最小值的缺陷進行彌補，從而實現(xiàn)全局最優(yōu)值的搜索。

2.1 基本思路

在本文中，遺傳算法在BP神經(jīng)網(wǎng)絡(luò)中的應(yīng)用不影響神經(jīng)網(wǎng)絡(luò)的隱層數(shù)、節(jié)點數(shù)等拓?fù)浣Y(jié)構(gòu)，只對網(wǎng)絡(luò)中各神經(jīng)元權(quán)值進行統(tǒng)一編碼，并形成網(wǎng)絡(luò)權(quán)值初始群體，之后通過交叉變異、產(chǎn)生子代、子代篩選等操作，最終獲得最優(yōu)的網(wǎng)絡(luò)連接權(quán)值。借助BP神經(jīng)網(wǎng)絡(luò)的輸出誤差進行反向傳播，確定各網(wǎng)絡(luò)連接權(quán)值處的個體適應(yīng)度，從而實現(xiàn)全局最小值的獲取。

圖1 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的具體建模過程Fig.1 Genetic algorithm optimization BP neural network specific modeling process

全局化尋優(yōu)是遺傳算法的最大特點。通過全局優(yōu)化可以重新確定BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值。遺傳算法的優(yōu)化過程是對神經(jīng)元的連接權(quán)值進行編碼，使之成為碼串的初始群體，進而通過交叉操作、變異操作對每一代的群體進行計算和篩選，直到獲得最佳權(quán)值和閾值。此時再利用神經(jīng)網(wǎng)絡(luò)輸出的均方誤差來確定每個個體適應(yīng)度，經(jīng)過不斷重復(fù)的計算，可以將誤差降低到全局最小。具體過程如圖 1所示。

2.2 具體算法步驟

A.生成初始種群。遺傳算法的收斂速度受初值影響較大，因此初始種群的生成對遺傳算法的性能有著較大的影響。在本文中，首先對神經(jīng)網(wǎng)絡(luò)中各神經(jīng)元的輸入層-隱含層權(quán)值、隱含層-輸出層權(quán)值、隱含層閾值以及輸出層閾值進行實數(shù)編碼，形成向量用以表示基因個體。

B.確定目標(biāo)函數(shù)與適應(yīng)度函數(shù)。遺傳算法適應(yīng)度函數(shù)的選擇充分利用了BP神經(jīng)網(wǎng)絡(luò)的特點，利用神經(jīng)網(wǎng)絡(luò)實際輸出值與期望值間的誤差進行反向傳播，并利用各神經(jīng)元處的誤差分量設(shè)計相應(yīng)的適應(yīng)度函數(shù)。整體來說，通過將各基因個體中的神經(jīng)元權(quán)值和閾值引入BP神經(jīng)網(wǎng)絡(luò)進行迭代，利用誤差函數(shù) E(ξ)的倒數(shù)F(ξ) =1/ E(ξ)作適應(yīng)度函數(shù)。

C.交叉變異。在遺傳算法的迭代過程中，得到每一代種群個體后，為了保證優(yōu)良基因的組合，需要保證個體間的隨機雜交，實現(xiàn)個體基因的交叉組合，同時引入隨機量對個體基因做均勻變異處理。在實際仿真實驗中，經(jīng)過50代左右的進化后，種群基因多樣性開始趨于穩(wěn)定，此時可以認(rèn)為BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)值與閾值已經(jīng)收斂在最優(yōu)值處，此時將種群個體基因取出并作為BP神經(jīng)網(wǎng)絡(luò)的初始輸入，即可進行下一步神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練。

在神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練中，為了保證迭代過程中的一致性，輸入層到隱含層的激活函數(shù)均采用雙曲正切S型傳遞函數(shù)tansig，隱含層到輸出層的激活函數(shù)均采用統(tǒng)一的線性函數(shù)purelin、學(xué)習(xí)函數(shù)leamgdm以及性能函數(shù)mse。

3 結(jié)語

財務(wù)狀況的好壞關(guān)系到一個企業(yè)的生死存亡，越早防范越有利于企業(yè)的健康穩(wěn)定成長。本文通過收集相關(guān)企業(yè)財務(wù)預(yù)警指標(biāo)的參數(shù)，利用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)進行改進并將其運用到財務(wù)預(yù)警系統(tǒng)中，最后再借助輸入優(yōu)化后的初始權(quán)值和閾值對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，提高了預(yù)測準(zhǔn)確率，具有重大的研究和使用價值。

[1] 楊保安，徐晶. BP神經(jīng)網(wǎng)絡(luò)在企業(yè)財務(wù)危機預(yù)警之應(yīng)用[J].預(yù)測，2015，(06):12-16.

[2] 趙春陽.上市公司財務(wù)危機預(yù)警模型研究[D].大連：大連理工大學(xué)，2015.

[3] 王小平，曹立明. 遺傳算法-理論應(yīng)用與軟件實現(xiàn)[M].陜西:西安交通大學(xué)出版社，2015.

Researchonfinancialearlywarningsystembasedongeneticalgorithmoptimizedneuralnetwork

YE Mao-hua

(Huai’an Information Vocational and Technical College, Huai’an 223003, China)

In the current enterprise financial early warning index system, the model and the reality of the mismatch problem is more prominent, it is difficult to reflect the true operation of the enterprise, therefore, according to the financial early warning index system construction and research, a financial early warning system of neural network was proposed based on a genetic algorithm, which is of great practical significance.

Financial early warning; Genetic algorithm; Neural network; System analysis

TP277

B

1674-8646(2017)18-0024-02

2017-06-16

葉茂華(1981-)，男，碩士，工程師。