基于遺傳算法優化神經網絡的財務預警系統研究

葉茂華

(淮安信息職業技術學院，江蘇 淮安 223003)

基于遺傳算法優化神經網絡的財務預警系統研究

葉茂華

(淮安信息職業技術學院，江蘇 淮安 223003)

在當前的企業財務預警指標體系中，模型與現實的失配問題比較突出，難以反映企業的真實運營情況，因此，本文針對財務預警指標體系的構建與研究，提出了一種基于遺傳算法優化神經網絡的財務預警系統，具有重要的現實意義。

財務預警；遺傳算法；神經網絡；系統分析

近年來，我國的資本市場發展迅猛，能否及時有效地對企業可能發生的財務危機進行預警，不僅關系著企業的健康運轉，更對投資者的決策有著重要的意義。由于企業財務狀況和經營管理的復雜性，建立完備的模型需要涉及管理科學、過程控制科學等諸多領域，更需要復雜龐大的數據運算量，因此為了規避企業在發展過程中可能遇到的財務危機，可借鑒國外的相關研究成果，并結合我國資本市場的特點，建立相應的市場模型及企業模型，實現對企業財務狀況的全面分析與可靠預測，從而有效預防和降低企業的發展風險。

1 遺傳算法相關概念介紹

1.1 群體規模

群體是由一定數量的個體組成，每個個體代表不同的基因組成，基因個體的數量稱為整個種群的群體規模N。在遺傳算法中，群體規模對算法的收斂性與收斂精度有著重要的影響，群體規模較小則容易導致收斂到局部最優值，群體規模過大則計算量較為龐大。由于群體規模與待解決問題間存在非線性關系，因此群體規模的選擇難以找到最優解，一般群體規模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勝劣汰機制來實現基因個體的優選，淘汰群體中表現劣勢的個體。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，對算法的結果有著重要影響，因此多利用適應值指標對群體中不同適應值個體按比例進行選擇，并進行后續的雜交變異處理。目前，比例選擇、Boltzmann 選擇、排序選擇、聯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，交叉操作是產生新個體最主要的手段，起著關鍵作用。通過選擇和交叉算子產生的子代群體有更高的平均適應值和更優良的子代群體，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胞的不斷分裂和重組發生的。變異使得生物體表現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的。

2 基于遺傳算法優化神經網絡的財務預警系統模型分析

BP 神經網絡具有較強的適應性與泛化能力，經過大數據的學習訓練后，具有較好的預測能力，對本文所研究的企業財務預警有著較高的適應性。BP神經網絡具有大量的可調參數，需要通過大數據樣本的學習訓練完成模型的參數設置，企業往年的財務數據作為BP神經網絡的最佳訓練樣本，能夠讓訓練好的模型具有較強的預測能力。由于BP 神經網絡容易陷入局部最小值，因此可利用遺傳算法對其進行優化，通過種群規模的控制，有效實現了最優值的獲取。

一般來說，遺傳算法的神經網絡優化主要體現在網絡拓撲結構的選擇以及網絡權值的訓練，其中網絡權值的選擇易于實現，得到了較為廣泛的應用，所以本文利用遺傳算法對神經網絡的網絡權值訓練過程進行優化與改進，通過遺傳算法的全局搜索優勢，對BP神經網絡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，從而實現全局最優值的搜索。

2.1 基本思路

在本文中，遺傳算法在BP神經網絡中的應用不影響神經網絡的隱層數、節點數等拓撲結構，只對網絡中各神經元權值進行統一編碼，并形成網絡權值初始群體，之后通過交叉變異、產生子代、子代篩選等操作，最終獲得最優的網絡連接權值。借助BP神經網絡的輸出誤差進行反向傳播，確定各網絡連接權值處的個體適應度，從而實現全局最小值的獲取。

圖1 遺傳算法優化BP神經網絡的具體建模過程Fig.1 Genetic algorithm optimization BP neural network specific modeling process

全局化尋優是遺傳算法的最大特點。通過全局優化可以重新確定BP神經網絡權值和閾值。遺傳算法的優化過程是對神經元的連接權值進行編碼，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，直到獲得最佳權值和閾值。此時再利用神經網絡輸出的均方誤差來確定每個個體適應度，經過不斷重復的計算，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，首先對神經網絡中各神經元的輸入層-隱含層權值、隱含層-輸出層權值、隱含層閾值以及輸出層閾值進行實數編碼，形成向量用以表示基因個體。

B.確定目標函數與適應度函數。遺傳算法適應度函數的選擇充分利用了BP神經網絡的特點，利用神經網絡實際輸出值與期望值間的誤差進行反向傳播，并利用各神經元處的誤差分量設計相應的適應度函數。整體來說，通過將各基因個體中的神經元權值和閾值引入BP神經網絡進行迭代，利用誤差函數 E(ξ)的倒數F(ξ) =1/ E(ξ)作適應度函數。

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，為了保證優良基因的組合，需要保證個體間的隨機雜交，實現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，經過50代左右的進化后，種群基因多樣性開始趨于穩定，此時可以認為BP神經網絡的網絡權值與閾值已經收斂在最優值處，此時將種群個體基因取出并作為BP神經網絡的初始輸入，即可進行下一步神經網絡的學習與訓練。

在神經網絡的學習訓練中，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均采用雙曲正切S型傳遞函數tansig，隱含層到輸出層的激活函數均采用統一的線性函數purelin、學習函數leamgdm以及性能函數mse。

3 結語

財務狀況的好壞關系到一個企業的生死存亡，越早防范越有利于企業的健康穩定成長。本文通過收集相關企業財務預警指標的參數，利用遺傳算法對BP神經網絡進行改進并將其運用到財務預警系統中，最后再借助輸入優化后的初始權值和閾值對神經網絡進行訓練，提高了預測準確率，具有重大的研究和使用價值。

[1] 楊保安，徐晶. BP神經網絡在企業財務危機預警之應用[J].預測，2015，(06):12-16.

[2] 趙春陽.上市公司財務危機預警模型研究[D].大連：大連理工大學，2015.

[3] 王小平，曹立明. 遺傳算法-理論應用與軟件實現[M].陜西:西安交通大學出版社，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。