基于MATLAB的BP神經網絡企業財務模型優化分析

章銀平

(安徽財貿職業學院，安徽合肥 230601)

企業財務管理是整個企業資金運行控制中心，其運行狀況與整個企業運轉密切相關，隨著經濟一體化不斷發展，企業經營過程中存在的不確定性逐漸增強，在此基礎上導致的財務風險不斷增多，因此需要對財務管理進行有效管理，降低財務困境出現的可能性[1]。大數據背景下需要通過計算機技術對企業財務管理進行仿真分析，建立企業財務模型，在其運行過程中對企業未來財務運行多種情況進行綜合性分析，并制定對應預警措施，降低企業未來運轉過程中可能存在的風險[2]。

1 模型構建理論

BP神經網絡是一種智能化算法，其結構一般包括三層或以上的網絡結構，層與層之間通過神經元實行權相連，即該結構中所有單元與上層單元均實現連接，而每層各神經元之間并無相互連接。通過BP神經網絡可實現對所有問題的游俠訓練，在實際運行過程中向網絡中輸入樣本，通過一定算法對其進行訓練處理，求解對應問題。圖1為當前使用最為廣泛的網絡結構，其結構部分主要包括輸入層、輸出層、隱層構成，其中輸入層和輸出層分別代表樣本輸入和結果輸出，隱層可以是一層，也可是多層。

圖1 BP神經網絡結構示意圖

本研究模型通過BP神經網絡對企業財務模型的運行過程進行分析，系統實際運行流程步驟如下：

步驟一：首先對其網絡權值以及閾值等進行初始化處理。

步驟二：計算出參數總誤差，其計算公式可表達為：

(1)

(2)

步驟三：取一個樣本作為網絡輸入，將其按照公式(3)進行數據處理，

(3)

其中，Oj表示輸出，并規定O0=-1,woj=θ(閾值)，i和j表示的是信號源方向相鄰層節點。之后按照輸入到輸出的順序進行所有連接權值wij的修正處理，可將該過程表示為：

wij(t+1)=w(t)+ηδjOi.

(4)

(5)

對于不同節點而言,在其輸出側有連接的節點個數，在神經網絡算法中通過δj表示節點j的誤差，其在計算過程中主要由于算法在實際運行過程中需進行下述步驟：

(6)

(7)

當其為中間節點時，可將其表示為：

(8)

對輸入到系統中的所有樣本數據進行重復處理，之后進入步驟二。

2 基于MATLAB的BP神經網絡模型構建

2.1 構建模型

圖2 BP神經網絡企業財務模型

企業財務模型如圖2所示，在實際運行過程將樣本輸入到系統中，樣本主要來自于企業經營過程中的各項財務報表，所有與財務相關的信息均可作為樣本，并可將該系統連接至互聯網，通過數據挖掘獲取最新市場信息，均可將這些信息作為企業財務模型決策的依據。樣本輸入到系統后經過初步學習過程進行數據格式化以及有效化處理，在通過神經網絡學習對其進行訓練處理，使之成為系統決策基礎，之后便可對企業財務進行預警、預決策等。本系統在構建過程中主要設定以下參數：

①財務管理系統的軟件開發的硬件環境,是通過應用服務器、數據庫服務器和高性能的PC組成一個B/S的三層架構方式，同時通過路由器建立企業內部的局域網。

②系統平臺財務管理系統采取的三層體系架構，是基于J2EE的web的服務器平臺。

數據庫服務器：Oracle；

服務器端操作系統：Windows 2016 Advance Server；

應用服務器：Tomeat 6.0；

客戶端瀏覽器：Mierosoft IE 6.0以上。

③開發環境

操作系統：Window 2016；

數據庫：Oracle；

開發語言：J2EE。

2.2 拓撲結構

網絡拓撲結構的設計主要包括隱層數、隱層節點數及輸入輸出層節點數的確定。在構建網絡拓撲結構過程中采用3層網絡結構，結構中僅僅含有一個隱層。該結構中輸入輸出層節點數主要由財務模型問題決定。構建的BP神經網絡企業財務模型如圖3所示，其中(xt,xt+1,…,xt+n-1)表示的是n個輸入，xt+n-1表示的是輸出，其隱層節點數為r(1

圖3 BP神經網絡企業財務模型拓撲結構

圖4 企業財務網絡功能層次模型

企業財務網絡功能層次模型如圖4所示，該模型主要由3個層次構成，該結構在處理企業財務數據過程中具有較高效率，并且可實現對眾多數據的有效分析，以上網絡層次可有效提升整個系統運行效率，尤其是在數據訓練過程中可有效減少單個周期的循環時間，在指定時間內完成相應訓練[3]。

2.3 數據庫結構

系統中的數據庫主要采用Oracle系統作為基礎，數據庫中的數據需經過中間層處理，用戶可通過數據庫對各種數據進行訪問和存儲，其余財務管理所有數據均可存儲于數據庫中。為保證企業財務數據的安全性，在設計數據庫過程中采用分層數據庫模式，設定一般數據庫、核心數據庫兩種模式，其中一般數據庫主要存儲一般信息，核心數據庫則用于存儲企業機密財務信息，并具備較高級別安全系數。

圖5 數據庫結構

如圖5所示，在數據庫結構中可與用戶終端連接起來，為用戶提供多種財務管理服務方案，并且在實際分析過程中還可結合用戶訪問系統的歷史生成管理日志，結合BP神經網絡進行數據訓練，并結合Web進一步提升數據訓練效果。同時，該數據庫還設有外接端口，可對其進行容量擴展和功能擴展，促進系統能夠適應后續需求變化和技術變化，不至于在短時間內無法滿足發展需求[4]。

2.4 基于MATLAB的企業財務模型仿真

MATLAB中的數據類型一般表示為矩陣形式，其本質是一種數學軟件，可通過數學表達方式將各種數據表達出來，具有簡化數據運算過程的優點。尤其是在重復結算數據方面具有無可比擬的優點。本研究構建基于MATLAB的BP神經網絡企業財務模型，通過MATLAB中的trainbpx實現BP神經網絡企業財務模型的算法運行過程。一般而言，在實際運行過程中并不能清晰了解神經元個數，因此在數據處理過程中對不同神經元進行訓練處理，結合共軛梯度對隱單元個數的求解，可將其表示為[5]：

(Si+1)Sh-(Sh-1)So=npSo.

(9)

其中，Si為輸入單元數量；Sh為隱單元數；So為輸出單元數量；np為訓練樣本數量。在系統運行過程中需要對算法進行修正，本研究選擇δ學習規則，主要運行步驟如下：

步驟一：設定一組數據初始權值wij(0)；

步驟二：計算某輸入模式下的實際輸出及期望輸出誤差值；

步驟三：對數據權值進行有效更新，更新公式為：

wij(t+1)=wji(t)=η[dj-yj(t)]xj(t).

(10)

其中，η表示學習因子，通過dj和yj表示系統中對應j編號的神經元輸出，分別為期望輸出和實際輸出，xj表示神經元輸入部分。

步驟四：完成以上步驟后再返回步驟二，直至完成所有數據的訓練。

在構建模型過程中通過MATLAB構建出人機交互系統環境，系統中數據處理為矩陣形式，運用該種方式可提升系統運行效率，通過MATLAB中的trainbpx可隨意更換多種算法程序，滿足實際需求。結合BP神經網絡算法，對激活函數以及其訓練函數進行有效編程：

Net=newff(minmax(p),{},{’myfunc’,’purelin’},’mytrainfunc’)

Net.trainparam.epochs=20000;

Ner, trainparam. goal=0.0002;

Ner=train(net,p.t);

在該系統程序中,myfunc和mytrainfunc表示優化后的函數，該程序便是優化后的程序部分。將前文設定的幾項財務指標輸入到系統中，并對相應算法進行更新處理，在系統中進行自適應學習和訓練后便可進行有效收斂，之后將得到的矩陣輸出至隱含層。

系統在實際運行過程中需要具備財務數據處理、統計分析等功能，通過該軟件可對財務數據進行有效性分析，消除無效數據，并對總數據進行匯總分析，提煉出數據精華部分。當出現危機情況時，系統便會根據相應信息制定出預警方案，并將提醒發送至客戶終端，最大限度地降低企業受到的損失。

3 模型運行實證研究分析

3.1 研究對象及數據來源

基于MATLAB的BP神經網絡財務模型可對企業運行中的各項決策進行分析，對企業財務狀態進行時間點探究。當前，眾多企業為保證自身利益，在財務管理過程中會出現一些漏洞，企業財務決策者往往無法從中發現有效信息。本研究建立的財務模型不僅可實現數據分析，還能在數據分析的基礎上實現預警，對未來可能出現的某些情況進行預測。

為研究經濟模型的有效性，通過網絡收集證券交易所的財務數據信息，進行數據分析。選擇2013-2015年數據作為樣本，并對2015年之后的兩到三年進行預測。選擇5家上市公司作為研究對象，并選擇另外5家作為對比對象，因此本研究選擇的總樣本數量為10家。根據這10家企業的實際運行情況，將其分為常規狀態企業以及危機狀態企業。設置常規狀態企業編號為01～05，危機狀態企業編號為A～E。

3.2 模型測試

在前文建立的網絡模型基礎上構建可反映以上財務指標的財務模型，該模型在實際構建過程中主要包括輸入層、隱含層、輸出層3個方面，一共有8個財務指標，并在模型輸出層設置兩個節點，通過節點主要是研究對象的輸出部分。在財務模型中不同層次代表相應參數，其中輸入層表示的是財務指標，隱含層表示警情指標，輸出層表示企業財務狀態。由此可見，在模型運行過程中可通過BP神經網絡建立財務預警系統，并設定三層神經網絡結構，通過MATLAB進行有效仿真。將總資產收益率、流動比率、速動比率、總資產周轉率、應收賬款周轉率、資產負債率、經營凈現金比率、凈利潤增長率8個指標分別表示為a～h。在模型仿真過程中輸入到系統中的數據如表1和表2所示，其中表1表示的是常規狀態企業的財務數據，表2表示的是危機狀態企業的財務數據。

表1 常規狀態企業的財務數據

表2 危機狀態企業的財務數據

在實際運行過程中系統主要通過共軛梯度進行分析，并通過式(9)進行隱單元個數的求解，解出隱含層神經元個數為14個，選擇學習因子η=0.1，結合實際情況設定期望誤差為0.0002，以Tansig作為特征函數，設置矩陣形式分別為8×14和14×2兩種，并且滿足整體函數需求，設定函數運行循環最大次數為18000次，并設定運行間隔為50。

系統采用MATLAB 6.5進行神經網絡系統的有效分析，首先建立對應的M-File文件，之后建立對應連續函數，在MATLAB中采用Premnux函數進行數據處理，通過共軛梯度進行數據訓練。本次系統運行一共展開15200個學習周期便達到其對應的期望誤差，系統運行最終結果見圖6。

(a)網絡誤差性能曲線

(b)運行2500次迭代結果

(c)152000次訓練后結果圖6 系統運行情況

從圖6(a)可發現該網絡誤差性能曲線具有收斂性，并且從運行情況來看其運行結果的期望誤差小于0.0001，本研究設定的經濟模型較為合理。再對其運行2500迭代以及152000次訓練如圖6(b)和圖6(c)所示，其運行結果均滿足實際情況，因此可將該模型應用于實際財務分析。

對數據進行訓練得出網絡層權值以及閾值，設定輸入層—隱含層權值矩陣表示為w1，閾值矩陣為b1；隱含層—輸入層權值矩陣表示為w2，閾值矩陣為b2。在此基礎上可展開訓練，對其進行預判處理，得到最終結果見表3。

表3 BP神經網絡財務模型判別結果

通過模型分析可得出在2015年之后的企業發展狀況，這些企業的預期輸出與實際輸出較為一致，即通過本模型可對企業運行狀況進行有效研究，并可對企業未來運行情況進行預測分析，具有良好的預警效果。

4 結語

本研究建立基于MATLAB的BP神經網絡企業財務模型，對企業財務運行情況進行有效分析。模型運行過程中基于BP神經網絡構建出數據處理結構，通過MATLAB進行仿真。收集歷史數據作為測試樣本數據，針對5家常規狀態企業和5家危機狀態企業展開測試。研究結果表明,預期輸出與實際輸出較為一致，該模型具有一定實用性，可為企業財務運行預警提供有效參考。

[1]劉斌.基于Matlab的BP神經網絡環渤海動力煤價格指數預測模型[J].神華科技,2015,13(6):3-6.

[2]師寧焉.Matlab仿真平臺下大壩位移BP神經網絡模型研究[J].東北水利水電,2015,33(5):49-50.

[3]王娟,楊雪.基于BP神經網絡的房地產業上市公司財務績效評價模型研究[J].商,2015(11):127.

[4]周建強,李玉娜,屈衛東,等.基于風速時空信息的BP神經網絡超短期風速預測研究[J].電網與清潔能源,2015,31(1):109-112.

[5]陳勇.基于遺傳神經網絡成績預測的研究與實現[J].現代電子技術,2016,39(5):96-100.