基于改進SDAE網絡的財務風險預測算法

唐穎

(北京協和醫院， 北京 100730)

0 引言

經濟體制的改革和資本市場的快速發展為企業帶來機遇，同時也加大了企業的危機和挑戰[1]，較高的財務風險威脅到企業的健康發展。財務風險預測能夠幫助管理層及時發現財務異常，針對性地調整戰略化解危機，因此，全面分析財務風險，構建能夠對企業財務進行科學風險預測的預警模型，對企業的快速發展和正確決策具有重要的意義[2-3]。

王宗勝等[4]采用灰色關聯法分析對財務風險及及其影響因子進行分析，并預測了由關鍵影響因素導致的風險次數；Kapan等[5]以灰色Verhulst、Brown及非線性回歸3個模型，以組合預測誤差最小，構建了企業財務風險預測的最優變權組合預測模型。Alqahtani等[6]運用線性回歸根據財務異常數據預測企業財務發展趨勢，并分析影響因素。

本文提出基于改進稀疏降噪聲自編碼(Sparse Denosing Auto-encoder, SDAE)神經網絡的財務風險預警算法，算法在保持AE神經網絡預測優勢基礎上，通過增加模型輸入的降噪特性，優化了原始輸入數據，同時增加所提取特征的魯棒性，提升了SDAE的數據泛化能力；通過PSO算法優化權值和閾值的初始設置，進一步提高了模型的預測精度。實測數據實驗驗證了算法的預測性能。

1 預測模型算法設計

1.1 模型設計流程

基于改進SDAE神經網絡的財務風險預測模型的預測流程如圖1所示。

圖1 基于改進SDAE神經網線的財務風險預測流程

具體預測過程如下。

步驟1：收集數據，通過相關系數設置，得到模型的權值矩陣W及相應的偏置項b。

步驟2：執行正向和反向傳播運算，統計激活量均值和模型參數優化值，并更新權值。

步驟3：對模型進行多次訓練調試，得到完成訓練的SDAE神經網絡財務風險模型。

步驟4：選取測試數據，通過均方誤差等指標判斷模型的預測性能。

1.2 SDAE神經網絡預測模型

自編碼(Auto-encoder, AE)以無監督學習方式學習逼近恒等函數，使得函數的輸入輸出值近似相等[7],其結構如圖2所示。

圖2 AE神經網絡結構及預測流程

設輸入向量為X，則正向傳播時，隱含層激活單元為式(1)：

a=Signoid(wTX+b)

(1)

式中，w為權值向量，用以連接輸入層與隱含層，b為偏置項，在模型訓練時，首先以正向訓練計算隱含層的一層參數(w1,b1)，并以隱藏單元激活值重新表示輸入矩陣X1；然后將X1作為隱含層二層的輸入，計算二層參數(w2,b2)，以此類推，完成所有正向的訓練工作。各隱含層的參數值在正向訓練時固定不變，正向完成后，反射傳播過程調整相應的各層參數，并更值各層權值，從而達到輸出結果最優[8]。

稀疏AE(Sparse AE, SAE)神經網絡的目標函數為式(2)：

(2)

(3)

CSAE(w,b)為變量w和b的函數，因此只要取CSAE(w,b)最小化即可得到最優的w和b值。

在SAE網絡的輸入層中加入損傷噪聲則構造出改進SDAE神經網絡模型，損傷噪聲呈一定的概率分布。SDAE網絡模型結構如圖3。

圖3 SDAE神經網絡模型結構

原始數據輸入SDAE神經網絡模型前，先對其進行稀疏化限制，以優化數據，然后加入噪聲以偏離數據流形，增強提取特征的魯棒性，預處理后的數據輸入SDAE模型，隱含層編碼過程對數據提取特征，其表達函數采用式(1)計算，解碼輸出層完成對數據的重構輸出，然后計算輸出數據與原始數據的均方誤差，以判斷輸入輸出數據的差異，重復以上計算過程，式(3)代價函數最小化，即得到優化的模型參數w和b。

SDAE模型中通常采用隨機方式生成權值初值及閾值初值，雖然通過重得迭代比較輸入輸出值的均方誤差可以優化代價函數，但隨機初始值會導致隱含層傳輸函數的不同輸出，導致模型限制局部最優，從而影響后續預測性能[9]。為此，采用粒子群(Particle Swarm Optimization，PSO)算法優化改進SDAE神經網絡風險預測模型。

1.3 PSO優化SDAE網絡的財務風險預測模型

PSO算法能夠獲取全局最優值，并將其作為最優初始權值和閾值賦值給SDAE神經網絡預測模型[10]。為此本節構建PSO優化的SDAE神經網絡財務風險預測模型，模型具體流程如圖4所示。

圖4 優化的SDAE財務風險預測模型

2 實驗分析

2.1 實驗數據

數據來自CSMAR數據庫[11]，如果某公司存在財務異常，則在其前兩年財務數據中選取，共選取了100家公司的2014到2018年公開財務數據作為模型的解釋變量進行實驗，以2018年財務數據為真值，以2014—2017年數據作為訓練數據樣本。設置改進SDAE網絡為4層網絡結構，正向傳播和前反饋學習率均為0.9，迭代次數分別為4 000次和10 000次，以sigmoid函數作為傳遞函數，粒子維數設置為SDAE網絡的權值和閾值數，粒子數40，因子c1=c2=1.482 26，速度范圍[0.8,0.8]，迭代200次，以測試樣本的單次迭代輸入與實際輸出均方誤差作為PSO的適應度函數。當預測模型輸出為1時，說明當前公司的財務風險較高；當輸出為0時，說明財務狀況較好，出現風險的概率較低。

為便于計算并使同類數據便于比較，在進行難測實驗時，對模型的輸入按式(4)進行歸一化處理[12]，

(4)

式中，xi為預測模型的某個輸入指標值，xmax、xmin分別為其所有樣本數據中的最大值與最小值。

2.2 模型訓練預測結果分析

為避免模型預測時的指標體系存在多重共線性，對其進行多重共線檢測后，選擇營運資本資產率、負債權益比率、長期負債權益比率、應收賬款周轉率、凈資產收益率、損失比例、主營業務增長率和總資產擴張率8個指標進行模型預測分析，以BP神經網絡，SDAE神經網絡和本研究中改進SDAE神經網絡作為財務風險預測的性能對比模型，將訓練樣本數據輸入對比模型中，分析模型的訓練結果如圖5所示。

(a) BP神經網絡模型預測輸出

(b) SDAE模型預測輸出

(c) 改進SDAE模型預測輸出

從圖5對比實驗結果可以看出，3種預測模型輸出與期望輸出都取得較好的擬合度，說明神經網絡用于財務風險預測是有效的，SDAE模型預測輸出值與期望輸出的擬合度要比BP模擬擬合度更好，主要因為SDAE模型在自編碼神經網絡基礎上，對輸入數據增加降噪特性，優化了原始輸入數據，同時增加提取特征的魯棒性，提升了SDAE的數據泛化能力，而本研究中預測模型的預測輸出擬合度最好，主要因為其在繼承SDAE優良性能的同時通過PSO算法優化權值和閾值的初始設置，進一步提高了模型的預測精度。

統計SDAE預測模型與PSO改進SDAE預測模型在預測實驗中誤差量平均值如表1所示。對比發現，改進SDAE神經網絡模型的預測結果在風險識別誤差率和誤判率均低于SDAE模型，而識別準確率則顯著優于SDAE模型，進一步證明算法的有效性。

表1 不同模型實驗的平均預測結果 單位：%

3 總結

本文提出基于改進SDAE網絡的財務風險預警算法，算法在保持AE網絡預測優勢基礎上，通過增加模型輸入的降噪特性，即優化了原始輸入數據，同時增加所提取特征的魯棒性，提升了SDAE網絡的數據泛化能力，通過PSO算法優化權值和閾值的初始設置，進一步提高了模型的預測精度。實測數據實驗結果表明，神經網絡用于財務風險預測是有效的，本研究的PSO改進SDAE財務風險預測模型在保持神經網絡預測優勢基礎上，提升了模型的魯棒性和初始權閾值設置的合理性，有效提高了模型的預測性能。

但由于PSO算法本身存在較多的初始參數設置困難，因而如何針對不同的財務風險預測實際工作實現PSO參數的針對性自適應性設置，以進一步優化改進SDAE網絡的預測性能，將在后續研究中進一步完美。