【#第一文档网# 导语】以下是®第一文档网的小编为您整理的《基于 BP神经网络企业财务危机预警模型的构建》，欢迎阅读！
基于 BP神经网络企业财务危机预警模型的构建 【摘 要】随着我国市场经济体制改革的深化和资本市场的快速发展，尤其我国加入 WTO后，市场竞争愈演愈烈，企业发生财务危机乃至破产的情形越来越多，因此如何有效的预防财务危机的出现是一个重要的研究课题。文章运用 BP神经网络模型的建模原理，并根据其在财务预警中的优点，构建 BP神经网络预测模型，进行训练和检验，用以对上市公司进行财务预警。 【关键词】上市公司 BP神经网络 财务预警 【中图分类号】 F275 【文献标识码】 A【文章编号】 1674－4810（2009）12－0045－01 一、神经网络建模原理 BP算法作为人工神经网络的一种比较典型的学习算法，主要结构是由一个输入层、一个或者多个隐含层、一个输出层组成，各层由若干个神经元构成，每一个节点的输出值由输入值、作用函数和闭值决定。网络的学习过程包括信息正向传播和误差反向传播两个过程。 BP算法的具体步骤如下：（1）设置输入变量和输出节点的目标值。（2）初始化权值和阈值，随机给出一个非零的初始值，以保证网络不会出现饱和或反常情况。（3）取一组训练数据输入 BP神经网络，计算出 BP神经网络的输出值。（4）计算该输出值与期望值的偏差，然后从输出层计算到输入层，向着减少该偏差的方向调整各个权值。（5）对训练集的每一组数据都重复上面两个步骤，直到整个训练偏差达到能被接受的程度为止。 二、预警指标体系选择 对于建立一个科学合理并行之有效的财务危机预警模型，构建一套适合的模型指标体系是关键的环节，它不仅会影响模型的预测精度，还可能决定模型是否能够构建成功。因此，构建财务危机预警模型的一个重要任务就是寻求解释力比较好的财务指标。在备选指标中，通过指标的相关性和显著性检验，选择如下 16个指标组成上市旅游企业的财务预警指标体系，它们分别是： （1）赢利能力指标：主营业务利润率、资产净利率；（2）运营能力指标：资产现金回收率、净利润现金比率、每股经营活动现金净流量；（3）短期偿债能力指标：流动比率、速动比率；（4）长期偿债能力指标：资产负债率、权益负债率；（5）成长及规模指标：主营业务收入增长率、净资产增长率、净利润增长率、每股净资产；（6）资产管理能力：存货周转率、固定资产周转率、总资产周转率。 上述 16个指标显示出了作为判别变量指标时所必须具有的信息含量和实效性等特点，具有很大的可靠性。 三、BP网络预警模型的构建 1．输入层 按照 BP神经网络的结构特点，输入层神经元的个数由输入向量决定，按照本文的数据特点，输入为 6类 16个财务指标，即 16个输入节点，所以输入层为 16个神经元，它们分别代表 16个影响财务安全的相关指标。同时由于输入是连续变量，输出是布尔离散向量，需对输入量作归一化处理，公式为： xij＝xij-min{x1j，x2j.xnj}/max{x1j，x2j.xnj}－min{x1j，x2j.xnj}除去不同量纲的影响。 2．隐含层 对 BP神经网络的分析及经验都表明，一个三层的 BP神经网络可以以任意精度逼近任意映射关系，即输入层、隐含层、输出层，多余的隐含层对于 BP神经网络的训练和学习没有任何的益处。因此本文在构建 BP神经网络的模型时，只设置了一个隐含层，关于隐含层节点数的选取至今尚未找到一个很好的解析式来表示，过少，将影响到网络的有效性；过多，则会大幅度增加网络训练的时间。用于模式识别的 BP网络，根据经验，可以参照以下公式进行设计： n＝n1+0.618×（n1－n2）其中， n为隐节点数，n1为输入节点数， n2为输出节点数。由此公式选取隐含层节点数为 25，本文采用隐含层神经元个数为 25个。 3．输出层 根据 BP神经网络的建模思想，输出层神经元的个数由输出类别决定，本文对上市公司的财务安全状况只定义了两种状态，即 ST－0和非 ST－1。因此输出层的节点只需要一个就可以表示这两种状态即状态（1）和状态（0），这两种状态分别表示某个上市公司在未来的特定时间段内是否会发生财务危机。 4．传递函数 传递函数的好坏对一个神经网络的训练效率至关重要。考虑到输出层的期望输出数据为 0或 1，经反复测试，笔者对输入层到隐含层的传递函数确定为正切函数 tansig（n），它将神经元的输入范围从（－， +）映射到（ 1，－1），隐含层到输出层之间的传递函数确定为对数函数 logsig（n），它将神经元的输入范围从（－，+）映射到（ 0，1）。 5．网络参数 目标误差 0.001，学习速率为 0.01，训练循环次数 1000次。学习率通常在 0.01～0.9之间。一般来说，学习速率越小，训练次数越多，但学习速率过大，会影响网络结构的稳定性。误差通常需要根据输出要求来定， e越低，说明要求的精度越高。 6．训练函数 本文选取了基于快速 BP算法的训练函数 trainbpx，该算法在学习规则上选取了动量因子算法规则，在学习速率上采用了自适应学习率。当采用动量因子时， BP算法可以找到更优的解；当采用自适应学习率时， BP算法可以缩短训练时间。 本文来源：https://www.dywdw.cn/39b82adc25d3240c844769eae009581b6ad9bdd6.html
下载此文档
搜索文档
阅读：
文档下载
2023-01-28
