基干BP神经网络上市企业财务困境预警研究.docVIP

基于BP神经网络的上市企业财务困境预警研究 　　摘要：经过几十年的发展，企业财务困境预警研究已经发展为国内外学术界所广泛关注的课题之一。公司的财务困境预警研究不但具有较高的学术价值，并且还有着巨大的应用价值，能够成为公司管理者及其利益相关者进行决策的参考依据 关键词：企业财务困境预警；人工神经网络 中图分类号：F23 文献标识码：A doi：10.19311/j.cnki2016.21.066 1人工神经网络 人工神经网络是基于理论化的人脑神经网络，是通过模仿大脑神经网络结构和功能模拟建立起来的一种信息处理系统，此类人工神经网络由大量较简单的人工神经元根据一定的规律连接起来形成复杂网络，具有高度的非线性，在系统功能上能够满足复杂的逻辑操作和非线性关系实现。在网络中信息的转播、存储方式以及信息存储在各个神经元的连接权上都与生物神经网络进行信息传播存储相似。两者都是运用并行式的“集体”工作方式。这种信息处理系统是通过人工模仿人脑神经网络而建立的，因此被人称为人工神经网络 设输入模式向量为Xk=（xk1，xk2，…，xkn）T（k=1，2，…，m），对应输入模式的期望输出向量为Yk=（yk1，yk2，…，ykq）T；中间隐含层净输入向量Sk=（sk1，sk2，…，skp）T，输出向量Bk=（bk1，bk2，…，bkp）T；输出层净输入向量Lk=（lk1，lk2，…，lkq）T，实际输出向量为Ck=（ck1，ck2，…，ckq）T 2财务预警指标体系的构建与模型设计 （1）财务数据的确定 财务数据选取为2015会计年度报表中的财务数据，数据来源于东方财富网和巨潮资讯网。其中沪市A股上市公司代码60XXXX （2）基于BP神经网络的财务预警模型的构建从常规来看，BP网络的结构设计主要包括隐含层、确定输入层、输出层及各层之间的传递函数。事实上，网络的应用往往转化为如何确定网络的结构参数和网络模型的最终连接权值。在实验过程中，模型的具体设置如下 ①网络层数的设计。神经网络主要由出入层、隐含层和可以加强网络映射精度的隐含层组成。在模型设置中对于多层神经网络而言最重要的是要确定隐含层的具体数目。在模型设置中，通过采用单隐含层BP神经网络，即仅利用一个输入层、一个输出层和一个隐含层就能够实现将财务危机良好分类 ②输入层的设计。在模型设计过程中通过输入相关变量决定输入层的神经元个数，使输入节点与网络的逼近效果呈正相关。但是在模型设计过程中，一味盲目的扩大节点数也会加大网络的负担，从而对网络的训练时间和训练效果进而影响网络的训练时间和训练效果，此次研究的输入层节点数为财务预警指标的个数，即9个 ③输出层的设计。输出值代表模型要实现的目标功能，这种网络结构同一般指标预警有着共同点，输入层和隐含层分别为预警指标和警情指标 ④隐含层的设计。在模型系统中，对网络的性能产生重要影响的因素是算法的神经网络中各层节点数。实验要达到预定的映射关系必须克服单隐含层网络的非线性映射能力较弱这一缺点。实验中在设计隐含层节点时，进行反复测算，当隐含层神经元个数为18个时选择预测结果最为理想 ⑤传递函数。传递函数又称为激活函数，对输入层到隐含层的传递函数为tan Sigmoid函数。隐含层到输出层之间的传递函数确定为Purelin型线性传递函数 ⑥网络参数。此论文在研究过程中设置如下网络参数：目标误差0.0000001，学习速率为0.1，训练循环次数200次。通过测试，得出最优学习速率为0.03 （3）预警模型的检验与测试 利用BP神经网络的财务预警模型设计，将实验所需的样本集分为训练样本和测试样本2组。从样本集中随机抽取10家企业作为测试样本，剩下的ST企业和非ST企业作为训练样本。将上述对应样本输入程序，通过计算机程序运算就得到了测试样本模型演算的输出值。程序运行情况表明该BP网络模型的误差曲线是收敛的，通过24步训练，该程序的网络性能达标，符合初始化均方差的要求。此程序模型对训练样本和测试样本的判定结果如表1所示 将财务困境公司判定为财务健康公司和将财务健康公司判定为财务困境公司是BP神经网络模型样本误判的两种类别。实验结果表明，从训练样本的角度来看，误判的样本个数为0个，也就意味着其判定准确率达到100%。从测试样本的角度来看，被误判的样本个数为2，两种误判类型的样本个数各占一个，以上实验结果表明误判率为20%，判定准确率为80%，总的判定准确率为96% 3研究结果 每个企业可能会有不同的财务状况短板，但是利用以上系统进行直观的数据分析，能够从宏观方面看出存在财务危机可能性的企业的整体财务状况要比非ST企业差很多。也进一步说明了在该模型的测试下，随