基于ＢＰ神經網絡的企業投資風險預警系統的構建

[摘要] 本文在企業投資風險分析基礎上，提出了一種基于BP神經網絡的企業投資風險分析預警方法，構建了投資風險分析模型的BP網絡。

[關鍵詞] 投資風險風險預警BP神經網絡

BP神經網絡是一種基于誤差反向傳播算法（Back Propagation，簡稱BP算法）的多層前饋神經網絡。作為一種并行分散處理模式，BP神經網絡具有非線性映射、自適應學習和較強容錯性的特點，可以對復雜多變的企業投資運作環境進行模擬。利用BP神經網絡，進行投資風險分析，將能夠在企業的投資出現異常時，向人們發出警報，引起人們的關注并集中力量進行解決，從而達到保護企業投資安全性的目的。

一、預警系統神經網絡的結構設計

本文采用了三層BP網絡結構來構建企業投資風險分析模型，其中輸入為預警指標，輸出為警報程度，網絡隱層激發函數采用常用的雙曲正切S型函數（Sigmoid函數），學習算法采用有教師的學習算法——δ學習律。本網絡學習的指導思想是通過網絡權值的修正與閾值的修正，使誤差函數沿梯度方向下降。網絡的構建和訓練可利用Matlab 6.5來完成，可利用該軟件中的Newff函數來構造網絡，用Train函數來訓練。

二、預警系統神經網絡輸入矢量的篩選與準備

1.建模指標的篩選

結合實際的運用，企業投資風險預警模型的指標主要包括六大模塊：投資管理、投資盈利能力、投資運營效率、投資結構、投資發展潛力和投資安全性。在具體預警指標的選取方面，考慮到各指標間要既能相互補充，又不重復，盡可能全面綜合地反映投資項目的運營狀況，故每個預警模塊各取多個具代表性的指標，綜合起來共同構成投資預警指標體系，詳見下表。

表企業投資風險預警指標

2.輸入數據的準備

為減少靠近邊界處噪聲造成網絡的錯誤判斷，在設計訓練組時要選用較多的訓練樣本。考慮到經驗公式和實踐操作的問題，建議訓練樣本數不少于120個，再準備20個左右未參加訓練的樣本用于測試模型的應用準確性。按照預警的要求，可將全部輸入樣本數據按“安全”、“警報”和“危機”分為三個表示投資項目可能出現的運營狀態訓練組，輸入到網絡中進行訓練。

人工神經網絡只能處理成數值的輸入數據，因此在原始數據輸入網絡前要將那些模糊、混沌的信息進行變換，將數值限定在[0，1]范圍之內。此外，由于預警指標數據的量綱上存在差異，因此在原始數據輸入網絡之前還要進行歸一化處理，使其標準化成為無量綱變量。

三、預警系統神經網絡節點數的設計

輸入層節點數取決于數據源的維數，由于BP神經網絡是一種非線性的平行處理結構模式，變量之間的相關性對于數據處理的影響不大，在進行指標選擇時可盡量包括較多的信息。考慮到投資運營的實際狀況，及系統學習時間和網絡的復雜性，選取了上述17個指標作為輸入矢量，本預警模型的輸入節點數相應的確定為17。

輸出層的節點數可根據使用者的要求來設計。根據投資風險的實際狀況和研究的需要，按兩個個不同的警情等級（即“安全”、“警報”和“危機”三個等級），網絡的輸出節點數可取為3。

網絡隱含層節點數的選取是一個復雜的問題，太少的隱含層節點會造成局部極小值過多或不魯棒，而太多的節點數又會使學習時間過長且誤差也不一定最佳。鑒于隱含層節點數與輸入層、輸出層節點數的多少密切相關，可參考經驗公式:2X>N（其中：X為隱含層節點數，N為樣本數）來確定。在此基礎上，再運用“湊試法”，首先確定一個較小的隱含層節點數進行訓練，如訓練次數太多或在規定訓練次數內沒有收斂，則停止訓練，逐步增加隱含層節點數，重新訓練。

四、預警系統神經網絡報警信號與輸出矢量的設計

預警系統的預警信號擬采用一組類似于交通管制信號的紅、黃、綠三種信號，分別表示“危機”、“警報”和“安全”三種狀態。將網絡設計加入單輸入單輸出的神經門，使其在完成訓練后能輸出布爾離散變量的報警信號，邏輯關系為：ify＜y′then 0 else 1，其中y′為預警閾值，0＜y′＜1。在訓練完成后，將新的報警原始變量提交給輸入層節點，按BP網絡和神經門處理器結構依次處理，最后輸出報警狀態。

五、企業投資風險分析模型BP神經網絡訓練

企業投資風險分析模型BP神經網絡的輸入矢量為 ;第二層為隱含層，有n個節點，;最后輸出矢量為。

輸入學習樣本數為N個，分別記為 ，已知與其對應的教師值為，學習算法的輸出值為 。輸入層與隱含層之間的權為wij，閾值為;隱含層與輸出層的權為wjk，閾值為k，各層的神經元滿足： ①

其中函數f為Sigmoid函數，即 。

整個網絡訓練過程分為兩個階段。第一個階段是信息的正向傳播階段，從網絡的底部向上計算每一層的神經元輸出；第二個階段是誤差反向修正階段，該階段是對權和閾值的修改，此時從最高層向下進行計算和修改，從已知最高層的誤差修正與最高層相聯的權，兩個過程反復交替，直到達到收斂為止。

六、結論

對于復雜的企業投資運作而言，BP神經網絡解決了傳統模式難以處理高度非線性模型、容錯性差、不具備時變性、缺少自學習能力等缺陷，有較好的預測效果。由于缺乏大量的實踐數據，在此僅給出了企業投資風險分析模型的函數結構，而沒有給出函數具體參數值，但對此類問題的研究仍具有一定的參考價值。

本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。