基于ＲＢＦ神經(jīng)網(wǎng)絡(luò)的上市公司系統(tǒng)風(fēng)險(xiǎn)評(píng)價(jià)研究

【摘要】 通過建立財(cái)務(wù)指標(biāo)評(píng)價(jià)體系，將系統(tǒng)風(fēng)險(xiǎn)分為兩類:相對(duì)高風(fēng)險(xiǎn)和相對(duì)低風(fēng)險(xiǎn)。應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)對(duì)上市公司的財(cái)務(wù)風(fēng)險(xiǎn)做出評(píng)價(jià)。以期通過對(duì)上市公司系統(tǒng)風(fēng)險(xiǎn)的研究，期望找到評(píng)價(jià)系統(tǒng)風(fēng)險(xiǎn)的有效方法。

【關(guān)鍵詞】 財(cái)務(wù)指標(biāo);系統(tǒng)風(fēng)險(xiǎn);RBF神經(jīng)網(wǎng)絡(luò)

一、引言

系統(tǒng)風(fēng)險(xiǎn)又稱為 系數(shù)，它是反映投資資產(chǎn)不可分散的系統(tǒng)風(fēng)險(xiǎn)的重要指標(biāo)，金融信息預(yù)測對(duì)于防范風(fēng)險(xiǎn)具有重要意義，國內(nèi)外許多專家對(duì)系統(tǒng)風(fēng)險(xiǎn)做出了有效的研究，研究表明系統(tǒng)風(fēng)險(xiǎn)與部分財(cái)務(wù)指標(biāo)顯著相關(guān)。同時(shí)，由于股票市場具有數(shù)據(jù)豐富、不確定的特點(diǎn)，因此需要運(yùn)用統(tǒng)計(jì)技術(shù)、模糊技術(shù)和神經(jīng)網(wǎng)絡(luò)等非線性動(dòng)態(tài)建模技術(shù)對(duì)股票市場的系統(tǒng)風(fēng)險(xiǎn)進(jìn)行研究，期望能夠取得良好的效果。

本文基于前人的研究成果，將系統(tǒng)風(fēng)險(xiǎn)分類為相對(duì)高系統(tǒng)風(fēng)險(xiǎn)和相對(duì)低系統(tǒng)風(fēng)險(xiǎn)兩類，然后利用上市公司定期公布的財(cái)務(wù)信息對(duì)股票風(fēng)險(xiǎn)程度進(jìn)行識(shí)別。通過對(duì)系統(tǒng)風(fēng)險(xiǎn)的研究，能夠?yàn)橥顿Y者控制投資風(fēng)險(xiǎn)提供有效的控制?；诖耍疚耐ㄟ^RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)系統(tǒng)風(fēng)險(xiǎn)識(shí)別進(jìn)行檢驗(yàn)。

二、RBF神經(jīng)網(wǎng)絡(luò)模型

徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)是一種性能良好的前向神經(jīng)網(wǎng)絡(luò)。已經(jīng)證明它具有全局逼近的性質(zhì)，且不存在局部最小問題。RBF網(wǎng)絡(luò)不僅具有良好的泛化能力，而且計(jì)算量小，學(xué)習(xí)速度也比其它一般算法快得多，已廣泛地應(yīng)用于系統(tǒng)辨識(shí)和參數(shù)估計(jì)。

RBF神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)如圖1所示，不失一般性。假設(shè)輸出層只有一個(gè)結(jié)點(diǎn)，這種結(jié)構(gòu)很容易擴(kuò)展到多輸出結(jié)點(diǎn)的情形。輸入層到隱層為權(quán)值1的固定連接。隱含層由一組徑向基函數(shù)構(gòu)成，其中對(duì)應(yīng)的中心向量和寬度是RBF的參數(shù)。一般隱含層各結(jié)點(diǎn)都采用相同的徑向基函數(shù)，徑向基函數(shù)有多種形式，通常取高斯函數(shù)。隱層的輸出在輸出層線性加權(quán)組合，形成神經(jīng)網(wǎng)絡(luò)的輸出。

三、評(píng)價(jià)分析

(一)數(shù)據(jù)采集和標(biāo)準(zhǔn)化處理

本文的研究數(shù)據(jù)從滬市采集。首先隨機(jī)選取20支股票的每日收盤價(jià)及對(duì)相應(yīng)的上證指數(shù)作為研究總體。然后采集2006年8月共計(jì)10個(gè)工作日的數(shù)據(jù)研究對(duì)象。根據(jù)以往的經(jīng)驗(yàn)研究表明，在使用模型進(jìn)行評(píng)價(jià)之前，必須先對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，將其轉(zhuǎn)換為區(qū)間[0，1]之間的數(shù)據(jù)。具體的歸一化公式如下:

(二)指標(biāo)體系的構(gòu)建

本文選取了8個(gè)財(cái)務(wù)指標(biāo)作為RBF神經(jīng)網(wǎng)絡(luò)模型的輸入向量，具體的指標(biāo)見表2，同時(shí)，根據(jù)指標(biāo)的性質(zhì)界定屬性值的大小。

表2 指標(biāo)體系

(三) RBF網(wǎng)絡(luò)訓(xùn)練

如下所示建立一個(gè)單隱含層的RBF神經(jīng)網(wǎng)絡(luò):

goal = 0.01;spread = 1.0;MN = 20;DF = 10;net = newrb ( P， T， goal， spread，MN，DF) ;運(yùn)行上述代碼得到一個(gè)有10個(gè)隱含層神經(jīng)元的網(wǎng)絡(luò)模型。

P組輸入向量組成的10×20維矩陣; T組目標(biāo)分類向量組成的2×20維矩陣; goal-均方誤差; spread-徑向基函數(shù)的擴(kuò)展速度; MN-神經(jīng)元的最大數(shù)目;DF-兩次顯示之間所添加的神經(jīng)元數(shù)目; net-返回值，一個(gè)徑向基網(wǎng)絡(luò)。

徑向基函數(shù)的擴(kuò)展速度spread越大，函數(shù)的擬合就越平滑。但是，過大的spread意味著需要非常多的神經(jīng)元以適應(yīng)函數(shù)的快速變化。如果spread設(shè)定過小，則意味著需要許多神經(jīng)元來適應(yīng)函數(shù)的緩慢變化，這樣一來，設(shè)計(jì)的網(wǎng)絡(luò)性能就不會(huì)很好。

3.4 測試數(shù)據(jù)和分類結(jié)果

本文采用MATLAB軟件徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)工具箱中的newrb網(wǎng)絡(luò)設(shè)計(jì)函數(shù)和sim仿真函數(shù)，進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，根據(jù)RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練的分類結(jié)果來判斷系統(tǒng)風(fēng)險(xiǎn)的大小。具體分類結(jié)果見表3。

由表1可以較為清楚地看到隨機(jī)抽取的樣本數(shù)據(jù)的系統(tǒng)風(fēng)險(xiǎn)的分類結(jié)果，進(jìn)而能夠判斷系統(tǒng)風(fēng)險(xiǎn)的高低。

四、結(jié)論

根據(jù)我國上市公司的財(cái)務(wù)數(shù)據(jù)，利用RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)上市公司系統(tǒng)風(fēng)險(xiǎn)的高低進(jìn)行評(píng)價(jià)研究，結(jié)論表明，此模型在系統(tǒng)風(fēng)險(xiǎn)評(píng)價(jià)應(yīng)用中是有效可行的，尤其是對(duì)高風(fēng)險(xiǎn)樣本具有極強(qiáng)的識(shí)別能力，這為投資者通過上市公司的財(cái)務(wù)狀況判斷投資風(fēng)險(xiǎn)提供了有利的依據(jù)。結(jié)論同時(shí)表明，基于RBF神經(jīng)網(wǎng)絡(luò)模型具有較高的評(píng)價(jià)效果。●

【參考文獻(xiàn)】

[1] 成思危，吳世農(nóng).中國股票市場風(fēng)險(xiǎn)研究[M].中國人民大學(xué)出版社，2002.

[2] 李云翼.中國股市β系數(shù)研究的展望[J]. 科技信息2008(26):12-13.

[3] 高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M ]. 北京:機(jī)械工業(yè)出版社， 2003.

[4] 薛定宇.控制系統(tǒng)計(jì)算機(jī)輔助設(shè)計(jì)—MATLAB語言及應(yīng)用[M]. 北京:清華大學(xué)出版社， 1996.

[5] Beaver， W. H and Manegold， J.(1975)The association between market-determined and accounting-determined measures of systematic risk: some further evidence. Journal of Financial and Quantitative Analysis 10， 231-84.