基于主分量分析的神經網絡企業財務困境分析

[摘要] 目前BP神經網絡已經成功用于公司財務分析與預測，為了降低神經網絡的復雜性，一般只能選取部分財務指標作為模型輸入，使模型的分析依據不夠全面。提出通過主分量分析(PCA)對高維指標進行降維和特征提取，在保留絕大多數指標信息的前提下有效地縮小了網絡規模，實驗證實了方法的有效性。

[關鍵詞] 財務困境主分量分析降維神經網絡

一、 引言

企業財務困境分析與預測是以企業財務報表、經營計劃及相關經濟資料為依據，采用比例分析與數學模型等方式， 通過對現代企業財務指標的綜合分析、預測， 反映企業經營情況和財務狀況的變化并對企業各環節發生或可能發生的經營風險發出預警信號， 同時尋找財務危機發生的原因與企業財務管理體系中的隱藏問題， 為企業管理提供決策依據。

由于破產是公司財務狀況惡化的結果， 因此通過建立一個模型將公司的財務因素作為輸入， 將公司的破產狀態作為輸出就成為預測財務困境的一種可能方法。這種方法同簡單的財務比率分析相比無疑具有優越性， 因而通過建立財務困境預測模型來預測財務困境成為一種流行的方法。這項工作是從Beave提出的單變量預測模型開始的， 后來Altman發展了多變量預測模型，1977年又提出了改進的ZETA模型， Olhson提出了預測財務困境的Logistic模型。近年來，神經網絡模型成為非常有效的預測工具，被用于財務困境的預測。實證研究表明，神經網絡分析在判定正確率方面比線性模型和Logistic回歸模型更加有效，并且不受變量分布特征影響，不需要主觀定性地判斷企業財務狀態，因而能夠更加合理地確定危機狀態。

BP神經網絡是目前在財務分析領域應用較多也是較成功的一種神經網絡類型。但是，描述財務比率的指標很多，如果將這些指標都作為模型輸入將導致網絡結構過于龐大，對于過大的網絡結構，一方面要求巨大的訓練樣本集支持，在一般的研究中很難做到;另一方面也將導致神經網絡的泛化能力下降，使其預測性能變壞。因此很多研究中只選取部分指標作為模型輸入，這樣又將導致分析信息的不完整。

主分量分析(Principal Component Analysis， PCA)是近年來研究較多的一種統計特征提取方法[4]。由于PCA中主分量對應于數據均方差重建誤差曲面的最小點，因而對數據信息具有較強的描述能力。本文提出采用PCA對高維指標數據進行降維，在保留絕大多數樣本信息的前提下縮小網絡規模，從而提高分析與預測的可靠性。