基于BP神經網絡企業財務危機預警模型的構建

【摘 要】隨著我國市場經濟體制改革的深化和資本市場的快速發展，尤其我國加入WTO后，市場競爭愈演愈烈，企業發生財務危機乃至破產的情形越來越多，因此如何有效的預防財務危機的出現是一個重要的研究課題。文章運用BP神經網絡模型的建模原理，并根據其在財務預警中的優點，構建BP神經網絡預測模型，進行訓練和檢驗，用以對上市公司進行財務預警。

【關鍵詞】上市公司 BP神經網絡 財務預警

【中圖分類號】F275 【文獻標識碼】A 【文章編號】1674-4810(2009)12-0045-01

一、神經網絡建模原理

BP算法作為人工神經網絡的一種比較典型的學習算法，主要結構是由一個輸入層、一個或者多個隱含層、一個輸出層組成，各層由若干個神經元構成，每一個節點的輸出值由輸入值、作用函數和閉值決定。網絡的學習過程包括信息正向傳播和誤差反向傳播兩個過程。在現實中應用最多的三層BP神經網絡結構如下圖所示:

BP算法的具體步驟如下:(1)設置輸入變量和輸出節點的目標值。(2)初始化權值和閾值，隨機給出一個非零的初始值，以保證網絡不會出現飽和或反常情況。(3)取一組訓練數據輸入BP神經網絡，計算出BP神經網絡的輸出值。(4)計算該輸出值與期望值的偏差，然后從輸出層計算到輸入層，向著減少該偏差的方向調整各個權值。(5)對訓練集的每一組數據都重復上面兩個步驟，直到整個訓練偏差達到能被接受的程度為止。

二、預警指標體系選擇

對于建立一個科學合理并行之有效的財務危機預警模型，構建一套適合的模型指標體系是關鍵的環節，它不僅會影響模型的預測精度，還可能決定模型是否能夠構建成功。因此，構建財務危機預警模型的一個重要任務就是尋求解釋力比較好的財務指標。在備選指標中，通過指標的相關性和顯著性檢驗，選擇如下16個指標組成上市旅游企業的財務預警指標體系，它們分別是:(1)贏利能力指標:主營業務利潤率、資產凈利率;(2)運營能力指標:資產現金回收率、凈利潤現金比率、每股經營活動現金凈流量;(3)短期償債能力指標:流動比率、速動比率;(4)長期償債能力指標:資產負債率、權益負債率;(5)成長及規模指標:主營業務收入增長率、凈資產增長率、凈利潤增長率、每股凈資產;(6)資產管理能力:存貨周轉率、固定資產周轉率、總資產周轉率。

上述16個指標顯示出了作為判別變量指標時所必須具有的信息含量和實效性等特點，具有很大的可靠性。

三、BP網絡預警模型的構建

1.輸入層

按照BP神經網絡的結構特點，輸入層神經元的個數由輸入向量決定，按照本文的數據特點，輸入為6類16個財務指標，即16個輸入節點，所以輸入層為16個神經元，它們分別代表16個影響財務安全的相關指標。同時由于輸入是連續變量，輸出是布爾離散向量，需對輸入量作歸一化處理，公式為:xij=xij-min{x1j，x2j…xnj}/max{x1j，x2j…xnj}-min{x1j，x2j…xnj}除去不同量綱的影響。

2.隱含層

對BP神經網絡的分析及經驗都表明，一個三層的BP神經網絡可以以任意精度逼近任意映射關系，即輸入層、隱含層、輸出層，多余的隱含層對于BP神經網絡的訓練和學習沒有任何的益處。因此本文在構建BP神經網絡的模型時，只設置了一個隱含層，關于隱含層節點數的選取至今尚未找到一個很好的解析式來表示，過少，將影響到網絡的有效性;過多，則會大幅度增加網絡訓練的時間。用于模式識別的BP網絡，根據經驗，可以參照以下公式進行設計:n=n1+0.618×(n1-n2)其中，n為隱節點數，n1為輸入節點數，n2為輸出節點數。由此公式選取隱含層節點數為25，本文采用隱含層神經元個數為25個。

3.輸出層

根據BP神經網絡的建模思想，輸出層神經元的個數由輸出類別決定，本文對上市公司的財務安全狀況只定義了兩種狀態，即ST-0和非ST-1。因此輸出層的節點只需要一個就可以表示這兩種狀態即狀態(1)和狀態(0)，這兩種狀態分別表示某個上市公司在未來的特定時間段內是否會發生財務危機。

4.傳遞函數

傳遞函數的好壞對一個神經網絡的訓練效率至關重要。考慮到輸出層的期望輸出數據為0或1，經反復測試，筆者對輸入層到隱含層的傳遞函數確定為正切函數tansig(n)，它將神經元的輸入范圍從(-，+)映射到(1，-1)，隱含層到輸出層之間的傳遞函數確定為對數函數logsig(n)，它將神經元的輸入范圍從(-，+)映射到(0，1)。

5.網絡參數

目標誤差0.001，學習速率為0.01，訓練循環次數1000次。學習率通常在0.01～0.9之間。一般來說，學習速率越小，訓練次數越多，但學習速率過大，會影響網絡結構的穩定性。誤差通常需要根據輸出要求來定，e越低，說明要求的精度越高。

6.訓練函數

本文選取了基于快速BP算法的訓練函數trainbpx，該算法在學習規則上選取了動量因子算法規則，在學習速率上采用了自適應學習率。當采用動量因子時，BP算法可以找到更優的解;當采用自適應學習率時，BP算法可以縮短訓練時間。