BP神經網絡在企業資信評估中的應用研究

羅 燁,蔡秋茹,柳益君,葉飛躍

摘 要:對企業進行科學準確的資信評估,可以輔助決策,降低投資者風險,因此提高資信評估的準確度和科學性極其重要。針對當前企業資信評估方法的不足,將BP神經網絡應用于企業資信評估。根據企業資信等級與其影響因素之間的映射關系,建立BP神經網絡評估模型。實驗結果表明,該模型具有較高的精度,提高了企業資信評估的準確性。

關鍵詞:BP神經網絡;資信評估;金融決策;動態演化

中圖分類號:TP183文獻標識碼:A

文章編號:1004-373X(2009)20-147-03

Application of BP Neural Network in Corporation Credit Rating

LUO Ye,CAI Qiuru,LIU Yijun,YE Feiyue

(Jiangsu Teachers University of Technology,Changzhou,213001,China)

Abstract:Scientific and accurate credit rating of enterprises can be assisted in decision-making and the risk of investors can be reduced.Therefore,it is utmost important to improve the accuracy and the scientific of the credit rating.BP neural network is applied to the problem of corporation credit rating to avoid the inability of conventional credit rating methods.BP neural network model is established for the problem according to the relationship between credit rating and its influential factors.The results show that the model is fast and accurate.

Keywords:BP neural network;credit rating;financial strategy;dynamic evolution

0 引 言

隨著經濟的發展,國家逐步放開了對金融的管制,使金融市場的發展速度得以不斷加快,經濟形態也更傾向于信用經濟。資信評估作為市場經濟中的監督力量,對經濟的影響是不言而喻的。它在很大程度上降低信息不對稱的成本,能夠作為投資者的重要參考依據。科學準確的資信評估可以輔助決策,降低投資者風險。因此,提高資信評估的準確度和科學性極其重要[1]。

企業資信評估是以獨立經營的企業或經濟主體為對象,對進行一般性的商業交往、投資合作及信貸活動的信用評價。本質上它屬于綜合評價中的分類與排序問題。傳統的資信評估方法是基于統計學的分析方法,包括線性回歸分析、線性判別分析、邏輯回歸分析等[2,3]。然而統計學方法有很大的局限性,存在權重的確定,缺乏理論依據,帶有明顯主觀臆斷且計算復雜的缺陷。神經網絡技術可實現非線性關系的隱式表達,摒棄預測函數的變量是線性和互相獨立的假設,信用評級時不用確定各因素的權重且可處理各指標之間的非線性相關性。在此,將BP神經網絡用于企業資信評估,建立了神經網絡評估模型。實驗表明,該模型是有效的。

1 BP神經網絡原理

Backpropagation(BP)神經網絡是應用較為廣泛的一種神經網絡,尤其是建模、模式識別和優化等方面廣為應用。它是一個高度非線性的超大規模連續時間動力系統,也是一個超大規模非線性連續時間自適應信息處理系統;同時它具有大規模分布處理及高度的魯棒性和學習聯想能力。網絡的信息處理由神經元之間的相互作用來實現,知識與信息的存儲表現為網絡元件互連間分布的物理關系,網絡的學習與識別決定于各神經元連接權系數的動態演化過程。

在神經網絡中,傳遞函數是反映下層輸入對上層節點刺激脈沖強度的函數,一般取(0,1)內連續取值的sigmoid函數:

f(x)=11+e-x

提供訓練樣本Xk(k=1,2,…,P),P為樣本數目,Xk=(xk1,xk2,…,xkM);M為輸入向量維數。設Yk為樣本Xk期望的網絡輸出向量,k為實際網絡輸出向量,Yk=(yk1,yk2,…,ykN),N為輸出向量維數,則誤差指標函數為:

E=12∑Pk=1‖Yk-k‖2

標準BP算法的具體過程可歸納如下[4]:

(1) 給出訓練誤差允許值ε,并初始化權值wij和閾值向量;

(2) 計算E,若E≤ε,轉步驟(3),否則對每個樣本Xk進行下述操作:

①計算網絡輸出o。

對每一個輸出單元k,δk=ok(1-ok)(tk-ok);

對每一個隱含單元h,δh=oh(1-oh)∑kwh,kδk。

② 更新網絡連接權值wij,wij=wij+Δwij,Δwij=ηδjxij,xij為單元i~j的輸出。

(3) 算法結束。

2 評價指標體系

企業資信度評價即企業評級,以獨立經營的企業或經濟主體為對象,對其在一般性的商業交往、投資合作及信貸活動中的信用評價。實際上就是對企業及經濟主體的生產、經營、管理前景及經濟效益狀況所進行的全面考察與綜合評價。在此,將企業資信等級分為優、良、中、差四個等級。影響企業資信的因素很多,本文在對諸多學者研究的基礎上,結合有關文獻選取了如下12個財務指標[5-10]:

(1) 反映盈利能力的總資產收益率(X1)、凈資產收益率(X2)、主營業務利潤率(X3);

(2) 反映企業資本結構的資產負債率(X4)、有形凈值債務率(X5);

(3) 反映企業發展潛力的凈利潤增長率(X6);

(4) 反映企業經營和管理其資產能力的存貨周轉率(X7)和應收賬款周轉率(X8);

(5) 反映企業變現能力的速動比率(X9)、流動資產應收賬款率(X10)和短期負債現金保障率(X11);

(6) 反映企業現金流量的現金比率(X12)。

3 網絡的設計、訓練與仿真

3.1 網絡設計

企業資信評估是一個模式識別問題,神經網絡的目標是根據企業財務情況給出準確的信用等級。建立神經網絡模型的關鍵是要確定網絡的拓撲結構、輸入結點、輸出結點和層數,見圖1。根據Kolmogorov定理,三層BP網絡充分學習后能逼近任何函數,因此構建三層結構的BP神經網絡。由于輸入向量包含12項指標,故輸入層應包含12個結點。確定隱含結點數有很多經驗法則,在此根據Kolmogorov定理,取2n+1個的隱含層結點數,其中n為輸入層的結點個數。因此這里隱含層結點數為25個。本文將企業資信等級分別對應一個分值,優取值4,良取值3,中取值2,差取值1。因此,輸出層包含1個結點,輸出資信得分。

圖1 用于資信評估的BP神經網絡結構

3.2 訓練與仿真

在此,采用Matlab 7軟件及其神經網絡工具箱建立、訓練并測試神經網絡。樣本數據來源于實際上市公司的財務數據,其中30例用于訓練網絡,12例用于測試[6]。

在評價企業資信的12個指標中,不同的指標從不同的角度對企業資信進行評估,指標之間無法比較。為了便于最終評價值的確定,需要對各個指標進行無量綱化處理;同時,由于評價中所使用的各項指標之間數值相差很大,不能直接進行比較。為使各指標在整個系統中具有可比性,必須對各指標進行標準化處理。在此使用Matlab中的 prestd 函數進行歸一化,使得數據具有零均值與單位方差。

網絡輸入層與隱含層,以及隱含層和輸出層的傳遞函數分別采用正切Sigmoid函數Tansig()和線性函數purelin()。設置學習率lr為0.05,最大訓練步數epoch為30 000,goal為1×10-8,show為50。其他參數,如max_fail,rem_reduc,min_grad,mu,mu_dec,mu_inc,mu_max,time均采用缺省值。

利用實現BP算法的函數traingd對網絡進行2 857步訓練,網絡誤差平方和mse達到了誤差標準目標1×10-8的要求。網絡性能如圖2所示。

圖2 BP網絡模型訓練結果

至此,企業資信評估的神經網絡評價模型已經構建完成,在應用過程中,只需輸入測試樣本的指標數據,便可以進行評價研究。

為了驗證該模型的有效性,選用如表1所示12個企業的具體數據,并利用建立好的神經網絡進行仿真運算,以分析驗證所建網絡的有效性。

由表2可以看到,輸出得分并不限于1,2,3,4四個數值,這是因為網絡的輸出層采用的是線性傳遞函數。但是可以將輸出得分四舍五入,從而得到相應的評估等級。

例如,樣本9輸出得分為2.761 5,其資信等級便是B。由表2可得,輸出結果準確率為75%。

4 結 語

與企業資信評估研究常用的統計學方法相比,基于BP神經網絡的企業資信評估模型具有如下優點:首先,它屬于隱式數學處理方法,只需將經過處理的數據輸入訓練好的網絡中,通過相應的數學工具即可得出結果,評價過程方便、快捷;其次,不需要人為確定權重,降低由于評價過程中主觀因素所導致的結果失真,評價結果更為客觀。但在研究過程中發現,樣本數據的數量和質量對網絡的學習能力有較大影響,相信隨著神經網絡方法及其數學工具的深入研究,現存問題終將得到解決。

參考文獻

[1]劉重才,周洲,梅強.LVQ神經網絡在企業資信評估中的應用[J].集團經濟研究,2007(10):203-204.

[2]Zan Huang,Hsinchun Chen.Credit Rating Analysis with Support Vector Machines and Neural Networks:A Market Comparative Study[J].Decision Support Systems,2004,37:543-558.

[3]Reem Heakal.What is a Corporate Credit Rating [EB/OL].http://www.investopedia.com/articles/03/102203.asp,2008.

[4]Ethem Alpaydin.Introduction to Machine Learning[M].MIT Press,2004.

[5]熊穎,陳新,陳新度.制造業中小企業的資信評估研究 [J].微計算機信息,2007,23(27):30-32.

[6]張萌.企業信用評估體系與評估方法研究[D].西安:西北大學,2006.

[7]朱麗,張洪偉,譚輝.基于軟計算的資信評估研究[J].計算機應用研究,2005,22(5):74-77.

[8]徐晉.基于神經網絡專家系統的創業企業信用等級評估研究[J].南京理工大學學報,2004,28(6):684-688.

[9]牛紅紅,王文寅.企業信用評估體系研究[J].經濟問題,2008(1):66-68.

[10]鄒小芃,余君,錢英.企業信用評估指標體系與評價方法研究[J].數理統計與管理,2005,24(1):37-44.