人工神經網絡在財務管理領域運用的研究概況

［摘要］ 人工神經網絡良好的泛化能力使其在模式識別、分類預測等方面具有很多優勢。近年來，人工神經網絡已廣泛運用于企業財務管理領域，其研究文獻也逐年增多。通過文獻研究，本文梳理和總結了人工神經網絡在財務管理領域運用的研究概況。

［關鍵詞］ 人工神經網絡；財務管理；拓撲結構；神經元

doi : 10 . 3969 / j . issn . 1673 - 0194 . 2011 . 16. 005

［中圖分類號］F232 ［文獻標識碼］A ［文章編號］1673 - 0194（2011）16- 0006- 03

1前言

人工神經網絡本質上是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。其主要特點體現在并行的信息處理能力、分布的信息存儲能力，以及自組織、自學習、自適應能力等方面，所有定量或定性的信息都分布存儲于網絡的各個神經元，所以有較強的魯棒性和容錯性。因此，人工神經網絡技術在模式識別、分類預測等方面具有很多優勢。

從控制系統到人工智能，在工程和科學領域，人工神經網絡得到廣泛研究和運用。近年來，人工神經網絡模型開始廣泛運用于財務管理領域。

Ｅｘｐｅｒｔ Sｙｓｔｅｍ ｗｉｔｈ Aｐｐｌｉｃａｔｉｏｎ（專家系統應用）期刊的文章主要關注專家系統和智能系統的設計、開發、測試、應用和管理，其研究領域涉及會計、財務、審計、證券交易、信息管理等多個領域。近些年來，人工神經網絡的研究文獻逐年增多。本文通過對Ｅｘｐｅｒｔ Sｙｓｔｅｍ ｗｉｔｈ Aｐｐｌｉｃａｔｉｏｎ １９９３－２００９年期間的相關文獻的統計和分析，梳理和總結了人工神經網絡在財務管理領域運用的研究概況。

2人工神經網絡與傳統研究工具的比較

在國外的相關研究中，人工神經網絡在財務管理領域的運用主要集中于預測和規劃，如破產預測、風險評估和證券市場應用等。

在人工神經網絡進入財務管理領域之前，統計方式是被廣泛使用的傳統研究工具之一。較之傳統的統計工具（如回歸方法、多元判別分析法、聚類分析等）和ＳＶＭ（最大邊緣區分器），人工神經網絡能力展示了更準確的性能和更好的泛化能力。例如，Ａｌｉｃ（１９９６）將人工神經網絡運用于破產公司預測，結果表明使用人工神經網絡獲得的預測成功率顯著高于使用邏輯回歸和區別分析法；Ｒｏｂｌｅ，Ｎａｙｌｏｒ（１９９６）和Ｇｅｎｃａｙ，Ｓｔｅｎｇｏｓ的研究成果也表明，在商品交易中，人工神經網絡的泛化能力同樣優于加權移動平均等線性模型；Ｂｕｒｇｅｓｓ，Ｒｅｆｅｎｅｓ（１９９６）和Ｃｈｉｎｅｔｔｉ，Ｒｏｓｓｉｇｎｏｌｉ（１９９３）以及Ｔｏｎｇ－ｓｅｎｇ Ｑｕａｈ，Ｂｏｂｂｙ Ｓｒｉｎｉｖａｓａｈ（１９９４）的研究表明，在預測股票指數回報上，較之二乘法等統計工具，人工神經網絡表現了更好的泛化能力；Ｍｅｌｅｔ Ａｃａｒ Ｂｏｙａｃｉｏｇｌｕ ｅｔ ａｌ.（２００９）將4種不同神經網絡模型、ＳＶＭ和3種多元統計法運用于銀行財務失敗的預測，實證表明，人工神經網絡（尤其是ＭＬＰ、ＬＶＱ）預測性能是最令人滿意的。

3 人工神經網絡體系結構研究

人工神經網絡由一組神經元及神經元間的連接方式、傳播規則、激活規則、傳遞函數、學習規則等組成。人工神經網絡是否能取得令人滿意的訓練和測試效果，神經網絡體系結構是關鍵。正如Ｆａｎｎｉｎｇ ｅｔ ａｌ.（１９９５）指出的：神經網絡良好的性能取決于對這些系統結構的優化設計。目前，許多研究者所構建的神經網絡體系結構多基于監督學習方式，其中大部分使用多層感知器和學習矢量量化，僅有極少量使用單層網絡模型（較之單層網絡模型，模型設計者更熱衷于多層網絡模型的運用，更簡單的單層網絡模型常常被完全忽略）；而使用非監督學習方式比例低于監督學習方式，并且主要是運用自組織映射和競爭學習。監督式網絡的優勢是能夠根據給定的“輸入－輸出”對其進行調整或訓練，使網絡可以近似任意非線性函數。

在人工神經網絡體系結構的設計中，涉及確定網絡的輸入變量和輸出變量問題，但更為復雜的是另外兩個問題：一是網絡的層數、每層的神經元數和激活函數，即拓撲結構；二是網絡中互相連接的神經元間的連接權重和神經元的閾值。相對來說，使用哪些變量作為輸入變量有時具有相當的不確定性，但隱藏層數的神經元個數以及連接權重的確定才是最復雜的事情。

網絡拓撲結構對系統的信息處理能力有重要的影響，因此網絡拓撲結構的設計是保證系統成功運行的關鍵任務。但在實際運用中，網絡拓撲及其參數的選擇卻缺乏理論基礎，其解決常常依賴于專家的經驗，并需要多次試驗，即試錯過程，這也是許多文獻頻繁提及的神經網絡的缺陷之一。眾多研究已經證明，用遺傳算法（Gｅｎｅｔｉｃ Aｌｇｏｒｉｔｈｍｓ）能夠較好地確定網絡拓撲結構，如Ａｂｄｕｌｌａｈ Ｋｏｎａｋ（２００７）運用遺傳算法提高網絡的可靠性、靈活性。此外，Cａｓｃａｄｅ Cｏｒｒｅｌａｔｉｏｎ 學習算法、網格搜索算法等也都被運用于拓撲結構的確定。

在組成人工神經網絡的輸入層、隱含層和輸出層中，隱含層是關鍵。隱含層雖然和外界不連接，但是，其狀態會影響輸入、輸出之間的關系，因為如果輸入矢量有問題域的底層特征或者輸出／輸入聯系是復雜的，隱含層能夠提取出較更高層的特征。改變隱含層的權稀疏，可以改變整個多層神經網絡的性能（網絡的隱層數和隱節點數決定了網絡的規模，而網絡的規模與其性能密切相關）。前已述及，網絡拓撲及其參數的選擇缺乏理論基礎，隱含層層數的選擇同樣依賴經驗選擇：對于線性問題一般可以采用感知器或自適應網絡來解決，而不采用非線性網絡；對于非線性問題，一般采用兩層或兩層以上的隱含層。增加網絡的層數可以進一步降低誤差、提高精度，但會使網絡復雜化，從而增加網絡的訓練時間。如果通過增加隱含層中神經元數目獲得誤差精度的提高，其效果更容易觀察和掌握，所以應優先考慮后者。值得注意的是，神經網絡的性能體現在泛化能力方面。雖然隱含層的神經元越多，神經網絡的泛化能力越好，但是隱含層的神經元過多會造成過擬合。

網絡的拓撲結構一旦確定，就必須設置神經元間的連接權重和閾值以便最小化網絡產生的預測錯誤，這就是學習訓練算法要解決的任務，即利用所收集準備的數據集和特定的學習算法來自動地調整權重和閾值，以達到最小化錯誤的目的，使得神經網絡的模型去適合可利用的訓練數據。神經網絡的訓練算法有兩種類型：受監督的和非監督的。一個算法的優劣可以用空間復雜度和實踐復雜度來衡量。ＢＰ算法是一個監督訓練多層神經網絡的算法，它被廣泛運用于財務領域，盡管它被一些研究者認為是次優的（如Ｐｒｉａｍｕｔｈｕ，Ｓｈａｗ，Ｇｅｎｔｒｙ；Ｌｅｎａｒｄ，Ａｌａｍ，Ｍａｄｅｙ等人的文獻中所提到的），耗費較多的訓練時間是ＢＰ算法被詬病的主要原因之一。

學習規則為神經網絡的學習訓練算法奠定了基礎。沒有一套明確的規則來選擇合適的學習訓練算法，這是一些研究者指出的神經網絡的又一個缺陷。在財務領域的研究中被廣泛使用并證明有效的是廣義Dｅｌｔａ規則，正如Ｍｅｌｅｔ Ａｃａｒ Ｂｏｙａｃｉｏｇｌｕ ｅｔ ａｌ.（２００９）在論文中所評論的。

學習速率和動量是學習規則中的參數。學習速率和動量選取會影響誤差收斂：過高的學習速率和動量可能導致誤差波動和系統不穩定，阻礙收斂進程；過低的學習速率和動量有可能會導致訓練周期過長，收斂慢，達不到要求的誤差。在實際研究中，一般傾向選取較小的學習速率以保持系統穩定，并通過觀察誤差曲線來判斷，下降較快，說明學習速率比較適合，若有較大振蕩則說明學習速率偏大。同時，學習速率的選取應當針對網絡規模大小的不同進行調整。可見，學習速率和動量選取取決于數據結構和人工神經網絡使用目的。

值得注意的是，雖然對人工神經網絡的研究已經在許多財務管理研究領域中展開，但是這些研究僅有一些是針對現實案例的（文獻中樣本的差異能夠反映出現這種現象），數據集難以獲取應該是原因之一。

數據集包括變量和樣本數據。

數據集的變量包括輸入層變量和輸出層變量。在確定網絡結構時，一般來說，輸出層的變量（因變量）是比較容易確定的。相對而言，輸入層的變量（自變量）的確定是比較困難的。主要表現是，影響問題輸出結果的因素很多，并且這些影響對問題的重要程度是各不相同的，若把所有的影響因素不分主次都引入到模型中，不僅會使模型的訓練學習變得復雜，而且將會對網絡模型的性能帶來負面影響，因此濾掉不必要的輸入變量能夠提高網絡的性能。如何選取自變量的非線性方法的理論研究并不多，如Ｌｅｅ ｅｔ ａｌ．使用決策樹，Ｂａｃｋ ｅｔ ａｌ．使用遺傳算法等。還有一些研究者采用線性方法，其目的是使得變量的不同集合在非線性條件下更加相關。

雖然神經網絡的容錯率使得神經網絡能夠靈活處理不完整、噪聲數據，但它仍然對可用的數據的數量／質量存在依賴：訓練數據的數量應該足夠大，以便為學習算法提供豐富的學習信息，進而保證學習得到的網絡系統是可信的、可靠的。訓練數據的數量與網絡結構中的神經元個數以及設計神經網絡的精確度有關：神經元越多，設計神經網絡的精度越高，需要的樣本數據就越多。此外，是否能夠成功地訓練一個神經網絡，依賴于學習訓練神經網絡用的樣本數據是否具有代表性（這個可以看作是評價樣本數據的質量指標），如果訓練數據不具有代表性，模型的價值就會大打折扣，甚至毫無用處。

至于數據集的樣本分類，驗證策略的常規做法是將數據集的樣本數據劃分為訓練—測試，或者訓練—驗證—測試樣本，例如Ｍｅｌｅｋ Ａｃａｒ Ｂｏｙａｃｉｏｇｌｕ ｅｔ ａｌ．（２００９），將６５家銀行涉及２０個財務比率的數據集劃分為訓練集和測試集。但這樣的劃分并不適合小樣本量（因為并不是所有的數據都用于訓練網絡）。許多研究者轉而運用其他更好的驗證策略，如ｎ－ｆｏｌｄ交叉驗證法（ｎ－ｆｏｌｄ ｃｒｏｓｓ－ｖａｌｉｄａｔｉｏｎ），留一交叉檢驗法等。

4人工神經網絡與其他技術的交叉整合研究

應該說，人工神經網絡本身是一個很有效的分析工具，如果與其他技術相結合，能夠提高神經網絡的性能。眾多研究者的文獻已經表明：包含神經網絡的集成／混合模型，能夠提高神經網絡的研究結果。如Ｊｏ和Ｈａｎ（１９９６）建立了一個集成模型（結合區別分析法、兩種人工智能模型、神經網絡和基于案例預測）用于破產預測，并論證了集成模型的預測準確率高于單個模型。Ｌｅｅ、Ｈａｎ和Ｋｗｏｎ（１９９６）提出了3種混合 ＢＰＮＮ，即：ＭＤＡ輔助ＢＰＮＮ、ＩＤ３輔助ＢＰＮＮ、ＳＯＭ輔助ＢＰＮＮ用于破產預測，實證結果證明這3種混合ＢＰＮＮ的性能均優于單獨ＭＤＡ模型、ＩＤ３模型、ＳＯＭ模型。混合模型的應用前景是非常廣闊和值得期待的，在研究財務決策模型，例如，投資、金融商品的定價，就可以考慮建立這樣一個混合模型（如混合神經網絡和人工智能等）以提高預測、決策的有效性。在Ｅｘｐｅｒｔ Sｙｓｔｅｍ ｗｉｔｈ Aｐｐｌｉｃａｔｉｏｎ期刊中，幾乎所有研究集成／混合模型的文獻，其研究都基于監督式網絡模型，而且主要是ＭＬＰ模型（ＢＰ算法），尚無非監督式網絡模型集群能力的調查，雖然非監督式網絡模型表現出更加適合于集群的特征。

總而言之，人工神經網絡的研究已經廣泛深入財務管理領域。神經網絡所展示出來的優勢性，對于要構建一個集成決策支持和知識管理的系統，以獲取和保持成本領先和全球競爭優勢的企業來說，顯得尤為重要。

主要參考文獻

［１］Ｈｏｎｇｋｙｕ Ｊｏ， Ｉｎｇｏｏ Ｈａｎ．Ｉｎｔｅｇｒａｔｉｏｎ ｏｆ Cａｓｅ－ｂａｓｅｄ Fｏｒｅｃａｓｔｉｎｇ， Nｅｕｒａｌ ｎｅｔｗｏｒｋ， ａｎｄ Dｉｓｃｒｉｍｉｎａｎｔ Aｎａｌｙｓｉｓ ｆｏｒ Bａｎｋｒｕｐｔｃｙ Ｐｒｅｄｉｃｔｉｏｎ［Ｊ］．Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ，１９９６，１１（４）：４１５－４２２.

［２］Ｔｏｎｇ－Ｓｅｎｇ Ｑｕａｈ， Ｂｏｂｂｙ Ｓｒｉｎｉｖａｓａｎ．Ｉｍｐｒｏｖｉｎｇ Rｅｔｕｒｎｓ ｏｎ Sｔｏｃｋ Iｎｖｅｓｔｍｅｎｔ ｔｈｒｏｕｇｈ Nｅｕｒａｌ Nｅｔｗｏｒｋ Ｓｅｌｅｃｔｉｏｎ［Ｊ］．Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ，１９９９，１７（４）：２９５－３０１．

［３］Ｐ Ａｌａｍ， Ｄ Ｂｏｏｔｈ， Ｋ Ｌｅｅ， Ｔ Ｔｈｏｒｄａｒｓｏｎ．Ｔｈｅ Uｓｅ ｏｆ Fｕｚｚｙ Cｌｕｓｔｅｒｉｎｇ Aｌｇｏｒｉｔｈｍ ａｎｄ Sｅｌｆ－ｏｒｇａｎｉｚｉｎｇ Nｅｕｒａｌ Nｅｔｗｏｒｋｓ ｆｏｒ Iｄｅｎｔｉｆｙｉｎｇ Pｏｔｅｎｔｉａｌｌｙ Fａｉｌｉｎｇ Bａｎｋｓ： Ａｎ Ｅｘｐｅｒｉｍｅｎｔａｌ Ｓｔｕｄｙ［Ｊ］．Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ，２０００，１８（３）：１８５－１９９.

［4］Ｊｕｌｉａｎａ Ｙｉｍ， Ｈｅａｔｈｅｒ Ｍｉｔｃｈｅｌｌ． Ｃｏｍｐａｒｉｓｏｎ ｏｆ Cｏｕｎｔｒｙ Rｉｓｋ Mｏｄｅｌｓ： Hｙｂｒｉｄ Nｅｕｒａｌ Nｅｔｗｏｒｋｓ，Lｏｇｉｔ Mｏｄｅｌｓ，Dｉｓｃｒｉｍｉｎａｎｔ Aｎａｌｙｓｉｓ ａｎｄ Ｃｌｕｓｔｅｒ Ｔｅｃｈｎｉｑｕｅｓ［Ｊ］．Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ，２００５，２８（１）：１３７－１４８.

［5］Ｓｈｕ－Ｈｓｉｅｎ Ｌｉａｏ． Ｅｘｐｅｒｔ Sｙｓｔｅｍ Mｅｔｈｏｄｏｌｏｇｉｅｓ ａｎｄ Aｐｐｌｉｃａｔｉｏｎｓ－A Dｅｃａｄｅ Rｅｖｉｅｗ ｆｒｏｍ １９９５ ｔｏ ２００４［Ｊ］．Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ，2005，28（1）：９３－１０３.

［6］Ｍｕｈａｍｍａｄ Ａ Ｒａｚｉ， Ｋｕｒｉａｋｏｓｅ Ａｔｈａｐｐｉｌｌｙ． Ａ Cｏｍｐａｒａｔｉｖｅ Pｒｅｄｉｃｔｉｖｅ Aｎａｌｙｓｉｓ ｏｆ Nｅｕｒａｌ ｎｅｔｗｏｒｋｓ （ＮＮｓ）， Nｏｎｌｉｎｅａｒ Rｅｇｒｅｓｓｉｏｎ ａｎｄ Cｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ Rｅｇｒｅｓｓｉｏｎ Tｒｅｅ （ＣＡＲＴ） Mｏｄｅｌｓ［Ｊ］．Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ，２００５，29（1）：６５－７４.

［7］Ｋｙｏｕｎｇ－ｊａｅ Ｋｉｍ．Ａｒｔｉｆｉｃｉａｌ Nｅｕｒａｌ Nｅｔｗｏｒｋｓ ｗｉｔｈ Eｖｏｌｕｔｉｏｎａｒｙ Iｎｓｔａｎｃｅ Sｅｌｅｃｔｉｏｎ ｆｏｒ Fｉｎａｎｃｉａｌ Fｏｒｅｃａｓｔｉｎｇ［Ｊ］．Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ， ２００６，30（3）：５１９－５２６.

［8］Ｃｈｉｈ－Ｆｏｎｇ Ｔｓａｉ， Ｊｈｅｎ－Ｗｅｉ Ｗｕ ．Ｕｓｉｎｇ Nｅｕｒａｌ Nｅｔｗｏｒｋ Eｎｓｅｍｂｌｅｓ ｆｏｒ Bａｎｋｒｕｐｔｃｙ Pｒｅｄｉｃｔｉｏｎ ａｎｄ Cｒｅｄｉｔ Sｃｏｒｉｎｇ［Ｊ］．Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ，２００８，34（4）：２６３９－２６４９.

［9］Ｍｅｌｅｋ Ａｃａｒ Ｂｏｙａｃｉｏｇｌｕ， Ｙａｋｕｐ Ｋａｒａ，et al．Ｐｒｅｄｉｃｔｉｎｇ Bａｎｋ Fｉｎａｎｃｉａｌ Fａｉｌｕｒｅｓ Uｓｉｎｇ Nｅｕｒａｌ Nｅｔｗｏｒｋｓ， Sｕｐｐｏｒｔ Vｅｃｔｏｒ Mａｃｈｉｎｅｓ ａｎｄ Mｕｌｔｉｖａｒｉａｔｅ Sｔａｔｉｓｔｉｃａｌ Mｅｔｈｏｄｓ： Ａ Cｏｍｐａｒａｔｉｖｅ Aｎａｌｙｓｉｓ ｉｎ ｔｈｅ Sａｍｐｌｅ ｏｆ Sａｖｉｎｇｓ Dｅｐｏｓｉｔ Iｎｓｕｒａｎｃｅ Fｕｎｄ （ＳＤＩＦ） Tｒａｎｓｆｅｒｒｅｄ Bａｎｋｓ ｉｎ Ｔｕｒｋｅｙ［Ｊ］．Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ，２００９，36（2）：３３３５－３３６６.