基于深度學習神經網絡的企業財務危機預警模型研究

李莎 陳暄

摘 ?要：針對當前財務預警模型存在預測精度低、預測滿意度低的問題，提出了基于深度學習神經網絡的財務危機預警模型。該模型構建了6個一級指標和12個二級指標預警指標，模型由兩個RBM和1個BP神經網絡構成，使用鯨魚算法進行模型參數的優化。在仿真實驗中，通過上市企業的財務數據進行驗證，此模型相比于LSSVM模型有更好的預測效果，為當前的財務危機預警提供了一種有益的參考。

關鍵詞：財務危機;預警模型;鯨魚算法

中圖分類號：TP18 ? ? ? 文獻標識碼：A文章編號：2096-4706（2021）24-0101-04

Abstract： In view of the problems of low prediction accuracy and low satisfaction of current financial early warning models， a financial crisis early warning model based on deep learning neural network is proposed. The model constructs 6 first-level indicators and 12 second-level indicators for early warning. The model is composed of two RBMs and one BP neural network， and uses whale optimization algorithm to optimize model parameters. In the simulation experiment， carries out the verification through the financial data of listed companies， this model in this paper has a better predictive effect than the LSSVM model， which provides a useful reference for the current financial crisis early warning.

Keywords： financial crisis; early warning model; WOA

0 ?引 ?言

眾所周知，上市企業是我國國民經濟的重要組成部分，對于國家經濟有著舉足輕重的作用，當上市企業陷入財務危機的時候，一方面容易導致企業的資金鏈面臨中斷，導致生產的產品在市場上降低占有率，逐漸喪失市場競爭力;另一方面，上市企業的投資人、債權人的收益無法得到保障，可能會出現大量拋售持有股票對股市造成不利影響，使得投資者喪失信息心，嚴重阻礙國民經濟有序穩定的向前發展。尤其2020年初爆發的新冠疫情一直持續到今天，全球經濟都受到了嚴重影響，導致有些上市企業由于財務問題而瀕臨退出股市、企業破產的窘境。因此研究財務危機預警成為學者們的研究方向之一。文獻[1]從反映企業營運能力、償債能力和盈利能力三個角度選用了營運資本/資產、流動比率、凈資產收益率等財務指標作為預警變量進行財務危機預測;文獻[2]選取伊斯坦布爾的食物和煙草行業上市公司2005—2012年財務報告數據作為預警變量進行財務危機預測;文獻[3]選取總資產利潤率、負債比率、營運資本/資產、留存收益/資產4個財務指標構建Fisher線性判別模型進行財務危機預警研究;文獻[4]對33個財務變量進行篩選，最終得到9個能反映企業財務狀況的財務指標建立決策樹模型進行財務預警研究。

通過以上的研究發現，財務危機的預警模型已經成為影響企業發展的重要組成部分。如何幫助上市企業從披露的財務與非財務數據中分析得到有用信息具有重要的意義。本文借助人工智能技術篩選出有效反應財務危機預警指標，建立一套適合上市企業的財務危機預警模型。

1 ?財務指標選擇

本文選擇了30家制造業上市公司作為研究樣本，分為財務危機組和財務正常組。前者具備如下條件：該企業是持續經營4年以上，同時是深滬兩個交易所的A股上市公司和制造業上市公司，公司有一次出現過財務狀況而被進行處理;后者滿足與財務危機組的公司所屬會計年度相同且資產規模相近，也是A股上市公司和制造型上市公司。

為了更好地反映上市企業的財務危機預警的指標，本文結合現有的財務危機預警模型中的相關指標分析結果，選取50個指標，對其中的財務指標和非財務指標采用SPSS軟件對這些指標進行正態分布檢驗，從這些指標中挑選出能夠反映財務危機的指標，本文選擇6個一級指標和15個二級指標作為反映企業財務危機的指標項。如表1所示。

表1中的指標數據存在相互重合的情況，為了能夠保證財務信息的完整性，本文使用主成分分析法對這些預警指標進行相關的取舍，對于篩選后的財務指標進行正向轉換和標準化，其次通過KMO和Bartlett球形度對這些變量之間的存在的關系進行相關性檢驗，最后在確保累積貢獻率大于80%的條件下挑選符合預警要求的二級指標。

2 ?基于深度學習神經網絡財務預警模型

2.1 ?深度學習神經網絡

為了更好地對財務數據進行分析，做好更加準確的預測，本文提出了雙疊加RBM-BP深度學習神經網絡模型，該模型的優點在于通過兩個RBM神經網絡結構和一個BP神經網絡結構，使得只需要少量的網絡層就可以達到降低一般的神經網絡所需要的訓練次數，這樣能夠降低訓練的難度，縮短訓練時間，提高神經網絡的預測準確率。大致的將其訓練過程分為兩個步驟：

步驟1：將訓練數據通過無監督訓練模式進行深度神經網絡的訓練和學習，通過這種訓練方式計算得到每一層RBM的網絡權值參數，這樣能夠最大程度保證特征向量映射到不同特征空間的時候保留更多的特征向量信息，得到兩個不同層次RBM網絡權值參數W0和W1。

步驟2：在雙RBM最后一層加入一個BP神經網絡，通過BP網絡接收雙疊加RBM網絡隱藏層的輸出特征向量作為輸入特征向量，以監督方式進行BP網絡參數的學習。

在雙疊加RBM-BP深度學習神經網絡中，影響雙疊加的RBM-BP深度學習神經網絡算法性能的主要參數為學習速率ε，可見層v數量，隱含層h數量以及RBM的θ，為了更好地發揮神經網絡的預測能力，使用元啟發式的鯨魚算法對其參數進行優化。經過優化雙疊加RBM-BP深度學習神經網絡參數后，可以得到如下的兩組RBM模型及其對應的學習規則。

式（1）和（3）表示了第一個疊加RBM的模型和學習規則，主要用于輸入一級指標對應的二級指標的財務數據指標進行數據的特征提取，并對這些數據進行訓練;式（2）和（4）表示另一個疊加RBM模型和學習規則，針對這些二級指標的財務數據可能存在很多條無關數據特征的記錄，因此需要對這些特征數據的相似性進行分析。通過雙疊加RBM做出的最優的決策和實際結果的接近程度作為反饋給BP神經網絡。而BP神經網絡的輸出層的神經元設置為1，即輸出結果為有和無，有表示公司存在較大的財務風險，發生財務危機的概率比較大，反之則表示財務危機概率較小。

2.2 ?鯨魚算法

鯨魚算法（whale optimization algorithm， WOA）是一種模仿大自然中鯨魚捕食過程的元啟發式算法，該算法將座頭鯨當作算法中的候選解，通過算法的不斷迭代來確定最優的候選解。鯨魚算法包圍捕食，氣泡攻擊和尋覓食物三個階段。

2.2.1 ?包圍捕食

在算法的初始階段中，座頭鯨并不知道具體食物的位置，設定距離最近的座頭鯨為算法的候選解，其他座頭鯨都向該座頭鯨靠近，逐步接近食物。使用公式表達為：

2.2.2 ?氣泡攻擊

在捕食過程中，座頭鯨通過大量的氣泡攻擊，并不斷地通過收縮包圍和螺旋更新來達到捕食的過程，達到算法在局部尋優的目的。在式（6）中，當∣A∣<1時，鯨魚個體向著當前位置最優的鯨魚個體靠近，隨著∣A∣逐漸增大，則鯨魚游走的步伐就越大，反之則游走步伐就越小。因此，為了能夠鯨魚個體一方面保持收縮，另一方面又能夠沿著螺旋形路徑向食物方向靠近，設定概率p來決定如上兩種行為，建立了以下位置更新方程：

2.2.3 ?尋覓食物階段

座頭鯨通過概率來獲得游走和螺旋，使用∣A∣向量來獲取食物。當向量∣A∣>1時，鯨魚個體向著參考座頭鯨的位置靠近，參考座頭鯨會隨機選擇個體座頭鯨進行位置的更新，這樣的方式保證了座頭鯨能夠進行全局的搜索，表達為：

式中，是隨機獲得的參考座頭鯨的位置向量。

2.3 ?預測步驟

輸入：RBM-BP相關參數，鯨魚算法相關參數，算法迭代次數，符合條件的二級指標的財務指標數據。

輸出：是否會發生財務危機。

步驟1：初始化鯨魚種群，將RBM-BP相關參數對應鯨魚個體。

=[ε1，v1，h1，{ai，bj，wij}1，ε2，v2，h2，{ai，bj，wij}2]

步驟2：計算每一個鯨魚個體的對應的適應度值。

fobj=f（）=f（ε1，v1，h1，{ai，bj，wij}1，ε2，v2，h2，{ai，bj，wij}2）

步驟3：保存X*作為最好的鯨魚。

=[ε1，v1，h1，{ai，bj，wij}1，ε2，v2，h2，{ai，bj，wij}2]*

步驟4：For對于每一個鯨魚個體。

步驟5：計算對應的適應度值fitness，即孿生RBM的訓練誤差。

fobj=f（）=f（ε1，v1，h1，{ai，bj，wij}1，ε2，v2，h2，{ai，bj，wij}2）

步驟6：If新計算的適應度值fitness<當前最小值。

fobj，new步驟7：替換最好的鯨魚。

X=Xnew

End if

End for

步驟8：產生新的個體。

步驟9：進行包圍捕食、氣泡攻擊和尋覓食物行為。

步驟10：迭代次數加1。

步驟11：鯨魚算法優化之后，得到參數優化后的孿生RBM神經網絡模型最優的參數v1，opt，h1，opt，ε1，opt以及θ={ai，bj，wij}1，opt和v2，opt，h2，opt，ε2，opt以及θ={ai，bj，wij}2，opt。

步驟12：將N個二級指標的對應的數據輸入到雙疊加的RBM-BP神經網絡中，最后在BP神經模型的輸出的結果為1表示有危機，如果為0表示無危機。

3 ?財務預警模型實證分析

為了更好地說明本文提出的財務危機預警模型的效果。將本文模型和基于LSSVM的預測模型在訓練樣本檢驗和測試樣本檢驗兩個方面進行對比。設定算法的迭代次數為100，在模型中輸入6個節點，分別對應6個主成分指標，得到如圖1所示的適應度曲線。從圖中發現本文模型的最佳適應度值明顯高于平均適應度值，這說明模型具備較高的預測能力。圖2～3展示了本文模型和基于LSSVM的預測模型在訓練樣本和測試樣本的準確率，從圖2中發現訓練樣本的準確率主要是體現模型根據建立的數據對預測值和實際值之前差異進行比較，該準確率通常用于樣本內檢測的效果，本次訓練樣本包括了32家非制造業危機上市公司和與之配對的16家制造業危機公司，本文模型相比于LSSVM模型的曲線穩定，本文模型的總體準確率93.27%;圖4展示了28家非制造業危機公司和與之配對的14家制造業危機公司，其本文模型的總體判別準確率為92.13%。

通過以上的驗證結果得到本文模型用于制造業公司的財務風險預警模型是可行的，從數據中發現對制造業公司財務風險進行的較為準確的預測。

4 ?結 ?論

本文通過主成分分析法對我國的制造業的財務數據樣本進行分析，建立了基于雙疊加的RBM-BP網絡的制造業公司財務風險預警模型。模型使用了6個主成分關鍵指標能夠符合制造業公司的特點，通過實證分析得到制造業公司的財務風險預警模型是有效的，樣本內檢驗準確率和樣本外檢驗準確率分別達到93.27%和92.13%，具有較好的預測效果。

參考文獻：

[1] WILLIAM B H. Financial Ratios as Predictors of Failure [J].Journal of Accounting Research，1966，4（3）：71-111.

[2] ALMAN E I. Financial Ratios，Discriminate Analysis and the Prediction of Corporate Bankruptcy [J].Journal of Finance，1968，23（4）：586-609.

[3] OHLSON J A. Financial Ratios and the Probabilistic Bankruptcy [J].Journal of Accounting Research，1980，18（1）：109-131.

[4] CIAMPI F，GORDINI N. Small Enterprise Default Prediction Modeling through Artificial Neural Networks：An Empirical Analysis of Italian Small Enterprises [J].Journal of Small Business Management，2013，51（1）：23-45.

[5] CHOUHAN V，CHANDRA B，GOSWAMI S. Predicting financial stability of select BSE companies revisiting Altman Z score [J].International Letters of Social and Hu manistic Sciences，2014，15（2）：92-105.

[6] ALTMAN E I，SABATO G，WILSON N. The value of non-financial information in small and medium-sized enterprise risk management [J/OL].The Journal of Credit Risk，2010，6（2）：1-33.http：//citeseerx.ist.psu.edu/viewdoc/download;jsessionid=150B67EE51074453D2C4264AB9C996A7？doi=10.1.1.222.5940&rep=rep1&type=pdf.

作者簡介：李莎（1981.08—），女，漢族，湖南邵陽人，副教授，碩士，研究方向：財務管理、會計;陳暄（1979.03—），男，漢族，江西南昌人，副教授，碩士，研究方向：人工智能、算法設計。