紀娟

四川廣播電視大學 四川 610073

0 引言

當代社會已經進入到知識經濟時代。新技術、新發(fā)明、新思路如雨后春筍層出不窮。隨著IT技術的發(fā)展，當代社會信息化程度越來越高，各種信息涌向企業(yè)，在激烈的市場競爭中，誰的信息化管理水平高，誰就主動，誰的決策反應速度快，誰就搶占良機，企業(yè)一步失誤可能會遭受致命性的打擊，基于BP神經網絡的財務風險預警模型正是基于這種考慮而產生的。

1952年美國學者格拉爾在其調查報告《費用控制的新時期——風險管理》中首次提出并使用了“風險管理”一詞，隨后風險管理形成一股全球性的熱潮，在世界范圍內得到迅猛的發(fā)展。財務風險管理是風險管理的一個分支，最早由伊文·費歇爾于 1896年提出的。大量實例表明，陷入經營危機的企業(yè)很多是以出現財務危機為先兆的，對防范財務風險來說，一個較新的概念就是財務風險預警模型。所謂財務風險預警模型，就是利用及時的數據化管理方式，通過全面分析企業(yè)內外部經營情況等各種資料，以財務指標數據的形成將中小企業(yè)面臨的潛在風險預先告知經營者，同時通過尋找財務危機發(fā)生的原因和企業(yè)財務管理體系中隱藏的問題，提出解決辦法的有效措施。在市場經濟的激烈競爭中，企業(yè)進行財務活動不可避免地要遇到風險。財務管理必須對各種財務風險做出反應，運用行之有效的手段，對不同風險進行控制和處理。從國內外企業(yè)發(fā)展歷史來看，企業(yè)危機往往首先是從財務管理環(huán)節(jié)爆發(fā)，因此建立和完善企業(yè)財務風險預警模型，對企業(yè)的生存和發(fā)展具有重要的意義。

由于財務預警的復雜性及其對決策的重要影響，目前國內外有大量的研究預測的工作，采用各種方法來優(yōu)化預測方法以及提高預測精度。主要有兩種：一是基于數值預測技術，用建立數學模型的方法來求解實際問題；另一種是應用新興的神經網絡或數據挖掘方法來進行預測。人工神經網絡(Artificial Neural Network, ANN)是一種平行分散處理模式，具較好的模式識別能力、容錯能力，對數據的分布要求不嚴格，具備處理資料遺漏或是錯誤的能力。最可貴的是它具有學習能力，可以隨時根據新準備的數據資料進行自我學習、訓練，調整其內部的儲存權重參數以對應多變的經濟環(huán)境。已有文獻表明ANN的分類正確率高于傳統(tǒng)預警方法，因此它可作為解決財務預警的一個重要方法。

1 相關原理及算法

1.1 BP神經網絡

BP神經網絡是一種多層前向神經網絡，是目前最常見、應用最廣泛的一種神經網絡。BP網絡能學習和存儲大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP(Back Propagation)神經網絡是一個具有三層或三層以上的階層神經網絡。BP神經網絡模型拓撲結構包括：輸入層、中間層(也稱隱層)和輸出層。它的特點是：各層神經元僅與相鄰層神經元之間相互全連接，同層內神經元之間無連接，各層神經元之間無反饋連接，形成具有層次結構的前饋型神經網絡系統(tǒng)。輸入信號先向前傳播到隱節(jié)點，經過變換函數之后，把隱節(jié)點的輸出信息傳播到輸出節(jié)點，經過處理后再給出輸出結果。節(jié)點的變換函數通常選取Sigmoid型函數。一般情況下，輸入層和隱層的激活函數通常為Sigmoid型，但是在隱層和輸出層之間的激活函數可以是線性的。

1.2 BP算法

三層前饋網絡的適用范圍大大超過二層前饋網絡，但學習算法較為復雜，主要困難在于中間的隱層不直接與外界連接，無法直接計算其誤差。為解決這一問題提出了反向傳播算法(back-propagation, BP)算法。BP算法是誤差反傳和誤差反向傳播算法的學習過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，根據信息變化能力的需求，中間層可以設計為單隱層或者多隱層結構；最后一個隱層傳遞到輸出層各神經元的信息，經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練的過程，此過程一直進行到網絡輸出的誤差減少到可以接受的程度，或者預先設定的學習次數為止。

2 財務風險預警神經網絡模型的建立

2.1 指標變量選擇

表1 財務預警指標值

財務風險預警體系首先要建立起財務預警指標體系。建立科學有效的財務預警功能的關鍵在于找出哪些財務指標能夠揭示或預示公司財務狀況的變化。本文借鑒國內外有關企業(yè)財務評價指標，確定了償債能力、盈利能力、資產運營能力和財務結構四個方面，然后從總項目抽取相應的指標，組成財務風險預警指標體系。根據指標公式的計算得出所選預警指標值如表1所示。

2.2 網絡的拓撲結構

神經網絡的結構設計主要是確定輸入輸出層節(jié)點數和網絡的隱層數、隱層節(jié)點數。實踐表明，四層網絡的結果比三層網絡更容易進入局部最小，所以在實際應用中選用只有一個隱層的三層網絡。由財務預警中的指標變量選擇數知，輸入層節(jié)點數是16。而輸出是為綜合功效系數所在的警度區(qū)間，因此輸出層的節(jié)點數為4。

對于多層前饋網絡來說，隱層節(jié)點數的確定是成敗的關鍵。若數量太少，則網絡所能獲取的用以解決問題的信息太少；若數量太多，不僅增加訓練時間，更重要的是隱層節(jié)點過多還可能出現所謂“過渡吻合”(Overfitting)問題，即測試誤差增大導致泛化能力下降，因此合理選擇隱層節(jié)點數非常重要。關于隱層數及其節(jié)點數的選擇比較復雜，一般原則是：在能正確反映輸入輸出關系的基礎上，應選用較少的隱層節(jié)點數，以使網絡結構盡量簡單。假設有n個輸入節(jié)點，m個輸出節(jié)點，則根據經驗公式選擇隱層節(jié)點數為：

式中：a為1到10之間的常數。本系統(tǒng)的隱層節(jié)點數為：9。

2.3 網絡的激活函數

激活函數是一個神經元及網絡的核心，網絡解決問題的能力與功效除了與網絡的結構有關，在很大程度上取決于所采用的激活函數。BP網絡經常采用的激活函數如圖1所示。我們選擇purelin函數作為輸出層神經元的激活函數，tansig函數作為隱層神經元的激活函數。

圖1 BP網絡常用的激活函數

2.4 期望輸出

輸出節(jié)點的值對應于評價結果，為此，需要確定期望輸出。在神經網絡學習訓練階段，“樣本”的期望輸出值應是已知量，它可由歷史數據資料給定或通過一些數學統(tǒng)計方法評估得出。本文的輸出是綜合功效系數對應警度。將風險等級分為I[1000]重警，II[0100]中警，III[0010]輕警，IV[0001]無警四種不同狀態(tài)。

2.5 其它參數選擇

設置系統(tǒng)誤差ε=0.0075，學習率η=0.01，利用隨機函數生成初始權值和閥值，循環(huán)次數由小到大逐次調試。

2.6 程序實現

由于C++語言與其它語言應用程序的接口能力強，且開發(fā)效率高，因此采用C++語言開發(fā)神經網絡程序，再集成到財務風險預警功能中。程序的實現步驟分為四個部分：數據預處理、網絡訓練及運行、結果分析以及數據還原，下面分別進行介紹。

（1）數據預處理

網絡的輸入參數是能夠揭示或預示企業(yè)財務變化的財務指標，由于財務指標數量多且種類不同，財務指標值可能大，也可能小，這樣容易造成網絡運行麻痹，為了消除財務指標絕對數對網絡運算的影響，避免因神經元過大或過小導致預測結果精度的降低以及訓練速度的降低，本系統(tǒng)對財務指標值進行歸一化處理，把數據值轉化到[0.1, 0.9]區(qū)間內，采用轉換公式為：

式中x為原始樣本數據，Min(x)和Max(x)分別為原始樣本數據中的最小值和最大值，'x為歸一化后的數據。

（2）BP網絡訓練及運行

這一部分是程序的核心部分，主要完成的功能是根據系統(tǒng)輸入的網絡參數，利用數據預處理程序處理過的樣本，建立并訓練神經網絡，利用測試數據的預測結果及期望輸出計算誤差，并不斷調整網絡權值，直到達到誤差要求。

（3）結果分析

預測是一種預估計，影響預測的因素有很多，建立預測的模型難以將所有因素都定量考慮進來，所以作為一種估計，其結果和實際情況就必然存在著一定預測誤差。針對神經網絡的測試結果進行分析，計算測試結果的均方差。通過對比測試數據得到每個輸出結果的均方差和準確率以及總體的平均誤差和預測精度，從而了解預測系統(tǒng)的工作狀況。

（4）數據還原

當神經網絡處理結束后，再做反歸一化運算。對網絡輸出，對輸出數據采用如下公式使輸出數據與原始數據在同一個區(qū)域之內，反歸一化的公式為：

顯然，這是原始數據進行歸一化的逆過程。

財務風險的預警有助于投資者進行投資決策、有助于企業(yè)管理層加強內部控制并改善經營管理。本系統(tǒng)利用神經網絡的非線性映射能力和自學習能力，建立財務風險預警模型，通過分析歷史財務指標數據，進行風險的定量預警。

[1]楊云正.基于Internet的ERP系統(tǒng)研究[D].哈爾濱工業(yè)大學.1999.

[2]孫嶸.基于BP神經網絡的中小企業(yè)財務風險預警研究[D].長沙理工大學.2008.

[3]Tai-Yue Wang,Chien-Yu Huang.Optimizing back-propagation networks via a calibrated heuristic algorithm with an orthogonal array,Expert Systems with Applications.2008.

[4]張鈴,張鈸.人工神經網絡理論和應用[M].浙江科學技術出版社.1997.

[5]潘濤.BP神經網絡模型中活化函數對網絡性能影響的研究[J].安徽師大學報.1998.