朱賀　張帆

摘要摘要：BP神經(jīng)網(wǎng)絡(luò)是一種使用非線性可導(dǎo)函數(shù)作為傳遞函數(shù)的前饋神經(jīng)網(wǎng)絡(luò)，具有較高的精確度，但過多的預(yù)測變量會影響B(tài)P神經(jīng)網(wǎng)絡(luò)的準確性。采用Logistic回歸變量篩選方法能在一定程度上提高分類準確性，提高模型效率。對2013年滬深兩市A股分類評級進行了研究，證明基于Logistic回歸變量篩選的神經(jīng)網(wǎng)絡(luò)提高了兩極類別分類的準確性。

關(guān)鍵詞關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；Logistic回歸；變量篩選

DOIDOI：10.11907/rjdk.151010

中圖分類號：TP301

文獻標識碼：A文章編號文章編號：16727800（2015）004003504

0引言

人工神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)擬合是通過對輸入和輸出的分析，來更新各神經(jīng)元間的連接權(quán)重，是一種非線性的統(tǒng)計模型，具有較高的精確度[1]。但是，對于多種因素共同決定的復(fù)雜問題來說，由于影響因變量的預(yù)測變量過多，將全部預(yù)測變量加入模型進行分析，一些重要性較低的變量噪聲就會影響整個模型的精度，達不到分析效果[2]。由此，本文提出一種優(yōu)化的基于Logistic回歸變量篩選的神經(jīng)網(wǎng)絡(luò)分析方法。

1原理

1.1BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種基于有監(jiān)督的學(xué)習(xí)、使用非線性可導(dǎo)函數(shù)作為傳遞函數(shù)的前饋神經(jīng)網(wǎng)絡(luò)[3]。BP神經(jīng)網(wǎng)絡(luò)具有較強的非線性映射能力、較高的自學(xué)習(xí)和自適應(yīng)能力、將學(xué)習(xí)成果應(yīng)用于新環(huán)境和新知識的能力以及相當?shù)娜蒎e能力[4]。

BP算法（Error Back Proragation）學(xué)習(xí)過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳入，經(jīng)各隱層逐層處理后，傳向輸出層[5]。若輸出層的實際輸出與期望的輸出不符，則轉(zhuǎn)入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權(quán)值的依據(jù)[6]。這種信號正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過程，是周而復(fù)始進行的。權(quán)值不斷調(diào)整的過程，也就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程。此過程一直進行到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度，或進行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止[78]。如圖1所示，向量X為輸入層輸入向量，向量Y為隱層輸出向量，向量O為輸出層輸出向量，矩陣V為輸入層到隱層之間的權(quán)值矩陣，矩陣W為隱層到輸出層之間的權(quán)值矩陣。

1.3基于Logistic回歸變量篩選的BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)方法

使用IBM SPSS Modeler 15.0構(gòu)建模型[11]。用Logistic回歸分析方法擬合數(shù)據(jù)，提取出符合變量篩選條件的預(yù)測變量[12]。構(gòu)建Logistic回歸模型時使用分區(qū)數(shù)據(jù)并為每個分割構(gòu)建獨立的模型；選用多項式過程，變量提取方法使用步進法并使用主效應(yīng)模型，目標基準類別使用第一類別，迭代次數(shù)上限為20次。挑選出滿足給定顯著水準的預(yù)測變量后，將這些預(yù)測變量加入數(shù)據(jù)流作為BP神經(jīng)網(wǎng)絡(luò)輸入層變量，目標選擇創(chuàng)建標準模型，并使用BP算法建立MLP神經(jīng)網(wǎng)絡(luò)模型，停止條件為最大訓(xùn)練時間10分鐘，防止過度擬合集合設(shè)為30%。使用上述權(quán)值調(diào)整算法建立神經(jīng)網(wǎng)絡(luò)進行分類分析，具體模型如圖2所示。

2實例分析

股票評級是股票資信評估的一個重要項目，它可以為投資者提供股票的風(fēng)險信息，降低投資者的風(fēng)險成本，是投資者決策的重要依據(jù)[13]。由于股票價格受到政治、經(jīng)濟、社會等多種因素影響，使用傳統(tǒng)的模型擬合往往無法達到令人滿意的效果[14]，本文提出的模型正好能解決此難題。

2.1數(shù)據(jù)準備

選取2013年度上證A股、深證A股所有股票，導(dǎo)出2013年1月4日至2013年12月31日間股票交易數(shù)據(jù)，并從銳思數(shù)據(jù)庫、中國證券報網(wǎng)站、新浪財經(jīng)數(shù)據(jù)中心等平臺匯總上市公司四季度報（年報）數(shù)據(jù)。其中年報數(shù)據(jù)保留盈利能力（包括凈資產(chǎn)收益等7項指標）、運營能力（包括應(yīng)收賬款周轉(zhuǎn)率等6項指標）、成長能力（包括主營業(yè)務(wù)收入增長率等6項指標）、償債能力（包括流動比率等6項指標）、現(xiàn)金流量（包括現(xiàn)金流量比等5項指標），共計30項財務(wù)分析指標。

2.2數(shù)據(jù)清理

由于樣本含量足夠大，將近2 500例，對于存在缺失值的實例，將整條數(shù)據(jù)刪除，不作分析使用。

2.3數(shù)據(jù)變換及離散化

（1）考慮到個別股票在2013年度存在除權(quán)除息，如果直接按市場價格計算股票漲跌幅，就會偏離實際情況，因此對這部分股票需要按實際收益計算其漲跌幅度。

（2）計算出年度股票漲跌幅后，將其離散化處理，漲跌幅（-∞，-20%]，（-20%，0%]，（0%，20%]，（20%，+∞）分別離散為0，1，2，3四個數(shù)值。

2.4數(shù)據(jù)集成

將股票價格及漲跌數(shù)據(jù)，上市公司財務(wù)指標數(shù)據(jù)集成至一個數(shù)據(jù)庫，最終得到有效數(shù)據(jù)1 856例。

2.5建立模型

構(gòu)建Logistic回歸模型，以步進法通過似然比統(tǒng)計篩選得到7個預(yù)測變量，如圖3所示，再用此7個預(yù)測變量構(gòu)建人工神經(jīng)網(wǎng)絡(luò)模型如圖4所示。對照模型使用未使用變量篩選的人工神經(jīng)網(wǎng)絡(luò)。構(gòu)建模型時，訓(xùn)練數(shù)據(jù)占80%，測試數(shù)據(jù)占20%。

2.6實驗結(jié)果

評級總正確率較未使用變量篩選的模型，在培訓(xùn)和測試數(shù)據(jù)分區(qū)分別有了1.5和3個百分點的提高，分別為48.64%和50.52%；在評級=0時分別有了21和28個百分點的提高，分別為60.61%和64.63%，從ROC下方面積可以清晰看到這個變化，如圖7、圖8所示；在評級=3時培訓(xùn)分區(qū)有了5個百分點的提高，為82.8%，測試區(qū)沒有提高。但在評級=1或者評級=2時正確率卻有了不同程度的下降。

2.7實驗結(jié)果分析

使用Logistic回歸篩選變量后的BP神經(jīng)網(wǎng)絡(luò)在對股票進行評級時，其評級正確率在漲幅最大區(qū)域因原模型準確率已高達77%，提升幅度不是特別大，但在跌幅最大區(qū)域卻有了顯著提高。其原因在于篩選后的變量擴大了影響程度較大的變量的影響，縮小了原有影響程度較小的變量產(chǎn)生噪聲的影響，使處于漲幅極端的兩類因變量特征更加明顯，其分類正確率自然會有提升。而對于處于漲幅中間區(qū)域的兩類因變量來說，因其漲跌幅較小，各種自變量的影響相互博弈，刪減自變量，對其正確分類必然產(chǎn)生較大影響，降低了分類正確率。但在實際生活中，人們關(guān)心的往往是如何使利益最大化，并盡可能減小風(fēng)險成本。因此，本文所提出的模型價值顯而易見。

3結(jié)語

股票分級實驗證明，基于Logistic回歸篩選變量后的BP神經(jīng)網(wǎng)絡(luò)在保證總體分類正確率穩(wěn)步提升的同時在極大、極小分類正確率上也有了顯著的提高。因此，在對極值分類有較高要求且預(yù)測變量較多的應(yīng)用領(lǐng)域，此模型可作為一種分類參考，以提高分類效率。

參考文獻參考文獻：

[1]SONG Y P， PENG X Q. New structure adapting neural network and its training method[J]. Control and Decision，2010，25（8）：12651268.

[2]韓玲.基于人工神經(jīng)網(wǎng)絡(luò)—多層感知器（MLP）的遙感影像分類模型[J].測繪通報，2004（9）：2931.

[3]韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京：北京郵電大學(xué)出版社，2006.

[4]LI Y， WANG Z， AO Z G， et al.Optimization for breakout prediction system of BP neural network[J]. Control and Decision， 2010，25（3）： 453456.

[5]LUENGO J，GARCIA S，HERRERA F.A study on the use of imputation methods for experimentation with radial basis function network classifiers handling missing attribute values： the good synergy between RBFNs and EventCovering method[J].Neural Networks，2010，23（3）：406418.

[6]衛(wèi)敏，余樂安.具有最優(yōu)學(xué)習(xí)率的RBF神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[J].管理科學(xué)學(xué)報，2012（4）：5057.

[7]LIU Y Y， STARZYK J A， ZHU Z. Optimized approximation algorithm in neural networks without overtting[J].IEEE Transactions on Neural Networks，2008，19（6）：983995.

[8]徐富強，劉相國.基于優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)的變量篩選方法[J].計算機系統(tǒng)應(yīng)用[J]，2012（3）：206208.

[9]石慶焱.一個基于神經(jīng)網(wǎng)絡(luò)—Logistic回歸的混合兩階段個人信用評分模型研究[J].統(tǒng)計研究，2005（5）：4549.

[10]謝遠濤，楊娟，王穩(wěn). Logistic與分類樹模型變量篩選的比較——基于信用卡郵寄業(yè)務(wù)響應(yīng)率分析[J].統(tǒng)計與信息論壇，2011（6）：96101.

[11]王國平，郭偉宸，汪若君.IBM SPSS Modeler數(shù)據(jù)與文本挖掘?qū)崙?zhàn)[M].北京：清華大學(xué)出版社，2014.

[12]徐璐.判別分析Logistic回歸和BP神經(jīng)網(wǎng)絡(luò)在二分類問題中的模擬對比[J].中南財經(jīng)政法大學(xué)研究生學(xué)報，2012（2）：5964.

[13]鄭睿穎，伍應(yīng)環(huán).神經(jīng)網(wǎng)絡(luò)在股票價格預(yù)測中的研究[J].計算機仿真，2011（10）：393396.

[14]黃亦瀟，邵培基，李菁菁.基于信息擴散原理運用人工神經(jīng)網(wǎng)絡(luò)識別股票級別[J].中國管理科學(xué)，2004（5）：611.

責(zé)任編輯（責(zé)任編輯：杜能鋼）