徐明鵑，　王本有

(皖西學(xué)院 信息工程學(xué)院， 安徽 六安　237012)

?

BP神經(jīng)網(wǎng)絡(luò)集成挖掘方法在財(cái)務(wù)預(yù)警中的應(yīng)用

徐明鵑，王本有

(皖西學(xué)院 信息工程學(xué)院， 安徽 六安237012)

摘要：分析了基于加權(quán)的集成預(yù)測(cè)，研究了一種基于貝葉斯的BP神經(jīng)網(wǎng)絡(luò)集成挖掘方法，通過R平臺(tái)實(shí)現(xiàn)算法，成功地應(yīng)用于上市公司財(cái)務(wù)預(yù)警。各種預(yù)測(cè)方法實(shí)驗(yàn)結(jié)果對(duì)比得出,集成預(yù)測(cè)可以提高財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)的準(zhǔn)確率。

關(guān)鍵詞：貝葉斯；BP神經(jīng)網(wǎng)絡(luò)； 財(cái)務(wù)預(yù)警

0引言

隨著大數(shù)據(jù)時(shí)代的到來，信息的重要性越來越受到?jīng)Q策者的重視。我國(guó)上市公司在飛速發(fā)展的同時(shí)，也不斷地受到各種外界風(fēng)險(xiǎn)的沖擊，如何能夠?qū)ι鲜泄镜呢?cái)務(wù)風(fēng)險(xiǎn)進(jìn)行有效預(yù)警，是許多決策者和研究者面臨的難題。

國(guó)內(nèi)外學(xué)者在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警方面做了不懈的探索和研究，采用的方法也多種多樣：最常用的是神經(jīng)網(wǎng)絡(luò)方法，例如，Ravi[1]等采用一種主成分結(jié)合神經(jīng)網(wǎng)絡(luò)方法進(jìn)行商業(yè)銀行的破產(chǎn)預(yù)測(cè)；支持向量機(jī)方法也是運(yùn)用較多的機(jī)器學(xué)習(xí)方法之一，例如，Shin[2]等采用支持向量機(jī)方法對(duì)韓國(guó)的數(shù)據(jù)進(jìn)行預(yù)測(cè)和財(cái)務(wù)預(yù)警;此外，也有采用其它算法進(jìn)行預(yù)警研究的，例如，SunL[3]等采用最簡(jiǎn)單的貝葉斯網(wǎng)-樸素的貝葉斯分類器進(jìn)行了財(cái)務(wù)預(yù)警研究，并針對(duì)預(yù)警數(shù)據(jù)的相關(guān)性特點(diǎn)進(jìn)行了分析。浙江師范大學(xué)的Sun[4]采用將多個(gè)分類器串起來的方式，以中國(guó)的上市公司為樣本數(shù)據(jù)進(jìn)行分類預(yù)警,取得了比單個(gè)分類器更好的效果。學(xué)者殷尹[5]等在構(gòu)建概率估計(jì)模型中，利用貝葉斯多變量模型分析法對(duì)企業(yè)財(cái)務(wù)進(jìn)行預(yù)測(cè)。

文中在分析了傳統(tǒng)的基于加權(quán)的集成預(yù)測(cè)方法存在的問題后，提出了一種基于貝葉斯的BP神經(jīng)網(wǎng)絡(luò)集成挖掘方法，通過該方法提高了財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)的準(zhǔn)確率，為上市公司的決策者提供了更有效的指導(dǎo)依據(jù)。

1問題的提出

對(duì)于一個(gè)具體的預(yù)測(cè)問題，如果采用不同的預(yù)測(cè)方法，得到的預(yù)測(cè)結(jié)果準(zhǔn)確程度也不一致，而集成預(yù)測(cè)方法的優(yōu)勢(shì)在于它可以將多種預(yù)測(cè)結(jié)果集成在一起，從而得出一個(gè)優(yōu)于單一預(yù)測(cè)方法的預(yù)測(cè)結(jié)論。傳統(tǒng)的集成預(yù)測(cè)方法的原理都是采用加權(quán)的方式進(jìn)行集成的，但是如果所有的子預(yù)測(cè)方法的預(yù)測(cè)結(jié)果不一致的時(shí)候，僅僅將子預(yù)測(cè)方法進(jìn)行加權(quán)集成得出的預(yù)測(cè)結(jié)果并不是最優(yōu)和最準(zhǔn)確的。因此，針對(duì)傳統(tǒng)的集成方法的弊端，提出了一種新的基于貝葉斯的BP神經(jīng)網(wǎng)絡(luò)集成預(yù)測(cè)方法。

2基于貝葉斯的BP神經(jīng)網(wǎng)絡(luò)集成預(yù)測(cè)的設(shè)計(jì)與實(shí)現(xiàn)

基于貝葉斯的BP神經(jīng)網(wǎng)絡(luò)集成預(yù)測(cè)的設(shè)計(jì)思路：

1)利用數(shù)據(jù)挖掘的分類方法構(gòu)建一個(gè)能夠選擇最優(yōu)子預(yù)測(cè)方法的分類器;

2)對(duì)某一上市公司的股票信息進(jìn)行貝葉斯網(wǎng)算法和支持向量機(jī)算法預(yù)測(cè)，并利用之前建好的分類器篩選出一個(gè)最優(yōu)的子預(yù)測(cè)方法；

3)把最優(yōu)的子預(yù)測(cè)方法的預(yù)測(cè)結(jié)果通過BP神經(jīng)網(wǎng)絡(luò)集成后形成最終的預(yù)測(cè)結(jié)果[6]。

由于BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力，所以文中選取了BP神經(jīng)網(wǎng)絡(luò)方法構(gòu)建集成預(yù)測(cè)分類器。構(gòu)建的集成預(yù)測(cè)的系統(tǒng)框架如圖1所示。

圖1BP神經(jīng)網(wǎng)絡(luò)集成預(yù)測(cè)方法系統(tǒng)框架

2.1貝葉斯網(wǎng)

貝葉斯網(wǎng)是一種概率網(wǎng)絡(luò)，它對(duì)于不確定知識(shí)有較強(qiáng)的表達(dá)能力，因此在人工智能領(lǐng)域有廣泛的應(yīng)用。貝葉斯網(wǎng)絡(luò)繼承了圖論的直觀性[7]，其所用的貝葉斯公式幾乎是所有概率推理的人工智能系統(tǒng)的基礎(chǔ)。

設(shè)實(shí)驗(yàn)E為樣本空間，A為E的事件，B1，B2，…，Bn為Ω的一個(gè)分割，且P(Bi)>0，i=1，2，…，n，則由：

(1)

得到

(2)

貝葉斯網(wǎng)絡(luò)由網(wǎng)絡(luò)結(jié)構(gòu)和條件概率表兩部分組成。貝葉斯網(wǎng)的結(jié)構(gòu)是一個(gè)有向無環(huán)圖，由結(jié)點(diǎn)和有向弧段組成。每個(gè)結(jié)點(diǎn)代表一個(gè)事件或者隨機(jī)變量，變量值可以是離散的或連續(xù)的，結(jié)點(diǎn)的取值是完備互斥的。表示起因的假設(shè)和表示結(jié)果的數(shù)據(jù)均用結(jié)點(diǎn)表示。從大量數(shù)據(jù)中構(gòu)造貝葉斯網(wǎng)絡(luò)模型可以進(jìn)行不確定性知識(shí)的發(fā)現(xiàn)。

2.2支持向量機(jī)

支持向量機(jī)(SupportVectorMachine，SVM)方法是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的模式識(shí)別方法，它是由Boser,Guyon,Vapnik在COLT-92上首次提出，從此迅速地發(fā)展起來，現(xiàn)在已經(jīng)在許多領(lǐng)域，如生物信息學(xué)、文本、圖像處理、語言信號(hào)處理和手寫識(shí)別等都取得了成功應(yīng)用。

支持向量機(jī)提供了一個(gè)三層網(wǎng)絡(luò)結(jié)構(gòu)，可以完成多個(gè)輸入、一個(gè)輸出的學(xué)習(xí)機(jī)器，它所構(gòu)建的體系結(jié)構(gòu)如圖2所示。

圖2　支持向量機(jī)的體系結(jié)構(gòu)

圖中:x1,x2,x3,…,xn----位于體系結(jié)構(gòu)最底層的輸入樣本;

K(xi,x)----樣本x與支持向量在特定空間的內(nèi)積,i=1,2,…,n;

αi----拉格朗日乘子,i=1,2,…,n;

f(x)----決策函數(shù)的輸出。

首先將股票信息的訓(xùn)練樣本作為支持向量機(jī)的輸入，然后選擇RBF核函數(shù)，將訓(xùn)練樣本從輸入空間映射到高維的特征空間，根據(jù)優(yōu)化問題求解得出支持向量，最終給出相應(yīng)的決策函數(shù)[8]。

2.3BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是繼人工神經(jīng)網(wǎng)絡(luò)后發(fā)展起來的一種算法，是目前神經(jīng)網(wǎng)絡(luò)訓(xùn)練中采用最多、最成熟的算法之一，它是一種通過誤差逆向傳播算法來進(jìn)行訓(xùn)練的多層前饋網(wǎng)絡(luò)，由輸入層、隱含層和輸出層構(gòu)成[9]，并通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使得網(wǎng)絡(luò)的誤差平方和最小[10]。BP神經(jīng)網(wǎng)絡(luò)算法流程如圖3所示。

圖3　BP算法程序流程

2.4基于貝葉斯的BP神經(jīng)網(wǎng)絡(luò)集成預(yù)測(cè)方法

數(shù)據(jù)選自國(guó)泰安中國(guó)上市公司財(cái)務(wù)指標(biāo)分析數(shù)據(jù)庫(kù)，從中抽取了2010-2015中上市公司被特殊處理的股票(ST)和未被特殊處理的股票(NST)的財(cái)務(wù)信息作為原始數(shù)據(jù)，經(jīng)過讀取、合并、清理數(shù)據(jù)，構(gòu)建的上市公司財(cái)務(wù)數(shù)據(jù)訓(xùn)練集見表1。

表1　上市公司財(cái)務(wù)數(shù)據(jù)訓(xùn)練集

基于貝葉斯的BP神經(jīng)網(wǎng)絡(luò)集成預(yù)測(cè)方法步驟如下：

1)通過篩選出輸入數(shù)據(jù)項(xiàng)和期望輸出數(shù)據(jù)作為集成預(yù)測(cè)分類器的訓(xùn)練集。

2)用貝葉斯網(wǎng)和支持向量機(jī)算法訓(xùn)練得到集成預(yù)測(cè)分類器，將1)篩選出來的訓(xùn)練樣本進(jìn)行學(xué)習(xí)和訓(xùn)練，得到一種最優(yōu)子預(yù)測(cè)方法，把最優(yōu)的子預(yù)測(cè)方法的預(yù)測(cè)結(jié)果通過BP神經(jīng)網(wǎng)絡(luò)集成后形成最終的預(yù)測(cè)結(jié)果。

3)對(duì)已訓(xùn)練好的分類器通過測(cè)試集進(jìn)行獨(dú)立預(yù)測(cè)，同時(shí)通過測(cè)試集去評(píng)估集成預(yù)測(cè)分類器和子預(yù)測(cè)方法的準(zhǔn)確性。

3算法實(shí)現(xiàn)及實(shí)驗(yàn)結(jié)果分析

3.1實(shí)驗(yàn)平臺(tái)

本算法是采用R軟件實(shí)現(xiàn)的。R語言是統(tǒng)計(jì)領(lǐng)域廣泛使用的一種語言，是誕生于1980年左右的S語言的一個(gè)分支。它基于S語言，并由MathSoft公司的統(tǒng)計(jì)科學(xué)部進(jìn)一步完善。

預(yù)測(cè)算法包括兩種子預(yù)測(cè)方法(貝葉斯網(wǎng)和SVM)和一種集成預(yù)測(cè)方法(基于BP神經(jīng)網(wǎng)絡(luò)的集成方法)。通過R平臺(tái)實(shí)現(xiàn)了文中提出的基于貝葉斯的BP神經(jīng)網(wǎng)絡(luò)集成預(yù)測(cè)方法，并和其子預(yù)測(cè)方法的預(yù)測(cè)效果進(jìn)行對(duì)比分析。

3.2集成方法與各子預(yù)測(cè)方法的對(duì)比

為了將集成預(yù)測(cè)方法和各種子預(yù)測(cè)進(jìn)行對(duì)比分析，文中選用了3個(gè)度量參數(shù)：召回率(Recall)、準(zhǔn)確率(Precision)和覆蓋率(Coverage)。

召回率也叫查全率，推薦結(jié)果的召回率定義為：

(3)

準(zhǔn)確率也叫查準(zhǔn)率，推薦結(jié)果的準(zhǔn)確率定義為：

(4)

覆蓋率(Coverage)用來衡量測(cè)試的完整性。推薦系統(tǒng)的覆蓋率可以通過下面的公式計(jì)算：

(5)

通過實(shí)驗(yàn)得出：以流動(dòng)比率為 X 軸，以預(yù)測(cè)分類標(biāo)簽為 Y 軸，可以畫出文中提出的算法和各子預(yù)測(cè)方法的預(yù)測(cè)點(diǎn)和實(shí)際點(diǎn)對(duì)比圖，如圖4～圖6所示。

圖4　貝葉斯網(wǎng)絡(luò)預(yù)測(cè)結(jié)果比較圖

圖5　SVM預(yù)測(cè)結(jié)果圖

圖6　BP神經(jīng)網(wǎng)絡(luò)集成算法的預(yù)測(cè)結(jié)果圖

由上圖的對(duì)比可以看到，文中提出集成預(yù)測(cè)方法的預(yù)測(cè)結(jié)果的準(zhǔn)確度明顯高于各個(gè)子預(yù)測(cè)方法，準(zhǔn)確率分別提高了 0.3和0.7， 召回率比SVM算法提高了36%，而準(zhǔn)確度比貝葉斯算法和SVM算法分別提高3.31%和3.34%。

基于貝葉斯的BP神經(jīng)網(wǎng)絡(luò)集成預(yù)測(cè)方法和子預(yù)測(cè)方法在準(zhǔn)確率、召回率和準(zhǔn)確度三個(gè)方面的對(duì)比分析見表2。

表2　各種算法對(duì)比分析

4結(jié)語

提出了一種基于貝葉斯的BP神經(jīng)網(wǎng)絡(luò)集成預(yù)測(cè)方法，并采用R平臺(tái)實(shí)現(xiàn)了該算法，對(duì)上市公司股票信息的訓(xùn)練集進(jìn)行學(xué)習(xí)和訓(xùn)練，通過實(shí)驗(yàn)結(jié)果分析得出，該集成預(yù)測(cè)方法克服了傳統(tǒng)的集成預(yù)測(cè)方法的不足，對(duì)上市公司的股票是否被 特殊處理做了很好的預(yù)測(cè)，為公司管理者提供了有效的決策信息。

參考文獻(xiàn)：

[1]RaviV,PramodhC.Thresholdacceptingtrainedprincipalcomponentneuralnetworkandfeaturesubsetselection:Applicationtobankruptcypredictioninbanks[J].AppliedSoftComputing,2008,8(4):1539-1548.

[2]ShinKS,LeeTS,KimHJ.Anapplicationofsupportvectormachinesinbankruptcypredictionmodel[J].ExpertSystemswithApplications,2005,28(1):127-135.

[3]SunLL,ShenoyPP.Usingbayesiannetworksforbankruptcyprediction:Somemethodologicalissues[J].EuropeanJournalofOperationalResearch,2007,180(2):738-753.

[4]SunJ,LiH.Financialdistresspredictionbasedonserialcombinationofmultipleclassifiers[J].ExpertSystemswithApplications,2009,36(4):8659-8666.

[5]梁美健,閆蔚.企業(yè)財(cái)務(wù)預(yù)警的國(guó)內(nèi)外研究綜述[J].財(cái)會(huì)月刊,2014(6):104-107.

[6]李學(xué)明,郭尚坤,王劍柯,等.新的集成預(yù)報(bào)及其在短期氣候預(yù)測(cè)中的應(yīng)用[J].重慶大學(xué)學(xué)報(bào),2010,33(12):119-126.

[7]吳永廣,龐世春.K2&HC結(jié)構(gòu)學(xué)習(xí)算法[J].計(jì)算機(jī)與數(shù)字工程,2014(7):1137-1140.

[8]楊永生,張優(yōu)云,朱永生.基于多核非負(fù)矩陣分解的機(jī)械故障診斷[J].西北工業(yè)大學(xué)學(xué)報(bào),2015,33(2):251-257.

[9]李文學(xué),李慧,賀琳.BP神經(jīng)網(wǎng)絡(luò)在非線性時(shí)間序列預(yù)測(cè)中的應(yīng)用[J].長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版,2003,24(3):39-40.

[10]李佟,李軍.基于BP神經(jīng)網(wǎng)絡(luò)與馬爾可夫鏈的污水處理廠脫氮效果模擬預(yù)測(cè)[J].環(huán)境科學(xué)學(xué)報(bào),2016,36(2):576-581.

BPneuralnetworkensembleminingmethodappliedinfinancialearlywarning

XUMingjuan,WANGBenyou

(SchoolofInformationEngineering,WestAnhuiUniversity,Lu’an237012,China)

Abstract：Byanalyzingtheweightedensemblepredictionmethods,aBayesianbasedBPneuralnetworkintegratedminingmethodisputforward,andappliedinfinancialearlywarningoflistingCorporationthroughRplatform.Thecomparisonofsomepredictionmethodsshowthattheintegratedpredictionmethodcanimprovetheaccuracyoffinancialriskprediction.

Keywords：Bayes;BPneuralnetwork;financialearlywarning.

收稿日期：2016-03-10

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(61375121，61075049)； 高等學(xué)校優(yōu)秀青年人才基金項(xiàng)目(2011SQRL150)； 高等學(xué)校省級(jí)自然科學(xué)研究項(xiàng)目(KJ2011Z401)； 安徽省高等學(xué)校省級(jí)教學(xué)研究項(xiàng)目(2015jyxm289)； 安徽省級(jí)質(zhì)量工程項(xiàng)目(2015zy051); 安徽省級(jí)教學(xué)研究重點(diǎn)項(xiàng)目(2012jyxm433)

作者簡(jiǎn)介：徐明鵑(1980-)，女，回族，安徽六安人，皖西學(xué)院講師，碩士，主要從事智能數(shù)據(jù)挖掘方向研究,E-mail:xmj8217@wxc.edu.cn.

DOI:10.15923/j.cnki.cn22-1382/t.2016.3.06

中圖分類號(hào)：O157.5

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1674-1374(2016)03-0236-05