張丹 曹紅蘋

摘要：財務(wù)預(yù)警通過對企業(yè)相關(guān)指標分析構(gòu)建出預(yù)測模型，達到對其風(fēng)險進行預(yù)測的目的，可為利益相關(guān)者的關(guān)聯(lián)決策提供依據(jù)，使得預(yù)警效率的研究成為重點。以90家制造企業(yè)的相關(guān)數(shù)據(jù)構(gòu)成樣本搭建概率神經(jīng)網(wǎng)絡(luò)模型進行預(yù)警研究，為提升模型的效率，引入粒子群算法對模型進行優(yōu)化。實證分析中得出，未用粒子群算法優(yōu)化前模型的預(yù)測準確率為87.5%，經(jīng)優(yōu)化后模型的預(yù)測正確率為93.75%。則使用粒子群算法對神經(jīng)網(wǎng)絡(luò)的優(yōu)化的可行性較高，這可做為財務(wù)預(yù)警研究的一種新思路。

關(guān)鍵詞：財務(wù)預(yù)警;概率神經(jīng)網(wǎng)絡(luò);粒子群算法;主成分分析

0引言

財務(wù)預(yù)警是一種基于風(fēng)險表征性指標進行危機預(yù)測的研究，通過構(gòu)建預(yù)警體系，利益相關(guān)者可以發(fā)現(xiàn)企業(yè)在經(jīng)營管理活動中的潛在風(fēng)險，在決策時能夠考慮得更充分，進而避免產(chǎn)生不必要的損失。危機越早防范越有利于企業(yè)的健康穩(wěn)定成長，有效的危機預(yù)警可促進企業(yè)的平穩(wěn)化發(fā)展。近年來，隨著經(jīng)濟全球化和互聯(lián)網(wǎng)經(jīng)濟的發(fā)展，企業(yè)之間的競爭更加激烈，利益相關(guān)者日益增加對預(yù)警情況的關(guān)注力度，這為預(yù)警研究的進一步發(fā)展提供契機。

企業(yè)財務(wù)預(yù)警的表述形式雖然較為多樣化，但主要思想是基于相關(guān)指標對于陷入財務(wù)危機的企業(yè)構(gòu)建有效模型，以期得到改善不良經(jīng)營狀態(tài)的監(jiān)管策略，進而使得企業(yè)得到長遠的發(fā)展。在20世紀30年代，隨著美國經(jīng)濟大蕭條時期的出現(xiàn)，大多數(shù)公司的經(jīng)營管理面臨著較大的波動風(fēng)險，財務(wù)預(yù)警問題也隨之被重視起來，而國內(nèi)則是于90年代后才開始相關(guān)的研究。早期的預(yù)警研究是單變量模型，即通過單項指標進行分析，如Fitzpatrick（1932）和Beaver（1966）;隨后的研究則更傾向于多變量型，經(jīng)典的模型是Altman（1968）的Z-Score模型，F(xiàn)模型、Logit、Probit、時間序列分析和生存分析。隨著信息時代的來臨，智能化分析方法也開始涌現(xiàn)，神經(jīng)網(wǎng)絡(luò)、決策樹等滲入到預(yù)警研究中，使得預(yù)警達到更為良好的效果，

由于神經(jīng)網(wǎng)絡(luò)模型在預(yù)測分析問題的適用性強，其中概率神經(jīng)網(wǎng)絡(luò)對于參數(shù)的設(shè)置較少且對噪聲的容忍度較高，則可將其引入到預(yù)警研究中?，F(xiàn)階段人工智能飛速發(fā)展，算法的引用為預(yù)警研究拓寬渠道，其與基礎(chǔ)模型的融合可提升研究的效率，文中擬引入粒子群算法進行模型的優(yōu)化。通過嵌入粒子群算法，構(gòu)建出優(yōu)化的預(yù)測模型，以期達到更好的預(yù)測效果，

1優(yōu)化模型理論

1.1 粒子群算法

粒子群算法（Particle Swarm Optimization.PSO）是由Eberhart和Kennedy于1995年提出的一種優(yōu)化算法，二人從鳥群搜食過程發(fā)現(xiàn)個體與全局之間的信息共享傳遞機制，該機制的精髓在于可在目標空間中尋求最優(yōu)解。該方法從隨機解出發(fā)，根據(jù)需要擬定隨機解后迭代尋求最優(yōu)解，解的效果是通過適應(yīng)度函數(shù)進行評價，通過在解空間追隨最優(yōu)的粒子進行搜索，使其容易實現(xiàn)優(yōu)化且參數(shù)調(diào)整較少。

在PSO中，開始時會產(chǎn)生一群隨機粒子，每個都代表目標問題的一個可能解，對應(yīng)著適應(yīng)值（c.粒子在搜索空間的移動由矢量化的速度表示移動的方向和距離，粒子的移動會伴隨著極值的迭代。每次迭代中，粒子會追尋兩項極值進行更新：

（1）個體極值，粒子自身的最優(yōu)解;

（2）全局極值，粒子在空間內(nèi)運動得到的目前整個種群的最優(yōu)解。

當(dāng)粒子迭代達到設(shè)定的循環(huán)次數(shù)或者與目標函數(shù)的誤差率達到一定精度時就會終止，得到全局最優(yōu)適應(yīng)值。設(shè)定在D維目標搜索空間中，有N個粒子構(gòu)成的粒子群（i=1.2.…，N），過程相應(yīng)參數(shù)表示如下：

在速度替換公式中c₁和c₂是加速常數(shù)，也稱學(xué)習(xí)因子，通常取2.r₁和r₂是[0.1]內(nèi)均勻隨機數(shù)。速度公式中其替換是由三項加總而成，第一項是“慣性”部分，表明粒子維持原來速度的傾向，w表示對原來速度的保留程度，數(shù)值越大，全局收斂能力越強，反之局部收斂能力越弱：第二項是“認知”部分，是粒子對歷史經(jīng)驗的記憶，表明粒子向其最佳位置逼近的傾向：第三項是“社會”部分，是粒子間協(xié)作共享群體歷史經(jīng)驗，表明粒子向鄰域最佳位置逼近的傾向。粒子的速度有一定的范圍，是研究者根據(jù)需要設(shè)定的，主要用來限制其速度。粒子群算法中搜索迭代式工作使其形成一個有效地循環(huán)體，過程中對目標函數(shù)的計算貫徹始終，是PSO指導(dǎo)搜索方向的依據(jù)，PSO的適應(yīng)度函數(shù)種類較多，在進行模擬搜索中應(yīng)結(jié)合目標問題設(shè)定。

1.2 概率神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)（PNN）是由d.f.Specht于1990年提出的一種神經(jīng)網(wǎng)絡(luò)，常用于進行模式。其為基于最小風(fēng)險貝葉斯決策的層內(nèi)互連的前向網(wǎng)絡(luò)，具有四層神經(jīng)元結(jié)構(gòu)：輸入層、模式單元層、匯總單元層和輸出層?；窘Y(jié)構(gòu)如圖l所示。

輸入層導(dǎo)人樣本數(shù)據(jù)，節(jié)點數(shù)與其維度保持一致：輸入層通過一定的權(quán)重與模式層結(jié)合，模式層針對傳輸過來的數(shù)據(jù)進行處理：累加層可稱為求和層，每個結(jié)點對應(yīng)特定的模式分類形成映射，根據(jù)這種映射關(guān)系產(chǎn)生特定類型的分布函數(shù)：輸出層根據(jù)匯總情況得出判定類型，輸出類別。概率神經(jīng)網(wǎng)絡(luò)處理任意維度輸出的分類應(yīng)用問題的效率較高，模式簡潔學(xué)習(xí)速度較快，且對樣本數(shù)量要求不高，根據(jù)不同需求層次可設(shè)定相應(yīng)決策面的范圍，對于錯誤及噪聲容忍度較高。

概率神經(jīng)網(wǎng)絡(luò)模式分類的具體過程如下：

（1）假定研究對象中有m個訓(xùn)練樣本，特征向量為n.表示如下：

（3）把預(yù)期進行分類的測試樣本歸一化，用輸入層讀取。

（4）計算輸入的測試樣本與樣本矩陣中樣本距離。

（5）模式層神經(jīng)元被激活，得到原始概率矩陣，若有p個測試樣本，用Epm表示測試樣本p到訓(xùn)練樣本m的距離，概率矩陣可表示如下：

（6）在判別函數(shù)中選擇值最大的，相應(yīng)類別就是輸入的測試樣本最可能的類別。

1.3優(yōu)化模型

在將樣本數(shù)據(jù)導(dǎo)入神經(jīng)網(wǎng)絡(luò)之前需要對其進行預(yù)處理，為保證數(shù)據(jù)涵蓋面的廣泛性，則需構(gòu)建較多的指標，則會造成數(shù)據(jù)的冗余。為提升數(shù)據(jù)的有效性，擬對原始數(shù)據(jù)進行主成分分析處理。經(jīng)處理的數(shù)據(jù)導(dǎo)人PNN進行分析，然后經(jīng)過粒子群算法對其效果進行優(yōu)化，達到較好的分析效果。具體分析步驟如圖2所示，

2實證分析

2.1 樣本數(shù)據(jù)的選取

研究樣本的選擇需要從兩方面出發(fā)：目標公司及其對應(yīng)指標。鑒于制造業(yè)對國民經(jīng)濟的影響程度較高且每年風(fēng)險型公司在該行業(yè)內(nèi)的數(shù)量最多，則從制造業(yè)行業(yè)內(nèi)進行篩選。在進行公司樣本提取時選擇滬深A(yù)股，主要是其數(shù)據(jù)的完整性及與中國國情貼合度均相對較高。從國泰安數(shù)據(jù)庫中導(dǎo)出2016年制造業(yè)中被ST的共計45家公司，另匹配45家同行業(yè)且規(guī)模相當(dāng)?shù)恼＝?jīng)營公司作為對照組。為了后續(xù)模型能夠?qū)撅L(fēng)險狀況進行識別，將風(fēng)險型公司標記為2.正常型標記為1.且設(shè)定兩種類型各自的前37個劃分為訓(xùn)練集，后續(xù)的8家劃分為測試集。指標的篩選涵蓋盈利能力、經(jīng)營能力、償債能力、發(fā)展能力、比率結(jié)構(gòu)、風(fēng)險水平、現(xiàn)金流分析、基本每股收益共計8類31項指標。

2.2 主成分分析結(jié)果

為確保主成分分析的可行性，先將樣本數(shù)據(jù)進行相關(guān)性檢驗，見表1。

從表1中可知KMO>0.5.即原始數(shù)據(jù)適合做主成分分析。通過SPSS22提取有效因子，見表2。

在主成分分析結(jié)果表中前13個因子的累計方差貢獻率為87.077%，超過85%，可對原始數(shù)據(jù)進行有效概括，則提取13個因子，計算對應(yīng)得分以備導(dǎo)人概率神經(jīng)網(wǎng)絡(luò)。

2.3 粒子群優(yōu)化參數(shù)值

粒子群分析適應(yīng)度函數(shù)設(shè)定為訓(xùn)練組的預(yù)測正確率，部分相關(guān)參數(shù)設(shè)置見表3。

粒子群算法中，各粒子為追求最優(yōu)解按照矢量化的速度在目標空間移動，速度伴隨著粒子的運動不斷變化。初始化速度需事先設(shè)定，文中結(jié)合粒子最大速度隨機產(chǎn)生設(shè)定為v_max*（2*rand（1.N）-1）。慣性權(quán)重打破常規(guī)的定值，改為隨著迭代次數(shù)的增加而逐漸減小，既可突破前期落到局部最優(yōu)誤區(qū)又可在后期加速收斂，能夠維持算法的穩(wěn)定性，公式如下：

w=w_max-（w_max-w_min）*k/kt（k為循環(huán)體內(nèi)當(dāng)前循環(huán)次數(shù)） （10）

粒子的更新速度為：v=w*v+cl*r*（Pbest-pn）+c2*r*（gbest-pn）

（11）

gbest=1.0557.gfbest=0.9375.即在spread=1.0557時，訓(xùn)練組的預(yù)測正確率得到最優(yōu)h=93.75%。

通過粒子群算法的優(yōu)化，spread=1.0557構(gòu)建模型。針對模型分析結(jié)果的誤差進行分析，樣本的誤差值為樣本預(yù)測風(fēng)險類型值與樣本實際風(fēng)險類型值的差值，樣本的預(yù)測結(jié)果有2種可能性1或2.真實的風(fēng)險狀況值為1或2.則誤差的取值為0.-1.1三種情形，得到訓(xùn)練組和測試組結(jié)果見表4。

由表4知，訓(xùn)練組74個樣本中僅有1個預(yù)測錯誤，正確率達到98.65%，測試組16個樣本中僅有一個樣本由風(fēng)險型判為正常型，正確率為93.75%，90個樣本的整體預(yù)測率為97.78%。

2.4 各模型預(yù)測結(jié)果對比

通過模型進行分析預(yù)測，其效果的評判應(yīng)當(dāng)從測試集人手，則對優(yōu)化前后的模型進行對比結(jié)果見表5。

從預(yù)測效果對比表可知，經(jīng)過粒子群對參數(shù)進行優(yōu)化，對正常組的識別更為突出可達到100%，預(yù)測組的整體正確率有一定幅度的提升一超過90%，預(yù)測效果較好。企業(yè)在通過模型判定風(fēng)險類型后，可按照因子得分將樣本公司排序，通過對比分析，查看自身的優(yōu)勢及不足，制定對應(yīng)的個性化風(fēng)險規(guī)避方案。

3 結(jié)束語

以90家制造業(yè)上市公司的31項財務(wù)指標為樣本數(shù)據(jù)，通過主成分分析處理后導(dǎo)人概率神經(jīng)網(wǎng)絡(luò)，并通過粒子群算法尋優(yōu)得到較為理想的參數(shù)值，模型最后的預(yù)測效果也較好，表明改進方法是有效的，可為利益相關(guān)者的規(guī)避風(fēng)險提供一種研究途徑。在深層次上，各家企業(yè)在整理自身相關(guān)指標的同時，又能得到現(xiàn)行或潛在利益相關(guān)者的有效信息，根據(jù)信息的整合可為公司的戰(zhàn)略發(fā)展提供一定的支撐。文中僅選擇制造業(yè)公司某一年的數(shù)據(jù)進行研究，但是企業(yè)陷入危機是一種持續(xù)性變化的狀態(tài)，以后的研究中可采用多個時間段進行動態(tài)化分析。