摘要：及時了解企業(yè)的財務(wù)風(fēng)險情況，可以有效對財務(wù)風(fēng)險進行預(yù)警預(yù)測。選取2019年2580家企業(yè)的財務(wù)數(shù)據(jù)為樣本數(shù)據(jù)，首先利用CRITIC對樣本數(shù)據(jù)的各項指標(biāo)賦予權(quán)重并用灰色關(guān)聯(lián)分析法進行測度，然后利用K-means聚類方法劃分公司的風(fēng)險等級，最后利用SGAN模型構(gòu)建財務(wù)風(fēng)險預(yù)警模型。實驗結(jié)果表明：與其他深度學(xué)習(xí)模型相比較，基于SGAN的財務(wù)風(fēng)險預(yù)警模型的預(yù)測效果最好，在測試集上的準(zhǔn)確率可以達到91.75%，證明了SGAN模型在財務(wù)風(fēng)險領(lǐng)域應(yīng)用的可行性。

關(guān)鍵詞：SGAN模型；財務(wù)風(fēng)險預(yù)警；深度學(xué)習(xí)

一、前言

隨著經(jīng)濟的發(fā)展，企業(yè)間的競爭因產(chǎn)業(yè)結(jié)構(gòu)的升級而愈加激烈。一些上市企業(yè)采取激進策略導(dǎo)致財務(wù)風(fēng)險不斷累積。為規(guī)避風(fēng)險，提出有效準(zhǔn)確的財務(wù)風(fēng)險預(yù)警方法是十分必要的。生成對抗網(wǎng)絡(luò)GAN就是一種近年來出現(xiàn)的新興混合型深度學(xué)習(xí)模型，且已經(jīng)廣泛應(yīng)用到各個領(lǐng)域。但是，GAN作為一個創(chuàng)新的無監(jiān)督學(xué)習(xí)模型，存在效率低、精確度不高等缺陷。為了使原始GAN具有更強大的學(xué)習(xí)能力，將原先的無監(jiān)督模型變?yōu)榘氡O(jiān)督的網(wǎng)絡(luò)架構(gòu)，即半監(jiān)督生成對抗網(wǎng)絡(luò)（SGAN）模型。本文將結(jié)合CRITIC-灰色關(guān)聯(lián)分析和K-means方法，探索SGAN如何解決財務(wù)風(fēng)險預(yù)警問題。

二、文獻回顧

財務(wù)風(fēng)險預(yù)警的方法包括單變量模型、多元判別模型、多元邏輯回歸模型和人工智能技術(shù)。李長山（2018）[1]運用logistic回歸建立財務(wù)風(fēng)險預(yù)警模型，取得了較好的預(yù)警效果，但由于多元邏輯回歸方法計算量大且樣本選擇有限，導(dǎo)致該類模型應(yīng)用逐漸減少。隨著神經(jīng)網(wǎng)絡(luò)概念的提出，張春梅（2021）等人[2]研究基于Lasso+SVM的財務(wù)風(fēng)險預(yù)警模型，取得不錯的效果。

半監(jiān)督生成對抗網(wǎng)絡(luò)（SGAN）模型是通過生成對抗網(wǎng)絡(luò)（GAN）衍生改變的模型。祝琳（2019）[3]利用半監(jiān)督GAN來研究高光譜的圖像分類，證明SGAN模型可以應(yīng)用到分類問題中。但目前還沒見到過半監(jiān)督生成對抗網(wǎng)絡(luò)（SGAN）模型在財務(wù)風(fēng)險預(yù)警領(lǐng)域的研究應(yīng)用。

三、研究方法

SGAN由一個生成網(wǎng)絡(luò)G和一個判別網(wǎng)絡(luò)D組成。該判別器D多分類器能夠?qū)W會區(qū)分N+1類，其中，N是原始訓(xùn)練數(shù)據(jù)集中的類數(shù)，生成器G生成的偽樣本增加了一個類。生成器G的目的是接收一個隨機噪聲z并生成偽樣本，使其生成的偽樣本G’（z）最大限度接近原始數(shù)據(jù)集。判別器D的D接收無標(biāo)簽的真實樣本x、有標(biāo)簽的真實樣本（x，y）和生成器G生成的偽樣本G’（z）三種輸入，在判斷輸入樣本為真的情況下將其正確分類或者在判斷輸入樣本為假的情況下將其排除。在實際過程中，生成器G和一個判別器D是一體的。SGAN模型的流程圖如圖1所示。

四、數(shù)據(jù)的選取和處理

本文在網(wǎng)易財經(jīng)網(wǎng)站爬取了2019年1月—12月2580家企業(yè)20個指標(biāo)的財務(wù)數(shù)據(jù)作為研究對象，通過剔除存在空值的樣本數(shù)據(jù)后建立了一套對應(yīng)的財務(wù)風(fēng)險指標(biāo)體系，并對其進行統(tǒng)一的歸一化處理。該體系包括了年度現(xiàn)金流量指標(biāo)、年度運營能力、年度盈利能力、年度成長能力和年度償還能力五個部分，具體指標(biāo)見表1。

五、模擬仿真與結(jié)果討論

（一）CRITIC-灰色關(guān)聯(lián)分析的風(fēng)險測度

利用CRITIC法賦予每個指標(biāo)的權(quán)重，通過MATLAB仿真用CRITIC-灰色關(guān)聯(lián)分析法計算每個公司的財務(wù)風(fēng)險得分，由于樣本數(shù)據(jù)太多，僅選擇前五和最后五位的得分排序，見表2。

表2數(shù)據(jù)顯示，排名前五的公司在2019年都有非常好的銷售利潤，其中排名第一的701號公司在2019年更是達到了2708億元人民幣的銷售額，同比增長22.48%。而排名后五的公司，財務(wù)狀況都不太理想，2556號公司上半年凈利虧損8810萬元；805號業(yè)績虧損3.21億元，較上年同期由盈轉(zhuǎn)虧；1107號公司凈利1.13億元，下滑51.46%；1850號公司虧損2.69億元，由盈轉(zhuǎn)虧；775號公司更是處于連續(xù)五年的虧損狀態(tài)。因此基于CRITIC-灰色關(guān)聯(lián)分析評價的風(fēng)險測度得到的結(jié)果是合理的。

（二）K-means聚類

對企業(yè)的樣本數(shù)據(jù)進行風(fēng)險測度后，通過MATLAB仿真利用K-means聚類將樣本數(shù)據(jù)進行風(fēng)險等級劃分并打標(biāo)簽，標(biāo)簽一共分為五個等級，即風(fēng)險低、風(fēng)險較低、風(fēng)險中等、風(fēng)險較高、風(fēng)險高。由于使用了正向化處理，因此企業(yè)得分越高，風(fēng)險等級越低，得分越低，財務(wù)風(fēng)險越高，劃分到每個類的樣本數(shù)量情況見表3。

（三）SGAN財務(wù)風(fēng)險預(yù)警仿真

本文構(gòu)建SGAN模型對2580條樣本數(shù)據(jù)進行仿真實驗，其中訓(xùn)練集1865條數(shù)據(jù)，測試集715條數(shù)據(jù)。在SGAN模型的訓(xùn)練過程中，訓(xùn)練集的準(zhǔn)確率和損失率變化趨勢如圖2所示。通過圖2可以看出：訓(xùn)練集的準(zhǔn)確率隨著迭代次數(shù)的增加而增加并不斷趨于1，訓(xùn)練集的損失率則隨著迭代次數(shù)的增加而減少并不斷趨于0，兩者都在整個訓(xùn)練過程中呈現(xiàn)收斂狀態(tài)，表示該模型訓(xùn)練過程的學(xué)習(xí)效果良好，可以有效地進行測試和預(yù)測，保證測試仿真的準(zhǔn)確性。

由于SGAN模型中的噪聲是隨機的，因此需要為保持其嚴謹和穩(wěn)定性求出多次訓(xùn)練中的平均準(zhǔn)確率，同時可以改變迭代次數(shù)來尋找該模型對其樣本數(shù)據(jù)的最高準(zhǔn)確率，結(jié)果見表4。

表4數(shù)據(jù)顯示，SGAN模型在迭代次數(shù)為3000次的時候，仿真預(yù)測效果最好，最高訓(xùn)練集準(zhǔn)確率和測試集準(zhǔn)確率為100%和91.75%，訓(xùn)練集和測試集的平均準(zhǔn)確率也都高于其他迭代次數(shù)時的準(zhǔn)確率，為100%和89.09%。

（四）SGAN模型與其他模型的對比仿真

將支持向量機（SVM）模型、簡單卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型與SGAN模型進行比較，結(jié)果見表5。從表中可以看出：SVM模型的準(zhǔn)確率為80.69%，CNN模型的準(zhǔn)確率為87.02%，都不及SGAN模型的預(yù)測準(zhǔn)確度。說明SGAN模型在財務(wù)風(fēng)險預(yù)警方面有很好的預(yù)測能力，可以很好地應(yīng)用于財務(wù)風(fēng)險預(yù)警領(lǐng)域。

六、結(jié)語

本文構(gòu)建了基于半監(jiān)督對抗神經(jīng)網(wǎng)絡(luò)的財務(wù)風(fēng)險預(yù)警模型，實證研究表明：

在SGAN企業(yè)財務(wù)風(fēng)險預(yù)警模型的訓(xùn)練過程中，訓(xùn)練集的準(zhǔn)確率隨著迭代次數(shù)的增加而增加并不斷趨于1，訓(xùn)練集的損失率則隨著迭代次數(shù)的增加而減少并不斷趨于0，兩者都在整個訓(xùn)練過程中呈現(xiàn)收斂狀態(tài)，表示該模型訓(xùn)練過程的學(xué)習(xí)效果良好，可以有效地對財務(wù)風(fēng)險數(shù)據(jù)進行測試和預(yù)測，說明模型可以很好地提取財務(wù)風(fēng)險數(shù)據(jù)的特征并保證了預(yù)測的準(zhǔn)確度。

在SGAN企業(yè)財務(wù)風(fēng)險預(yù)警模型的仿真過程中，迭代次數(shù)為3000次的時候，仿真預(yù)測效果最好，最高訓(xùn)練集準(zhǔn)確率和測試集準(zhǔn)確率為100%和91.75%，訓(xùn)練集和測試集的平均準(zhǔn)確率也都高于其他迭代次數(shù)時的準(zhǔn)確率，為100%和89.09%，驗證了SGAN在財務(wù)數(shù)據(jù)處理領(lǐng)域應(yīng)用的可行性，存在很好的前景發(fā)展。

與SVM和CNN相比較，無論是平均準(zhǔn)確率還是最高準(zhǔn)確率，SGAN模型在企業(yè)財務(wù)風(fēng)險預(yù)警研究中的預(yù)測效果都比其他兩個模型要好，SVM模型的準(zhǔn)確率為80.69%，CNN模型的準(zhǔn)確率為87.02%，而SGAN模型的平均準(zhǔn)確率為89.09%、最高準(zhǔn)確率為91.75%，從而也驗證了SGAN對比與其他深度學(xué)習(xí)模型的優(yōu)越性，有更高的預(yù)測精度。

當(dāng)然，本研究還存在一些不足之處需要改進，如建立指標(biāo)體系時還需要考慮宏觀經(jīng)濟類指標(biāo)。進一步設(shè)置更多的對照組和如何穩(wěn)定SGAN模型中的輸入噪聲從而提高其準(zhǔn)確率，也是未來的研究方向。

參考文獻

[1]李長山.基于Logistic回歸法的企業(yè)財務(wù)風(fēng)險預(yù)警模型構(gòu)建[J].統(tǒng)計與決策，2018，34（06）：185-188.

[2]張春梅，趙明清，官俊琪.基于Lasso+SVM的制造業(yè)上市公司財務(wù)風(fēng)險組合預(yù)警模型[J].數(shù)學(xué)的實踐與認識，2021，51（05）：1-12.

[3]祝琳.基于生成對抗網(wǎng)絡(luò)的監(jiān)督/半監(jiān)督高光譜圖像分類方法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2019.