摘要：將傳統(tǒng)財務(wù)風(fēng)險預(yù)警方法與深度學(xué)習(xí)方法結(jié)合，提出自編碼器和卷積神經(jīng)網(wǎng)絡(luò)組合的AE-ResNet模型，對企業(yè)財務(wù)風(fēng)險進(jìn)行預(yù)警。首先選取了2958家上市企業(yè)的20個指標(biāo)建立了財務(wù)風(fēng)險指標(biāo)體系，然后采用模糊綜合評價—CRITIC測度方法計算財務(wù)風(fēng)險得分，接著使用SOM模型對風(fēng)險等級劃分，最后使用AE-ResNet模型對財務(wù)風(fēng)險進(jìn)行預(yù)測。與CNN、SVM、PCA-CNN等模型相比，AE-ResNet模型準(zhǔn)確度明顯高于其他模型，準(zhǔn)確率為94.07%，能夠較好地進(jìn)行財務(wù)風(fēng)險預(yù)警，有實際應(yīng)用價值。

關(guān)鍵詞：財務(wù)風(fēng)險預(yù)警；AE-ResNet；上市企業(yè)

一、前言

財務(wù)風(fēng)險存在于籌資、投資和生產(chǎn)經(jīng)營等相關(guān)環(huán)節(jié)中，因為各種難以預(yù)測的因素，使得企業(yè)面臨遭受損失的可能性。為規(guī)避財務(wù)風(fēng)險，有必要對企業(yè)財務(wù)風(fēng)險進(jìn)行預(yù)警研究。

本文采用自編碼器和卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的神經(jīng)網(wǎng)絡(luò)模型，對企業(yè)的財務(wù)風(fēng)險進(jìn)行預(yù)警研究，具體內(nèi)容如下：第二部分為文獻(xiàn)回顧，第三部分為研究方法，第四部分為指標(biāo)體系構(gòu)建與數(shù)據(jù)處理，第五部分為模型仿真測試，第六部分為結(jié)語。

二、文獻(xiàn)回顧

（一）財務(wù)風(fēng)險預(yù)警研究

財務(wù)風(fēng)險預(yù)警模型主要由統(tǒng)計類模型和非統(tǒng)計類模型構(gòu)成。2001年，吳世農(nóng)和盧賢義[1]分別運(yùn)用Fisher線性判別法、Logistic回歸法以及多元線性回歸法對財務(wù)風(fēng)險進(jìn)行分析，結(jié)果表明Logistic回歸分析的準(zhǔn)確率最高。而在非統(tǒng)計類模型中，神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)模型的應(yīng)用逐漸成為了主流模型。2019年，宋歌和馬濤[2]利用自編碼器作為研究工具來構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，研究表明基于深度學(xué)習(xí)構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型對所有上市公司是否陷入財務(wù)危機(jī)的預(yù)測準(zhǔn)確率可以達(dá)到72%以上。

（二）自編碼器和卷積神經(jīng)網(wǎng)絡(luò)研究

自編碼器是一種無監(jiān)督學(xué)習(xí)，近10年來被廣泛應(yīng)用于各個研究領(lǐng)域，其效果顯著。彭博（2020）[3]利用自編碼器實現(xiàn)了對視頻交通狀態(tài)的自動識別。卷積神經(jīng)網(wǎng)絡(luò)是目前最受歡迎的有監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)之一，在圖像識別和分類領(lǐng)域均取得了優(yōu)異的成果。近幾年，一些學(xué)者開始嘗試結(jié)合自編碼器和卷積神經(jīng)網(wǎng)絡(luò)來提高模型準(zhǔn)確率。

三、研究方法

（一）自編碼器AE

自編碼器是無監(jiān)督學(xué)習(xí)中的一種，它由輸入層、中間隱藏層和輸出層組成。輸入層和輸出層擁有相同的神經(jīng)元個數(shù)，隱藏層的神經(jīng)元個數(shù)則小于輸入層和輸出層，從而實現(xiàn)降維目的。

自編碼器主要由以下兩個步驟組成：

1.對輸入數(shù)據(jù)進(jìn)行編碼，a1為輸入層節(jié)點，a2為隱藏層節(jié)點，數(shù)學(xué)式可表示為：

Z1=a1（Wij+b2） （1）

aj2=f（Z1） （2）

Wij為權(quán)重矩陣，表示輸入層的第i個節(jié)點到隱藏層的第j個節(jié)點的權(quán)重。b2表示隱藏層的偏置參數(shù)。f為激活函數(shù)，本文選擇LeakyReLU激活函數(shù)用于激活編碼器。

2.將隱藏層獲得的數(shù)據(jù)進(jìn)行解碼：

Z2=a2（WjiT+b3） （3）

ai3=f2（Z2） （4）

a3為輸出層節(jié)點，b3表示輸出層的偏置參數(shù)，WjiT是Wij的轉(zhuǎn)置矩陣。f2為激活函數(shù)，本文選擇Sigmod激活函數(shù)用于解碼器。

本文采用單隱層自編碼器模型，因其具有方便理解、訓(xùn)練成本低等優(yōu)點，且具有較低的損失率和較高的精度，相比棧式自編碼器，可以避免發(fā)生梯度爆炸等風(fēng)險問題。

（二）殘差網(wǎng)絡(luò)ResNet

卷積神經(jīng)網(wǎng)絡(luò)由卷積層、池采樣層和全連接層構(gòu)成。原理是通過采用梯度下降法最小化損失函數(shù)對網(wǎng)絡(luò)中的權(quán)重參數(shù)，從而達(dá)到逐層反向調(diào)節(jié)的目的。用數(shù)學(xué)式描述如下：

y=F（x，Wi）+x （5）

F=W2σ（W，x） （6）

x為輸入，y為輸出，F(xiàn)（x，Wi）為殘差，殘差部分如公式（6）所示，中間有一個Relu激活的雙層權(quán)重，σ為Relu，W、W2為權(quán)重。F（x，Wi）和x相加是逐個元素相加得到的，若兩者維度不匹配，則需要給x執(zhí)行一個線性映射以達(dá)到匹配維度的目的。最后的輸出如公式（7）所示：

y=F（x，Wi）+Wsx （7）

本次實驗選擇了ResNet18這一模型，它由17個卷積層和1個全連接層組成，相對于其他ResNet模型，具有較小的計算量與較高的準(zhǔn)確性。因本文的數(shù)據(jù)集不大，選擇ResNet18可以避免過多層次的殘差網(wǎng)絡(luò)而導(dǎo)致的過擬合現(xiàn)象。

（三）AE-ResNet模型的構(gòu)建

實驗?zāi)Ｐ蛯⒆跃幋a器與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合，結(jié)構(gòu)圖如圖1所示。

首先將數(shù)據(jù)輸入自編碼器進(jìn)行訓(xùn)練，自編碼器的訓(xùn)練過程中能得到損失率，損失率越小說明提取到的特征越具有代表性。訓(xùn)練完畢后將隱藏層中降維了的數(shù)據(jù)提取出來，然后將其作為輸入數(shù)據(jù)，代入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，先后經(jīng)過卷積層和池化層的處理，最后由全連接層進(jìn)行分類，并輸出分類結(jié)果和準(zhǔn)確率，通過調(diào)試得到較高的準(zhǔn)確率以確保模型的可靠性。

四、指標(biāo)體系構(gòu)建與數(shù)據(jù)處理

（一）風(fēng)險指標(biāo)體系的構(gòu)建

本文采取2958家企業(yè)的20項財務(wù)指標(biāo)作為分析樣本，剔除部分公司存在的空值指標(biāo)，最終將影響公司財務(wù)風(fēng)險評價的指標(biāo)體系劃分為5個部分：現(xiàn)金流量指標(biāo)、運(yùn)營能力、盈利能力、成長能力、償還能力（見表1）。

（二）數(shù)據(jù)的獲取與處理

本文使用了八爪魚爬蟲軟件爬取了網(wǎng)易財經(jīng)2958家企業(yè)的財務(wù)數(shù)據(jù)，因不同指標(biāo)的量綱差異，使用歸一化方法預(yù)處理。

五、模型仿真測試

（一）基于CRITIC-模糊綜合評價的風(fēng)險測度

模糊綜合評價通過構(gòu)造模糊子集來對指標(biāo)進(jìn)行量化處理，接著利用模糊變換的原理，對各項指標(biāo)進(jìn)行CRITIC法加權(quán)綜合計算，得到評價結(jié)果。由于樣本數(shù)量較多，表2僅列出了得分前5和后5的公司。

排名前5的公司在2019年都有非常好的銷售利潤。其中，新城控股在2019年擁有2708億元人民幣的銷售額，比往年同期增長了22.48%，在2019年的地產(chǎn)銷售額百億企業(yè)排行榜中，取得了第六位的成績；中交地產(chǎn)、金地集團(tuán)均在榜內(nèi)。天禾股份、四川金頂也都發(fā)布了非常好的財報。而排名后5的公司，財務(wù)狀況都不理想，尤其是神農(nóng)科技、長江通信、西部創(chuàng)業(yè)的凈利潤分別下滑了1713.09%、55%、70%。結(jié)果表明基于CRITIC-模糊綜合評價的風(fēng)險測度是合理的。

（二）SOM聚類分析

由于使用了正向化處理，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。一級風(fēng)險最大，二級次之，三級風(fēng)險一般，四級風(fēng)險較低，五級風(fēng)險最低。

采用SOM神經(jīng)網(wǎng)絡(luò)進(jìn)行聚類分析，和傳統(tǒng)的聚類方法相比，SOM算法具有易可視化、抗干擾能力高、聚類質(zhì)量好等優(yōu)點。使用SOM模型將公司按照得分分為5類，結(jié)果見表3。

（三）AE-ResNet企業(yè)財務(wù)風(fēng)險預(yù)警模型仿真

為了測試本文所構(gòu)建的AE-ResNet企業(yè)財務(wù)風(fēng)險預(yù)警模型的準(zhǔn)確度，本文采取2367組數(shù)據(jù)作為訓(xùn)練集，591組數(shù)據(jù)作為測試集。

經(jīng)實驗仿真，AE-ResNet模型的最佳參數(shù)如下：自編碼器學(xué)習(xí)率為0.01，迭代次數(shù)為500；ResNet學(xué)習(xí)率為0.003，迭代次數(shù)為200次；批數(shù)據(jù)量均為32。實驗結(jié)果如圖2所示。在200個迭代次數(shù)后，訓(xùn)練結(jié)果收斂且驗證準(zhǔn)確率達(dá)到94.07%，證明了AE-ResNet模型在財務(wù)風(fēng)險預(yù)警上的可行性。

為了驗證AE-ResNet模型的效果，設(shè)置了5組對照組，結(jié)果如表4。

通過對比實驗發(fā)現(xiàn)，自編碼器具有更強(qiáng)的降維能力，有助于提高神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確率，相較于SVM和Lenet5，ResNet18在分類方面具有更好的效果，能夠達(dá)到94.07%的準(zhǔn)確率，證明了本文算法的可行性。

六、結(jié)語

本文提出了一種結(jié)合了自編碼器和殘差網(wǎng)絡(luò)的財務(wù)風(fēng)險預(yù)測方法，實驗表明，這種方法的預(yù)測準(zhǔn)確率為94.07%，可以較好地預(yù)測企業(yè)未來的財務(wù)風(fēng)險，相對于其他的組合模型和單一模型，AE-ResNet18有著更高的準(zhǔn)確率，在財務(wù)風(fēng)險預(yù)警的應(yīng)用上更加具有優(yōu)勢。當(dāng)然實驗還存在著一些不足，比如指標(biāo)體系還存在著不少改進(jìn)空間，除了5大指標(biāo)之外，還可以考慮添加宏觀經(jīng)濟(jì)等指標(biāo)，使指標(biāo)體系更加客觀。對于測度方法和聚類方法，可以增加方法多做幾個對照組，對比哪些評價和聚類方法更加科學(xué)。同樣可以增加預(yù)測方法對照組和AE-ResNet模型進(jìn)行對比，比如ResNet50。今后將對方法和模型繼續(xù)進(jìn)行改進(jìn)，進(jìn)一步提高預(yù)測的準(zhǔn)確率。

參考文獻(xiàn)

[1] 吳世農(nóng)，盧賢義.我國上市公司財務(wù)困境的預(yù)測模型研究[J].經(jīng)濟(jì)研究，2001（06）：46-55.

[2] 宋歌，馬濤.基于深度學(xué)習(xí)的上市公司財務(wù)風(fēng)險預(yù)警模型研究[J].價值工程，2019，38（01）：59-62.

[3] 彭博，張媛媛，唐聚，等.基于自編碼器與k-means 聚類的視頻交通狀態(tài)自動識別[J]. 公路交通科技，2020，37（12）：117-123.

基金項目：教育部人文社會科學(xué)研究規(guī)劃基金項目（項目編號：18YJA630037，21YJA630054）

作者單位：浙江農(nóng)林大學(xué)數(shù)學(xué)與計算機(jī)學(xué)院

■ 責(zé)任編輯：張津平、尚丹