前言：本站為你精心整理了神經(jīng)網(wǎng)絡(luò)算法下企業(yè)財務(wù)風(fēng)險預(yù)測探究范文，希望能為你的創(chuàng)作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

摘要：隨著我國經(jīng)濟的快速發(fā)展，企業(yè)財務(wù)方面出現(xiàn)諸多問題，企業(yè)財務(wù)面臨著巨大的風(fēng)險，需要對于風(fēng)險問題有及時的預(yù)測機制。因此，針對企業(yè)財務(wù)風(fēng)險的實際情況，利用BP神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)企業(yè)財務(wù)風(fēng)險的預(yù)測，建立基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)險預(yù)測模型。首先，分析組合預(yù)測方法，利用組合預(yù)測方法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)；其次，構(gòu)建神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型，將模型應(yīng)用在企業(yè)財務(wù)風(fēng)險管理系統(tǒng)中；最后，所提出的組合預(yù)測模型與傳統(tǒng)的預(yù)測模型相比較分析，通過實驗可知，組合預(yù)測模型的預(yù)測效果較好。

關(guān)鍵詞：財務(wù)風(fēng)險；預(yù)測；組合預(yù)測模型；BP神經(jīng)網(wǎng)絡(luò)

0引言

目前，我國經(jīng)濟獲得了快速的發(fā)展，企業(yè)財務(wù)數(shù)量逐年增加，但是陷入危機的企業(yè)數(shù)量較多，企業(yè)財務(wù)缺乏有效的風(fēng)險預(yù)測機制。因此，針對企業(yè)財務(wù)風(fēng)險問題，許多專家學(xué)者做了相關(guān)研究，部分學(xué)者從分析企業(yè)財務(wù)危機的特點出發(fā)，建立因素分析模型，判定影響企業(yè)財務(wù)風(fēng)險的因素［1］。還有部分學(xué)者建立單變量企業(yè)財務(wù)預(yù)測分析模型，預(yù)測不同時間節(jié)點下的財務(wù)風(fēng)險的主要影響因素［2］。還有部分學(xué)者將人工智能方法應(yīng)用到企業(yè)財務(wù)領(lǐng)域，初步利用決策樹算法建立預(yù)測模型，預(yù)測企業(yè)財務(wù)存在的問題［3－5］。還有部分學(xué)者利用統(tǒng)計方法建立預(yù)測模型，但是統(tǒng)計方法對數(shù)據(jù)的要求較高，要求數(shù)據(jù)服從多元正態(tài)分布，實用性要考量［6－7］。綜上所述，目前專家學(xué)者在企業(yè)財務(wù)預(yù)測方面的研究主要集中在因素分析方面，判定影響企業(yè)財務(wù)運轉(zhuǎn)的因素，從危險因素出發(fā)判定風(fēng)險，整體對于企業(yè)財務(wù)風(fēng)險的預(yù)測較少。由此可知，通過對組合預(yù)測方法和BP神經(jīng)網(wǎng)絡(luò)的分析建立了預(yù)測模型，對企業(yè)財務(wù)風(fēng)險進行預(yù)測，從而規(guī)避企業(yè)財務(wù)風(fēng)險所致的損失。

1預(yù)測方法分析

組合預(yù)測最根本的目的就是將得到的單個預(yù)測信息進行整合，得到組合后整體的預(yù)測數(shù)值，組合預(yù)測方法的優(yōu)勢和特點是弱化主觀性，使結(jié)果更加客觀有效［8］。設(shè)N為事件個數(shù)，m為預(yù)測方法類型，令i表示第i種預(yù)測方法，X表示當(dāng)前事件，y表示預(yù)測值，θ表示度量值，θ（X）表示事件X的度量值，深入分析可以得到非線性組合函數(shù)公式為y＝θ（X）＝θ（θ1，θ2，…，θm），在某種情況之下，θ（X）度量優(yōu)于θi（X）（i＝1，2，3，…，M）。而在神經(jīng)網(wǎng)絡(luò)中，BP神經(jīng)網(wǎng)絡(luò)是最常見的預(yù)測算法之一。BP神經(jīng)網(wǎng)絡(luò)代表的是非線性的映射關(guān)系，BP神經(jīng)網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)對映射關(guān)系并不構(gòu)成影響，需要通過樣本的學(xué)習(xí)來達到對研究內(nèi)容內(nèi)部結(jié)構(gòu)的模擬［9］。BP神經(jīng)網(wǎng)絡(luò)中是對一組單一的單元進行并行處理的過程，各單元之間通過許多簡單而復(fù)雜的網(wǎng)絡(luò)相互連接而形成，具有高度的非線性，系統(tǒng)之間可以實現(xiàn)復(fù)雜而非線性的邏輯運算關(guān)系。實際工作過程中的神經(jīng)網(wǎng)絡(luò)在確定用戶輸入層所需參數(shù)后，隱層網(wǎng)絡(luò)根據(jù)其規(guī)則自動產(chǎn)生一定的輸出樣本數(shù)據(jù)并進行功能總結(jié)，該過程既不是簡單的樣本數(shù)據(jù)插值操作，也不是高度智能化的擬合操作，神經(jīng)網(wǎng)絡(luò)的整體就是不斷輸入和輸出的過程。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程包括正向傳播和反向傳播。正向傳播是根據(jù)輸入信息，經(jīng)過權(quán)值、激活函數(shù)、隱藏層，最后獲得輸出結(jié)果；反向傳播是根據(jù)輸出信息，經(jīng)過和期望值的比較，再經(jīng)過算法、修改權(quán)值，最終使輸出和期望值差距變小的過程。

2基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)財務(wù)風(fēng)險預(yù)測模型

神經(jīng)網(wǎng)絡(luò)風(fēng)險預(yù)測模型的整體是將企業(yè)日常財務(wù)信息參數(shù)作為輸入數(shù)據(jù)，再利用組合神經(jīng)網(wǎng)絡(luò)的方法輸出當(dāng)前企業(yè)財務(wù)風(fēng)險的狀態(tài)。利用企業(yè)財務(wù)的歷史數(shù)據(jù)對案例進行訓(xùn)練，最終使得不同輸入向量均得到相應(yīng)的輸出數(shù)值。企業(yè)財務(wù)風(fēng)險預(yù)測算法流程如圖1所示。圖1所示的主要流程如下。Step1：設(shè)Q為樣本數(shù)量，m為存在的多種預(yù)測方法，輸入向量Xki（k＝1，2，…，Q；i＝1，2，…，m），tk作為輸出的實際神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)，若數(shù)據(jù)的樣本量不夠大時可重復(fù)執(zhí)行步驟3至步驟5；Step2：實際情況狀態(tài)的計算，設(shè)j為事件下的第j種狀態(tài)，計算得到隱含層中單元的狀態(tài)；Step3：訓(xùn)練誤差的計算。設(shè)O代表存在的部分誤差，W代表數(shù)據(jù)可用量權(quán)重，輸入層可看作δkj＝Okj（1－Okj）∑mδkmWmj，輸出層可看作δkj＝（tkj－okj）＊okj（1－okj）；Step4：對模型中的權(quán)值和閾值進行修正分析。設(shè)W為修正值，η為系數(shù)，Wji（t＋1）＝Wji（t）＋ηδkjOki＋a［wji（t）－wji（t－1）］，θj（t＋1）＝θj（t）＋ηδj＋a［θj（t）－θj］（t－1）；Step5：設(shè)精度為E，分析模型的整體精度，E＝∑pi＝1Ek≤ε，為設(shè)置好的精度；Ek＝1／2（tkj－Okj）2是樣本的誤差值的大小或數(shù)量；Step6：企業(yè)財務(wù)狀態(tài)預(yù)測。

3應(yīng)用結(jié)果分析

本研究搜集整理158家企業(yè)財務(wù)，將因財務(wù)異常被處理的企業(yè)設(shè)定為危險企業(yè)，將數(shù)據(jù)組合在一起構(gòu)成樣本集合，以2019年數(shù)據(jù)為基礎(chǔ)，利用模型實現(xiàn)預(yù)測。同時本研究采用的預(yù)測指標體系是以目前公司普遍采用的預(yù)測變量為基礎(chǔ)進行匯總整理［10］，以部分因素輸入模型的整體結(jié)構(gòu)中，由于Fisher分析模型和Logistic回歸模型也是在預(yù)測中效果較好，比較常見的預(yù)測模型，所以將本研究提出的模型與Fisher分析模型和Logistic回歸模型對比分析，驗證不同模型的優(yōu)勢和劣勢。（1）時間效率在模型輸入因素中，實際情況、盈利情況、經(jīng)營情況和成長情況與時間效率的關(guān)系較強，預(yù)測的時間效率較快，能及時了解企業(yè)財務(wù)的整體情況，從而使企業(yè)快速做出風(fēng)險防控措施。所以在時間效率分析上主要針對這4種因素進行預(yù)測模型輸入。在實驗過程中，將企業(yè)財務(wù)的數(shù)據(jù)進行分組整理，分為10組，利用測試數(shù)據(jù)對比分析3種模型在預(yù)測企業(yè)財務(wù)危機所花費的時間，如表1和圖2所示。根據(jù)實驗結(jié)果可知，本研究提出的模型執(zhí)行效率較高，在一定程度上可以提高算法的執(zhí)行效率。（2）預(yù)測準確率在模型輸入因素中，實際情況、盈利情況等6個因素均關(guān)乎預(yù)測效果的準確性，從多因素分析預(yù)測效果可提升預(yù)測的精確度，預(yù)測準確性較高可以使企業(yè)有效控制財務(wù)風(fēng)險。所以在預(yù)測準確率分析上主要針對多因素進行預(yù)測模型輸入。在實驗過程中，將企業(yè)財務(wù)的數(shù)據(jù)進行分組整理，分為10組，利用測試數(shù)據(jù)對比分析3種模型在預(yù)測企業(yè)財務(wù)危機的準確率（與實際情況進行對比分析），如表2和圖3所示。根據(jù)實驗結(jié)果可知，本研究提出的模型預(yù)測準確率較高，在一定程度上可以保證預(yù)測的結(jié)果和準確率。（3）安全性在模型輸入因素中，實際情況、成長情況和現(xiàn)金流量與企業(yè)財務(wù)風(fēng)險的安全性關(guān)系較強，因為企業(yè)財務(wù)數(shù)據(jù)存在涉密性，模型要最大程度減少安全問題的發(fā)生。所以在安全性分析上可從這3種因素進行預(yù)測模型輸入。在實驗過程中，將企業(yè)財務(wù)的數(shù)據(jù)進行分組整理，分為10組，利用測試數(shù)據(jù)對比分析3種模型出現(xiàn)的問題情況，如表3和圖4所示。根據(jù)實驗結(jié)果可知，本研究提出的模型在預(yù)測的過程中發(fā)生的安全性問題較少，比其他模型的性能好，在一定程度上可以降低安全性問題的發(fā)生。通過對本研究提出的方法進行深入的分析可知，基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)財務(wù)風(fēng)險組合預(yù)測模型具有一定的優(yōu)勢，但是由于企業(yè)財務(wù)的實際情況具有多變性，因此對模型實際效果的檢驗需要有持續(xù)性的研究，后續(xù)可針對企業(yè)財務(wù)實際情況的變化，不斷對模型輸入的參數(shù)進行調(diào)整，檢驗?zāi)Ｐ偷目煽啃浴?/p>

4總結(jié)

本研究通過對企業(yè)財務(wù)風(fēng)險的分析，建立風(fēng)險預(yù)測模型，并與其他模型的優(yōu)勢和劣勢進行對比，可知本研究提出的模型在時間效率、預(yù)測準確率和安全問題方面均優(yōu)于其他的方法，具有一定的實際應(yīng)用性。

作者:賴茂濤 單位:閩西職業(yè)技術(shù)學(xué)院財經(jīng)商貿(mào)學(xué)院