上市公司财务预警的BP神经网络模型的建立及其应用
基于BP神经网络的上市公司财务预警模型
2005年1月系统工程理论与实践第1期 文章编号:1000-6788(2005)01-0012-07基于BP神经网络的上市公司财务预警模型杨淑娥,黄 礼(西安交通大学管理学院,陕西西安710061)摘要: 为了进行企业财务危机预警方法精度的比较研究,采用BP人工神经网络工具,以120家上市公司的截面财务指标作为建模样本,并使用同期60家公司作为检验样本建立了财务危机预警模型.经过对样本的反复训练和学习,分别取得了建模样本90.8%和检验样本90%的判正率.与我们采用主成分分析法建立的模型对同一建模样本和检验样本的预测精度分别是90%和81.7%相比有很大的提高.研究结果表明:BP神经网络是一种非线性映射模式,在指标间相关度较高、呈非线性变化,或数据缺漏不全等情况下仍可得到比较满意的结果,因此是一种比较理想的预测方法,具有广泛的适用范围和较高的推广价值.关键词: 财务危机;危机预警;BP神经网络;方法比较中图分类号: F715.5 文献标识码: A Financial Crisis W arning M odel based on BP Neural N etw orkYAN G Shu-e,HU ANG Li(M anagement Schoo l o f Xi'a n Jiao to ng U niv ersity,X i'an710061,China)Abstract: T he paper uses the BP artificial neur al netw or k to establish a mo del of financial cr isis w arn-ing for t he pur pose of testing t he accuracy o f t he metho ds used for fina ncial crisis w arning.T he mo del'ssample is co nsisted of the cr oss sectio n financial index es of120listed companies o f w hich60companies isused as a testing sample.Aft er r epeat ed tr aining and study ing of the samples,w e go t a disting uishing-positive r ates o f90.8%to the sample mo del set ting and90%to t he testing sam ple..T his is a larg e im-pr o vement to the pr edict ing pr ecisio ns,in compar ison w ith main-com po sitio n analysis w hich has g ot apercentag e of90to t he fir st sample and81.7t o the later by using the same sam ples.T he study indicat esthat BP neura l netw or k is a mo del w ithout linear mapping,hig h in cor r elation among index es,chang ingnon-line and that a r elatively satisfy ing o utcome can be go tten even if the da ta are not co mplete or lack-ing.So it's a r elat ively o ptimum met hod used fo r for ecasting,with w ide applying a rea and hig h v alue ofpopular izing.Key words: financial cr isis;cr isis w ar ning;BP neur al netw or k;met ho d co mpar ing1 引言当前,我国企业正处于内部市场经济体制改革逐步深化和外部全球经济一体化逐步加快的关键时期,经济发展中的诸多矛盾都在企业微观个体中突现,特别是企业面临的财务风险日益增大.在这种激烈的竞争环境中,如何协助企业及早有效规避和分散财务风险成为理论界探索的热点,财务危机预警系统作为企业风险管理的重要一环,也日益引起实务界的高度关注.本文结合我们前期的部分研究成果[1],利用非线性参数估计中的BP神经网络工具构建上市公司财务危机预警模型,旨在财务危机预警系统的实证研究方法上有所创新,同时扩大模型的适用性和提高模型预测的准确度.以下本文共分五节,第2节简要回顾了财务危机预警的相关文献,第3节介绍了本文研究方法和研究收稿日期:2003-04-26资助项目:国家自然科学基金(70372053);教育部博士点基金(20020698007) 作者简介:杨淑娥(1950-),女,陕西西安人,教授,博士生导师,主要研究方向为财务管理和投资分析;黄礼(1977-),男,湖南邵阳人,硕士研究生,主要研究方向为财务管理第1期基于BP神经网络的上市公司财务预警模型思路,第4节讨论了样本采集方法和预警指标的选取,第5节主要描述了建模过程和模型的检验,第6节则为本文的研究结论.2 文献回顾上市公司财务状况持续恶化是财务危机的前期表现.Beaver利用传统财务指标提出企业财务危机的粗略判定问题[2],Altman首次应用费希尔(Fisher)线性判定分析对美国的企业破产进行了研究,并建立了企业破产的判定和预测模型[3].几十年来,理论界围绕着如何更加准确地预测企业财务危机展开了多种多样的研究,研究的重点集中在如下三个方面:1)企业财务危机的界定.对财务危机的界定,国内外学者因研究目的不同而异,使用了不同的标准. Beaver(1966)认为“破产、拖欠偿还债务、透支银行账户或无力支付优先股股利四项中的任何一项的企业,列为失败企业”,即为发生财务危机的企业,而Altman(1968)主要是美国依据破产法界定破产企业,认为是“进入法定破产的企业”;Deakin(1972)的研究“仅包括已经经历破产、无力偿还债务或为债务人利益而已进行清算的企业”[4].由此可见,国外对财务危机的界定因研究目的不同而不同,主要有:¹已经破产的企业;º进入破产程序的企业;»无力还本付息的企业;¼资不抵债的企业.我们认为,由于有研究结果表明我国的资本市场目前仍处于弱式有效市场,信息的不对称导致尚无一种客观的评判标准,故对我国上市公司财务危机的界定主要是依据证监会定义ST企业的前两条标准,即出现下列情况之一的企业:¹最近两个会计年度的审计结果显示的净利润均为负值;º最近一个会计年度的审计结果显示其股东权益低于注册资本,即每股净资产低于股票面值¹.2)财务危机预测方法的研究.从研究方法看,预测企业是否发生财务危机的方法一直在不断地改进和创新之中,主要有基于SPSS(社会统计软件分析包)的统计判定、时间序列回归预测、主成分因子分析和基于人工神经网络的BP神经网络等方法.Beav er应用单变量判定分析预测企业破产[2];Altm an应用多变量判定分析预测企业破产,简称“Z分数模型”[3].从传统的预测方法来看,统计判定分析一直是研究预测企业是否会发生财务危机的好方法.近年来人工神经网络技术的发展,给企业财务预测提供了新的工具,应用新的研究方法提高预测准确度逐渐成为该领域的重要发展方向.Wilson和Sharda等就曾经使用人工神经网络的方法进行了企业破产预测的探索[5].我们认为,在我国目前上市公司财务数据并不很完善的情况下,应用多种研究方法建立我国上市公司的财务危机预测模型,通过比较分析有利于提高模型的适用范围和预测的准确性.3)建模指标的选择.Altman等学者使用传统的财务指标作为判定变量[3],Gentry、Aziz、Em anuel和Lawson以现金流量信息构建判定指标[6]预测效果较好,Beaver发现财务危机公司的股票在一个有效的资本市场里,股票收益率也如同传统财务指标一样可以预测破产,但时间有点滞后[7].企业财务危机预测,建模指标通常可归纳为偿债能力类、资产管理能力类、盈利能力类.我们认为,我国证券市场处于急需规范和完善之中,应该强调企业的现金流量信息,因此在构建上市公司财务危机预测模型时,应该突出现金流量类指标在财务危机预警中的重要作用,故指标的选择宜采用传统财务指标和现金流量信息相结合的方法.近年来,有关企业破产预测分析日益引起国内理论界的高度重视.吴世农和黄世忠曾介绍费希尔判定分析方法和财务指标在预测企业破产中的应用,陈静应用统计判定分析[8]、陈晓等利用逻辑回归分析[9]、杨淑娥等[1]利用主成分分析等方法,建立上市公司财务危机预测模型.总的说来,对国内上市公司财务危机预测的研究尚在探索阶段,且以应用单变量或多变量统计判定分析方法构建预测模型.本文以我国上市公司为研究样本,引入注重现金流量信息的现金比率和盈利现金比率以及体现公司是否具备核心竞争力¹证监会定义ST公司或公司的依据还有»最近一个会计年度的财务报告被注册会计师出具无法表示意见或否定意见的审计报告;¼最近一个会计年度经审计的股东权益扣除注册会计师、有关部门不予确认的部分,低于注册资本;½最近一份经审计的财务报告对上年度利润进行调整,导致连续两个会计年度亏损;¾经本所或中国证监会认定为财务状况异常的.但由于后边的几点都不能反映一家公司的正常生产经营状况,故我们主要依据第¹和第º条.的主营业务鲜明率等新的财务指标,以90家被特别处理前1年或前2年的ST 公司和90家非ST 公司的财务指标信息和现金流量信息为预警指标建立BP 神经网络模型.通过抽取这两类中的120家上市公司为估计样本,以此预测上市公司的财务危机.同时,为了验证模型的预测准确率,又以60家上市公司为检验样本,检验BP 神经网络的预测效果.从建模指标来看,在结合传统指标的基础上,本文强调现金流量和体现公司核心竞争力的指标;从建模方法来看,本文着重采用BP 人工神经网络分析,以求改进模型的预测准确度和应用范围;从样本构造来看,本文采用建模样本和检验样本相结合的方法,可以及时观察、跟踪模型预测结果.3 研究方法人工神经网络(artificial neural netw or k,简称ANN)是对生理上真实的人脑神经网络的结构和功能及基本特征进行理论抽象、简化和模拟而构成的一种信息系统,ANN 作为一种并行分散处理模式,具有非线性映射、自适应学习和较强容错性的特点,可以对应多变的企业运作环境.BP 人工神经网络是Rm enlhart 、M cClelland 等[10]研究并设计的、基于误差反向传播算法(Back-Pro pag ation)的一种多层前向神经网络.由于BP 神经网络的神经元采用的传递函数通常是Sigmo id 型可微函数,可以实现输入与输出间的任意非线性映射,因此在模式识别、风险评价、自适应控制等方面有着最为广泛的应用.BP 算法作为人工神经网络的一种比较典型的学习算法,主要结构是由一个输入层,一个或多个隐含层,一个输出层组成,各层由若干个神经元(节点)构成,每一个节点的输出值由输入值、作用函数和阈值决定.网络的学习过程包括信息正向传播和误差反向传播两个过程.在正向传播过程中,输入信息从输入层经隐含层传到输出层,经作用函数运算后得到输出值与期望值比较,若有误差,则误差反向传播,沿原先的连接通路返回,通过逐层修改各层神经元的权值,减少误差,如此循环直到输出的结果符合精度要求为止.最基本的三层BP 人工网络结构如图1所示.图1 三层BP 人工网络结构图BP 神经网络隐含层和输出层上的某神经元j 的输出O j 由下式确定:O j =f j (N et j )=f j (2X ij x i +H j ),其中:f j 表示神经元j 对应的激发函数,目前用的最多的是Sig moid 函数:f (x )=11+e -x;H j 表示神经元j 的阈值;x i 表示对神经元j 的各个输入;X ij 表示对应输入和该神经元j 的连接权值.BP 网络的存储信息主要体现在两个方面,一是网络的体系结构,即网络输入层、隐含层和输出层节点的个数;二是相邻层节点之间的连接权值.影响网络结构的主要参数是隐含层的节点个数、学习率G 和系统误差E .输入层和输出层节点个数由系统应用决定,一般来说是确定的,而隐含层节点个数由用户凭经验决定,个数过少,将影响到网络的有效性,过多,会大幅度增加网络训练的时间.学习率通常在0.01～0.9之间,一般来说,学习率越小,训练次数越多,但学习率过大,会影响网络结构的稳定性.拟订误差E 通常需要根据输出要求来定,E 越低,说明要求的精度越高.具体的步骤简述如下:系统工程理论与实践2005年1月步骤1 BP 网络的初始化,确定各层节点的个数.将各个权值和阈值的初始值设为比较小的随机数;步骤2 输入样本和相应的输出,对每一个样本进行学习,即对每一个样本数据进行步骤3到步骤5的过程;步骤3 根据输入样本算出实际的输出及其隐含层神经元的输出;步骤4 计算实际输出与期望输出之间的差值,求输出层的误差和隐含层的误差;步骤5 根据步骤四得出的误差来更新输入层-隐含层节点之间、隐含层-输出层节点之间的连接权值;步骤6 求误差函数E ,判断E 是否收敛到给定的学习精度以内(E ≤拟定误差E ),如果满足,则学习结束,否则,转向步骤2继续进行.4 样本采集和指标筛选 1)样本采集本文样本公司的财务数据主要来自深圳国泰安信息技术有限公司提供的《中国股票市场研究数据库》.我们选取120家上市公司,应用BP 神经网络,建立预测模型预测上市公司是否面临财务危机,又以60家上市公司作为检验样本,对BP 神经网络模型的预测结果进行检验.在样本选取过程中,具体选取了沪市和深市的90家ST 公司,然后在考虑ST 公司和非ST 公司总体规模不一致的基础上,结合我国上市公司在各行业中的分布情况,抽取了90家非ST 公司,以工业板块和综合板块居多.需要说明的是,在样本构成中,我们几乎选取了全部的ST 公司,而对非ST 样本的选取则采用了随机抽取的办法,取得了与ST 公司相对应的数量.因此,从样本选择的范围看,应该说是比较客观的,基本符合我国上市公司目前的分布状况.本文的样本构成具体如表1所示.表1 样本统计表ST 非ST 合计深市5452106沪市363874合计90901802)指标筛选目前缺乏具体的经济理论指导财务指标的选取,而公司出现被特别处理的本质原因不一定相同,很难用简单的几个财务比率指标来做充分描述.为此,我们采用定性分析和定量分析相结合的方法,从企业的短期偿债能力、长期偿债能力、盈利能力、资产管理能力、主营业务鲜明程度、公司增长能力等6个方面,提供了15个备选财务指标(表2).尽管其中有的指标之间可能高度相关,但BP 人工神经网络是一种非线性的平行处理结构模式,变量之间的相关性对数据处理的影响不大,因此在进行财务指标的选择时将尽量包含比较多的信息,力图从多方面反映企业财务状况.表2 备选预测变量财务特征财务比率指标财务特征财务比率指标A.短期偿债能力X 1:流动比率 D.资产管理能力X 9:存货周转率X 2:速动比率X 10:应收账款周转率X 3:现金比率X 11:总资产周转率B.长期偿债能力X 4:产权比率 E.主营业务鲜明程度X 12:主营业务鲜明率X 5:利息保障倍数C .盈利能力X 6:盈利现金比率F .公司增长能力X 13:资本保值增值X 7:总资产报酬率X 14:净利润增长率X 8:净资产收益率X 15:累积盈利能力 注:现金比率=货币资金÷流动负债;盈利现金比率=经营活动的现金净流量÷净利润;主营业务鲜明程度=主营业务利润÷û净利润û;EBIT 用(利润总额+财务费用)近似代替;累积盈利能力=留存收益/平均总资产,留存收益用(未分配利润+盈余公积)近似代替.第1期基于BP 神经网络的上市公司财务预警模型系统工程理论与实践2005年1月由于本文样本量足够大,Wilco xon秩检验的结果也同时表明样本数据满足正态分布的假设,我们可以利用T假设检验来进行财务指标的筛选.通过对ST和非ST公司在财务比率指标之间差异的T检验结果(表3)分析,我们发现:1)在短期偿债能力方面,ST公司不如非ST公司,流动比率和现金比率都通过了置信度为5%的显著性检验,ST公司速动比率的均值也低于非ST公司.2)在5%显著性水平上,非ST公司的产权比率高于ST公司,表明平均而言ST公司的债务负担要比非ST公司重,在总资产报酬率低于负债利息率的时候,这一比率过高容易加速公司财务恶化,增加其成为ST公司的可能性.3)ST公司的盈利能力明显不如非ST公司.在衡量盈利能力的3个财务指标中,ST公司均低于非ST公司,综合性比较强的总资产报酬率和净资产收益率两个财务比率指标表现尤为明显.4)虽然两类公司在存货周转率和应收账款周转率方面并没有表现出差异,但ST公司的应收账款周转率明显低于非ST,而且二者在总资产周转率方面表现出了明显的差异(p-值=0.005),说明ST公司的信用政策及其他资产管理方面不如非ST公司.5)在竞争日益激烈的今天,众多企业已经从早期的盲目扩张兼并中惊醒,开始注重企业的核心竞争力,ST和非ST两类公司在主营业务鲜明率上的显著性说明,“术业有专攻”的企业往往不易陷入财务危机.6)尽管资本保值增值率较好的通过t显著性检验,但结合我国具体国情来看,是一个国有色彩很浓的财务指标,不能客观描述企业所面临的财务危机,因此在构建预警模型时,我们予以舍弃.7)通过剔除未通过T显著性检验的速动比率、利息保障倍数、应收账款周转率、存货周转率以及带有浓厚国有色彩的资本保值增值率等五个指标,我们将保留下来的10个财务指标作为建模的原始变量.表3 样本描述性统计和T检验结果M eans T检验W ilco x on秩检验变量非ST ST t-值p-值Z-值p-值X1:流动比率 2.054 1.536 -4.266 0.000 -6.027 0.000X2:速动比率 1.528 1.208-0.5530.582-5.4880.000X3:现金比率0.5530.340-5.1830.000-5.9530.000X4:产权比率0.5900.293-9.2200.000-6.7850.000X5:利息保障倍数-34.820-8.60 1.1480.254-3.3980.001X6:盈利现金比率 3.985-0.316 2.0150.017-3.0740.002X7:总资产报酬率0.042-0.164-10.5320.000-7.6790.000X8:净资产收益率0.069-0.207-4.2830.000-6.6800.000X9:存货周转率 6.018 6.5930.2020.840-2.4600.014X10:应收账款周转率41.30314.802-1.4870.141-4.0550.000X11:总资产周转率0.5780.363-2.9160.005-3.6000.000X12:主营业务鲜明率 5.0470.356-2.8790.005-6.6520.000X13:资本保值增值率 1.2910.356-4.0240.000-7.6530.000X14:净利润增长率0.440-11.442-4.7270.000-6.6360.000X15:累积盈利能力0.091-0.235-10.8700.000-7.6920.000注:t检验值为异方差双样本配对检验值;标准值是p-值¸0.05.原假设为:ST公司的财务指标和非ST公司的财务指标在0.05的显著性水平上没有差异.5 模型建立、预测结果及检验5.1 模型建立BP神经网络模型主要是借助M atlab6.5语言工具来实现的[11].1)配置阶段为了比较研究,我们利用保留下来的10个相同的原始财务指标作为基准确认BP 模型的输入节点,输出节点数为1,如果网络输出结果小于输出层阈值,我们就认为是ST 公司;反之,则为非ST 公司,输出层阈值由网络训练自行确定.隐含层节点数的选择是一个复杂的问题,它与输入输出层节点数的多少直接相关,我们在参考经验公式:2X >N (X :隐含层节点数,N :样本数)的基础上,采用“凑试”方法,首先定一个比较小的隐含层节点数,进行训练,如果训练次数很多或者在规定训练次数内没有收敛,则停止训练,逐步增加隐含层节点数,重新训练,我们先后训练了隐含层节点数分别为6,8,10,12的四种情况,最终确定隐含层的节点个数为8.因此,本文的BP 网络模型结构是10×8×1.2)训练阶段该阶段完成对样本的训练学习.我们将本文180家上市公司分为训练样本和检验样本(120家作为训练样本,60家作为检验样本)输入系统,基于BP 算法训练10×8×1网络结构,选取学习率G =0.01,系统误差E =10-3,权值矩阵初值分别为10×8阶和8×1阶的随机矩阵,这里的随机矩阵是指矩阵的元素是由系统随机给定的.利用Levenberg-M arquardt 学习方法,我们借助M atlab6.5语言编程实现模型的构建.程序在PC 上经过20多分钟973个训练周期后达到要求,到权值矩阵终值为W jh 和W hi ,以及阈值终值H j 和H i .注意到不同的权值初值经过训练可以得到不同的数值终值,但这并不影响训练结果.其中输入层到隐含层的权值矩阵为:W jh =1.1849-0.70810.4374-0.0587 1.10791.0917-0.1224- 1.53740.4003-0.06890.22360.57870.56510.4695-0.4308-0.14250.22050.2112-0.07070.3172-0.2408-0.11790.1694-0.3011-0.1075-0.0885-0.13940.0492-0.0729-0.1418-0.15410.0891-0.02480.1954-0.0239-0.05860.16840.0180-0.14370.09440.0823-0.11700.0686-0.04670.08690.00110.0545-0.0210-0.0917-0.1457-0.22370.1361-0.09950.0309-0.17500.1126-0.04050.11990.18310.0496-0.00120.21060.11440.05850.14080.0710-0.1088-0.1482-0.07570.02390.1075-0.10250.18220.0367-0.10850.17360.0270-0.04690.11190.0792.隐含层到输出层层的权值矩阵为:W hi =[0.58960.91370.04520.7603-0.65410.9595-0.4571-0.4953].输入层到隐含层的阈值矩阵为:H j =[- 1.0063.4355- 1.6512-0.8836-0.6971-0.46420.1039- 2.5469]T.隐含层到输出层的阈值矩阵(这里的阈值矩阵是一个实数)为:H i =0.7515.表4 BP 神经网络模型预测及检验判定结果表组 别建模样本检验样本实际个数正确判定个数实际个数正确判定个数ST 60513025非ST 60583029正确判定率90.8%90%为了检验实际输出对期望输出的拟合程度,我们在BP 训练的后处理过程中对实际输出结果进行了回归分析,回归直线方程是:A =0.85T +0.324,相关系数R =0.721,通常只要大于0.7,就认为实际输出取得了比较理想的模拟效果.所以,回归分析表明此模型实际输出有效.5.2 预测结果及检验按照模型检验程序,我们将相应的建模样本数据代入BP 神经网络模型,对建模样本的120家上市公司进行返回判定,同时,为了进一步检验模型的应用准确性,将作为检验样本的60家上市公司的指标数据代入同一模型,模型对建模样本和检验样本的判定与预测结果如表4所示.第1期基于BP 神经网络的上市公司财务预警模型为了进一步说明BP神经网络模型的预测准确性的提高,本文同一研究样本和同一数据库,建立了相应的主成分分析模型,两模型对检验样本的判定与预测结果对比,如表5和表6所示.表5 两类模型对建模样本的判定情况组 别主成分分析模型BP神经网络模型实际个数正确判定个数实际个数正确判定个数ST60516053非ST60576056正确判定率90%90.8%表6 两类模型对检验样本的判定情况组 别主成分分析模型BP神经网络模型实际个数正确判定个数实际个数正确判定个数ST30233025非ST30263029正确判定率81.7%90% 通过对比分析表5和表6的判定结果,应用主成分分析模型和BP人工神经网络模型预测我国上市公司财务危机的判定结果表明:1)两种模型的判定准确性都是可以接受的,但相比之下,神经网络模型的总体判定准确性更高,说明神经网络模型对样本所包含的数据信息的学习比较充分,有利于提高对主体不明的样本的判别能力.2)两种模型对检验样本的判别率都低于模型对建模样本的判别率,但相对于BP人工神经网络模型(下降0.8%)而言,主成分分析的正确判定率下降得更快,下降了8.3%,说明BP人工神经网络模型较强的自我学习和容错能力的优势所在.3)两个对ST公司的判别率都低于非ST公司,通过对单个误判样本的分析,笔者发现出现误判的样本都是处于ST和非ST临界状态的上市公司,但与BP人工神经网络模型相比,主成分分析模型对ST公司的判别准确性也不如BP人工神经网络模型高.6 研究结论本文的研究结果表明:基于财务指标信息的BP人工神经网络方法是预测企业财务是否会发生财务危机的有效方法.应用M atlab编程语言,借助计算机工具可以方便地完成BP网络模型的算法设计和数据运算,建立上市公司财务危机的预警模型,为包括广大投资者和债权人及其他利益相关者预测公司财务状况提供科学的决策手段和可靠的依据,同时也为上市公司加强企业内部管理,及时摆脱财务危机提供了参考依据.在研究过程中,我们强调现金流量信息在上市公司面临日益激烈的市场竞争中应该保持“至尊”的重要地位;面对目前上市公司盲目的扩张和兼并浪潮,我们引入“主营业务鲜明率”这一财务指标,通过构建模型说明,上市公司要想在竞争中立于不败之地,必须要有自身的核心竞争力;这些都是在我们以前的研究中未曾注意到或所忽略的.与我们上次的主成分分析结果比较¹,预测准确率之所以有所提高,究其原因:一是样本量较前有所扩大,从134家样本公司增加到了180家样本公司,而且与前次的样本构成来自于五大板块相比,这次样本选取集中在工业和综合两大板块,这说明我们应该研究同类行业,方能取得更好的预测效果,这一原理在Altman研究第二代Z分数模型中就可体现;二是BP神经网络模型作为一种非线性可分映射,对模型变量的数据要求不是特别严格,数据之间的自相关性以及个别数据的缺失对模型的预测结果影响不大, BP神经网络的学习比较充分,包含原始数据较多的信息.因此,我们认为,BP神经网络模型在分析和研究我国上市公司的财务状况方面,具有广泛的应用前景和应用价值.需要说明的是,我们的课题研究分截面和纵向跟踪两个角度进行,本文仅应用上市公司前1年或前2年的截面财务数据建立预测模型,然后用同期总体样本中的上市公司进行判定检验,说明预测模型对财务危机前1年或前2年的预测有效.至于从更长的时间链条考虑,能否使用同样原理甚至同一模型进行预测,我们将在后续的同一企业纵向数据样本中进行跟踪研究.(下转第26页)¹参见《中国软科学》2003年第1期“上市公司财务预警模型——Y分数模型的实证研究”一文.。
人工神经网络在财务预测中的应用
人工神经网络在财务预测中的应用随着信息技术的发展，人工智能逐渐走进了我们的生活中。
人工神经网络作为人工智能的一种重要形式，其应用范围正在不断扩大。
在财务领域，人工神经网络可以用于股票、债券、外汇等金融资产价格预测，公司财务预测，信用评级，风险控制等方面，发挥着重要的作用。
一、神经网络理论简介为了更好地理解人工神经网络在财务预测中的应用，我们需要了解神经网络的基本理论。
神经网络是通过人类观察动物的神经系统行为而开发出来的一种模拟人类神经系统的计算模型。
神经网络受到生物学上神经元的启示，由多个节点或神经元组成，每个节点之间都有各自的连接强度。
神经网络的训练过程中，会根据输入信号的不同激活不同的节点，经过多次学习后，若网络输出值与正确值非常接近，网络就可以经过认证，进而应用于实际。
二、神经网络在股票价格预测中的应用股票价格对于投资者来说非常重要，投资者需要根据当前情况来决定是否购买或卖出某只股票。
神经网络可以通过历史价格数据作为输入，通过学习得出股票价格的变动趋势，进而作出预测。
在实际应用中，神经网络的训练样本可以为过去一段时间的股票价格数据，神经网络的输出值为未来一段时间内该股票的预测价格。
在训练过程中，神经网络将根据历史数据找出规律，层层递进将经验转化为对未来情况的预测，提高了预测的准确性。
并且，神经网络还可以根据实际情况调整预测模型参数，进行自主预测。
三、神经网络在公司财务预测中的应用股票价格预测只是神经网络在财务领域中应用的一方面。
对于公司财务预测，神经网络也有重要的作用。
公司的财务预测对于投资者、股东、管理人员和分析师来说都非常重要。
神经网络可以通过大量数据来预测公司的利润、收入和现金流等关键财务指标。
与传统的财务预测方法相比，神经网络具有明显的优势。
首先，神经网络的预测能力更强，可以提高预测准确性。
其次，对于传统财务预测方法难以处理的大量非线性因素，神经网络可以从中找到规律。
最后，在行业竞争日益激烈的情况下，神经网络可以提高公司的竞争力，让公司在未来的竞争中保持优势。
基于BP神经网络和面板数据的上市公司财务危机预警
2007年2月系统工程理论与实践第2期 文章编号:1000 6788(2007)02 0061 07基于BP神经网络和面板数据的上市公司财务危机预警杨淑娥1,王乐平2(1 上海对外贸易学院,上海201620;2 西安交通大学,西安710049)摘要: 在作者前期研究的基础上引入面板数据,以T 2、T 3期财务数据组合的面板数据(panel data)作为研究样本,构建BP神经网络模型对上市公司的财务状况进行预测.实验表明,1)使用面板数据进行的B P神经网络预警分析显示出稳定、连续的预测性能,这正好适合构建具有实际应用价值的中长期预警模型,使模型具有广泛的实践应用价值;2)模型提前3年和4年的预测能力分别为88 46%和75 64%,较之以往同行的研究及作者前期的研究精度均有较大的提高.关键词: 财务危机;面板数据;BP神经网络;早期预警中图分类号: F275 5 文献标志码: AResearch on Financial Warning for Listed Companies by Using BPNeural Networks and Panel DataYANG Shu e1,WANG Le ping2(1 Shanghai Insti tute of Foreigh Trade,Shanghai201620,China;2 Xi an Jiaotong University,Xi an710049,China)Abstract: On the basis of the authors previous resear ch and with the i ntroducti on of panel data,this paperconstructed a BP neural networks model to predict the financial status of lis ted companies,by taking panel datacomposed of the financial data of T 2and T 3as the sample.The research indicates that:1)with panel data,the BPneural networks warni ng analysis is of stable and continuous predictability,which i s sui table in constructing practicalmid term and long erm prediction models to make the model more applicable;2)the predictability precision is88 46%and75 64%for T 3and T 4,respectively,superi or to that of counterparts and the previous research.Key words: financial di stress;panel data;BP neural networks;early warning1 研究背景近十几年来,随着信息技术的迅猛发展,网络经济以其迅速、灵便以及个性化的特点俨然成为市场运行的重要形式.与此同时,留给企业应对风险的时间却越来越短,如何能够尽早地发现并防范风险,已经成为学术界与实务界共同关注的课题.国外自20世纪中期以来,关于公司财务危机预警的研究工作已经开展了近40年.国内这方面研究的工作也进行了近10年的时间.然而纵观现有的研究成果,我们发现,这些研究基本上是以企业的横截面数据作为研究基础.特别是在企业中长期预警方面,主要进行横向的比较研究,而较少进行纵向的跟踪研究.笔者曾在2005年第1期本刊上发表有关PB神经网络在财务危机预警方面的文章[1],然而只使用了前1年或前2年的截面数据进行预测.根据匿名评审专家的建议,我们继续进行连续研究;本文正是在前期研究的基础上引入面板数据,进行了T 2、T 3期的B P神经网络预警分析.实验表明,使用面板数据进行的BP神经网络预警分析特别显示出模型稳定、连续的预测性能,这正好适合构建具有实际应用价值的中长期预警模型.2 文献回顾收稿日期:2005 06 28资助项目:国家自然科学基金 基于AIS平台的企业多时段财务预警研究 (70372053;70672053)作者简介:杨淑娥,教授,博士生导师,主要研究方向:财务管理;王乐平,硕士研究生,主要研究方向:财务管理.62系统工程理论与实践2007年2月Beaver(1966年)在单变量破产预测方面的研究被视为这个领域的里程碑[2].他分别考察了30个财务比率在企业陷入财务困境前1~5年的预测能力,发现了营运资金 总负债这一指标在破产前五年的预测正确率可以分别达到87%、79%、77%、76%、78%.尽管他并不是为了寻求最佳的预测比率,而是着重观察这些比率在破产预测方面的能力,但是正如他在文章最后提到的,这个比率的预测能力甚至可以与多元预测方法所得到的结果相媲美.Altman(1968年)利用多元线性判别分析(Multiple Discriminate Analysis, MDA)[3]来提高判断的准确性,他根据行业和资产规模,为33家破产公司选择了33家非破产配对公司,同时选用了22个变量作为破产前1~5年的预测备选变量,通过不断的 试错 过程,从而最终选取了5个变量作为判别变量,这就是著名的Z分数模型.这个模型在破产前一年的总体预测准确度高达95%,但是如果预测期进一步提前,结果令人沮丧,前二年至前五年的正确率分别为72%、48%、29%、36%.从这一结果来看,模型在破产前三年的时候实际已经失去预测意义了.为了改良Z分数模型,Deakin(1972年)提出概率模型,该模型对建模样本前五年的预测能力分别为97%、95 5%、95 5%、79%、83%,但是对于独立的测试样本它的预测精度却下降为78%、94%、88%、77%、85%.然而,模型预测能力的稳定性无疑得到了强化.可见,寻求更具有稳定性能的方法是预警理论界多年 前赴后继 共同努力追求的目标.神经网络的应用最初是由Tam和Kiang(1992年)用于银行破产预测.Tam和Kiallg利用三层BP神经网络来训练网络[4],根据输入到网络的一些样本提供一系列权重,在网络训练之后,可以将任何新输入(公司)划分为破产或非破产,但是他们仅仅做了提前一年和两年的预测,结果表明采用神经网络方法所构建的模型比多元判别分析模型、logistic模型、KNN模型以及决策树模型具有更精确、更稳定的特点.陈静(1999年)使用多元判别法提前三年的预测精度分别达到92 6%、85 2%、75 6%[5].张玲(2000年)使用多元判别分析方法对原始样本提前五年的判正率分别为100%、87%、70%、62%、22%[6].吴世农(2001)采用Logistic模型对前五年的判正率分别为93 53%、84 29%、76 26%、73 17%、55 56%[7].然而现行的研究均未考虑同时使用横向和纵向相结合的 面板 数据,且未解决在一般企业应用时由于数据过少带来的技术 瓶颈 .本文主要就:一方面采用BP人工神经网络分析工具,提高了提前3~4年预警的精度,较之上述同行同时期的预警精度有较大提高;二是使用 面板 数据,解决在一般企业应用时由于数据过少带来的技术问题,旨在将预警研究方法的适用面推向更广泛的应用领域,使预警真正能为更多的企业服务.3 研究设计3 1 技术路线本文以ST前两年和前三年的数据为基础,构建面板数据(panel data)作为建模数据样本(包括24家2002年和2003年被ST的公司以及它们的配对企业共48家公司的T 2期、T 3期数据,共计96个建模单元),其余30家公司的数据作为检验样本.之所以不采用常规的单期截面数据建模,是由于面板数据能够同时从时间和截面构成的二维空间反映变量的变化特征和规律;另外它能够比截面数据提供更大的样本量.对于统计软件而言,这些数据会被认为是不同的观测值而被使用.另外,面板数据还可以提供那些随着时间而对研究对象产生影响的因素信息.在模型的构建研究中,笔者发现:采用T 2期数据所构建的模型尽管包含了财务危机时刻企业的主要表现特征,但是不能体现出在危机来临前企业的财务特征,因此,仍然无法有效地提前预告财务危机的来临;而采用T 3期数据构建的模型,尽管可以有效地预告财务危机的出现,但是当企业真正发生财务危机时,模型却无法分辨出危机的程度.因此,为了建立一个更加全面的财务危机预警模型,本文结合采用T 2以及T 3两期数据,即以财务危机企业在亏损发生的前两年以及前三年这两个时间段的数据作为建模的样本.3 2 样本及指标选取鉴于被特别处理的上市公司大多是由于连续亏损,所以我们将被ST的公司中因为财务问题而被ST 的公司视为发生了财务危机的公司(剔除了由于其他原因造成ST的样本);而将未被ST的公司视为财务正常的公司,并且将财务危机发生的时间T定为该上市公司被证券交易所特别处理的当年.相应地,该公司被特别处理的前一年,我们将之定义为T 1年,前两年,定义为T 2年,其余年度以此类推.为了提高模型的有效性和代表性,我们还把样本公司限制为制造行业,这是由于工业制造业企业有完善的生产流程,均衡的生产周期,以及较为稳定的发展趋势,利用已有的财务指标可以很好的描述这些企业的特征.数据采集自CSMAR 数据库、中国证券之星网站、巨潮资讯网以及金融街网站.共收集78家上市公司数据,其中ST 公司39家,非ST 公司39家.ST 公司样本来源于2002年、2003年被沪深两市特别处理的工业制造业企业,筛选的条件为:上市至今第一次被特别处理,上市时间不少于五年、被特别处理的原因为连续两年亏损而非其它原因.非ST 公司样本是从深沪两市中随机抽选出来的,并且进行了行业匹配、企业规模的匹配(资产规模至少与对应的ST 公司处于同一个数量级),上市不少于五年,上市以来从未被ST 过.由于对财务危机预警的研究始终缺乏系统的经济理论支持,无法给实际预警工作提供有力的理论武器,例如没有哪个理论能够准确地确定预测模型应包含哪些预测变量,导致现阶段的预警研究工作大多都是从实际数据出发,采用经验研究的方法,通过大量的 试错 工作,根据众多的变量组合在实际样本数据中的表现,筛选出判别能力最强的变量组合以构建最终的预测模型.表1 财务危机预警指标备选表指标属性指标名称资产流动能力流动比率速动比例现金比率资产管理能力存货周转率应收账款周转率总资产周转率偿债能力资产负债率负债权益比率经营流动现金负债比率经营现金负债比率已获利息倍数公司盈利能力总资产报酬率销售成本利润率销售净利率净资产收益率EBIT 总资产营业利润率净收益营运指数公司增长能力留存收益与总资产比率资本保值增值率主营业务增长率净利润增长率主营业务鲜明度主营业务鲜明度我们在翻阅了近年来财务预警的大量研究成果的基础上,结合我们的分析和判断,认为应采用六大类共计23个财务指标(如表1所示)作为备选变量,纳入到我们的实际研究中,然后再运用一定方法进行筛选.这23个指标分别体现了企业的资产流动能力、资产管理能力、偿债能力、公司盈利能力、公司成长能力以及主营业务鲜明程度.3 3 样本数据的处理我们知道,变量的数值受到度量单位的影响,度量单位的不一致往往会导致统计分析结果的不同.另外,同一组样本数据中的不同变量,其方差(或变化幅度)的大小可能很悬殊,在某些统计方法中,变量的作用依赖于其方差的大小,从而将发生 大数吃小数 的现象,即方差大的变量,起的作用也大,以致于方差小的变量处于可有可无的地位,从而使统计结果不能真实地反映客观实际.此外,由于自变量往往具有自己独特的经济属性,而属性的不同往往会影响模型的可解释性,使得模型在经济意义上变的不可解释.因此,为了克服上述缺点和困难,我们考虑使用综合评判指标的归一化方法.设:max(X )=a ,min(X )=b ,a.对于效益性指标,使指标越大越好,采用下面公式处理:y =x -b a -b .(1)b.对于成本性指标,指标越小越好,采用下面公式处理:y =a -xa -b.(2)c.对于适度性指标,指标值以稳定在某一个固定值为最佳,采用下面公式处理:y =11+|q -x |,(3)其中q 为该指标最合适值;3 4 研究方法简介63第2期基于BP 神经网络和面板数据的上市公司财务危机预警BP神经网络是基于误差反向传播算法(即Back Propagation,BP算法)的多层前向神经网络,它是Rumelhart和McCelland及其研究小组在1986年研究并设计出来的,B P算法已经成为目前应用最为广泛的神经网络学习算法[9].从结构上讲,BP神经网络是典型的多层网络,分为输入层、隐含层、输出层,其特点为:层与层多采用全互连方式,同一层单元之间不存在相互连接,各层神经元无反馈连接.图1显示的是一个三层BP网络的结构.BP神经网络的每一层之间都有权值相连,可以通过学习来调节各层神经元之间的关系;每层的基本处理单元(输入层单元除外)为非线性输入 输出关系,一般选用下列S型作用函数:f(x)=11+e-x处理单元的输入、输出值.图1 BP神经网络结构图在BP网络中,先产生一个信号前向传播模式,即输入信号先向前传播到隐含层单元,经过隐含层函数处理后,再把信号传播到输出层单元,经过输出层单元处理完成后会产生一个输出模式,这是一个逐层更新的过程.如果输出结果与期望输出模式有误差,不满足要求,那么就转入误差后向传播,首先用输出层的误差调整输出层权矩阵,并用此误差估计输出层的直接前导层误差,再用输出层前导层误差估计更前一层的误差.如此获得所有其他各层的误差估计,并用这些估计实现对权矩阵的修改,形成将输出端表现出的误差沿着与输入信号相反的方向逐级向输入端传递的过程.对于一组给定的训练模式,不断用一个个训练模式训练网络,重复前向传播与误差后向传播的过程,当各个训练模式都被满足时,BP网络也就训练完成了.3 5 BP神经网络设计思路1)输入指标的筛选.如果将上述所有指标都入选,则样本数据的某些描述维度会显得冗余,对于人工神经网络而言,过多的冗余输入会增加网络的计算负担,并且使得网络收敛速度降低,增加网络的不稳定性.因此,我们事先采用非参数检验方法 Mann Whitney U检验来筛选指标[10].由于建模及检验样本分别来自不同的时段(这是由于我们采用的建模及检验样本都是由T 2以及T 3两期数据组成的面板数据),因此,考察的标准为各指标若能在T 2与T 3两期分别通过5%显著性水平的Mann Whitney U检验,该指标将被保留.若任意一期不能满足,则被剔除.这一标准是为了确保保留下来的指标在企业亏损发生前后都能在不同样本组中呈现出显著的差异,以确保证这些指标的通用性.这样,通过5%显著性水平检验并被保留下来的,共有:存货周转率、应收账款周转率、总资产周转率、总资产报酬率、销售净利率、净资产收益率、EBIT 资产比率、经营现金负债比率、经营现金流动负债比率、资本保值增值率、净利润增长率以及主营业务鲜明程度等12个指标,这些指标分别涵盖了企业的资产管理能力、盈利能力、现金偿付能力、企业增长能力以及主营业务鲜明度.2)BP算法的三层前向网络的设计.由于网络隐含层神经元的数目目前没有明确的确定方法,通常中间层节点数目与输入或输出层没有简单的依赖关系,因此大多是靠一些经验公式来确定一个大概的基数,然后通过 试错法 (通过不断的尝试增加神经元的数目来提高网络的收敛速度和拟合能力),直到网络的收敛速度达到最快,网络输出误差满足要求为止.通常确定隐含层神经元数目所使用的经验公式为[11]:(2p1+p3)1 2<p2<2p1+1,(5)其中,p1为输入层的神经元数目,p2为隐含层的神经元数目,p3为输出层的神经元数目.我们通过逐步测试,发现当隐含层神经元为8时,收敛最快,效果最好.这样,我们构建了一个12 8 1的BP网络结构.网络的配置工作结束,我们将78家制造业上市公司T 2、T 3两期的数据分为建模样本、检验样本(其中48家分为建模样本,其余30家作为检验样本),然后将建模样本输入配置好的结构为12 8 1的网络中,经过134步迭代,由于验证集形成的验证误差随着训练误差的减小而增大,因此训练被迫停止.此时的训练误差为0 140766.64系统工程理论与实践2007年2月最终结果尽管没有达到我们预期的误差控制范围,这正是为了提高模型的推广能力而在预测精度上做出的必要牺牲[12].为了检验实际输出对期望输出的拟合程度,在BP 训练的后处理过程中利用线形回归函数对样本模拟结果和预期值进行回归检验,回归直线方程是:A =0 759T +0 139.(6)相关系数R =0 783.通常只要R 大于0 7,就认为实际输出取得了比较理想的模拟效果.所以,回归分析也表明此模型可以很好的拟合样本.4 实证研究与结果分析4 1 基于面板数据的BP 网络模型性能分析通过上文训练好的BP 神经网络,我们将建模样本代入网络得到如表2所示的结果.表2 建模样本判别表分类预测类别01合计原始类别百分比042648114748087 5%12 5%100 0%12 08%97 92%100 0%从表2,我们可以看到,48个财务危机的数据单元中有6个数据单元被误判,判正率为87 5%;而48个财务健康的数据单元仅有1个被误判,判正率为97 92%;总体判正率为92 86%.我们重新将样本数据和检验数据还原到各期,再用模型进行检验,得到的判别效果如表3所示.我们发现模型对于T 2期的判别效果十分好,综合判正率达到了91 03%;对于T 3期的数据而言,模型的综合判正率达到88 46%.由于模型包含了财务危机发生期与财务危机潜伏期的大部分信息,这无疑是对于模型的多期预测能力的肯定.表3 建模与检验样本分期检验表组别建模样本检验样本实际个数正确判定个数实际个数正确判定个数T 2ST 公司24221511非S T 公司24231515正确判定率93 75%86 67%综合判定率91 03%T 3ST 公司24201513非S T 公司24221514正确判定率87 50%90 00%综合判定率88 46%我们将4期样本数据全部代入到预警模型中进行检验.具体结果如表4所示.我们可以看到,由于BP 算法的神经网络模型在各期中对财务危机的识别能力具有较稳定的表现,在公司被特别处理前一年到前四年的综合判正率分别为89 74%、91 03%、88 46%以及75 64%.比张玲100%~62%(2000)、吴世农93 53%~73 17%(2001)的预测效率提高了许多.这说明模型所包含的信息基本涵盖了财务危机的特征,并且能够在财务危机发生前四年的时候就能提出较准确的警告,因此它具有较强的预测能力.另外我们还注意到,T 1年的预测精度低于T 2年的精度,这主要因为我们选取的建模样本为T 2、T 3两年的数据,由于模型所包含的信息是这两年样本中能够进行识别的因素,这样,模型无疑会受到这两个年度一些特有因素的影响,而导致对于参与建模的样本总体有较其他时间段更好的识别率.然而我们同样发现模型对于T 1年的识别率还是高于参与建模的T 3年的识别率,只是略低于T 2年的识别率.由此可65第2期基于BP 神经网络和面板数据的上市公司财务危机预警以看出,模型还是包含了主要的财务危机的识别信息,而并没有受到建模样本年度特有因素的过多影响,总体上令人满意.表4 全样本分期检验表组别预测值S T非ST公司合计T 1计数百分比ST公司31839非ST公司03939 ST公司79 49%20 51%100 00%非ST公司0 00%100 00%100 00%综合判定率89 74%T 2计数百分比ST公司33639非ST公司13839 ST公司84 62%15 38%100 00%非ST公司2 56%97 44%100 00%综合判定率91 03%T 3计数百分比ST公司33639非ST公司33639 ST公司84 62%15 38%100 00%非ST公司7 69%92 31%100 00%综合判定率88 46%T 4计数百分比ST公司271239非ST公司73239 ST公司69 23%30 77%100 00%非ST公司17 95%82 05%100 00%综合判定率75 64%通过上述分析,我们认为建立在面板数据基础上的B P神经网络模型更适合中长期预测的要求,它在危机发生前四年都有着良好的预测精度.更为难能可贵的是,模型性能随着预测期间的提前没有出现剧烈的起伏波动,而是呈现平稳的可预期态势.5 结论通过应用BP神经网络对上市制造业公司财务危机预警的实证研究,我们可以得出以下结论:1)基于面板数据的BP神经网络模型有良好的中长期财务危机识别能力.通过上面的研究,我们可以看到,模型对T 1、T 2两期(即这两期为确定企业亏损、被ST的考察期依据)发生财务危机的识别能力几乎达到了90%甚至以上的精度.在针对T 3、T 4两期(即企业尚具盈利能力、未被ST以前的期间.正是这一点具有提前预警的特别意义)对危机发生的识别能力也分别达到88 46%、75 64%以上的精度.与我们前期研究的主成分模型3与建立在单期数据基础上的B P神经网络模型4相比,本次研究的模型提高了预测精度,并且在中长期预测方面有了长足的进步,提高了模型的稳定性并延长了预测时限.2)B P神经网络更适合针对企业做纵向中长期预测.尽管在企业发生危机前两期,模型也表现出十分良好的预测能力,但是我们更满意的是它早在T 3、T 4期就能很好地预测出企业可能发生的财务危机,具66系统工程理论与实践2007年2月有稳定的多期预测能力;况且其预测能力并没有随着预测期间的提前迅速地衰减,而是呈现一个平稳的态势,这对企业的预警应用无疑奠定了一个良好的基础,具有十分重要的理论意义、广泛的应用前景和推广价值.参考文献:[1] 杨淑娥,黄礼.基于BP 神经网络的上市公司财务预警模型[J].系统工程理论与实践,2005,25(1):12-18,26Yang S E,Huang L.Fi nancial predicting and warning models based on BP neural networks for listed companies [J].Systems Engineering -Theory &Practice,2005,25(1):12-18,26.[2] Beaver W H.Financial rati os as predictors of failure[J].Journal of Accounting Research,1966,4:71-111.[3] Altman E I.Financial Ratios,Discri minan t analysis and prediction of corporate bankruptcy[J].Journal of Banking and Finance,1968.589-609.[4] Tam Kiang.Predicting bank failures:A neural network approach[J].M anagement Science,1992,8:926-947.[5] 陈静.上市公司财务恶化预测的实证分析[J].会计研究,1999,4:31-38.Chen J.An empirical analysis of finance deterioration predicting for listed companies[J].Accounting Research,1999,4:31-38.[6] 张玲.财务危机预警分析判别模型[J].数量经济技术经济研究,2000,3:49-51.Zhan g L.Analysis and discri minan t models of financial distress predicting and warning [J].Quantitative Economic and Techniques Economic Research,2000,3:49-51.[7] 吴世农,卢贤义.我国上市公司财务困境的预测模型研究[J].经济研究,2001,6:46-55.Wu S N,Lu X Y.Predicting models research of financial distress for national lis tacl companies[J].Economic Research,2001,6:46-55.[8] 杨淑娥,徐伟刚.上市公司财务预警模型 Y 分数模型的实证研究[J].中国软科学,2003,1:55-60.Yang S E,Xu W G.A financial prediction and warning model for listed companies An empi rical study of Y fraction model[J].China Soft Science,2003,1:55-60.[9] J.M.伍德里奇.计量经济学导论 现代观点[M].费剑平,等译.北京:中国人民大学出版社,2003.10-12.Wooldridge J M.Introductory Economitrics -A Modern Approach [M ].Translated by Fei J.Beijing:China Renmin Uni versity Press,2003.10-12.[10] 郭志刚.社会统计分析方法 SPSS 软件应用[M ].北京:中国人民大学出版社,1999.285-290.Guo Z G.Social Statistics Analysis Method SPSS,Software Application[M].Beijing:China Renmin University Press,1999.285-290.[11] 杨行峻,郑君里.人工神经网络[M].北京:高等教育出版社,1992.Yang X J,Zheng J L.Artificial Nerve Net[M].Beijing:Higher Education Press,1992.[12] 许东.基于MATLAB 6.X 的系统分析与设计 神经网络[M ].西安:西安电子科技大学出版社,2002.19.Xu D.System Analysis and Desi gn based on MATLAB6.X -Neural Networks[M].Xi an:Xidian University Press,2002.19.67第2期基于BP 神经网络和面板数据的上市公司财务危机预警。
神经网络模型在财务风险预警中的应用
神经网络模型在财务风险预警中的应用纪娟【摘要】摘要：本文在对BP神经网络模型理论分析基础上，将预警指数和BP 神经网络二者结合起来建立了财务风险预警的神经网络模型，并用C++语言实现了此神经网络模型。
【期刊名称】网络安全技术与应用【年(卷),期】2011(000)001【总页数】3【关键词】神经网络；BP网络模型；财务风险预警0 引言当代社会已经进入到知识经济时代。
新技术、新发明、新思路如雨后春笋层出不穷。
随着IT技术的发展，当代社会信息化程度越来越高，各种信息涌向企业，在激烈的市场竞争中，谁的信息化管理水平高，谁就主动，谁的决策反应速度快，谁就抢占良机，企业一步失误可能会遭受致命性的打击，基于BP神经网络的财务风险预警模型正是基于这种考虑而产生的。
1952年美国学者格拉尔在其调查报告《费用控制的新时期——风险管理》中首次提出并使用了“风险管理”一词，随后风险管理形成一股全球性的热潮，在世界范围内得到迅猛的发展。
财务风险管理是风险管理的一个分支，最早由伊文·费歇尔于1896年提出的。
大量实例表明，陷入经营危机的企业很多是以出现财务危机为先兆的，对防范财务风险来说，一个较新的概念就是财务风险预警模型。
所谓财务风险预警模型，就是利用及时的数据化管理方式，通过全面分析企业内外部经营情况等各种资料，以财务指标数据的形成将中小企业面临的潜在风险预先告知经营者，同时通过寻找财务危机发生的原因和企业财务管理体系中隐藏的问题，提出解决办法的有效措施。
在市场经济的激烈竞争中，企业进行财务活动不可避免地要遇到风险。
财务管理必须对各种财务风险做出反应，运用行之有效的手段，对不同风险进行控制和处理。
从国内外企业发展历史来看，企业危机往往首先是从财务管理环节爆发，因此建立和完善企业财务风险预警模型，对企业的生存和发展具有重要的意义。
由于财务预警的复杂性及其对决策的重要影响，目前国内外有大量的研究预测的工作，采用各种方法来优化预测方法以及提高预测精度。
我国上市公司财务预警模型的构建及应用
我国上市公司财务预警模型的构建及应用一、前言财务预警是企业管理中非常重要的一环，对于上市公司而言更是至关重要。
本文将介绍我国上市公司财务预警模型的构建及应用。
二、财务预警模型的概念及意义财务预警模型是指通过对企业财务数据进行分析和处理，得出企业经营状况趋势和风险水平的一种方法。
它可以帮助企业及时发现经营风险，采取措施加以化解，避免因风险而导致的经济损失。
对于上市公司而言，财务预警模型更具有重要意义。
首先，上市公司的经营状况和风险水平直接关系到股东利益和股价走势；其次，上市公司面临着更多的监管和舆论压力，需要做好风险防范工作。
三、我国上市公司财务预警模型构建我国上市公司财务预警模型主要包括以下几个方面：1. 财务指标选取在构建财务预警模型之前，需要选择合适的财务指标。
常见的指标包括资产负债率、流动比率、速动比率、经营活动现金流量净额与净利润的比值等。
这些指标可以反映企业的偿债能力、流动性、盈利能力等方面。
2. 模型构建方法目前，常用的财务预警模型包括灰色关联分析法、Logistic回归模型、神经网络模型等。
在选择模型时需要考虑其适用性和可靠性。
3. 数据采集和处理数据采集是财务预警模型构建的基础，需要从上市公司的财务报表中提取相关数据。
同时，还需要对数据进行清洗和处理，确保数据的准确性和完整性。
4. 模型验证和优化构建完毕后，需要对财务预警模型进行验证和优化。
验证可以通过历史数据验证以及实际案例应用来进行；优化则可以通过改进指标选取或者调整模型参数来实现。
四、我国上市公司财务预警模型应用上市公司财务预警模型的应用可以分为以下几个方面：1. 风险评估通过对企业财务数据进行分析，可以对企业风险水平进行评估。
如果发现企业存在较大风险，则需要及时采取措施，避免风险进一步扩大。
2. 经营决策财务预警模型可以为企业的经营决策提供参考。
通过对企业的财务数据进行分析，可以发现企业存在的问题和潜在机会，并据此进行调整和优化。
基于神经网络的企业财务危机预警研究--以制造业上市公司为例
Ａ ｌ ｔ ｍ ａ ｎ （ １ ９ ６ ８ ） 把财务危机企业定义 为已经经营 失败 的公 构 ， 且 可 以接 近 多种 统 计 模 型 。 Ｂ Ｐ神 经 网络 是 目前 应 用 司。由于 国内数据 的可 获得性限制 以及 国内上市公 司较 较广泛的神经 网络之一 。它按误 差逆 传播 算法对样本进 少发生经 营失败 ， 国 内大 多数学者把 因财务状 况发生 异 行训练 ， 也是一种多层 前馈网络 。 Ｂ Ｐ神经 网络 由输入层 、
市公 司为例 ， 引入 财务指标 与非财务指标构建指标体 系 ， 运用 因子分析对 筛选的指标 进行 降维 ， 使各 个指标间不相关 ， 消除 多重共
线性 ， 以得 出的公 因子作 为神 经 网络模 型的输入层来提升神 经网络 的拟合 效率 ， 以企 业被 特别处理与没有被特别 处理作 为神 经 网
理的公 司。
化 网络 的误 差 。而 这 种 传 播 是 依 靠 连 接 权 系 数 的 加 强 和
企 业 财 务 危 机 是 由企 业 内外 部各 种 各 样 的 矛盾 积 累 抑 制 而 实 现 的 。
而产 生的。对于企业经营者 而言， 运用有效 的财务危机预
目前 ， 很 多学者把 Ｂ Ｐ神经网络应用到财务预警中来 ，
常而被 特 别处理 （ Ｓ Ｔ或 ＊ Ｓ Ｔ） 的 公 司 定 义 为 财 务 危 机 公 隐含层 、 输 出层构成 。每一层都具有神经 元 ， 每一层的神
司。因此综合 国内外学者 的相关研 究并结合我 国制造 业 经元都与其他相邻层 的神经元相连 ， 它使 用最速下降法 ， 上市公 司的特点 ， 本 文将财务 危机公 司定义 为被特别 处 通 过 逆 向传 播 来 对 网络 权 值 和 阈 值 进 行 调 整 ，从 而 最 小
BP神经网络在企业财务预警中的应用
武汉 船舶 职业技 术 学院学 报
２ ０ １ ４年 第 ３ 期
Ｂ Ｐ神 经 网络在 企 业 财 务 预警 中的应 用
肖 岚
（ 武汉船 舶职 业技 术 学院经 济与 管理 学院 ， 湖 北武 汉
摘 要
４ ３ ０ ０ ５ ０ ）
根据 预 警 系 统 体 系 指 标 的要 求 ， 对 企 业 财 务 预 警 指 标 进 行 了筛 选 。采 用 Ｂ Ｐ神 经 网络 预 测 与 Ａｄ ａ ｂ ｏ ｏ ｓ ｔ 算 法 相
可行 性 和 一定 的计 算 精 度 ， 能为企业财务预警提供一定的理论指导 。 关 键 词 Ｂ Ｐ神 经 网 格 ； 财务预警 ； Ａ ｄ ａ ｂ ｏ ｏ ｓ ｔ 分类算法 ； 分 类 误 差 率
中 图 分类 号 ＴＰ ３ ９ ３ ． ０ 文 献标 志 码 Ａ 文章 编 号 １ ６ ７ １ —８ １ ０ ０ （ ２ ０ １ ４ ） ０ ３ —０ ０ ５ ６ —０ ３
据 建立 强分类 器 并 进行 分 类 误 差 研 究 ， 完 成公 司 财 务预 警系 统 的分析 ， 并 取 得较好 的效 果 。
有 良好 的 自适 应 性 及 容 错 性 。它 一 般 分 为输 入 层、 中间 隐含层及 输 出层三 层 ， 各层 之间通 过神 经 元相互 连 接 。而 Ａｄ ａ ｂ ｏ ｏ ｓ ｔ 算 法 的 核心 思 想 就是
２ 预 警 系统 的 体 系指 标 及 数 学模 型
２ ． １ 预警 系统 的体 系指标 的筛 选 公 司财务 系统 涉 到公 司运 营 的各个 环 节 ， 对
将多 个弱 的分类 器 的输 出值进 行合 并 ， 再 利 用 每
个分 类 函数 的权 重及 迭代 计算加 权得 到强 分类 函
基于BP神经网络的我国制造业上市公司财务危机预警
基于BP神经网络的我国制造业上市公司财务危机预警[摘要]数据挖掘技术能够使人们从大量多变的数据库中发掘有用的信息,是一种知识发现的过程,高度自动化地分析数据,做出归纳性的推理,从中挖掘出潜在的模式。
本文运用基于神经网络模型的数据挖掘技术,利用我国沪深两市制造业上市公司的数据,构建财务危机的预警模型,以期供投资者参考。
[关键词]BP神经网络;财务危机;预警1 引言上市公司的财务危机预警对上市公司本身和投资者来说都很重要。
然而,由于商业环境的不确定性和激烈的竞争,即使是以往运营良好的上市公司也会陷入财务困境甚至破产。
所以,上市公司的财务困境能否有效的、及时的被预测关乎上市公司的发展,更与无数投资者的利益息息相关,同时也关系着资本市场的秩序。
以往的财务危机预警模型大多依赖于统计技术以及数量经济模型,例如,Z-Score模型、判别分析以及Logistic模型等,这些方法虽然能够根据样本的历史数据建立预测模型,但它们不能动态地归纳新的数据,从而也就影响了其预测的准确性。
近年来,随着人工智能技术的发展和数据挖掘技术的成熟,决策树技术和神经网络模型等也被应用到财务预警上来。
本文拟将两者结合起来,判别和分析上市公司的财务状况。
2 神经网络模型介绍与财务预警文献回顾2.1 神经网络神经网络是近年来兴起的一种现代智能科学技术,它除具有较好的模式识别能力外,还可以克服统计方法的局限,因为它具有容错能力和处理资料遗漏或错误的能力;另外,该模型还具有学习能力可随时依据新的数据资料进行自我学习,并调整其内部的储存权重参数,以应对多变的企业环境。
本文选取的BP(Back Propagation)神经网络模型是1985年由Rumelhart等人提出的,被认为是最适用于模拟输入、输出的近似关系,也是在神经网络算法中最成熟、应用最广泛的一种。
本文采用最常用的三层BP前馈神经网络,网络各层之间完全连接,包括输入层、隐藏层与输出层,如图1所示。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第36卷第4期2006年4月数学的实践与认识M AT HEM A TICS IN PRACTICE A ND T HEORYV ol.36 N o.4 A pr il,2006 上市公司财务预警的BP 神经网络模型的建立及其应用李晓峰, 徐玖平(四川大学工商管理学院,四川成都 610064)摘要: 将BP 神经网络方法应用于上市公司的财务预警上,构建了上市公司财务预警模型,不仅能发现企业是否存在风险和企业经营是否偏离轨道,向经营者提出警示,以便及时采取相应管理对策,而且还为广大的投资者和银行在内的债权人判定上市公司质量和经营业绩提供科学的手段和可靠的依据.实例分析表明该模型有效、可行,为上市公司财务预警提供了新的途径.关键词: 人工神经网络;BP 算法;上市公司;财务预警1 引 言收稿日期:2004-03-08基金项目:国家自然科学基金项目(70171021);四川省杰出青年基金后续资助项目(126) 在中国的股票市场上,公司上市需要最近三年连续盈利,但对于已经上市的公司,它们有可能因为经营不善,或者是其他的原因,出现亏损.所以如何提前分析、判定或预测上市公司是否开始面临财务困境、经营失败或破产风险,是广大投资者关心的问题.因此,设立和建立财务预警模型对企业的财务运营过程进行跟踪、监控,及早地发现财务危机信号,不仅能为广大投资者和银行在内的债权人判定上市公司质量和经营业绩提供科学的手段和可靠的依据,而且还可以使经营者在财务危机出现的萌芽阶段采取有效措施,改善企业经营状况,预防经营失败.当前常用的财务预警的方法主要有传统的分析法[1—3],如Z 计分模型、统计法及比率法等,这些方法在解决企业财务预警方面存在一定局限性,预测的结果也不够理想,需要应用其它技术和分析方法来研究企业财务预警问题.BP 神经网络方法的应用已渗透到各个领域,并在智能控制、模式识别、计算机视觉、自适应滤波和信号处理、非线性优化、自动目标识别、医学工程等方面取得了显著成效.为了克服传统企业财务预警方法存在的种种局限性,充分发挥财务预警系统和公司财务指标之间存在的高度复杂性和非线性关系,反映预警的本质要求,本文采用BP 神经网络方法建立财务预警模型,并结合具体实例来验证此模型的可行性和有效性.2 BP 神经网络模型的构造2.1 BP 神经网络的数学模型BP 神经网络[4,5]是一种无反馈前向网络.它由输入层、隐含层和输出层构成.典型的三层前向型BP 网络的拓扑结构如图2.1所示.设输入层节点数为n ,隐含层节点数为r ,输出层节点数为m ,第i 个输入节点与第j 个隐节点的连接权值为w ji ,第j 个隐节点与第k 个输出节点的连接权值为v kj ,隐含层节点阈图2.1 典型的三层BP 网络结构值为H j ,输出层节点阈值为H ′k ,并设有N 个学习样本(X p ,Y p )(P =1,2,…,n ),其中X p =(x p 0,x p 1,…,x pn -1)T 为第p 个学习样本的输入向量,Y p =(y p 0,y p 1,…,y p m -1)T为第p 个学习样本的理想输出向量.对于该模型的输入层节点,取其输入与输出相同,即O p i =x pi , i =0,1,…,n -1(2.1) 中间隐含层节点操作特征为:net p j =∑n -1i =0WjiO p i -H j , O pj =f (net p j ) (j =0,1,….r -1)(2.2) 输出层节点操作特性为:net pk =∑r -1j =0VkjO p j -H ′k , O p k =f (net pk ) (k =0,1,…,m -1)(2.3)其中O pi 、O p j 、O pk 分别为输入层、隐含层及输出层节点的输出.net p j 、net pk 分别为隐含层和输出层节点的输入.传递函数f (õ)采用Sigm oid 函数:f (x )=11+e-x .为了方便起见,在方程(2.2),(2.3)中,令:w j i =-H j , O pn =1, v kr =-H ′k , O p r =1则方程变为net pj =∑ni =0wjiO pi , O p j =f (net pj )=11+e -netp j (2.4)及net pk =∑r j =0v kj O p j , O p k =f (net p k )=11+e -net p k(2.5)2.2 BP 神经网络的学习算法传统BP 网络对输入输出样本的学习过程是调整网络权值使网络的实际输出与样本输出之间的误差E 逐步减少到规定精度的过程(具体的学习过程见文献[6]),实际上是一个非线性优化问题,使用数学规划中最普遍的梯度下降法:w (n +1)=w (n )-b õ5E 5w , v (n +1)=v (n )-b õ5E5v其中b 为学习参数,在传统BP 算法中,b 为常数,它取值的大小直接影响到算法是否收敛或算法的收敛速度.传统BP 神经网络虽然具有许多优点,但仍存在一些不足,在文献[7]中,我们对传统BP 神经网络进行了改进,改进的BP 算法步骤如下:1)根据实际问题,设定输入、输出层节点的个数,并初始化(包括给定学习精度E ,规定6数 学 的 实 践 与 认 识36卷迭代步数M 0,隐节点数上限R ,学习参数b ,动量项系数a ),初始隐节点数r 为1,N 等分初始权值的容许区域H ,记为B 1,B 2,…,B N ;2)输入学习样本,使样本参数变为[0,1]之间;3)在选定的小区域B i (B i <H )(i =1,2,…,N )上随机产生初始权值;4)按BP 算法对网络进行学习;5)判断迭代步数是否超过规定步数,是,转6),否,转7)6)隐节点数r 加1,若r 超过上限R ,则终止,否则,转3)7)判断学习精度是否达到要求,是,转8),否,返回4)8)调用隐节点的删除与合并算法,若有删除或合并,则转4),否则,终止.3 上市公司财务预警的BP 神经网络模型的建立3.1 网络输入层变量及节点数的选取公司的财务指标很多[8],但是各个上市公司类型差别比较明显,例如家电行业、汽车行业、医药行业等,因此很多财务指标就失去了横向的可比性.本文选取的财务指标集中在公司营利能力上面,由此选定6个指标为判定变量:1)销售利润率;2)资产收益率;3)净资产收益率;4)主营业务利润增长率;5)净利润增长率;6)利润总额增长率.所以BP 神经网络的输入层节点数为6.3.2 网络的隐含层数对于隐含层的层数,许多学者作了理论上的研究.Lippmann [9]和Cy berko [10]曾指出,有两个隐含层,就可以解决任何形式的分类问题;后来Robert Hecht-Nielson [11]等人研究进一步指出:只有一个隐含层的神经网络,只要隐节点数足够多,就可以以任意精度逼近一个非线性函数.因此,选取BP 神经网络的隐含层层数为1.3.3 输出层节点的选取本文假设近年的经济环境相似,使用ROE (净资产收益率)作为输出变量的选取标准,因为ROE 是判断营利能力的重要指标之一,它不受因借贷而增加的总资产影响,是企业和银行、国债等利率直接对比的指标,能很好地反映企业的营利能力.用ROE 是否超过r (常数)衡量上市公司获利能力是良好还是一般,用ROE 是否超过0衡量上市公司是赢利还是亏损.具体方法如下:我们选取在第n -1年和第n 年时的ROE 均大于0的上市公司,以第n +1年的ROE 将选取的上市公司分为3类:第一类是上市公司ROE 大于r ,模型输出值为(1,0,0);第二类是上市公司ROE 小于等于r 且大于0,模型输出值为(0,1,0);第三类上市公司ROE 小于等于0,模型输出值为(0,0,1).因此,BP 神经网络的输出节点数为3.3.4 财务预警的BP 神经网络模型根据上文建立上市公司财务预警的BP 神经网络模型(如图3.1).该模型为三层结构,输入层节点数为6,输出层节点数为3,隐层节点数初始值为1(将根据输入变量,按照改进的BP 算法自动调整其节点数).4 上市公司财务预警的BP 神经网络模型的应用实例下面以我国上市公司为例进行实证研究,总共搜集了轻工制造板块的39家上市公司的74期李晓峰,等:上市公司财务预警的BP 神经网络模型的建立及其应用图3.1 公司财务预警的BP 神经网络模型财务状况指标数据,如表4.1与表4.2所示.假设1999年至2001年的经济环境相似,r 取表4.1 各公司的财务指标X 1X 2X 3X 4X 5X 6公司(n 年)变量销售利润率资产收益率净资产收益率主营业务利润增长率净利润增长率利润总额增长率n +1年ROE Y 网络输出值晨鸣纸业(2001)0.091320.036150.0415-0.3056983-0.429-0.34240.1077(1.0.0)佛山照明(2001)0.246470.092280.09090.293567630.07570.1098210.1044(1.0.0)华立控股(2001)0.305930.131240.1806-0.1730657-0.148-0.114330.1561(1.0.0)格力电器(2001)0.045460.047380.1568-0.15805130.09490.1000190.1617(1.0.0)珠海中富(2001)0.191790.055140.0661-0.2462878-0.086-0.117130.1011(1.0.0)紫江企业(2001)0.268430.103530.13460.468880810.30580.3207720.1621(1.0.0)青岛海尔(2001)0.234140.145710.12530.124132380.58330.5469070.078(1.0.0)福建南纸(2001)0.124110.051070.07340.135289760.19610.0502020.0619(1.0.0)春兰股份(2001)0.212230.095180.0787-0.3200746-0.121-0.112540.0405(0.1.0)上风高科(2001)0.442230.101260.0598-0.5987261-0.281-0.304440.0327(0.1.0)澳柯玛(2001)0.104660.038110.03630.37801610.64490.7201580.0286(0.1.0)新疆天宏(2001)0.103480.049470.0451-0.0591081-0.155-0.257710.0406(0.1.0)金城股份(2001)0.10380.037360.051-0.4548067-0.406-0.489030.0145(0.1.0)吴忠仪表(2001)0.339550.065410.06310.266317510.0460.0074020.0125(0.1.0)青山纸业(2001)0.247080.064990.071-0.0290705-0.137-0.135440.0088(0.1.0)哈空调(2001)0.291780.127760.18190.201664370.91760.5781430.0104(0.1.0)S T 天鹅A (2001)0.038030.022760.0012-0.7855768-0.987-0.69645-0.326(0.0.1)S T 万家乐(2000)0.083780.014040.2073-0.0473601-0.85-0.89666-3.943(0.0.1)S T 天仪(2000)0.055050.013480.0096-0.2675278-0.865-0.83182-0.281(0.0.1)S T 吉纸20010.086030.016430.005-0.3048749-0.575-0.73226-0.24(0.0.1)S T 湖山(2000)0.162720.044330.05030.09753527-0.799-0.81446-0.256(0.0.1)S T 江纸(2000)0.305370.091230.08130.410898930.17470.220284-0.86(0.0.1)S T 自仪(1999)0.102430.032770.0014-0.1932007-0.986-0.96686-0.32(0.0.1)厦新电子(1999)0.049350.052560.0552-0.428435-0.765-0.78969-0.335(0.0.1)8数 学 的 实 践 与 认 识36卷0.06(近年上市公司的平均ROE 均在0.06附近),取上市公司第n 年的财务指标为输入变量,在第n -1年和第n 年时,被选取的各个上市公司的ROE 均大于0,以第n +1年的ROE 把选取的上市公司分为3类:第一类是上市公司ROE 大于0.06,模型输出值为(1,0,0);第二类是上市公司ROE 小于等于0.06且大于0,模型输出值为(0,1,0);第三类上市公司ROE 小于等于0,模型输出值为(0,0,1).对于第一类、第二类的上市公司,n 均为2001年,而第三类公司因为较难在同一年度里选取,所以n 为1999年、2000年或2001年.将表4.1中的前6个变量(X1至X6)作为BP 神经网络的输入变量,Y 作为BP 神经网络输出变量,即n =6,m = 3.并令迭代步数M 0=20000,误差上限E =0.003,隐层节点数初始值为1.将表4.1的数据作为学习样本,即N =24.取学习参数b =0.5,动量参数a =0.1.经过改进BP 算法的学习,多次筛选,得到最优的BP 神经网络结构是6—10—3(即输入层节点为6,隐含层节点为10,输出层节点为3).同时得到模型的最优连接权值W,V 矩阵,分别是:W =- 1.12987- 1.89567-37.5953-40.2009-17.2981-44.6511-80.9856-102.968- 4.31676-17.4182-20.1630-21.7151-33.3808-24.3438-59.83542.5168820.384034.74128.1540518.87154.92621100.58116.3500- 6.70493 1.35642-8.27517-22.9288-24.1100- 2.36386- 2.50272- 2.38018 4.41645 6.20933 3.66785- 5.62805- 1.99897- 1.07289- 3.14609-7.735834.45889-8.30497 4.205537.179401.374326.55258-13.76764.3223211.3723-0.40873-0.55191- 2.24482- 2.46659 6.18612 4.803982.43462- 4.99243-0.70454- 2.22602- 2.46127 5.861584.887872.43258- 4.94956- 4.08068- 1.30584-18.0741-7.1238919.0014-7.423424.03575V =-0.998274 5.931162-12.666424- 5.944755-18.32015510.6263904.249734-7.448386 4.885605-15.21601713.2133669.496999- 5.39571210.489828- 1.9757942.080801 4.666293-10.85641715.071786-13.039710- 4.657012-7.3239037.418341-0.246792-7.0206067.450833-0.422644-15.89122614.978653-7.5334445.931162-12.6664240.475770T 我们将表4.2的15个上市公司的财务数据作为测试样本,输入到训练好的BP 神经网络中,利用神经网络进行识别和分类,以便对公司财务状况进行预警.预测结果见表4.2后两栏.94期李晓峰,等:上市公司财务预警的BP 神经网络模型的建立及其应用表4.2 各公司的财务指标及预测结果公司(n 年)变量X 1X 2X 3X 4X 5X 6n +1年ROE 预测值(网络推理输出)预测值(按最大化属性原则可得)标准股份(2001)0.2160.10.108-0.030.1590.0820.074(0.99990.00000.0000)→(1,0,0)彩虹股份(2001)0.0570.0580.0540.099-0.27-0.270.105(0.99960.00020.0010)→(1,0,0)思达高科(2001)0.3460.0890.0980.0810.2210.1620.105(0.96170.01310.0000)→(1,0,0)烟台冰轮(2001)0.120.0740.1370.2420.3340.2830.117(1.00000.00000.0001)→(1,0,0)美利纸业(2001)0.1180.0370.0710.057-0.03-0.030.07(1.00000.00000.0001)→(1,0,0)凤凰光学(2001)0.2350.0780.086-0.07-0.15-0.160.044(0.29410.87840.0000)→(0,1,0)黑龙股份(2001)0.1740.0570.0860.221 1.1530.0380.005(0.09080.99730.0000)→(0,1,0)凤凰股份(2001)0.0830.0140.02-0.220.0680.1670.009(0.00001.00000.0000)→(0,1,0)达尔曼(2001)0.5890.0410.036-0.24-0.48-0.460.022(0.00001.00000.0203)→(0,1,0)界龙实业(2001)0.0920.0260.0260.335-0.45-0.450.031(0.08950.90020.0979)→(0,1,0)ST 佳纸(1999)0.0890.0430.025-0.29-0.84-0.83-0.09(0.00000.00591.0000)→(0,0,1)ST 科龙(1999)0.2010.120.134-0.560.09-0.02-0.16(0.00000.00640.9827)→(0,0,1)ST 金马(2001)0.140.0340.002-0.59-0.84-0.57-0.12(0.00000.00010.9976)→(0,0,1)ST 厦华(1999)0.050.0590.0980.492-0.02-0.04-0.26(0.08920.00030.8010)→(0,0,1)广州冷机(1999)0.130.040.026-0.4-0.72-0.6-0.2(0.00100.00001.0000)→(0,0,1)由上表可以看出,BP 神经网络的预测结果与实际结果完全一致,表明BP 神经网络用于上市公司财务预警是比较合适的.5 结束语本文使用BP 人工神经网络方法构建了上市公司财务预警模型,应用计算机工具可以方便地完成算法设计和数据运算,这不仅能为广大投资者和银行在内的债权人判定上市公司质量和经营业绩提供科学的手段和可靠的依据,而且还可以使经营者在财务危机出现的萌芽阶段采取有效措施,改善企业经营状况,预防经营失败,因而不失为财务预警的较为有效的方法.该方法与其他方法相比具有如下优点:1)通过对参与比较样本的自学习,能够确定神经网络结构,按照最优训练准则反复迭代,不断对神经网络结构进行调整,直到达到一个相对稳定的状态,因此,利用该方法消除了许多人为因素,有利于保证结果的客观性;2)误差小,能使系统误差达到任何精度要求,且有收敛性;3)动态性好,能随着时间推进和参与比较样本的增加,进一步学习和动态跟踪比较.参考文献:[1] 冯巧根,张学斌.谈财务预警系统的分析[J ].商贸与会计,2002,11:30—33.[2] Ros e P S ,Giroux G A.Predicting cor poration bankruptcy:an an alytical and em pirical evaluation[J].Review ofBusiness ,2001,(2):36—39.[3] 乔世震.财务管理专题研究[M ].北京:中国财政经济出版社,2000.43—49.[4] 张立明.人工神经网络的模型及其应用[M ].复旦大学出版社,1995.3.[5] M artin T Hagan,How ar d B Demuth.M ark Beale,Neural Netw or k Des ign [M ].PW S Publis hing Compan y,Th om son Learning ,1996.[6] 胡守仁,余少波,戴葵.神经网络导论[M ].北京:国防科技大小出版社,1993.10.[7] 贺昌政,李晓峰,余海.BP 人工神经网络模型的新改进及其应用[J].数学的实践与认识,2002,7:554—561.[8] Zvi Bodie,Robert C M erton.金融学[M ].中国人民大学出版社,2000,10:70—72.10数 学 的 实 践 与 认 识36卷[9] Lippmann R P .An introduction to computing w ith neu ral nets [J ].IEEE ASS P M agazine ,1987,April :4—22.[10] Cyber ko G.Approximations by Superpositions of a S igmoidal Fun ction[M ].M ath Control Sign al Sys tem,1989.[11] Hema Rao,Alex ey G.Ivakh nen ko,Inductive Leaning Algorithm s for Complex Sys tem M odeling [M ].CRCPres s,In c,1994.[12] 刘增良.模糊技术与应用丛书[J].1994.180—181.The Establishment of BP Neural Networks Model forFinancial Crisis Prediction of Listed Companies and Its ApplicationLI Xiao-feng , XU Jiu-ping(Schoo l o f Business and A dminist ration ,Sichuan U niv ersit y ,Cheng du Sichuan 610064,China )Abstract : In this paper ,t he metho d of BP art ificia l neur al netw or ks is applied to financial cr i-sis pr ediction of listed companies to develop pr edict ion model o n financial crisis.T his model can not only find out the risks o f t he company and whether t he company management dev iating fro m the o rbit ,a nd t hen ca ution the ex ecut ives to ado pt manag ement co unter measures ,but also offer scient ific means and r eliable basis to make t hese cr editor s ,include larg e inv estor s and banks ,judge listed co mpanies ′quality and manag e achievement.A s a new w ay o f F inancial cr isis pre-dict ion,this model is pr ov ed effective and feasible.Keywords : art ificia l neur al netw o rk;BP algo rithm;listed co mpa ny ;financial cr isis predictio n114期李晓峰,等:上市公司财务预警的BP 神经网络模型的建立及其应用。