粒子群优化神经网络在财务困境分析中的应用.pdfVIP

粒子群优化神经网络在财务困境分析中的应用 江苏经贸职业技术学院 周 遂 摘【 要】目前BP神经网络已经成功用于公司财务分析与预测，但神经网络采用了传统梯度下降探索法致使BP神经网络存在着收 敛速度慢，易陷入局部最优等缺陷，对应用效果造成了不 良影响。本文提出通过改进粒子群全局搜索算法对BP网络进行训练。既保留了神 经网络原有的优点，又克服了传统训练方法的缺陷 实证表明，该方法预测结果优于传统神经网络模型。 关【键词】财务困境；粒子群优化；神经网络；训练方法 一 、 引言 PSQ中，每个优化问题的潜在解都是搜索空间中的一个 粒“ 财务困境预测已经成为资本结构理论的一个重要分支。公司 子”。所有的粒子都有一个由被优化的函数决定的适应值(fitness)。 若处于财务困境，则破产的可能性较大，而破产总体来说会造成社 在每一次迭代中，粒子通过跟踪两个 “极值”来更新自己。第一个极 会财富的损失，包括股东投资和债权人债权遭受损失，公司雇员失 值就是粒子本身所找到的最优解 ，叫做个体极值；另一个极值是整 去工作 ，政府失去部分税收来源等。 个种群 目前找到的最优解 ，这个极值是全局极值，粒子根据如下公 Fitzpatick最早发现，出现财务困境的公司其财务比率和正常 式更新 自己的速度和位置： 公司的财务比率明显不同，从而认为企业的财务比率能够反应企 V(t+1)=w V·(t】+c ·rand()·[pBest(t)～X(t)】+C2·rand()- 业财务状况，并对企业未来具有预测作用 。2O世纪60年代 ，Beave [gBest(t)一X(t)】 (1) 首先运用统计方法建立了单变量财务预警模型；20世纪6O年代， X(t+1)=X(t)+V(t+1) (2) Altman利用多元判别分析法对 1945～1965年问的33家破产企业 其中，V(t+1)是粒子下一时刻的速度；X(t+1)是粒子下一时刻 和 33家正常经营的企业进行了研究，其研究结论形成了著名的Z 的位置；C 和C2是学习因子，通常C1=C2=2；w 为惯性权重，一 值模型。美国学者Qlhson是最早在财务预警领域应用Logistic方 般取惯性权重W ∈0【，1]。为了避免基本PSO在搜索过程中陷入局 法的人；21世纪初吴世农等对深沪证券市场中的67家公司进行了 部最优，陆续提出很多PSO改进算法，并得到成功地应用。例如结 研究，肯定了财务指标对企业财务困境预测的有效性，并认为多元 合模拟退火的PSO，高斯变异的PSO等改进算法，这些新算法都 线性预警模型优于单变量模型，Logistic模型又优于多元线性预警 使PSO的优化性能得到进一步提高。 模型。神经网络分析在财务预警模型中的应用开始于 20世纪 90 采用PSO算法训I练神经网络时，首先将特定结构中所有神经 年代 ，包括 Fletcher、Goss和Altman等国外研究者，其结构是 由一 元间的连接权值编码成实数码串表示的个体。假设网络中包含M 个输入层、若干个中间层和一个输出层构成。实证研究表明，神经 个优化权值(包括阈值在 内)，则每个粒子将 由M个权值参数组成 网络分析在判定正确率方面比线胜模型和Logistic回归模型更加 的一个M维向量来表示。根据微粒群规模，按照上述个体结构随机 有效，并且不受变量分布特征影响，不需要主观定性地判断企业财 产生一定数 目的个体(微粒)组成种群，其中不同的个体代表神经网 务危机状态，因而能够更加合理地确定危机状态。 络的一组不同权值，同时初始化 pBest、gBest。 BP神经网络是 目前应用最为广泛的神经网络，具有很强的非 将微粒群中每一个体的分量映射为神经网络中的权值 ，从而 线性映射能力。近年来，国内学者对神经网络在财务分析中的应用 构成一个神经网络 ，对每一个体对应的神经网络，输入训练样本进 也进行了广泛的研究。但是，由于 BP算法采用的是梯度下降搜索 行训练，网络权值的优化过程是一个反复迭代