企业集团信用风险识别方法实证研究--基于两种人工神经网络方法比较.pdfVIP

企业集团信用风险识别方法实证研究 ——基于两种人工神经网络方法的比较 李光荣 管理学院，中国矿业大学（北京），北京，中国，100083 北京市海淀区学院路丁 11 号中国矿业大学宝源公寓 A2 楼 0906 室 电话 E-mail：ligrsky@ 摘要 本文在集团企业信用风险识别研究中，选择 Slowinski R 和 Susmaga R （1999）以及Malcolm J B 2010~2011 年我国沪深股市上市集团企业为研究样 和 Michael J P （2001 ）等都证明了神经网络具有很 本，对神经网络方法中的 ART-2 算法和 SOM 算法的 好的实证效果。国内学者王春峰，万海晖，张维 实证效果进行了比较研究。结果表明，ART-2 神经网 （1999），李晓峰，徐玖平（2010 ）等国内文献也开 络算法在集团企业信用风险识别中较传统 logistic 方 始运用神经网络技术研究信用风险评估问题。刘文蕊 法更为准确，而 SOM 神经网络算法则优于 ART-2 算 （2010 ）运用BP 网络进行信用风险评估，取得了较 法。 Logistic方法更好的效果[4] ；肖磊等（2012 ）则将PNN 关键词 集团企业 信用风险 神经网络 ART-2 神经网络方法引入企业集团信用风险评估，认为其效 算法 SOM 算法 果较BP 网络更好；邓宏誉（2004 ）则尝试应用LQV 神经网络进行企业信用评级。但是BP 神经网络中基 Abstract—This paper aims at comparing Adaptive 于梯度下降规则的算法收敛速度慢，容易陷入局部极 Resonance Theory (“ART” for short) and 小且网络结构；概率神经网络本身由于采用相同的平 Self-organizing Feature Map (“SOM” for short) of 滑参数Ρ，会降低识别的精度；LQV神经网络存在样 neural network on the study of Chinese enterprise 本所有特征值权重相同的缺陷等。 group’s credit risk identification. The empirical 为此，本文以2010-2011 年沪深A股上市企业集团 results show that the ART-2 neural network model 为研究样本，对两神经算法（ART-2和SOM）在集团 has better recognition effect than Logistic statistical 信用风险识别中的应用效果进行比较研究。 model, BP and PNN network algorithm, while the SOM network algorithm is superior than ART-2. 二、ART-2 与 SOM 神经网络算法原 Keywords: Credit risk identfication; enterprise 理 group; neural network; ART-2 algorithm; SOM algorithm 1、ART-2 神经