模糊BP神经网络模型下财务风险管理探究.docVIP

模糊BP神经网络模型下财务风险管理探究一、模糊BP神经网络模型构建 企业财务风险通常表现为企业财务状况的恶化和经营成果的降低，其结果将会直接导致企业获利能力、偿债能力、营运能力和成长能力的下降，而这四个方面能力的综合即为企业的实际经营绩效。企业财务风险的发生，最终体现为企业实际经营绩效与经营目标之间出现非预期的负偏差。通过对这种负偏差及其偏差程度的分析，来综合判断企业财务风险是否发生以及财务风险状态的严重程度。定量财务指标如表1所示： （一）模糊综合评价进行表层分析企业经营绩效评价指标体系是一个多层次、多指标的评价体系。考虑到企业经营绩效可以从A1~A4四个能力方面来评价，每一个方面在整个评价体系中的权重系数，可以由包括专家、企业管理人员及相关技术人员在内的n类有关人员依据各自的经验和方法分别给予评价。 评价结果Wik组成模糊关系评价矩阵：W=（W1，W2，W3，W4）=W11W12W13W14W21W22W23W24……Wn1Wn2Wn3Wn4，其中：Wik=1，Wik:表示第i个专家对第k方面的评价，再利用线性加权法：AK=aiWik（k=1，2，3，4）得出上述四方面的权重系数。其中ai为第i类人员的加权系数。 （二）BP神经网络模型内部分析以上A1～A4四个方面整体构成评价体系的表层。然后，为克服模糊综合评价这种定性方法的局限性，对每个方面中各能力指标采用人工神经网络模型来进行深层次的定量评价。 （1）构建BP网络模型结构。把这四个方面分别构造成为四个小的人工神经网络，由于前向反馈式BP神经网络具有精度高、误差小等优势，目前大多采取BP网络。其传导结构如图1所示。 BP网络是一种单向传播的多层前向网络。它采用梯度搜索技术，以使网络的实际输出值与期望输出值的误差方值为最小。其网络结构是由输入层、输出层和隐层组成，其中隐层可以是一层，也可以是多层，前层至后层节点通过网络权值相连接，同层节点中没有任何祸合，输入层和隐层的激活函数通常为Sigmoid型。但是在隐层和输出层之间的激活函数可以是线性的。Sigmoid型传递函数表达式为：f（x）=。 （2）确定模型初始权重。采用完全随机化的初始权重确定方法，通常的初始权重值与偏差值随机化方法都是在区间（-1，l）之间取均匀分布的随机数的函数，式中i，k，j分别为输入层、隐含层和输出层神经元数，rand(m,n)为m行n列的均匀分布的随机数矩阵，I(m,n)为m行n列的全1矩阵，目的是保证权值分布在区间（-1，l）范围内。这样初始权值W与阈值B为：W1=rand（k，i）-I（k，i），W2=rand（j，k）-I（j，k），B1=rand（k，1）-I（k，1），B2=rand（j，1）-I（j，1） 该函数分为线形区和饱和区，当神经元工作于饱和区时，函数变化缓慢，需经过较长的一段时间才能跳出该区域，而工作于线形区时，由于函数的变化较快，使得神经元的自我调节容易，因而收敛速度较快。如果初始权重选择的区域过大，神经元落入饱和区的概率也就越大，其收敛速度也就会很慢，但如果区域选得过小，同样会降低神经元的活性，影响网络的收敛速度。为验证上述理论，选择了［-15，15］到［-0.001，0.001］等9个区间，产生随机权重，通过分析输出的一系列累积误差变化，得出前两者当随机权值产生区间在［-0.25，0.25］之间时，两模型的收敛速度均为最快;而后两者只有当随机权值产生区间在［-0.2，0.2］之间时，两模型收敛为最快。 （3）学习次数与精度确定。BP神经网络的学习过程是由模式的正向传播和误差的反向传播所组成。在正向传播中，输入信息经隐含单元逐层处理并传向输出层。如果输出层不能得到所期望的输出，则转入反向传播过程，将实际值与网络输出之间的误差沿原来的连接通路返回，通过修改各层神经元的连接权重使误差减小，然后再转入正向传播过程。如此反复计算，直到误差小于设定值，学习过程结束。一般来讲，网络学习次数越多，其输出结果的精度越高，但学习次数多其网络训练时间也越长，另外，如果学习样本选择不当，网络精度越高，意味着其记录的错误信息越多，也会对网络的应用效果产生不利影响。为此，通过网络训练比较，前两者模型中，网络训练次数定为15万次，而后两者网络训练次数则定为16万次为宜。 （三）利用网络输出进行模糊评价通过上述步骤得出的能力系数由输出层Oj=（1，2，3，4）输出，其结果分别为R1’、R2’、R3’、R4’，则最终得到企业经营绩效的综合评价结果:AiR’i 二、财务风险控制 利用模型进行财务风险识别之后，对于存在企业内部的风险，必须实施有效的策略加以控制，从而达到财务风险管理的最终目的。这里从风险状态转移、机制改善和企业特性优化这