人工神经网络在财务管理领域运用研究概况.docVIP

人工神经网络在财务管理领域运用的研究概况 　　［摘要］ 人工神经网络良好的泛化能力使其在模式识别、分类预测等方面具有很多优势。近年来，人工神经网络已广泛运用于企业财务管理领域，其研究文献也逐年增多。通过文献研究，本文梳理和总结了人工神经网络在财务管理领域运用的研究概况。 　　［关键词］ 人工神经网络；财务管理；拓扑结构；神经元 　　doi : 10 . 3969 / j . issn . 1673 - 0194 . 2011 . 16. 005 　　［中图分类号］F232 ［文献标识码］A ［文章编号］1673 - 0194（2011）16- 0006- 03 　　 　　1前言 　　 　　人工神经网络本质上是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。其主要特点体现在并行的信息处理能力、分布的信息存储能力，以及自组织、自学习、自适应能力等方面，所有定量或定性的信息都分布存储于网络的各个神经元，所以有较强的鲁棒性和容错性。因此，人工神经网络技术在模式识别、分类预测等方面具有很多优势。 　　从控制系统到人工智能，在工程和科学领域，人工神经网络得到广泛研究和运用。近年来，人工神经网络模型开始广泛运用于财务管理领域。 　　Ｅｘｐｅｒｔ Sｙｓｔｅｍ ｗｉｔｈ Aｐｐｌｉｃａｔｉｏｎ（专家系统应用）期刊的文章主要关注专家系统和智能系统的设计、开发、测试、应用和管理，其研究领域涉及会计、财务、审计、证券交易、信息管理等多个领域。近些年来，人工神经网络的研究文献逐年增多。本文通过对Ｅｘｐｅｒｔ Sｙｓｔｅｍ ｗｉｔｈ Aｐｐｌｉｃａｔｉｏｎ １９９３－２００９年期间的相关文献的统计和分析，梳理和总结了人工神经网络在财务管理领域运用的研究概况。 　　 　　2人工神经网络与传统研究工具的比较 　　 　　在国外的相关研究中，人工神经网络在财务管理领域的运用主要集中于预测和规划，如破产预测、风险评估和证券市场应用等。 　　在人工神经网络进入财务管理领域之前，统计方式是被广泛使用的传统研究工具之一。较之传统的统计工具（如回归方法、多元判别分析法、聚类分析等）和ＳＶＭ（最大边缘区分器），人工神经网络能力展示了更准确的性能和更好的泛化能力。例如，Ａｌｉｃ（１９９６）将人工神经网络运用于破产公司预测，结果表明使用人工神经网络获得的预测成功率显著高于使用逻辑回归和区别分析法；Ｒｏｂｌｅ，Ｎａｙｌｏｒ（１９９６）和Ｇｅｎｃａｙ，Ｓｔｅｎｇｏｓ的研究成果也表明，在商品交易中，人工神经网络的泛化能力同样优于加权移动平均等线性模型；Ｂｕｒｇｅｓｓ，Ｒｅｆｅｎｅｓ（１９９６）和Ｃｈｉｎｅｔｔｉ，Ｒｏｓｓｉｇｎｏｌｉ（１９９３）以及Ｔｏｎｇ－ｓｅｎｇ Ｑｕａｈ，Ｂｏｂｂｙ Ｓｒｉｎｉｖａｓａｈ（１９９４）的研究表明，在预测股票指数回报上，较之二乘法等统计工具，人工神经网络表现了更好的泛化能力；Ｍｅｌｅｔ Ａｃａｒ Ｂｏｙａｃｉｏｇｌｕ ｅｔ ａｌ.（２００９）将4种不同神经网络模型、ＳＶＭ和3种多元统计法运用于银行财务失败的预测，实证表明，人工神经网络（尤其是ＭＬＰ、ＬＶＱ）预测性能是最令人满意的。 　　 　　3 人工神经网络体系结构研究 　　 　　人工神经网络由一组神经元及神经元间的连接方式、传播规则、激活规则、传递函数、学习规则等组成。人工神经网络是否能取得令人满意的训练和测试效果，神经网络体系结构是关键。正如Ｆａｎｎｉｎｇ ｅｔ ａｌ.（１９９５）指出的：神经网络良好的性能取决于对这些系统结构的优化设计。目前，许多研究者所构建的神经网络体系结构多基于监督学习方式，其中大部分使用多层感知器和学习矢量量化，仅有极少量使用单层网络模型（较之单层网络模型，模型设计者更热衷于多层网络模型的运用，更简单的单层网络模型常常被完全忽略）；而使用非监督学习方式比例低于监督学习方式，并且主要是运用自组织映射和竞争学习。监督式网络的优势是能够根据给定的“输入－输出”对其进行调整或训练，使网络可以近似任意非线性函数。 　　在人工神经网络体系结构的设计中，涉及确定网络的输入变量和输出变量问题，但更为复杂的是另外两个问题：一是网络的层数、每层的神经元数和激活函数，即拓扑结构；二是网络中互相连接的神经元间的连接权重和神经元的阈值。相对来说，使用哪些变量作为输入变量有时具有相当的不确定性，但隐藏层数的神经元个数以及连接权重的确定才是最复杂的事情。 　　网络拓扑结构对系统的信息处理能力有重要的影响，因此网络拓扑结构的设计是保证系统成功运行的关键任务。但在实际运用中，网络拓扑及其参数的选择却缺乏理论基础，其解决常常依赖于专家的经验，并需要多次试验，即试错过程，这也是许多文献频繁提及的神经网络的缺陷之一。众多研究已经证明，用遗传算法（