基于BP神经网络房地产业上市公司财务绩效评价模型研究.docVIP

基于BP神经网络房地产业上市公司财务绩效评价模型研究 　　摘 要：本文以30家房地产业上市公司为研究对象，以净资产收益率、市盈率等6项指标为评价指标，在matlab环境下构建了基于BP神经网络的财务绩效评价模型，并对模型进行了优化和验证。实验表明，所建模型克服了传统财务评价方法的局限性，在既定条件下具有很好的适用性和动态性。 　　关键词：BP神经网络;财务绩效评价;房地产;上市公司 　　一、引言 　　对上市公司财务绩效进行传统的人工评价难以摆脱人为因素和模糊随机性的影响，进而影响到评价的客观性、准确性。建立适合的BP神经网络财务绩效评价模型不仅能够减少人为因素的影响，其所使用的非线性函数更贴近于复杂的非线性动态经济系统，比人工评价更具有适用性[1]。 　　二、模型构建与成型 　　（一）BP神经网络结构分析 　　1989年Robert Hecht?CNielson证明了对于任何在闭区间的一个连续函数都可以用具有1个隐含层的BP网络来逼近，因而一个3层的BP网络可以完成任意的N维到M维的映射，所以本文先采用3层BP神经网络来建立评价模型。 　　（二）指标选取与无量纲化处理 　　1.评价指标选取。房地产业上市公司开发周期长，投资大，受中央和地方政府政策影响大，这些特点都要求房地产业上市公司具有良好的盈利能力。因此，本文建立了以盈利能力为重点的财务绩效评价指标体系。该体系包括反映盈利能力的净资产收益率、主营业务成本率和市盈率，以及反映其他三项能力的基本指标资产负债率、存货周转率、主营业务收入增长率。 　　2.指标无量纲化处理。本文选择极差法[2]对财务绩效评价指标进行无量纲化处理。首先，将六项指标分为三类，分别为正向型指标：净资产收益率、存货周转率（由于所有样本的存货周转率都小于1，可以判断为越大越好）、主营业务收入增长率;负向型指标：主营业务成本率;区间型指标：资产负债率（最优区间为60%-70%）、市盈率（最优区间为14-20），然后，用matlab语句对正向型指标和负向型指标进行处理，对区间型指标的处理采用for循环语句和matlab条件语句来实现。 　　经过无量纲化处理，30个样本的财务指标数据如表2.1所示： 　　表2.1 无量纲化处理后的样本数据 　　资产负债率 存货周转率 主营收入增长率 净资产收益率 市盈率 主营成本率 　　1 0.2853 0.7189 0.246 0.0809 0.3655 0.0794 　　2 0.8087 0.2077 0.0591 0.0307 0 0.2975 　　3 0.2942 0.3535 0.0733 0.1657 0.9637 0.2046 　　4 0.9424 0.2782 0.0464 0.0692 0.7513 0.6133 　　5 1 1 0.0275 0.2151 0.987 0.2781 　　6 0.6196 0.2904 0.0642 0.1176 0.8346 0 　　7 0.8334 0.0263 0.0205 0.2016 1 0.8171 　　… … … … … … … 　　25 1 0.0891 0 0.2347 0.986 0.8743 　　26 0 0.4128 1 0.1759 0.9769 0.3008 　　27 0.9274 0.8399 0.0583 0.2552 0.9825 0.2553 　　28 0.694 0.504 0.1556 0.8926 0.9469 1 　　29 0.6514 0.0097 0.0678 0.3293 0.9872 0.6681 　　30 0.8809 0.54 0.1605 0.9162 0.9897 0.3642 　　（三）模型训练与成型 　　笔者邀请专家按照相同的思维和判断对30个样本数据进行了评分，然后将前20组数据作为训练样本，后10组作为测试样本。本文用newff函数激活网络，选择能够将输出控制在[0-1]的tansig函数作为传递函数，将允许误差设为le-5，最大训练次数设为50000次，学习速率设为0.01，初始权值和阈值由网络随机生成。在实验中，将前20组样本数据以6行20列的矩阵形式作为输入值，再分别以traingdx、trainlm、trainbfg、traingd、traingdm等5种不同的训练函数和3到13的隐含层单元数进行学习，训练后用10组训练样本数据进行验证，各种不同组合得到的输出值与测试数据对应的期望值的平均相对误差。 　　实验发现，当以traingd和traingdm为训练函数时，不论隐含层为多少，均不能在训练50000次之内达到允许的误差le-5，因此表2.2没有列出其对应误差平均数。在以traingdx、tra