财务困境预测中BP神经网络模型的应用综述.docVIP

财务困境预测中BP神经网络模型的应用综述 　　[摘 要] 金融危机席卷全球,处于金融市场之中的企业随时面临着陷入财务困境的可能,财务困境预测模型的建立可以使公司提前预测到困境的发生,从而及早避免投资损失。随着信息技术的发展,人工神经网络预测模型开始兴起,本文重点介绍了BP神经网络模型在财务困境预测中的应用情况,并将BP神经网络模型与传统统计方法进行了比较分析。 　　[关键词] 财务困境;预测模型;BP神经网络 　　doi : 10 . 3969 / j . issn . 1673 - 0194 . 2009 . 21 . 002 　　[中图分类号]F275;TP393[文献标识码]A[文章编号]1673 - 0194(2009)21 - 0007 - 03 　　 　　金融风暴席卷全球,宏观经济动荡起伏,此时不论是跨国集团公司还是国内的小企业都面临着前所未有的经济危机,资本市场低迷,大量企业纷纷陷入财务困境,甚至破产倒闭。而对于财务困境最好的规避方法就是及时准确地预测,未雨绸缪。因此建立一种有效的财务困境预测模型十分紧迫和必要。 　　 　　1财务困境预测发展历程 　　 　　随着经济全球化的发展,国际间合作愈加密切,企业间相互依存,共同发展,而金融危机袭来,全球资本市场动荡不安,企业随时面临着陷入财务困境的可能,而投资者也可能因此蒙受损失。因此,财务困境成为近年来研究和探讨的热点问题。Beaver和Altman是研究财务困境的先驱,Beaver(1966)运用一元判别模型考察了29个财务比率在企业陷入财务困境前1~5年的预测能力,发现营运资金流/总负债在破产前一年的预测正确率可以达到87%。Altman(1968)首次将多元线性判别方法引入到财务困境预测领域,得到了包含5个判别变量组的预测方程(Z Scroe Model)。该模型的预想结果非常理想,总体正确率为95.45%。Ohlson(1980)利用Logistic分析建立企业财务危机预测模型,结果发现公司规模、资本结构、资金报酬率、变现能力具有显著的预测能力,他的研究得到了96.12%的判断正确率。我国学者吴世农、卢贤义(2001)的研究表明,我国上市公司的财务指标包含着预测财务困境的信息含量,因此财务困境具有可预测性,而与一元判别模型和多元线性判别模型相比,Logistic模型的判定准确性最高。在以上研究基础上,众多学者又将模型进行了改进,得到了F分数预测模型、Fisher二类线性判定模型等模型。 　　此后,随着理论的不断完善和发展,有更多的学者对财务困境及其预测模型进行了研究,取得了丰硕的成果,也对财务困境研究做出了贡献。同时,由于信息技术迅速发展,使得诸如人工神经网络等一系列非统计类预测方法应运而生,不仅丰富了财务困境预测理论,也为财务困境的预测提供了技术支持。人工神经网络是20世纪科学技术所取得的重大成果之一,90年代以来,国际学术界掀起了研究人工神经网络的热潮。它是人类认识自然道路上的又一座里程碑。 　　 　　2BP神经网络在困境预测中的具体实施 　　 　　1987年,Lapedes和Fayber首次应用人工神经网络分析模型进行预测,开创了人工神经网络预测的先河。而前向三层BP神经网络是人工神经网络中被认为最适用于模拟输入、输出的近似关系的一种方法,它的算法最成熟,应用也最广泛。它通常由输入层、输出层和隐含层组成,其信息处理分为前向传播和后向学习两步进行,网络的学习是一种误差从输出层到输入层向后传播并修正数值的过程,学习的目的是使网络的实际输出逼近某个给定的期望输出。BP神经网络结构如图1所示。 　　 　　应用BP神经网络模型进行财务困境预测需要一个多步骤的实施过程: 　　(1)选取研究样本,即训练样本。根据对财务困境不同的定义可以以破产公司、ST公司或以ROE作为标准来选择样本公司,要同时选取财务困境公司样本和非财务困境公司样本,以便对网络进行训练。而应用BP神经网络模型进行预测与统计方法相比,在样本的选取上局限性更小,因为统计方法要求样本要服从某一种特殊分布,如正态分布、等协方差等,而BP神经网络模型对样本并没有这样的特殊要求。 　　(2) 把用来衡量上市公司财务状况的建模变量作为神经网络的输入向量,确定输入层的节点个数,即所选取的建模变量的个数。 　　(3) 将代表分类结果的量作为神经网络的输出,设定输出层节点个数,而输出层节点个数由输出类别决定,对财务困境的研究基本上会有两类输出结果,即财务困境公司或非财务困境公司,因此输出层的节点个数一般为2。 　　(4) 确定隐含层节点个数。隐含层节点个数一般为经验值,与输入层和输出层的节点个数有关,并没有统一的数值,但要注意的是隐含层节点个数过少,将影响网络的有效性,过多则会