基于Logistic回归和粒子群神经网络的投资风险评估.docxVIP

PAGE 1 - 基于Logistic回归和粒子群神经网络的投资风险评估 基于Logistic回来和粒子群神经网络的投资风险评估 吴琼赵春生摘要：风险投资，又可以理解为创业投资，是初创企业开始进展并进入正轨的一种重要融资方式。风险投资的胜利与否与企业环境、财务、治理、市场、技术等紧密相关。在此背景下，本文讲解并描述了如何利用线性Logistic回来方法和非线性粒子群神经网络算法分析影响投资成败的一系列因素，并对其进行评估。 关键词：风险投资;主成分分析;Logistic回来神经网络;粒子群 1绪论 风险投资，或称为风险资本、创业资本，是指以股权、准股权或具有附带条件的债权形式投资于新颖、未经试用技术项目或将来具有高度不确定性的項目，并情愿为所投资的项目或企业提供治理或经营服务，期望通过项目的高成长率并最终以某种方式出售产权以取得高额中长期收益的一种投资方式[1]。 相比于国外，国内的风险投资起步相对较晚。在20世纪40年月，风险投资开始于美国硅谷[2]。与根深蒂固的交易方式不同，风险投资不是类似于各种财产的抵押交换，而是直接将资金与所投资公司的股权交易，即资金多少直接与企业股权占有量成比，所以，投资人在进行投资时，会对投资公司的背景文化、运营方式、效益等多方面进行考察选择，最终确定投资。可见，投资是具有肯定风险的，综合评估投资企业对投资胜利具有重要意义。风险投资具有高风险、高收益的特点，所以，只有少部分精通投资的人会涉足这一领域，而且风险投资对象大多是涉及通信、半导体等的新兴高科技企业。 当代社会，科技迅猛进展，随之而来的，是企业的进展与社会的进步。对于企业来讲，只有将技术和创新摆在首位，才能为企业的长远进展提供保障。同样的，长期利益是企业吸引风险投资的必备优势，所以，风险投资的产生与运营将会带动企业的创新和进展，从而促进经济进展和社会进步。可见，风险投资对于整个社会的进步有肯定的推动作用。 2理论基础 2.1粒子群算法理论 群体活动往往表现出智能性，而且智能仿生技术在解决实际问题中越来越受到青睐。粒子群算法〔PSO〕是一种典型的群体智能优化算法，由Eberhart博士和Kennedy博士在1995年提出，并受到了很大关注。粒子群算法来源于鸟群的捕食行为，利用群体中个体之间信息的共享，从而实现群体的无序到有序的行为转变，并最终完成整个问题。 在利用粒子群算法进行求解问题时，首先对定义的一群粒子进行初始化，包括位置、速度和适应度值三个量，在求解过程中，每一个粒子都是潜在的最优解，设定适应度值函数用来计算每个粒子的适应度值，其大小代表了粒子的优劣。在粒子运动过程中，通过比较每个粒子或其本身所经受的适应度值，查找粒子群的个体极值和群体极值，即个体所经受的最大适应度函数的位置为个体极值，全部粒子中的最大适应度值个体为群体极值。再通过不断更新粒子的位置和适应度值，来查找最优解。 2.2BP神经网络算法理论 前馈神经网络的算法中，反向传播〔BP〕算法是最基本的算法，也是应用较为普遍的算法。所谓反向传播，是指将神经网络训练中的误差从输出层反向推导至隐含层、输入层，以使误差渐渐减小为原则，调整网络各层的连接权值和阈值。 BP算法的缺点是在学习过程中接受的是非线性梯度优化算法，存在局部微小问题，学习算法收敛速度慢，迭代次数多，学习步长的选取造成稳定性改变。因此，我们通常会用到改良的BP算法，如用粒子群算法来优化BP算法。 传统的BP神经网络接受误差反向传播来调整网络连接权值，该方法简单陷入局部最优解，而PSO算法可以在更大的空间内搜寻，在肯定程度上幸免了以上问题。所以，将PSO算法应用于BP神经网络的网络权值优化。从而更好实现全局寻优问题。 将神经网络各层的连接权值编码成粒子，适应度值则为使用该组权值时的网络输出均方误差，利用之前描述的粒子群算法，在预设的迭代次数内搜寻最优的网络权值。 3投资风险评估 风险投资公司在对风险进行识别的过程中更多地是利用在以往的项目开发中的阅历，以及累积和整理的风险投资行业的阅历和教训对风险进行识别，在这一过程中，风险投资公司会首先查看风险企业的历史资料，如，索赔记录、其他风险信息等，对企业信誉进行考察;其次查看风险企业近期财务报表，对企业近几年的销售收入、利润增长率、净利润、净资产收益率进行了解;再次对企业进行实地考察，对风险企业进行全面考察，最终由参加项目的人员进行商量。 风险投资公司目前在对风险进行识别时重点对环境、技术、财务、市场和治理等6个风险因素进行了关注，具体如下表所示。 3.1样本选择与数据处理 首先对各个公司收集的以上历史数据进行处理，假如数据量太小，而且多列数据存在不同程度的缺失，假如因为某个数据缺失而删除整行会导致大量重要信息丢失，所以在原始数据较少的状况下，不能剔除缺失值所在行，