基于优化概率神经网络的制造业财务预警研究.docxVIP

基于优化概率神经网络的制造业财务预警研究 　　摘要：财务预警通过对企业相关指标分析构建出预测模型，达到对其风险进行预测的目的，可为利益相关者的关联决策提供依据，使得预警效率的研究成为重点。以90家制造企业的相关数据构成样本搭建概率神经网络模型进行预警研究，为提升模型的效率，引入粒子群算法对模型进行优化。实证分析中得出，未用粒子群算法优化前模型的预测准确率为87.5%，经优化后模型的预测正确率为93.75%。则使用粒子群算法对神经网络的优化的可行性较高，这可做为财务预警研究的一种新思路。 　　关键词：财务预警;概率神经网络;粒子群算法;主成分分析 　　0引言 　　财务预警是一种基于风险表征性指标进行危机预测的研究，通过构建预警体系，利益相关者可以发现企业在经营管理活动中的潜在风险，在决策时能够考虑得更充分，进而避免产生不必要的损失。危机越早防范越有利于企业的健康稳定成长，有效的危机预警可促进企业的平稳化发展。近年来，随着经济全球化和互联网经济的发展，企业之间的竞争更加激烈，利益相关者日益增加对预警情况的关注力度，这为预警研究的进一步发展提供契机。 　　企业财务预警的表述形式虽然较为多样化，但主要思想是基于相关指标对于陷入财务危机的企业构建有效模型，以期得到改善不良经营状态的监管策略，进而使得企业得到长远的发展。在20世纪30年代，随着美国经济大萧条时期的出现，大多数公司的经营管理面临着较大的波动风险，财务预警问题也随之被重视起来，而国内则是于90年代后才开始相关的研究。早期的预警研究是单变量模型，即通过单项指标进行分析，如fitzpatrick（1932）和beaver（1966）;随后的研究则更倾向于多变量型，经典的模型是altman（1968）的z-score模型，f模型、logit、probit、时间序列分析和生存分析。随着信息时代的来临，智能化分析方法也开始涌现，神经网络、决策树等渗入到预警研究中，使得预警达到更为良好的效果， 　　由于神经网络模型在预测分析问题的适用性强，其中概率神经网络对于参数的设置较少且对噪声的容忍度较高，则可将其引入到预警研究中。现阶段人工智能飞速发展，算法的引用为预警研究拓宽渠道，其与基础模型的融合可提升研究的效率，文中拟引入粒子群算法进行模型的优化。通过嵌入粒子群算法，构建出优化的预测模型，以期达到更好的预测效果， 　　1优化模型理论 　　1.1粒子群算法 　　粒子群算法（particleswarmoptimization.pso）是由eberhart和kennedy于1995年提出的一种优化算法，二人从鸟群搜食过程发现个体与全局之间的信息共享传递机制，该机制的精髓在于可在目标空间中寻求最优解。该方法从随机解出发，根据需要拟定随机解后迭代寻求最优解，解的效果是通过适应度函数进行评价，通过在解空间追随最优的粒子进行搜索，使其容易实现优化且参数调整较少。 　　在pso中，开始时会产生一群随机粒子，每个都代表目标问题的一个可能解，对应着适应值（c.粒子在搜索空间的移动由矢量化的速度表示移动的方向和距离，粒子的移动会伴随着极值的迭代。每次迭代中，粒子会追寻两项极值进行更新： 　　（1）个体极值，粒子自身的最优解; 　　（2）全局极值，粒子在空间内运动得到的目前整个种群的最优解。 　　当粒子迭代达到设定的循环次数或者与目标函数的误差率达到一定精度时就会终止，得到全局最优适应值。设定在d维目标搜索空间中，有n个粒子构成的粒子群（i=1.2.…，n），过程相应参数表示如下： 　　在速度替换公式中c1和c2是加速常数，也称学习因子，通常取2.r1和r2是[0.1]内均匀随机数。速度公式中其替换是由三项加总而成，第一项是“惯性”部分，表明粒子维持原來速度的倾向，w表示对原来速度的保留程度，数值越大，全局收敛能力越强，反之局部收敛能力越弱：第二项是“认知”部分，是粒子对历史经验的记忆，表明粒子向其最佳位置逼近的倾向：第三项是“社会”部分，是粒子间协作共享群体历史经验，表明粒子向邻域最佳位置逼近的倾向。粒子的速度有一定的范围，是研究者根据需要设定的，主要用来限制其速度。粒子群算法中搜索迭代式工作使其形成一个有效地循环体，过程中对目标函数的计算贯彻始终，是pso指导搜索方向的依据，pso的适应度函数种类较多，在进行模拟搜索中应结合目标问题设定。 　　1.2概率神经网络 　　概率神经网络（pnn）是由d.f.specht于1990年提出的一种神经网络，常用于进行模式。其为基于最小风险贝叶斯决策的层内互连的前向网络，具有四层神经元结构：输入层、模式单元层、汇总单元层和输出层。基本结构如图l所示。