（会计学专业论文）粗糙集神经网络模型在财务预警上的应用研究.pdf

大连理一一大学硕士学何沦丈 摘要 竞争激烈的市场经济孕育发展机遇的同时，也暗藏着无尽的风险和危机。对于上市 公司而言，因财务危机沦为“s t ”甚至被迫退市的情况愈演愈烈。公司陷入财务危机， 不仅危机其自身的生存和发展，也给投资者、债权人带来臣大的损失。因此，构建个 有效实用的财务危机预警模型，满足利益相关者f 1 益迫切的需要，已不单单是一个学术 问题，更是影响我国资本市场健康发展的重要因素，具有很强的现实意义。 本文的研究是从智能理论角度着手，把粗糙集理论与神经网络技术应用于我国上市 公司财务预警的研究当中。为此，本文首先对粗糙集理论进行了简单的介绍，并对其用 于知识约简的计算方法进行了讨论：然后介绍了神经网络的技术原理以及b p 的基本原 理，并详细介绍的b p 网络的改进算法。在上述理论基础上，本文提出了一种粗糙集与 神经网络相结合的技术方法，并把这一方法应用于我国上市公司财务预警研究中。 本文共分瓦部分。第一部分介绍了上市公司财务危机预警系统的研究背景和研究意 义，及国内外研究现状；第二部分介绍粗糙集和神经网络的几个关键技术点，作为本模 型构建的理论基础。同时为了弥补以往b p 算法的不足，这一章着重阐述b p 算法的修正 思想，提出了以更快更有效率的算法，并对修正后的算法进行了检验。第三部分粗糙集 与神经网络技术相结合的模型构建思想和方法。简单介绍了网络构建的基本思想，步骤 等。第四部分是实证研究，分别用标准b p 神经网络模型和本文构建的组合模型对上市 公司的财务状况进行动态预警，通过比较两模型的预测精度和效率，实证表明： ( 1 ) 通过粗糙集与神经网络的结合模型进行企业财务风险的预警方法，可以在不降低预测精 度的基本上从本质上减少网络的运算时间，提高网络模型的预测效率。( 2 ) 采用自适 应参数调整学习算法对网络个参数进行调整，一方面改善网络参数初选的主观性，增强 网络的解释机制，另一方面可以有效规避网络陷入局部最小点，加强网络训练的准确性 和精度。第五部分结论。 关键词：财务预警：b p 神经网络：粗糙集；算法改进 塑婪叁塑丝塑竺堡型垄坠丝堡篁圭塑壁塑竺塑 s t u d yo ff i n a n c i a ir i s kp r e d i c t i o nb a s e do ni m p r o v e dr o u g h s e t a n nm o d e i a b s t r a c t w h i l et h ed o g e a t - d o gm a r k e te c o n o m yi sp r e g n a n tw i 血 t h e o p p o r m n i t y f o r d e v e l o 口m e n t ，l h e r ea r ec o u n t l e s sr i s ka n dc s i sh i d e di ni t a st o 】j s t e dc o m p a n y ，t h es i t u a t i o n t h a ti “st i t l e d 、v i t l l “s t ”p i a t ea n de v e nf o r c e dt oq u i tl i s t i n gb e c a u s eo ff i n a n c i a lc r i s i sg m w s m o r ea n dm o r es e r i o u s l y i ti sn o to n l y 血et l l r e a tt oe x i s t e n c ea j l dd e v e l o p m e n to fm e c o m p a n yf a i l i n gi n t ot h ef i n a f l c i a lm s i s ，b u ta l s ob r i n g se n o 肌o u si o s st oi n v e s t o r s ，c r e d i t o r s s ot oe s t a b l i s hae f f e c t i v ep r a c t i c a lp r e - w a m i n gm o d e lo nf i n a n c i a lc r i s i s ，i no r d e rt om e e t i m e r e s t s 7 i n c r e a s i n g l yu r g e n tn e c d ，h a sa f r e a d yn o cm e 诧2 yb e e na na c a d e m i cp r o b l e m ，b u t a l s ob e c o m ea ni m p o r t a i l tf a c t o ri n n u e n c i n gs o u n dd e v e l o p m e n to fc 叩i t a lm a r k e to fo u r c o u n t r y ，a n dh a sv e r yi m p o n a n tr c a l i s t i cm e 捌n g s i nm i sp a p c r ，b e g i nw i ma g e i l tt e c h n o l o g y r o u 曲s e tt l l e o r ya i l da m qt e c h n o l o g yh a v e b e e n 印p l i e dt or e s e a r c ho nf i n a i l c i a ln s k b a s e do n “sm e t h o d ，i nt h i sp 印e r 血em u 曲s e t w i l lb ei n t r o d u c e df i r s t l y ，a n da tm es 蛳et i m e ，s o m ea l g o r i t h r nu s e dt ok n o w l e d g ep e d u c t i o n w i l lb ed i s c u s s e d ；a i l d 血e n ，t l l ep r i n c i p a lo fa n na n dt i si m p r o v e da l g o r i t h mw i l lb e i n t r o d u c e dd e t 撕j a f b ri n t r i ) d u c eo f t h eb a s i ct l l e o r y ，w ep o s e dam e m o dw h i c hc o m b i n et l l e m u 曲s e ta n da n na n da p p l i e di to nt l l ef i n 肌c i a lr i s kr e s e a r c ho fc h i n e s el i s t e dc o m p a n i e s ， t h e r ea r ef i v ep a n si nt h i sp a p e r f i r s t l y b a c k g r o u n do fr e s e a r c ho ff i n a j l c i a lr i s ka r i d r c s e a r c hs i g n i f i c a n c ew i l lb ei n t r o d u c e d ，锄dt h es t a n l eo fr e s e a r c ho v e r 血ew o r l dw i l lb o 血r t h e ri m m d u c e d ，i na d d i t i o nt oe x p l i c a t em ei n n o v a t i o np o i n to fm i sp a p e r s e c o n d l y ，b a s i c t h e o r yo fm u 曲s e tw i l lb ed e t a i l 。d u s i n gm e o e so fr o u 曲s e ti np r e t r e a t r i l e n to na n n w i l l a v o i d 血es u b j e c t i v 时i nc h o o s i n gm ec o n s n l l c t i o no f a n na n ds t r e l l g t ht h ee 硒c i e n t t h i r d ly ， t h ec o n s 仉l c t i o na n di m p r o v e da l g o r i t mo fa n n 州1 1b ea r g u e di no r d e rt oe n h a n c e e x p l a i n i n gm o c h a n i s m f o r t h l y ，t 1 1 eb a s i ci d e ao f m u g hs e t a f u lm o d e lw i l lb ed e t a i l e d t h e l a s t i ti sc o n c l u s i o n k e yw o r d s ：f i n a n c i a ip r e d i c t i o ；b pa n n ； r o u g hs e t ；i m p r o v e da i g o r “h m 独创性说明 作者郑重声明：本硕十学位论文是我个人在导师指导下进行的研究： 作及取得研究成果。尽我所知，除厂文中特别加以标注和致谢的地方外， 论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得大连理 工大学或者其他单位的学位或证书所使用过的材料。与我一同工作的同志 对本研究所做的贡献均已在论文中做了明确的说明并表示了谢意。 ， r 、 作者签名：遨垒生日期：2 丝： 人连理1 ：大学硕i 。研究生学位论文 大连理工大学学位论文版权使用授权书 本学位论文作者及指导教师完全了解“大连理1 _ 大学硕十、博士学位论文版权使用 规定”，同意人连理工大学保留并向国家有关部门或机构送交学位论文的复印件和电子 版，允许论文被查阅和借阅。本人授权大连理工大学可以将本学位论文的全部或部分内 容编入有关数据库进行检索，也可采用影印、缩印或扫描等复制手段保存和汇编学位论 文。 作者签名：竭醚圣吐 导师签名： 鲁霉丞 ! ! 里l 年上月冱日 6 3 人连理l k 学硕十研究生学位论文 1 绪论 1 1 问题的提出 1 1 1 研究背景 在市场经济中，对于每一个经营者和公司来说，风险无处不在，无时不在。上市公司 是证券市场的基石，其经营业绩和财务状况的好坏将直接影响证券市场的建设和发展，自 1 9 9 0 年1 2 月上海、深圳证券交易所相继设立以来，我国证券市场得到蓬勃的发展。随着证 券市场的发展，证券投资方式已经逐渐被社会大众所接受，参与证券市场的投资者日益增 多：同时，广泛的社会参与也为上市公司提供了一定的资金来源，为证券市场提供了巨大 的动力和能量。上市公司作为企业中的特殊群体，使投资者，债权人等利益各方关注的焦 点，他的健康与否更是牵动了众多的利益相关者，关系着我国证券市场的稳定与健康发展。 实际情况是：由于历史、体制等原因，相当一部分上市公司业绩令人堪忧。尤其是在上市 公司的队伍里，有些公司上市之后就严重亏损，几经周折之后仍然回天无力，最后以退市 而告终。人们认为企业失败的前兆是“财务危机”，它不仅给企业带来重大的经济损失和 形象伤害，处理不当甚至会导致企业倒闭。财务危机已经越来越受到财务理论界的重视。 特别是以美国能源巨头“安然公司”的倒闭事件发生后，在世界范围内一股企业倒闭的逆 流正汹涌而来。 “财务管理是企业管理活动的基础，也是企业管理的中心环节，企业的一切生产经营 活动撮终都要反映到财务上来”( 丁学东，1 9 9 8 ) 因此，研究财务危机，分析和了解企业 失败的前兆，研究如何从企业财务状况上探寻蛛丝马迹，发挥财务的预警作用，防范财务风 险，同时为防范经营风险提供技术支持。借以提高企业对财务危机的事前、事中及事后管 理水平以及应急决策的水平，为企业的生存和长远发展保驾护航，是摆在我们面前的一个 十分紧迫的课题。事实上，正如我国企业财务专家汤占良教授所说：“企业财务首要解决 的是生存问题而不是获利问题” 目前我国企业普遍存在财务风险意识淡薄，对财务风险认识错误或不足的问题，再加 上财务风险防范手段贫乏，不像西方发达国家在较为成熟的市场经济体系中对风险管理活 动积累了较为丰富的经验，创造出了很多控制和锁定风险的技术手段和较为完善的风险防 范制度。我国现有财务风险分析方式仍然存在着一些明显的缺陷，许多分析手段也停留在 相当初级的阶段。比如：有关财务风险的综合分析、有关企业财务风险的整体控制等。实 践中，有些企业也开始摸索财务风险管理之道，但总的看来，有关企业财务风险管理的理 沦研究和实践研究速度发展缓慢，还不够完善。 粗糙集一神经网络模型在财务预警上的应用研究 另一方面，我国财务危机预警指标大多以资产负债表和损益表中的财务比率为依据， 但受财务信息失真影响，传统的财务危机预警的各个指标在经过各种人为因素调整之后， 无法对财务危机的公司做出提前预测，导致目前的各项财务危机预警指标出现钝化，无法 对财务危机公司做出正确的判断。 本文研究的目的是希望通过粗糙集理论与神经网络技术相结合构建一个组合模型。利 用粗糙集理论对神经网络的输入进行预处理，不但可以降低神经网络的复杂结构，提高神 经网络的预测效率，还可以有效规避神经网络在结构选取上的主观性和盲目性，提高网络 的解释能力。同时，对于神经网络的训练算法采用动量添加法和自适应参数调整法对传统 的b p 算法进行改进，使之符合神经网络的训练要求，并可以有效的规避神经网络在规则提 取上的“黑箱操作”，提高网络的训练速度。 1 1 2 研究意义 财务是一个企业生存和发展的关键所在，财务风险管理是企业管理理论的一个延 伸，通过提供可操作的预警分析方法，在企业现有职能的基础上，增设对未来财务状况 的监测、诊断、控制、矫正等预警职能，使企业的财务结构更完善、更合理。能够为企 业的壮大发展保驾护航。财务危机预警研究旨在危机发生之前，作出提示，尽可能的避 免危机发生给企业带来的严重且不可逆转的损失。因而，对一个企业而言，选择一种恰 当的预警方法是降低其风险的有效途径。 ( 1 ) 理论意义 目前在财务预警方面存在着较多模型，选择恰当的预警方法将对预警起着关键作 用。国内外已有大量的预警方法和模型，如神经网络模型、模糊预警模型等，但每种方 法都有自己的适用范国，本文把粗糙集理论引入神经网络系统，是对神经网络预警方法 合理补充，同时，改进标准b p 算法，提高神经网络的训练速度。为企业财务预警提供 了一个新的研究思路和方法，同时也能更好地丰富和完善企业财务预警的理论和方法。 ( 2 ) 实践意义 企业陷入财务困境是一个逐步的过程，通常从财务正常濒渐发展到财务危机。实践 中，大多数企业的财务困境都是由财务状况证常到逐步恶化，最终导致财务困境或破产 的。因此，企业的财务困境不但具有先兆，而且是可预测的。正确地预测企业财务困境， 对于保护投资者和债权人的利益、对于经营者防范财务危机、对于政府管理部门监控上 市公司质量和证券市场风险，都具有重要的现实意义。 大连理 大学硕士研究生学位论文 对于企业的管理层来说，财务危机预警模型能够起到警示的作用。如果企业的管 理层能够依据企业的历史财务数据资料正确的预测企业是否将陷入财务危机状态，将有 利于企业的管理层提前财务措施，提高警惕，以有效的避免企业发生财务危机。 对于投资者和其它财务信息使用者来说，首先，投资者可以在证券价格大跌之前 就获得财务风险的警报，及时撤走资金或审慎投资，以避免更大损失：其次，包括银行 在内的债权人可以利用这种预测考察贷款风险，防止坏账发生，作出信贷决策进行控制； 再次，供货单位和客户可以在财务预警信号帮助下制定商业信用政策，并加强对应收账 款的管理。 1 2 国内外文献综述 1 2 1 国内外预警模型研究概况和发展趋势 ( 1 ) 国外研究现状 国外对于预警模型的研究已经有四十多年的历史，产生大量有效的预警模型。最 早，b e a v e r ( 1 9 9 6 ) 对7 9 个发生财务危机企业和相同数量、相同等资产规模的成功企业进 行比较研究后提出了单变量判定模型，即通过个别财务比率走势恶化来预测财务危机状 况“3 。由于采用不同比率预测同一公司可能会得出不同的结果，a l t m a n ( 1 9 6 8 ) 首先采用判 别分析方法，使用负债比率、流动比率、净资产收益率等多种财务指标。建立了企业财务 危机预警分析的多变量模型“1 。而 i a r t i n ( 1 9 7 7 ) 和z a v g r e n ( 1 9 8 5 ) 采用l o g i s t i c 回归模 型”1 。s k o g s v i k ( 1 9 9 0 ) 运用p r o b i t 函数模型也分别建立多变量模型，并且大大提高了模 型的预测精度。1 。另外，w i l s o n 等( 1 9 9 4 ) 还利用神经网络和f r y d m a n ( 1 9 8 5 ) 运用决策树等 更为复杂的机器学习方法( m a c h i n e l e a r n i n g m e t h o d ) 来建立模型“1 。 ( 2 ) 国内研究现状 国内对于企业财务危机预警的研究刚刚起步，主要是针对s t 公司的财务指标进行 研究。1 9 8 6 年，吴世农、卢贤义曾撰文介绍企业破产的财务分析指标及其预测模型5 1 。 他们选取了7 0 家处于财务困境的公司和7 0 家财务正常的公司为样本，应用单变量判定 分析，研究财务困境出现前五年内这两类公司2 1 个财务指标各年的差异，最后确定6 个指标为预测指标，应用单一线性判定分析、多元线性回归分析和逻辑分析三种方法， 分别建立三种财务危机预测的模型。陈静以1 9 9 8 年的2 7 家s t 公司和2 7 家非s t 公司， 使用了1 9 9 5 一1 9 9 7 年的财务报表数据，进行了单变量分析和多元线性判定分析，在单变 量分析中，发现在负债比率、流动比率、总资产收益率、净资产收益率4 个指标中，流 动比率和负债比率误判率最低”3 ；在多元线性判定分析中，由负债比率、净资产收益率、 流动比率、营运资本总资产、总资产周转率等6 个指标构建的模型，在前三年能较好 粗糙集一神经网络模型在财务预警上的应用研究 地预测财务危机。张玲以深沪1 2 0 家公司为样本，通过实证检验，认为多元线性判定模 型具有超前四年的预测结果”3 。陈晓、陈治鸿以财务状况异常而s t 的企业为样本，运用 多元逻辑回归模型和可公开获得的财务数据，对公司财务危机进行了预测8 1 。通过试验 1 2 6 0 种变量组合，发现负债权益、应收账款周转率、主营利润率总资产和预留收益 总资产对公司财务危机有着显著的预示效应。李华中选择1 9 9 7 年全部s t 公司作为失败 类样本，选择一小部分1 9 9 9 年s t 的公司为失败类样本。3 ；将1 9 9 7 、1 9 9 8 年非s t 类个 股样本作为预测之用，再按照配对原则从同行业、相近资产规模的企业中选出同样数量 的非s t 公司作为非失败类组。选择贝叶斯方法、i o g i t 方法等，作为被选的判断方法， 前两种方法是距离判断方法，后两种方法是回归判别方法。从实证结果看，模型判别的 平均误判率为5 6 6 ，而模型预测的误判率为1 4 5 ，表明模型是有很强的判别分类能 力，是有效的判别工具，可用于外推预测。总的来说，国内学者都是以国内证券市场的 s t 公司作为研究对象，采用单变量分析、多元判别模型和多元逻辑回归模型建立上市公 司财务预警系统。 1 2 2 国内外财务预警方法综合评述 ( 1 ) 国内外财务预警方法列举 从传统的财务危机预测，到财务预警模型的构建，再到财务危机预警系统的形成，是 一个循序渐进的过程。国外现有的各种财务危机预警模型都曾在不同时期发挥了应有的作 用，现汇总分析如下。 专家调查法 专家调查法又成为特尔非法( d e l p h im e t h o d ) ，是美国兰德公司的达尔基( n d a l k e y ) 和赫尔墨( o h e l m e r ) 于1 9 6 4 年正式提出的。财务困境专家调查法就是企业组织专家 对内外环境进行分析。辨明企业是否存在财务困境发生原因，发现财务困境征兆，以此 预测财务困境发生的可能性。在财务定性预警分析中，一般采用标准调查法，即通过专 家对可能会对某个企业财务困境的形成，同时对所有企业都有意义，普遍适用的原因问 题进行分析。 由于标准调查法研究的问题时“标准”化的，因此一般遗漏一些创建问题，但无法 发现个别企业或个别类型企业存在的一些特殊问题。例如，在智力结构比较完善的企业， 即使是控股股东，也不能无偿占用，试用其控股予公司的资产，但在我国，上市公司控 股股东占用上市公司资金，对上市公司造成的损失却是非常严重的，对j 二一般企业来说， 由于控股股东号用控股公司的资产问题不是皮鞭问题，因此使用标准调查发来研究卜市 公司财务困境问题，可能无法犯这个特殊问题。 4 人连理t 大学硕士研究生学位论文 “四阶段症状”分析法 “p q 阶段症状”分析法案财务困境严重程度，将企业财务困境划分为财务危机潜伏 期，财务危机发作期，财务危机恶化期，财务危机实现期四个阶段，对应四个不同的阶 段，有不同的症状表现，“四阶段症状”分析法就是通过分析发现困境症状，判断财务 困境所处的阶段，然后采取有效的措旌，使企业摆脱财务困境。这种分析法将财务困境 分为四个阶段，有利于对症下药，就像给病人看病，开药一样，病情轻，下药轻，病情 重，下药重。可见，运用定性分析时，分析人员的经验与采用的具体方法对分析结论有 较大的影响。 ( 2 ) 单变量分析法 美国芝加哥大学b e a v e r 教授于1 9 6 6 年首次提出可以运用财务比率来预测公司失败 “1 。他以7 9 家对行业相同，资产规模相似的破产公司和非破产公司为样本，采用 m a n n w h i t n e y w i l c o x e n 二分类鉴定方法，在3 0 个财务比率变量中找出最具有差别能力 的单个财务比率及其分界点，结果揭示出现金流和总负债比率的预测能力最高。虽然 b e a v e r 的单变量分析模型取得了较高的预测准确率，但这只是在原有样本中得出的结 果；况且单一比率在不同公司中的运用结果存在偶然性，因而，相对而言不同的比率能 够更全面地反映公司的财务袄况。 比弗不仅仅将财务失败界定为破产，还包括“债券拖欠不履行、银行超支、不能支 付优先股股利等”。首次提出可以运用财务比率来预测公司的失败，目的是通过实证研 究来检验财务比率的预测功能。通过对三十多个比率进行单个检验，发现“现金流总 负债”的比率预测能力最高，“净利润总资产”次之。在失败前5 年可达7 0 以上的预 测能力，失败前1 年更可达8 7 的正确区别率。其中，“现金流量”来自“现金流量表” 的三种现金流量之和，赊现金外还充分考虑了资产变现能力，同时结合了企业销售和利 润的实现及生产经营状况的综合分析，这个比率用总负债作为基数，是考虑到长期负债 与流动负债的转化关系，但是总负债只考虑了负债规模，而没有考虑负债的流动性，即 企业的债务结构因此对一些因短期偿债能力不足而出现危机的企业存在很大的误判 性。“总资产”这一指标没有结合资产的构成要素，因为不同的资产项目在企业盈利过 程中所发挥的作用是不同的。这不利于预测企业资产的获利能力是否具有良好的增长态 势。虽然比弗的单变量分析法能够取得很高的预测准确率，但这只是在原有样本上所取 得的结果。比弗每次只用一个比率来进行破产预测，某个比率在这种情况下预测效果最 好，在其它情况下可能是另一个比率的预测能力最好。由于不同的比率更能反映公司财 务状况的不同侧面，因此，运用一组比率，而不是一个比率，可以获得更佳的预测效果。 而且因不同财务比率的预测方向与能力经常有相当大的差距，有时会产生对f 同一公司 粗糙集一神经刚络模型在财务预警上的廊用剐f 究 使用不同比率预测出不同结果的现象，因此招致了许多批评，而逐渐被多变量方法所替 代。 ( 3 ) 多变量分析法 多变量分析法是通过建立多元函数来分析预测企业财务困境，因此多变量分析模型 也成为多元函数分析模型。 在多变量分析模型中，最有影响的是由美国学者奥特曼提出的“z 一记分法”。1 9 6 8 年奥特曼在t h ej o u r n a lo ff i n a n c ee 发表“财务比率，判别分析和公司破产预测”一 文”。在该文中，他使用多元判别分析( m u l t i p i ed i s e r i m i n a t ea n a j y s is ，m d a ) 方法 来建立财务困境判别函数，提出了z 一记分法，既奥特曼模型。奥特曼使用的财务困境预 测研究方法对后来这方面的研究影响巨大。从相关研究文献来看，卜世纪7 0 及8 0 年代， 许多学者，机构使用多元判别分析法来研究财务困境预测问题，应该说都与奥特曼的贡 献有关。 上世纪8 0 年代起，有学者开始使用线性概率方法。l o g i s t i c 方法来建立困境判剐 函数，近几年又有学者开始使用神经网络技术构建困境判别模型。但变量分析法使用一 个或少数个指标来判断企业财务状况，多变量分析发试用统计技术构建多元分析判别函 数以及建市标准判别值来判断企业财务状况。因此。定量分析法的特点是以数字判断企 业是否陷入财务困境。定量分析的主要特点是根据数据进行判断。这种特点也决定了该 方法的优点及缺点。综上所述，目前国内外存在的主要财务预警方法如表1 1 所示： 表l _ 1 财务预警方法分类 t a b l e1 1 t h ek i n d s o ff i n a n c i a le a r l yw a r n i n gm e t h o d 6 大连理工人学硕士研究生学位论文 行为反映类方法 案例分析法 ( 1 ) 股价分析法 a 配对样本控制法 b 系统因素控制法 ( 2 ) 实验法 a 不告知失败比率 b 告知失败比率 ( 1 ) 纯粹描述 ( 2 ) 共同因素分析法 ( 4 ) 神经网络模型的发展现状及趋势 神经网络最早的研究是2 0 世纪4 0 年代心理学家m c c u l l o c h 和数学家合作提出的，他 们提出的m p 模型拉开了神经网络研究的序幕。神经网络的发展大致经过的三个阶段： 1 9 4 7 一1 9 6 9 年为初期，在这期间科学家们提出许多神经元模型和学习规则。神经网络模 型是模仿人类大脑思考的方式建构出来的人工智能系统，由于它具有理论上可模拟人的 非线性连续映射的能力，可以不受限于样本为正态分布的假设，同时无变量共线性的问 题，因而非常适合于非线性系统的建模。神经网络由输入层，若干隐含层和输出层构成， 与这三类层次对应的是三种神经元：输入神经元，输出神经元和隐含神经元。每个神经 元都是一个简单的计算装置，他的特性可以由简单的数学函数所描述。神经元接受其他 神经元传递来的输入信息，根据和函数进行加权平均，然后根据传递函数产生输出信息， 输出信息又按照网络的拓扑结构传递少下一个神经元。0 d o l i l s h a r d a 被誉为将神经网络 模型应用在破产预测模式中最具代表性学者，其1 9 9 0 年的研究是以a 1 t m a n 所构建的五个 财务比率为研究变量，使用神经网络与判别分析做验证比较，其结果发现训练样本的正 确率高达1 0 0 。而保留样本失败与正常的正确率分别为8 1 7 5 与7 8 1 8 ，显示神经网络 具有较佳的预测能力。1 。另外，k o ha n dt a n 在1 9 9 9 年以6 个财务指标为研究变量作了类 似的研究，并得出神经网络模型的预测效果优于p r o b i tm o d e l 的结论”1 。 人工神经网络模型正好弥补了目前顸警系统尚存在的一些问题，如：预警模型惯于 采用直线外推、指数平滑、回归分析、移动平均、灰色预测等模型，而高度非线性模型 难以处理；与惊险和预警区域采用确定方式，不具备时变特性，缺少自适应，自学习能 力；预警信息和知识获取是间接的，费时、效率低；预警系统的建立是离线和非定时的， 难以适应在线定时预警要求。人工神经网络理论和方法的出现，为预警系统克服传统方 式的不足提供了新的可能性。 7 橱糙集一神经网络模型在财务顶警上的应剧研究 目前，神经网络的应用领域不断扩大，并不断与其他数学方法相结合以期望存一些 领域中获取更大的成功。神经网络技术与模糊逻辑的结合更加适合表达那些模糊或定性的 知识，其推理方式比较类似于入的思维方式，这些都是模糊逻辑的优点。在经济学上应用 最多的是将神经网络技术与遗传算法，专家系统相结合。遗传算法是1 9 6 2 年由美国的h o l l a d 提出的。遗传算法是基丁自然选择和基凶遗传学原理的全局优化搜索算法，因其简单通用， 鲁棒性强，适用于并行处理，已成为人们用来解决高度复杂问题的一个新思路和新方法。 另外，神经网络技术与专家系统的结合在当今应用也比较多。人工神经网络是基于输出输 入的一种直觉性反射，适于发挥经验知识的作用，进行浅层次的经验推理；专家系统是基 于知识，规则匹配的逻辑知识的作用，进行深层次的逻辑推理。专家系统的特色是符号推 理，神经网络擅长数值计算。因此两者的结合能够互补长短。神经网络与专家系统结合的 出发点立足于将复杂系统分解成各种功能子系统模块，各功能子系统模块分别由神经网络 或专家系统实现。另外，基于粗集理论的神经网络也在经济学上得到推广和应用。粗糙集 理沦是波兰数学家z p a w l a k 于1 9 8 2 年提出的一种数据分析理论”“。粗糙集和神经网络的共 同点是都能在自然环境下很好的工作，但是粗糙集理论方法模拟人类的抽象逻辑思维，而 神经网络方法模拟形象直接思维，因而二者又具有不同的特点。目前粗集理论已经被成功 的应用于机器学习，决策分析，过程控制，模式识别与数据发掘等领域。 1 3 本文的研究思路和方法 1 3 1 研究思路 本文粗神经网络模型构建财务危机预警模型，总体思路是：首先，利用粗集理论对 神经网络的输入进行预处理，利用知识约简的方法对财务指标进行重要度的提取，消除 冗余信息，降低神经网络的输入维数，有效的规避了神经网络在结构选取上的主观性和 盲目性。其次，采用参数自适应算法和动量添加法修正传统b p 算法，可以大大提高网 络的训练速度和预测效率。再次，运用m a t l a b 工程软件对上市公司的财务数据训练样 本按照神经网络算法进行迭代和处理，确定神经网络的权值等相关参数，最终确定模型。 最后，对网络进行预警能力检验。 1 3 2 研究方法 本文采用了以下研究方法： ( 1 ) 运用经济学、管理学、信息技术、数理统计学等多门学科的理论与方法作为 研究基础，使本文研究具有峰实的理论铺垫和多学科互相交叉、互相融合、互相补充的 研究特色。 8 大连理工大学硕士研究生学位论文 ( 2 ) 运用理论研究和实证分析相结合，定性与定量相结合的方法，探讨了我国上 市公司财务危机预警的前提和理论结构体系。运用粗神经网络构建了我国上市公司财务 危机预警模型，从而保证了本文研究的理论创新性和财务危机预警模型的实用性。 ( 3 ) 运用组合思维方法，构建了一套财务危机预警的组合模型，补充完善了财务 预警管理体系。 9 粗糙集一神经列络模型在财务预警上的应用研究 2 粗糙集一神经网络相结合的理论基础 2 1 粗糙集与神经网络结合的发展现状 从知识论的角度而言，粗糙集理论是模拟人类的抽象逻辑思维，将数据中推理逻辑 规则作为知识系统的模型；神经网络则是模拟人类的形象知觉思维，利用非线性映射的 思想表达输入与输出的关联知识。两者结合就是人类定型和定量、清晰和模糊、串行和 并行相互交叉的常规思维机理的体现。因此粗糙集与神经网络的结合，已成为纪念来许 多研究人员的关注焦点。 j “o n e k 等人和陈遵德提出了利用粗糙集理论对神经网络的输入数据进行属性优 选，确定属性最少的网络输入，以减少网络规模提高训练速度m “”。其缺点是没有考 虑到网络在解决问题时其训练速度不仅与输入变量数目有关，还与所需要解决的问题有 关。因此在其研究中并未解决如何利用粗糙集理论找出最适合于神经网络训练的属性 集。同时，陈遵德还将k o h o n e n 网络用于连续数据的离散化，以解决粗糙集理论不能处 理连续性数据的问题”。 h a s h e m i 等人和a h n 等人研究了粗糙集作为神经网络预处理的二维约简方法，即同 时对决策表的水平和垂直方向约简“”。水平约简就是j i l o n e k 等人所提出的方法中的 属性约简。对于垂直约简，h a s h e m i 与a h n 的处理方法有所不同。学习样本中的冗余对 象对网络预测精度没有影响，却增加训练负担，因此h a s h e m i 等人应用粗糙集理论进行 垂直约简的目的在于消除样本中的冗余对象，在j i 】o n e k 提出的减少输入参数的基础上 进一步减少学习样本容量：而从n 进行垂直约简的目的是消除样本中的不一致对象，以 降低其对网络的预测精度的影响。 朱林等人综合了h a s h e m i 和a h n 的垂直约简的方法，对决策表同时进行属性约简( 水 平约简) 、消除样本中的冗余对象和不一致对象( 垂直约简) “”“。并用盖房法建立了 股票价格预测模型，取得了较好的效果。 2 2 粗糙集的基本理论 2 2 1 粗糙集理论简介 粗糙集( r o u 曲s e t s ，即r s ) 理论是一种处理不完整和不精确性问题的新型数学工 具。它能有效地分析不精确、不致、不完整等各种不完备的信息，并从中发现隐含的 知识，揭示潜在的规律“。粗糙集理论是由波兰科学家p a w l a k z 在1 9 8 2 年提出的。它 的一个重要特点是不需要预先给定问题的某些特征或属性的数量描述，如概率分布、隶 属度和隶属函数等，而是直接从给定问题的描述信息出发，依据不同的观察点( 属性或 o 人连理j f 大学顷士研究生学位论文 关系) 把论域划分成等价类来确定给定问题的近似域，从而发现问题的本质特征和规律。 目前粗糙集已经被应用于模式识别、预测、过程控制、数据挖掘、故障诊断、决策分析、 人工神经网络和机器学习等各种领域，取得了很多令人瞩目的成果m 1 。 2 2 2 粗糙集理论在本文应用的几个关键技术 ( 1 ) 决策表 粗糙集理论主要研究一个有对象集和属性集构成的数据结构，该数据结构通常被称 为决策表”。其形式如表2 1 所示： 表2 1 决策表 t a b l e2 1d e c i s i o nt a b l e 决策表中的对象集表示某些观察，属性集表示对象的描述，如特征、征兆等。属性 集合分为条件属性和决策属性两大类，其中u = ， 称为对象集， c = f ，。f 为条件属性集，d 为决策属性：r 表示第i 个对象的第j 个状态属性 jj。 j- 值，。表示第i 个对象的决策属性值。 在本文的研究中u = ( z ，z j 代表研究样本，即量，x ：，j 代表所选取卜 市公司，c 5 f ， ，f ， 代袁财务指标体系，即f ；， ，f 代表上市公司财务指标t 。代表财务危机的判别，即代表出现财务危机或没有出现财务危机。 ( 2 ) 连续属性离散化 由于粗糙集理论只能对离散属性数据进行处理，而绝大多数现实的数据库既包含了 离散属性，如颜色、性别等：又包含了连续属性，如温度、长度、重量等。为了能够处理 连续属性，已有多位学者从事此项研究，它们大多采用聚类方法，将属性值按照一定的准 则聚到某一类上，将用连续属性表示的属性表转变成用离散属性表达的决策表。聚类的 准则大多基于距离的聚类分析，如k m e a n s ( k 一平均值) 法、k m e d o i d s ( k 一中心点) 法、层 次聚类法等1 “。 租糙集一神经网络模型在财务 蟹上的应用研究 苗夺谦提出了基于动态层次聚类的连续属性离散化算法，该算法的指导思想是在保 证离散后的决策表应当同离散化前一样保持其相容性的前提下，寻找使得约简效率最高 的聚类划分。该算法无需事先指定聚类的数目，而是根据聚类后的决策表相容度的限 制条件、聚类的距离阀值实现了自动聚类。 由于本文的财务预警模型所需要用到样本数据，即为上市公司的各种财务指标，而 财务指标是连续性数据，不能利用粗糙集的知识约简理论进行处理，因此要对上市公司 的财务数据进行连续属性离散化。在本文中，利用竞争学习神经网络实现财务指标的离 散化处理。 ( 3 ) 属性约简 所谓知识约简就是在保持知识库分类能力不变的条件下，删除其中不相关或不蓖要 的知识1 。令p 为一等价关系，r p ，如果i n d ( p ) = i n d ( p f r ) ) ，则称r 为p 中不必要的： 否则称r 为p 中必要的。设qp ，若q 是独立的，且i n d ( 0 ) = i n d ( p ) ，则称q 为p 的个约 简。p 中所有必要关系组成的集合称为p 的核记为c o r e ( p ) 。核与约简有如下关系； c o r e ( p ) = nr e d ( p )( 2 1 ) 其中r e d ( p ) 表示p 的所有约简。利用区分矩阵( d i s c e r n i b i l i t ym a t r i x ) 来表达知 识有许多优点，特别是它能容易地计算约简和核。 属性约简是粗糙集理论中的核心知识，也是粗糙集在本文中应用的重要知识点。现 实世界中的信息难免存在冗余，且各信息对决策能力的贡献也不同，所以有必要进行约 简，以便在信息量小、计算复杂性小、内存消耗小的情况下，利用包含在训练集中的知 识信息仍能保持较好的决策分类能力。对决策知识的约简而言，特征( 属性) 的选择是 很重要的。本文采取的是区分矩阵法进行属性约简 令s = ( u ，a ，v ，f ) 是一个知识表达系统叫= n 。s 的区分函数矩阵式个n n 矩阵， 其中矩阵的任一个元素为一个集合，可表示为： a ( x ，y ) = f a e aif ( x ，a ) f ( y ，a ) )( 2 2 ) 因此，a ( x ，y ) 是区别对象x 和y 的所有属性集合。本文引用布尔函数作为区分矩阵 的区分函数( d is c e r n i b i l i t ym a t r i x ) ，用表示。对每个属性a a ，指定一个布尔函 数日lv 以2v 仉v v 醌，用a ( x ，y ) 来表示；若a ( x ，y ) = 巾，则指定布尔变量l 。 布尔区分函数a 可以用下式表示： = 丌n ( y ) ( 2 3 ) 大连理1 ：大学硕士研究生学f = 1 7 = 论文 = n 口( 五y ) ( 2 3 ) ( j j k u x “ 其中区分函数有如下性质：蛹数的极小析取范式中的所有台取式是属性集a 的 所有约简。换句话说，约简是满足能区别由整个属性集合的区别所有对象的属性极小子 集。例如，如果b a 是满足下列条件的极小子集( 关于包含) ， b n a ( x ，y ) 巾，v a “，y ) 中( 2 4 ) 则b 是a 的一个约简。其中核是区分矩阵中所有单个元素组成的集合，即c o r e ( a ) = a ala ( x ，y ) = a ) ，其中小，x ，y u 2 3 神经网络技术原理 2 3 1 神经网络模型概述 ( 1 ) 神经网络的基本原理 神经网络预测方法与非线性方法十分相似，它无须满足财务危机预测函数的变量 ( 财务比率) 是线性且相互独立的假设，它能够深入挖掘预测变量之间“隐藏”的相 关关系。 神经网络有大量单个神经元组成，各神经元之阳j 通过相互连接形成一个网络拓扑， 这个网络拓扑形式称为神经网络互联模式。不同神经网络模型神经网络结构和互联模式 都有一定的一定要求和限制。神经网络从其所处环境中接受信息，对信息进行加工处理 之后又返同到其所处环境中去。各神经元之间连接并不只是一个单纯传递信号信道，而 是在每对神经元之间的连接上有一加权系数，这个加权系数可以加强或减弱上一个神经 元输出对下一个神经元刺激，这个加权系数通常被称为权值( 或称为连接强度) 。在神 经网络中，修改权值的规则称为学习算法，权值可根据经验或学习来改变，系统得以产 生进化，达到用户要求。 ( 2 ) 利用人工神经网络进行建模的优点 无须建立实际系统的数学解析式。神经网络将实际系统的输入输出关系隐含 在其内部结构中。在实际应用中，使用者真正关心的不是神经网络用什么形式实现目标 输出的模拟，只要神经网络的输出与目标输出的误差值在可接受的范围之内，即可认为 神经网络已充分体现了实际系统的特性，实现了对系统的拟合。且神经网络模型的本身 就是实际系统的拟合模型。 粗糙集一神经网络模型在财务预警上的应用研究 神经网络是由大量的神经元广泛连接而成，神经元之间的连接权值对戍于模型参 数，因此，神经网络模型通过不断修正连接权值的方法，实现对实际系统输出变量的非 线性函数逼近。 神经网络模型在拟合过程中的收敛速度与实际系统的维数无关，而只取决于网络 自身结构特性及网络学习参数的确定。 从以上分析可以看出，影响神经网络对实际系统拟合精度的主要因素在于人工神经 网络模型的选择、网络结构的构造及各类参数的选择，对于不同的应用领域或同一应用 领域内不同的应用目的，所对应各要素的确定方法有所不同。 2 3 2 两种神经网络结构模型 ( 1 ) b p 神经网络 b p 神经网络通常是指给予误差反响传播算法( b p 算法) 的多层前向神经网络，它 足d f r u m e l h a r t 和j l m c c e l l a n d 及其研究小组在1 9 8 6 年研究并设计出来的”“。其 结构如图1 1 所示。 b p 算法已