（管理科学与工程专业论文）基于神经网络的财务困境判别模型及其实证研究.pdf

神经网络进行处理前，并没有对计算所得的2 5 个财务指标值再进行处理。 本研究进行数据预处理时采用的软件为e x c e l ，计量经济学软件s p s s 和 e v i e w s ，神经网络的创建和训练则使用m a t l a b 软件包来进行。 4 4 神经网络具体参数设置 本研究应用的神经网络是三层口p 算法的前向反馈m l p 刚络，是目前应用最 广的神经网络。由于输入的财务指标有2 5 个，所以神经网络的输入层有2 5 个输 入神经元。隐层节点数的确定采用实验法，寻找使训练样本误判率最小的隐层节 点数。本研究使用m a t l a b 软件包来进行神经网络的创建和训练。在采用实验法 确定隐层节点数之前，先对神经网络进行初始化。本研究中神经网络的初始化参 数完全按照m a t l a b 软件包中的默认值进行设置。具体参数如下： 目标误差为0 0 2 ，学习速率为o o l ，学习速率增加的比率为1 0 5 ，学习速率 减少的比率为( ) 7 ，动量常数为0 9 ，最大误差比率为1 0 4 。训练循环次数为5 0 0 次。 本研究中隐层节点数的确定采用以下方法： ( 1 ) 首先根据下式大致确定最佳节点数的范围： n ，= 由+ m + 口，其中m 为输出节点数，n 为输入节点数，”，为隐层节点数， a 取卜1 0 之间的常数。 本研究中输入节点数n = 2 5 ，输出节点数m = 1 ，常数口= 1 ，则有隐层节点 数的初始值： 月l = 而+ 口= 丽+ 1 6 ( 2 ) 采用交叉确认的方法。 根据隐层节点数的初始值6 ，以s t 前年数据对网络进行训练并以2 0 0 2 年s ，r 样本作为检验样本计算预测误差，然后逐渐增加节点数目，如果每增加一 个节点会降低预测误差，则保留这个节点；如此反复，直至增加节点反导致误差 上升为止，此时的隐层节点数为最佳隐层节点数。具体隐层节点数所对应的误差 见表4 1 。 表4 1 隐层节点数及所对应的误差 隐层节误判训练隐层节误判训练隐层节 误判训练 点数数次数点数数次数点数 数 次数 471 2 6662 3 9892 3 6 581 1 771 02 0 8 4 0 从表4 - 1 可以看到当隐层节点数为4 时，误判数7 ；隐层节点数为5 时，误 判数8 ；隐层节点数为6 时，误判数5 ：隐层节点数为7 时，误判数1 0 ；隐层节 点数为8 时，瀑判数9 。由此可见，6 是最佳隐层节点数 由此，本研究所用的神经网络的拓扑结构完全确定，2 5 个输入节点，6 个 隐层节点，1 个输出节点。其拓扑结构见图4 1 。 图4 - 1 本研究所用神经网络的拓扑结构 4 5 计算结果及分析 本文首先利用训练样本s t 前一年的财务数据作为神经网络的输入，以训练 样本各公司的分类变量作为导师，：来训练神经网络。当神经网络经过训练，使拟 合误差达到甚至小于目标误差之后，将检验样本s t 前四年的财务数据代入模型 中，可以获得检验样本提前1 年到提前四年预测的结果。结果见表4 2 。 表4 - 2 基于训练样本s t 前年的财务数据的预测结果 2 0 0 2 被s t 公司非s t 公司检验样本 判别判别正确判别判别正确总体正 正确错误 塞 正确错误 确率 提前一年 3 21 3 7 1 3 878 4 4 4 7 7 7 8 提前两年1 92 6 4 2 2 2 4 149 1 1 1 6 6 6 7 提前三年 93 52 0 4 5 3 958 8 6 3 5 4 5 4 提前四年 l l2 82 8 2 1 3 4 5 8 7 1 8 5 7 6 9 从表中的判定结果来看，提前一年的结果比较令人满意，检验样本的总体正 确率达到了7 7 7 8 ，而且非s t 公司的判别正确率达到8 4 4 4 ，s t 公司订三确率 4 l 也有7 1 11 。说明利用训练样本2 0 0 1 年的财务数据来训练神经网络，从而得到 的神经网络连接权值，对于提前一年预测是相当有效的。提前两年的结果比较一 般，检验样本的总体正确率达到了6 6 6 7 ，而且非s t 公司的判别正确率达到 9 1 1 1 ，s t 公司正确率却只有4 2 2 2 ，还不到5 0 。从表4 2 也可以看到，提 前三年到四年的预测结果就差强人意了，检验样本的总体正确率还不到6 0 ，更 糟糕的是s t 公司的判别正确率只有2 0 到3 0 。分析出现这种情况的原因，可 能有两点：( 1 ) 公司被宣布s t 的前一年的财务基本面与前面几年有相当大的差 别，从而使s t 公司提前预测的准确率急剧下降，而非s t 公司由于财务基本面 变化不大，而具有较好的可预测性。( 2 ) 由于采用的是训练样本s t 前一年的财 务数据来训练神经网络，可能使训练形成的神经网络的联接权数较多体现的是公 司s t 前一年所具有的特性，当检验样本s t 前几年的财务数据不具有s t 前一年 的典型特性时，也会造成s t 公司提前预测的准确率下降。 为了探究到底是哪种原因引起s t 公司提前预测的准确率急剧下降，现准备 利用训练样本s t 前两年、s t 前三年的财务数据作为神经网络的输入以训练样 本各公司的分类变量作为导师，来训练神经网络的联接权值。然后利用得到的权 值进行预测。其结果分别见表： 表4 3 基于训练样本s t 前两年的财务数据的预测结果 2 0 0 2 被s t 公司非s t 公司检验样本 判别判别正确判别判别正确总体正 正确错误 奎 正确 错误 确率 提前一年 3 51 07 7 7 8 2 l2 44 6 6 7 6 2 2 2 提前两年 3 41 17 5 5 6 2 42 15 3 3 3 6 4 4 4 提前三年 2 7 1 76 1 3 6 2 8 1 66 3 6 3 6 2 5 0 提前四年 1 62 34 1 0 2 2 41 46 1 5 4 5 1 2 8 从表4 3 可以看到，检验样本提前两年的s t 公司判别正确率为7 5 5 6 。检 验样本的总体正确率从提前年到提前四年分别为6 2 2 2 、6 4 4 4 、6 2 5 0 、 5 1 2 8 。而提前三年和提前四年的s t 公司判别正确率分别为6 1 3 6 、4 1 0 2 。 由此可见，利用训练样本s t 前两年的财务数据来训练神经网络的效果要在判别 s t 公司方面好于利用训练样本s t 前一年的财务数据来训练神经网络。因此可以 判断，神经网络对训练样本s t 前一年的财务特性的过度拟合造成了s t 公司提 前预测的准确率急剧下降。同时可知，s t 企业的财务状况是逐渐恶化的，其财 务困境也是可以预测的。 从表4 4 可以看到基于训练样本s t 前三年的财务数据的预测结果。检验样 本的总体正确率从提前一年到提前四年分别为6 5 5 6 、5 6 6 7 、5 2 2 7 、6 2 8 2 。 提前一年到提前四年的非s t 公司判别正确率分别为8 6 6 7 、8 6 6 7 、8 6 3 6 、 1 0 0 。由此可见，利用训练样本s t 前三年的财务数据来训练神经网络其对非 s t 公司的判别效果要好于利用训练样本s t 前一年和前两年的财务数据来训练神 经网络。但从表4 4 也可以看到提前年到提前四年的s t 公司判别诋确率分别 只有4 4 4 4 、2 6 6 7 、1 8 1 8 、2 5 6 4 。应该说，其对s t 判别的效果是最差 的。 表4 4 基于训练样本s t 前三年的财务数据的预测结果 2 0 0 2 被s t 公司非s t 公司 检验样本 判别判别正确判别判别正确总体正 正确错误正确错误 确率 提前一年 2 02 54 4 4 4 3 96 8 6 6 7 6 5 5 6 提前两年 1 23 32 6 6 7 3 968 6 6 7 5 6 6 7 提前三年 83 61 8 1 8 3 868 6 3 6 5 2 2 7 提前四年 1 02 92 5 6 4 3 9o1 0 0 6 2 8 2 基于训练样本s t 前三年的财务数据所训练的神经网络之所以在s t 判别和非 s t 判别的差异巨大，主要因为s t 公司在s t 前的第三年其企业还是赢利的企 业的财务基本面并未恶化，将这些公司标为s t 公司，并用其财务状况作为s t 公 司的标准肯定会导致s t 公司判别的较大误差。而非s t 公司由于财务状况变化不 大，故判别效果较好。 4 6 引入欧氏距离进行优化后的判别模型 为了给神经网络加入更多的统计意义，使神经网络的判别精度得到提高，本 研究尝试性地准备将欧氏距