企业信用评价新视角：因子分析与小波网络融合模型探究

企业信用评价新视角：因子分析与小波网络融合模型探究一、引言1.1研究背景与动因在当今经济全球化和市场经济快速发展的时代，企业间的经济活动愈发频繁和复杂，企业信用作为经济交往的基石，其重要性不言而喻。良好的企业信用不仅是企业在市场中立足的根本，也是市场经济健康有序运行的关键保障。从宏观层面看，企业信用状况影响着整个经济体系的稳定性和资源配置效率；从微观角度而言，它直接关系到企业自身的融资能力、商业合作机会以及市场竞争力。例如，在金融市场中，信用良好的企业更容易获得银行贷款，且能享受更优惠的利率条件，这为企业的发展提供了充足的资金支持，有助于企业扩大生产规模、进行技术创新等。在商业合作领域，信用高的企业能吸引更多优质合作伙伴，建立长期稳定的合作关系，从而拓展市场份额，提升企业的经济效益。然而，传统的企业信用评价方法存在诸多不足。早期的专家判断法主要依赖专家的主观经验，对债务人的品德、借款用途、还款来源等信用形成要素进行评估，这种方法主观性强，不同专家的判断标准可能存在差异，导致评价结果缺乏一致性和准确性。而且随着信贷业务量的增加，需要大量专业分析人员，这会使金融机构的审查成本大幅上升。后来发展的财务比率综合分析法，如沃尔比重法，虽然引入了定量分析，选取流动比率、负债权益比率等财务指标进行综合评价，但该方法所选指标的普适性和权数的准确性有待考量，且当某一指标偏离较大时，会对总体得分产生较大影响，无法全面准确地反映企业的真实信用状况。之后出现的利用财务报表信息挖掘企业风险的多元判别模型，以及现代社会多样化的基于数理模型的信用度量方法，虽然在一定程度上提高了评价的科学性，但仍难以处理复杂多变的市场环境和企业信用影响因素之间的非线性关系。随着信息技术的飞速发展，数据量呈爆炸式增长，这为企业信用评价带来了新的机遇和挑战。因子分析作为一种多元统计分析方法，能够有效处理多个变量间的内在关系，通过降维提取关键因子，减少评价指标间的相关性，提高评价效率。而小波网络技术作为研究复杂问题的有力工具，在模式识别与分类、预测、自动控制等领域展现出非凡的优越性，其能够很好地逼近非线性函数，处理复杂的非线性问题。因此，融合因子分析与小波网络构建新的企业信用评价模型具有重要的现实必要性，它可以充分发挥两者的优势，更准确、全面地评估企业信用状况，为经济活动中的各方提供可靠的决策依据。1.2研究价值与意义从理论层面来看，本研究构建的基于因子分析与小波网络的企业信用评价模型，是对现有企业信用评价体系的进一步完善和创新。传统的信用评价理论和方法在面对复杂的经济环境和企业信用影响因素时存在局限性，而本研究将因子分析的降维思想和小波网络处理非线性问题的能力引入信用评价领域，丰富了信用评价的理论研究内容，为后续学者深入研究企业信用评价提供了新的思路和方法，有助于推动企业信用评价理论的不断发展。在实践应用中，新模型具有多方面的重要作用。对于金融机构而言，准确的企业信用评价是信贷决策的关键依据。通过本模型，金融机构能够更精准地评估企业的信用风险，合理确定贷款额度、利率和还款期限等，降低不良贷款率，提高金融资产质量，保障金融市场的稳定运行。在供应链管理中，企业可以利用该模型评估供应商和合作伙伴的信用状况，选择信誉良好、稳定可靠的合作伙伴，降低供应链风险，确保供应链的顺畅运行。在投资决策方面，投资者可以借助本模型对潜在投资企业的信用进行评估，筛选出信用良好、发展潜力大的企业进行投资，提高投资回报率，降低投资风险。从宏观经济角度看，该模型的广泛应用有助于优化市场资源配置，促进市场经济的健康发展，提高经济运行效率，营造良好的市场信用环境。1.3研究设计与方法本研究首先通过广泛的文献研究法，全面梳理国内外关于企业信用评价的相关理论和研究成果，深入了解企业信用评价的发展历程、现状以及存在的问题，为后续研究奠定坚实的理论基础。在构建基于因子分析与小波网络的企业信用评价模型过程中，运用数理统计方法对收集到的大量企业信用相关数据进行初步处理和分析，筛选出具有代表性的评价指标。然后运用因子分析法对这些指标进行降维处理，提取关键因子，作为小波网络评价模型的输入变量。在确定小波网络结构时，参考相关研究成果和实际数据特点，通过反复试验和优化，确定合适的网络参数和结构，以提高模型的准确性和泛化能力。为了验证所构建模型的有效性和优越性，采用案例分析法，选取多个具有代表性的企业样本，运用新模型进行信用评价，并将评价结果与实际情况以及其他传统信用评价方法的结果进行对比分析。同时，运用实证研究法，收集大量的实际企业数据，对模型进行全面的实证检验，分析模型的性能指标，如准确率、召回率、F1分数等，从多个角度验证模型的可靠性和实用性。在研究过程中，遵循严谨的研究思路和技术路线。首先明确研究问题和目标，即构建一种更准确、有效的企业信用评价模型。然后围绕该目标，开展文献研究、数据收集与处理、模型构建与优化等工作。最后通过案例分析和实证检验对模型进行评估和验证，根据验证结果对模型进行进一步改进和完善，确保研究成果的科学性和实用性。二、理论基石与研究现状2.1企业信用评价理论剖析2.1.1信用评价的基本内涵企业信用评价，是指专业的信用评级机构或相关主体，依据科学严谨的评价指标体系、规范的评价方法和既定的评价程序，对企业在经济活动中履行各类经济承诺的能力和意愿进行全面、系统、客观的评估，并以简洁明了的符号、数字或文字等形式，直观地揭示企业信用状况和信用风险程度。其目的在于为经济活动中的各方参与者，如投资者、金融机构、供应商、合作伙伴等，提供关于企业信用状况的准确信息，帮助他们在进行投资决策、信贷审批、商业合作等活动时，能够充分了解交易对手的信用水平，从而合理评估风险，做出科学、明智的决策。例如，投资者在选择投资对象时，可依据企业信用评价结果，筛选出信用良好、发展稳定的企业进行投资，以降低投资风险，提高投资回报率；金融机构在审批企业贷款申请时，通过参考信用评价，能准确判断企业的还款能力和信用风险，合理确定贷款额度、利率和还款期限，保障金融资产的安全。从更广泛的意义上讲，企业信用评价在市场经济中扮演着至关重要的角色，它是市场经济信用体系的核心组成部分，有助于规范市场秩序，促进公平竞争，提高资源配置效率，推动市场经济的健康、稳定发展。2.1.2信用评价的关键意义企业信用评价对市场经济秩序的维护有着不可或缺的作用。在市场经济环境下，企业之间的经济往来频繁且复杂，信用是维持交易正常进行的基础。通过科学公正的信用评价，能够将信用良好的企业与信用不佳的企业区分开来。信用良好的企业在市场中更容易获得信任和合作机会，从而激励企业积极维护自身信用，遵守市场规则；而信用差的企业则会受到市场的约束和淘汰，这在一定程度上减少了欺诈、违约等不良行为的发生，维护了市场的公平竞争环境，保障了市场经济秩序的稳定运行。例如，在招投标市场中，信用评价高的企业更有可能中标，这促使企业注重自身信用建设，避免出现不正当竞争行为。对于企业融资而言，信用评价更是起着关键作用。金融机构在发放贷款时，首要考虑的就是企业的信用状况。信用评价高的企业，金融机构会认为其违约风险较低，更愿意为其提供贷款，并且可能给予更优惠的利率和贷款条件。这使得企业能够以较低的成本获得资金支持，满足企业的发展需求，如扩大生产规模、进行技术研发等，从而促进企业的健康发展。相反，信用评价低的企业在融资过程中往往会面临诸多困难，融资成本高、额度低，甚至可能无法获得融资，这会严重制约企业的发展。据相关研究表明，信用评级较高的企业在银行贷款的利率上通常比信用评级较低的企业低1-3个百分点，这对于企业来说，每年可以节省大量的财务费用，增加企业的利润空间。从宏观层面看，信用评价有助于优化市场资源配置。信用评价能够准确反映企业的信用状况和经营能力，投资者和金融机构可以根据信用评价结果，将资源投向信用良好、发展前景广阔的企业，使这些企业能够获得更多的资金、技术、人才等资源，实现资源的有效配置，提高经济运行效率。同时，信用评价还能够引导企业注重自身信用建设，提高企业的整体素质和竞争力，促进产业结构的优化升级，推动市场经济的可持续发展。2.1.3现有信用评价方法综述传统的信用评价方法众多，其中Z计分模型具有重要地位。该模型由Altman于1968年提出，它从上市公司财务报告中精心选取了一组能够精准反映企业财务危机程度的财务比率，如营运资金/资产总额、留存收益/资产总额、息税前利润/资产总额等，并根据这些比率对财务危机警示作用的大小赋予不同的权重，最后通过加权计算得出企业的信用风险总判别分Z。通过将Z值与预先设定的临界值进行对比，即可清晰判断企业财务危机或信用风险的大小。Z计分模型的优点在于计算相对简便，能够在一定程度上利用企业的财务数据对信用风险进行量化评估，为信用评价提供了较为客观的依据。然而，该模型也存在明显的局限性，它过于依赖企业的财务报表数据，而财务报表数据可能存在粉饰和造假的情况，这会影响评价结果的准确性；同时，该模型假设企业的财务指标服从正态分布，但在实际情况中，很多企业的财务指标并不满足这一假设，这也限制了模型的应用范围。Logit模型也是一种常用的信用评价方法。它采用一系列财务比率变量来深入分析公司破产或违约的概率，然后根据投资者的风险偏好程度设定风险警界线，以此进行风险定位和决策。Logit模型的优势在于克服了线性判别函数统计假设过于苛刻的不足，对数据的分布没有严格要求，能够更好地处理非正态分布的数据。而且该模型的参数具有明确的经济学意义，通过优势比可以清晰量化每个变量对违约概率的影响，使得模型结果易于理解和解释，在信用评分中得到了广泛应用。但是，Logit模型在变量选择上存在一定的主观性，若变量选择不当，会影响模型的准确性；并且该模型对数据的质量要求较高，当数据存在缺失值或异常值时，模型的性能会受到较大影响。除了上述两种模型，还有神经网络模型，它具有强大的非线性映射能力和自学习能力，能够自动从大量数据中提取特征和规律，对复杂的信用风险进行建模。但神经网络模型也存在一些问题，如模型结构复杂，难以解释其决策过程，被称为“黑箱模型”，这使得在实际应用中难以理解和信任模型的结果；同时，神经网络模型对数据量的要求较大，训练时间长，容易出现过拟合现象，导致模型的泛化能力较差。2.2因子分析理论精析2.2.1因子分析的原理与算法因子分析的核心原理是通过研究多个变量之间的内部依赖关系，将众多具有一定相关性的变量归结为少数几个综合因子。这些综合因子能够反映原始变量的主要信息，实现数据降维的目的，同时又能避免变量之间的多重共线性问题。假设我们有n个样本，每个样本有p个观测变量X_1,X_2,\cdots,X_p，因子分析的数学模型可以表示为：\begin{cases}X_1=a_{11}F_1+a_{12}F_2+\cdots+a_{1m}F_m+\epsilon_1\\X_2=a_{21}F_1+a_{22}F_2+\cdots+a_{2m}F_m+\epsilon_2\\\cdots\\X_p=a_{p1}F_1+a_{p2}F_2+\cdots+a_{pm}F_m+\epsilon_p\end{cases}其中，F_1,F_2,\cdots,F_m（m<p）是公共因子，它们是不可观测的潜在变量，能够解释原始变量之间的相关性；a_{ij}是因子载荷，它表示第i个变量在第j个公共因子上的负荷，反映了变量与公共因子之间的密切程度；\epsilon_i是特殊因子，它表示第i个变量不能被公共因子解释的部分。因子分析的具体计算步骤如下：数据标准化：由于原始变量的量纲和数量级可能不同，为了消除量纲和数量级的影响，需要对数据进行标准化处理，使每个变量的均值为0，方差为1。标准化公式为：x_{ij}^*=\frac{x_{ij}-\overline{x_j}}{s_j}其中，x_{ij}^*是标准化后的数据，x_{ij}是原始数据，\overline{x_j}是第j个变量的均值，s_j是第j个变量的标准差。计算相关系数矩阵：通过标准化后的数据，计算变量之间的相关系数矩阵R，相关系数r_{ij}的计算公式为：r_{ij}=\frac{\sum_{k=1}^{n}(x_{ki}^*-\overline{x_i^*})(x_{kj}^*-\overline{x_j^*})}{\sqrt{\sum_{k=1}^{n}(x_{ki}^*-\overline{x_i^*})^2\sum_{k=1}^{n}(x_{kj}^*-\overline{x_j^*})^2}}相关系数矩阵R反映了变量之间的线性相关程度。确定公共因子个数：根据相关系数矩阵R，计算其特征值和特征向量。特征值反映了每个公共因子对原始变量总方差的贡献程度，通常选择特征值大于1的公共因子作为主因子。此外，还可以通过碎石图、累计方差贡献率等方法来辅助确定公共因子的个数。累计方差贡献率是指前m个公共因子的方差贡献率之和，一般要求累计方差贡献率达到80%以上，以保证提取的公共因子能够充分反映原始变量的信息。求解因子载荷矩阵：利用主成分分析法、极大似然法等方法求解因子载荷矩阵A。以主成分分析法为例，它是通过对相关系数矩阵R进行特征分解，得到特征值\lambda_1\geq\lambda_2\geq\cdots\geq\lambda_p和对应的特征向量u_1,u_2,\cdots,u_p，则因子载荷矩阵A的元素a_{ij}为：a_{ij}=\sqrt{\lambda_j}u_{ij}因子旋转：为了使因子载荷矩阵的结构更加简单，便于对公共因子的含义进行解释，通常需要对因子载荷矩阵进行旋转。常用的旋转方法有正交旋转（如Varimax旋转）和斜交旋转（如Promax旋转）。正交旋转保持因子之间的正交性，即因子之间不相关；斜交旋转则允许因子之间存在一定的相关性，在实际应用中，斜交旋转可能会得到更符合实际情况的结果，但解释相对复杂一些。以Varimax旋转为例，它通过最大化因子载荷矩阵每列元素的方差，使每个公共因子在少数几个变量上有较大的载荷，而在其他变量上的载荷较小，从而使公共因子的含义更加清晰明确。计算因子得分：得到旋转后的因子载荷矩阵后，就可以计算每个样本在各个公共因子上的得分。常用的计算方法有回归法、Bartlett法等。以回归法为例，假设因子得分模型为：F_j=b_{j1}X_1+b_{j2}X_2+\cdots+b_{jp}X_p其中，F_j是第j个公共因子的得分，b_{ji}是因子得分系数，通过最小二乘法求解方程组：\sum_{i=1}^{n}(F_{ji}-\sum_{k=1}^{p}b_{jk}x_{ik}^*)^2=\min得到因子得分系数b_{ji}，进而计算出每个样本的因子得分。2.2.2因子分析在信用评价中的应用案例在企业信用评级方面，学者奚胜田、詹原瑞等人运用因子分析和聚类分析方法，对在沪深交易所上市的33家农业机械和建筑机械行业的生产企业进行信用评级分析。他们先用因子分析方法从选取的多个财务指标变量中找出合适的因子，计算出各个企业的因子得分，然后将这些因子作为变量，进行聚类分析，并对照标准普尔（S&P）的评级体系确定各个企业的评级级别。通过这种方法，有效克服了传统信用评级方法中指标众多且相关性强的问题，简化了分析过程，同时提高了评级结果的准确性和可靠性。结果表明，通过因子分析提取的公共因子能够很好地反映企业的财务状况和信用风险特征，聚类分析得到的企业评级结果与企业的实际经营情况和市场表现具有较高的一致性。在风险评估领域，有研究针对商业银行的信用风险评估，选取了包括资产负债率、流动比率、净利润率等在内的多个财务指标和非财务指标，运用因子分析进行降维处理。通过因子分析，提取出了反映企业偿债能力、盈利能力、营运能力等方面的公共因子，将这些公共因子作为输入变量，构建信用风险评估模型。与传统的仅使用原始指标构建的模型相比，基于因子分析的信用风险评估模型在预测准确性和稳定性方面都有显著提高。在对实际贷款企业的风险评估中，该模型能够更准确地识别出高风险企业，为商业银行的信贷决策提供了有力支持，有效降低了商业银行的信用风险。2.3小波网络理论深探2.3.1小波网络的原理与结构小波网络是将小波变换与神经网络有机结合的一种新型网络模型。其原理基于小波变换的多分辨率分析特性和神经网络的自学习、自适应能力。小波变换作为一种时频分析工具，能够将信号分解为不同尺度和频率的成分，通过伸缩和平移等运算对函数或信号进行多尺度的细化分析，在时频两域都具有表征信号局部特征的能力，特别适合处理非平稳信号和提取信号的局部特征。而神经网络具有强大的非线性映射能力，能够通过对大量样本数据的学习，自动提取数据中的特征和规律，实现对复杂函数的逼近。小波网络的基本结构通常包括输入层、隐藏层和输出层。输入层负责接收原始数据，将其传递给隐藏层。隐藏层由多个小波神经元组成，每个小波神经元包含一个小波基函数。小波基函数是小波网络的核心，它通过尺度参数和平移参数的调整，能够对输入信号进行不同尺度和位置的局部分析。常见的小波基函数有Haar小波、MexicanHat小波、Meyer小波等，不同的小波基函数具有不同的特性，适用于不同类型的数据和问题。在隐藏层中，输入信号与小波基函数进行卷积运算，得到的结果经过加权求和后，再通过激活函数进行非线性变换，将处理后的信息传递给输出层。输出层则根据隐藏层传递过来的信息，进行最终的计算和处理，输出预测结果或分类结果。与传统神经网络相比，小波网络具有一些独特的特点。首先，小波网络的基元和整个结构是依据小波分析理论确定的，这使得它在处理具有时频特征的数据时，具有更强的针对性和适应性，能够更有效地提取数据中的关键信息，避免了传统神经网络在结构设计上的盲目性。其次，小波变换通过尺度伸缩和平移对信号进行多尺度分析，能有效提取信号的局部信息，使得小波网络在处理局部特征明显的数据时表现出色，能够更好地捕捉数据中的细微变化和局部规律。此外，小波网络结合了神经网络的自学习和自适应能力，能够通过训练不断调整网络参数，提高模型的准确性和泛化能力。2.3.2小波网络在信用评价中的应用潜力在企业信用评价中，数据往往呈现出非线性、复杂性的特点。企业的信用状况受到众多因素的影响，包括财务状况、市场竞争力、行业环境、管理层能力等，这些因素之间相互作用、相互关联，呈现出复杂的非线性关系。传统的信用评价方法在处理这种复杂的非线性关系时存在一定的局限性，难以准确地捕捉到数据中的内在规律和特征。小波网络由于其独特的结构和特性，在处理非线性、复杂数据方面具有明显的优势。它能够通过小波变换对输入数据进行多尺度分析，提取不同尺度下的数据特征，从而更全面、深入地挖掘数据中的信息。例如，在分析企业的财务数据时，小波网络可以捕捉到数据在不同时间尺度上的变化趋势和波动特征，这些特征对于评估企业的财务稳定性和信用风险具有重要意义。同时，小波网络的神经网络部分具有强大的非线性映射能力，能够学习到数据之间复杂的非线性关系，建立准确的信用评价模型。从应用前景来看，小波网络在企业信用评价领域具有广阔的发展空间。随着大数据技术的不断发展，企业信用评价所涉及的数据量越来越大，数据类型也越来越丰富。小波网络能够有效地处理大规模、高维度的数据，通过对海量数据的学习和分析，提高信用评价的准确性和可靠性。此外，小波网络还可以与其他技术相结合，如与机器学习中的集成学习方法相结合，进一步提升模型的性能；与深度学习中的卷积神经网络、循环神经网络等相结合，拓展其在处理图像、文本等非结构化数据方面的应用，为企业信用评价提供更全面的信息支持。在实际应用中，小波网络可以帮助金融机构更准确地评估企业的信用风险，合理制定信贷政策，降低不良贷款率；帮助投资者更科学地选择投资对象，提高投资回报率；帮助企业更好地了解自身的信用状况，加强信用管理，提升市场竞争力。2.4文献综述与研究空白点已有研究在企业信用评价领域取得了丰硕的成果。从评价方法来看，传统的信用评价方法如Z计分模型、Logit模型等，在一定程度上能够对企业信用风险进行评估和预测，为信用评价提供了基础的理论和方法支持。随着统计分析技术的发展，因子分析等多元统计方法被引入信用评价领域，通过降维处理，有效地解决了评价指标间的相关性问题，提高了评价效率和准确性。在神经网络技术方面，多层感知机、径向基函数网络等在信用评价中得到了应用，利用其强大的非线性映射能力，对复杂的信用风险进行建模，取得了较好的效果。在实证研究方面，众多学者运用不同的方法和数据，对企业信用评价进行了深入的分析和验证。例如，通过对上市公司财务数据的分析，构建信用评价模型，并与实际信用状况进行对比，检验模型的有效性；通过对不同行业企业的研究，探讨信用评价方法在不同行业中的适用性和差异三、融合模型的构建逻辑3.1模型构建的整体思路本研究构建的基于因子分析与小波网络的企业信用评价模型，旨在充分发挥因子分析的数据降维优势和小波网络处理非线性问题的能力，实现对企业信用状况的精准评估。其核心思路是：首先，从众多可能影响企业信用的因素中，选取一系列涵盖财务状况、经营能力、市场竞争力等方面的评价指标，构建全面的企业信用评价指标体系。这些指标包含定量的财务数据，如资产负债率、净利润率等，以及定性的非财务信息，如企业的市场声誉、管理层素质等。由于这些原始指标数量众多且存在一定的相关性，直接用于信用评价会增加计算复杂度，降低模型效率，还可能导致多重共线性等问题，影响评价结果的准确性。因此，引入因子分析方法对原始指标进行处理。因子分析通过研究多个变量之间的内部依赖关系，将众多具有相关性的原始指标归结为少数几个综合因子。这些综合因子能够保留原始指标的主要信息，实现数据降维，同时消除指标间的多重共线性，使数据结构更加简洁明了。例如，通过因子分析，可能将反映企业偿债能力、盈利能力和营运能力的多个财务指标，归结为一个综合的财务状况因子；将企业的市场份额、品牌知名度等非财务指标归结为市场竞争力因子。通过这种方式，将复杂的多指标体系简化为几个关键因子，为后续的分析提供更简洁、有效的数据。然后，将因子分析得到的综合因子作为小波网络的输入变量。小波网络是一种融合了小波变换和神经网络的模型，具有强大的非线性映射能力和自学习能力。它能够通过对输入的综合因子进行学习和训练，挖掘因子与企业信用状况之间复杂的非线性关系，从而构建出准确的企业信用评价模型。在小波网络中，输入的综合因子经过隐藏层的小波神经元处理，小波神经元利用小波基函数对因子进行多尺度分析，提取不同尺度下的特征信息，再通过输出层输出企业的信用评价结果，如信用等级、违约概率等。通过这种方式，实现了从原始指标到关键因子，再到信用评价结果的高效、准确的转化，为企业信用评价提供了一种新的有效方法。3.2因子分析在模型中的应用流程3.2.1指标体系的构建与筛选企业信用评价指标体系的构建是进行信用评价的基础，其科学性和全面性直接影响评价结果的准确性。本研究从多个维度选取指标，确保能够全面、准确地反映企业的信用状况。在财务指标方面，选取资产负债率、流动比率、速动比率等指标来衡量企业的偿债能力。资产负债率反映了企业负债总额与资产总额的比例关系，该指标越高，说明企业的债务负担越重，偿债能力相对较弱，信用风险也就越高；流动比率和速动比率则分别衡量了企业流动资产和速动资产对流动负债的保障程度，比率越高，表明企业短期偿债能力越强，在短期内按时偿还债务的可能性越大，信用状况相对较好。盈利能力是企业信用的重要支撑，选取净利润率、总资产收益率、净资产收益率等指标进行评估。净利润率反映了企业在扣除所有成本和费用后的盈利水平，该指标越高，说明企业的盈利能力越强，有更充足的利润来偿还债务和支持企业发展，信用状况更有保障；总资产收益率衡量了企业运用全部资产获取利润的能力，体现了企业资产运营的综合效益；净资产收益率则反映了股东权益的收益水平，衡量了公司运用自有资本的效率，较高的净资产收益率意味着企业能够为股东创造更多的价值，也侧面反映了企业的盈利能力和信用水平。营运能力体现了企业资产运营的效率，选取应收账款周转率、存货周转率、总资产周转率等指标。应收账款周转率反映了企业收回应收账款的速度，该指标越高，说明企业应收账款回收速度快，资金回笼及时，资产流动性强，经营管理效率高，信用风险相对较低；存货周转率衡量了企业存货周转的速度，体现了企业存货管理的水平，存货周转速度快，表明企业存货变现能力强，库存积压少，资金占用成本低，经营状况良好，信用状况也更优；总资产周转率则综合反映了企业全部资产的经营质量和利用效率，周转率越高，说明企业资产运营效率越高，在同等资产规模下能够创造更多的营业收入，企业的经营能力和信用状况也相对较好。在非财务指标方面，考虑企业的市场竞争力，选取市场份额、品牌知名度等指标。市场份额是企业在特定市场中所占的比例，较高的市场份额意味着企业在市场中具有更强的竞争力，能够获得更多的市场资源和客户，经营稳定性更高，信用风险相对较低；品牌知名度反映了企业品牌在市场中的影响力和认知度，知名品牌往往代表着更高的产品质量、更好的服务和更强的市场信誉，有助于企业在市场中获得竞争优势，提高客户忠诚度，进而提升企业的信用水平。企业的管理水平对其信用状况也有重要影响，选取管理层素质、公司治理结构等指标。管理层素质包括管理者的专业知识、管理经验、决策能力等方面，高素质的管理层能够制定合理的企业战略，有效地组织和管理企业运营，提高企业的经营效益和抗风险能力，对企业信用状况产生积极影响；完善的公司治理结构能够规范企业的决策程序，保障股东和利益相关者的权益，提高企业运营的透明度和规范性，增强投资者和合作伙伴对企业的信任，有利于维护企业的良好信用。行业环境也是影响企业信用的重要因素，选取行业增长率、行业竞争程度等指标。处于快速增长行业的企业，往往具有更多的发展机会和市场空间，经营前景较好，信用风险相对较低；而行业竞争程度激烈，可能会导致企业面临更大的市场压力，经营风险增加，信用状况受到一定影响。在初步选取这些指标后，需要对指标进行筛选。采用相关性分析等方法，去除相关性过高的指标，以避免多重共线性问题对因子分析结果的干扰。例如，如果两个财务指标之间的相关性系数过高，说明它们所反映的信息存在较大重叠，只保留其中一个具有代表性的指标即可。同时，结合实际情况和专业知识，对指标进行进一步的筛选和调整，确保最终选取的指标能够准确、有效地反映企业的信用状况，为后续的因子分析提供高质量的数据基础。3.2.2因子提取与命名在完成指标体系的构建与筛选后，运用因子分析方法提取公共因子。首先对数据进行标准化处理，消除量纲和数量级的影响，使不同指标的数据具有可比性。标准化公式为x_{ij}^*=\frac{x_{ij}-\overline{x_j}}{s_j}，其中x_{ij}^*是标准化后的数据，x_{ij}是原始数据，\overline{x_j}是第j个变量的均值，s_j是第j个变量的标准差。接着计算标准化数据的相关系数矩阵，相关系数矩阵反映了各指标之间的线性相关程度。以相关系数矩阵为基础，通过主成分分析法求解因子载荷矩阵。主成分分析法通过对相关系数矩阵进行特征分解，得到特征值和特征向量。特征值反映了每个公共因子对原始变量总方差的贡献程度，通常选择特征值大于1的公共因子作为主因子。例如，假设经过计算得到多个特征值，其中特征值大于1的有3个，那么就选取这3个公共因子作为主因子。同时，为了使公共因子的含义更加清晰明确，便于解释，对因子载荷矩阵进行旋转，这里采用Varimax旋转方法。Varimax旋转通过最大化因子载荷矩阵每列元素的方差，使每个公共因子在少数几个变量上有较大的载荷，而在其他变量上的载荷较小。根据旋转后的因子载荷矩阵对公共因子进行命名和解释。例如，在第一个公共因子上，资产负债率、流动比率、速动比率等反映偿债能力的指标具有较高的载荷，说明该公共因子主要反映了企业的偿债能力，可将其命名为“偿债能力因子”；在第二个公共因子上，净利润率、总资产收益率、净资产收益率等盈利能力指标的载荷较大，表明该因子主要体现了企业的盈利能力，命名为“盈利能力因子”；在第三个公共因子上，应收账款周转率、存货周转率、总资产周转率等营运能力指标的载荷突出，可将其命名为“营运能力因子”。通过这样的方式，明确每个公共因子所代表的含义，从而更深入地理解企业信用状况的影响因素。3.2.3因子得分计算在提取公共因子并对其命名解释后，需要计算每个样本在各个公共因子上的得分，以便为后续的小波网络分析提供数据。这里采用回归法计算因子得分，假设因子得分模型为F_j=b_{j1}X_1+b_{j2}X_2+\cdots+b_{jp}X_p，其中F_j是第j个公共因子的得分，b_{ji}是因子得分系数，X_i是经过标准化处理后的原始变量。通过最小二乘法求解方程组\sum_{i=1}^{n}(F_{ji}-\sum_{k=1}^{p}b_{jk}x_{ik}^*)^2=\min，得到因子得分系数b_{ji}。例如，对于“偿债能力因子”，通过上述回归计算得到其因子得分系数b_{11},b_{12},\cdots,b_{1p}，然后将每个样本对应的标准化后的原始变量x_{11}^*,x_{12}^*,\cdots,x_{1p}^*代入因子得分模型F_1=b_{11}x_{11}^*+b_{12}x_{12}^*+\cdots+b_{1p}x_{1p}^*，即可计算出每个样本在“偿债能力因子”上的得分。同理，可计算出每个样本在其他公共因子上的得分。将计算得到的各个公共因子得分作为新的变量，这些因子得分综合反映了原始指标的主要信息，且消除了指标间的相关性，数据维度得到有效降低。这些因子得分将作为小波网络模型的输入数据，用于进一步构建企业信用评价模型，挖掘因子与企业信用状况之间的非线性关系，实现对企业信用的准确评价。3.3小波网络模型的搭建与优化3.3.1小波网络结构设计小波网络的结构设计是构建企业信用评价模型的关键环节，其结构参数的选择直接影响模型的性能和评价效果。本研究设计的小波网络模型包括输入层、隐藏层和输出层。输入层的节点数根据因子分析得到的公共因子数量确定。例如，经过因子分析提取出了5个公共因子，那么输入层就设置5个节点，分别对应这5个公共因子的得分。输入层的作用是将因子分析得到的因子得分数据传递给隐藏层进行处理。隐藏层是小波网络的核心部分，其节点数的确定较为关键。节点数过多，可能会导致模型过拟合，增加计算复杂度，降低模型的泛化能力；节点数过少，则可能无法充分学习数据中的特征和规律，影响模型的准确性。本研究通过多次试验和对比分析，结合实际数据特点和经验公式，确定隐藏层节点数。例如，采用经验公式n_h=\sqrt{n_i+n_o}+a（其中n_h为隐藏层节点数，n_i为输入层节点数，n_o为输出层节点数，a为1-10之间的常数）进行初步估算，然后通过试验，在一定范围内调整隐藏层节点数，如从n_h-5到n_h+5，比较不同节点数下模型的训练误差、测试误差等性能指标，选择使模型性能最优的隐藏层节点数。每个隐藏层节点包含一个小波基函数，通过小波基函数对输入信号进行多尺度分析，提取不同尺度下的特征信息。输出层节点数根据企业信用评价的目标确定。如果信用评价结果是将企业信用分为多个等级，如AAA、AA、A、BBB等，假设分为5个等级，那么输出层就设置5个节点，每个节点对应一个信用等级，通过输出层节点的输出值来判断企业所属的信用等级；如果信用评价的目标是预测企业的违约概率，那么输出层设置1个节点，输出值即为预测的违约概率。输出层根据隐藏层传递过来的信息，进行最终的计算和处理，输出企业的信用评价结果。3.3.2小波基函数选择小波基函数是小波网络的核心组成部分，不同的小波基函数具有不同的特性，其选择直接影响小波网络对数据特征的提取能力和模型的性能。在企业信用评价中，需要根据数据的特点和模型的需求选择合适的小波基函数。常见的小波基函数有Haar小波、Daubechies(dbN)小波、MexicanHat小波、Morlet小波、Meyer小波等。Haar小波是最简单的小波函数，它是支撑域在[0,1]范围内的单个矩形波，计算简单，但其在时域上不连续，作为基本小波性能不是特别好，不太适合处理具有复杂变化的数据，在企业信用评价中应用相对较少。Daubechies(dbN)小波是由InridDaubechies构造的小波函数，具有在时域有限支撑、在频域在零点有N阶零点、和它的整数位移正交归一、小波函数可由尺度函数求出等特点。在企业信用评价中，如果数据具有一定的局部特征和规律性，且对信号的细节和高频部分有一定要求，Daubechies小波可能是一个较好的选择。例如，在分析企业财务数据的波动和变化趋势时，其能够有效地提取数据的局部特征信息。MexicanHat小波为Gauss函数的二阶导数，形状像墨西哥帽的截面，在时间域与频率域都有很好的局部化，并且满足容许条件，但不存在尺度函数，不具有正交性。当企业信用评价数据在时间和频率上都有明显的局部特征，且对局部特征的提取要求较高时，MexicanHat小波可以发挥其优势，如在分析企业市场份额的短期波动等局部特征明显的数据时，能准确捕捉到数据的变化信息。Morlet小波是高斯包络下的单频率副正弦函数，没有尺度函数，是非正交分解。它在处理具有频率特征的数据时表现出色，在企业信用评价中，如果数据中包含明显的频率成分，如企业销售额在不同季节或时间段的周期性变化，Morlet小波能够有效地分析这些频率特征，提取与企业信用相关的信息。Meyer小波不是紧支撑的，但收敛速度很快，无限可微。在处理需要考虑数据全局特征和长期趋势的企业信用评价问题时，Meyer小波可能更合适，如在分析企业长期的经营发展趋势对信用状况的影响时，其能够从全局角度对数据进行分析，提供更全面的信息。在本研究中，通过对不同小波基函数在企业信用评价数据上的应用效果进行对比分析，包括对模型的训练误差、测试误差、预测准确率等性能指标的评估，最终选择Morlet小波作为小波网络的小波基函数。这是因为企业信用评价数据中包含了多种复杂的信息，如财务数据的周期性变化、市场环境的动态影响等，Morlet小波能够较好地捕捉这些数据中的频率特征和局部变化信息，从而更准确地提取与企业信用相关的特征，提高模型的评价性能。3.3.3模型训练与参数优化利用训练数据对小波网络模型进行训练，训练的目的是通过不断调整模型的参数，使模型能够准确地学习到输入因子与企业信用状况之间的非线性关系，从而提高模型的性能。在训练过程中，首先需要确定损失函数，这里采用均方误差（MSE）作为损失函数，其计算公式为MSE=\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2，其中y_i是真实的企业信用评价结果，\hat{y}_i是模型预测的企业信用评价结果，n是样本数量。损失函数反映了模型预测值与真实值之间的误差程度，训练的目标是最小化损失函数。采用梯度下降法作为优化算法来调整模型的参数，包括输入层与隐藏层之间的连接权值w_{ij}、隐藏层与输出层之间的连接权值w_{jk}'、隐藏层神经元的偏置b_j和输出层神经元的偏置b_k'。梯度下降法的基本思想是沿着损失函数梯度的反方向更新参数，以逐步减小损失函数的值。在每次迭代中，计算损失函数对各个参数的梯度，然后根据学习率\eta更新参数，更新公式如下：\begin{align*}w_{ij}&=w_{ij}-\eta\frac{\partialMSE}{\partialw_{ij}}\\w_{jk}'&=w_{jk}'-\eta\frac{\partialMSE}{\partialw_{jk}'}\\b_j&=b_j-\eta\frac{\partialMSE}{\partialb_j}\\b_k'&=b_k'-\eta\frac{\partialMSE}{\partialb_k'}\end{align*}为了提高模型的训练效果和收敛速度，对梯度下降法进行改进，采用带动量的梯度下降法。带动量的梯度下降法在更新参数时，不仅考虑当前时刻的负梯度方向，还考虑了以前时刻的梯度方向，引入动量因子\alpha（范围是[0,1]），更新公式变为：\begin{align*}w_{ij}(t)&=w_{ij}(t-1)-\eta\frac{\partialMSE}{\partialw_{ij}}(t)+\alpha(w_{ij}(t-1)-w_{ij}(t-2))\\w_{jk}'(t)&=w_{jk}'(t-1)-\eta\frac{\partialMSE}{\partialw_{jk}'}(t)+\alpha(w_{jk}'(t-1)-w_{jk}'(t-2))\\b_j(t)&=b\##四、实证ç

”究设计与执行\##\#4.1数据采集与预处理\##\##4.1.1数据来源与æ

·æœ¬é€‰æ‹©ä¸ºäº†æž„建基于å›

子分析与小波网络的企业信用评价模型并进行实证ç

”究，本ç

”究的数据来源广泛且具有代表性。主要从企业财务报表、行业报告、政府公开数据以及专业的金融数据库等æ¸

道获取数据。企业财务报表是获取企业财务信息的重要来源，涵盖了资产负债表、利润表、现金流量表等，这些报表详细记录了企业的财务状况、经营成果和现金流量情况，能够为评估企业的偿债能力、盈利能力、营运能力等提供关键数据支持。例如，通过资产负债表可以获取企业的资产规模、负债水平、所有者权益等信息，进而计算出资产负债率、流动比率等反æ˜

偿债能力的指æ

‡ï¼›ä»Žåˆ©æ¶¦è¡¨ä¸­å¯ä»¥äº†è§£ä¼ä¸šçš„营业收入、净利润、毛利率等数据，用于评估企业的盈利能力。行业报告则提供了企业所处行业的整体发展状况、市场竞争态势、行业趋势等信息，有助于分析行业环境对企业信用的影响。例如，行业报告中关于行业增长率、市场份额分布等内容，能够帮助判断企业在行业中的竞争力和发展前景。政府公开数据，如统计局发布的宏观经济数据、工商行政管理部门的企业注册信息等，也为ç

”究提供了重要的数据补充。专业的金融数据库，如万得（Wind）数据库、国泰安（CSMAR）数据库等，整合了大量的企业金融数据和市场信息，数据全面且规范，方便ç

”究者获取所需数据。在æ

·æœ¬é€‰æ‹©æ–¹é¢ï¼Œç»¼åˆè€ƒè™‘企业的规模、行业分布、地域分布以及上市时间等å›

ç´

，以确保æ

·æœ¬å…·æœ‰è¶³å¤Ÿçš„代表性。从不同规模的企业中选取æ

·æœ¬ï¼ŒåŒ…括大型企业、中型企业和小型企业，以涵盖不同规模企业的信用特征。在行业分布上，选取了制é€

业、金融业、信息技术业、服务业等多个行业的企业，å›

为不同行业的企业在经营模式、财务特征、市场环境等方面存在差异，这æ

·å¯ä»¥æ›´å…¨é¢åœ°ç

”究不同行业企业的信用状况。地域分布上，涵盖了东部、中部、西部等不同地区的企业，考虑到不同地区的经济发展水平、政策环境等å›

ç´

对企业信用的影响。同时，为了保证数据的稳定性和可é

性，选取上市时间超过一定年限（如3年）的企业，避免å›

新上市企业数据不稳定而对ç

”究结果产生干扰。最终选取了[X]家企业作为ç

”究æ

·æœ¬ï¼Œè¿™äº›æ

·æœ¬ä¼ä¸šçš„各项数据能够较好地反æ˜

不同类型企业的信用状况，为后续的ç

”究提供了坚实的数据基础。\##\##4.1.2数据清洗与æ

‡å‡†åŒ–在获取原始数据后，由于数据可能存在各种质量问题，如数据缺失、异常值、重复数据等，这些问题会影响数据分析的准确性和可é

性，å›

此需要对数据进行清洗。首先，对数据进行全面的检查，识别出存在缺失值的变量和æ

·æœ¬ã€‚对于缺失值的处理，æ

¹æ®æ•°æ®çš„特点和实际情况采用不同的方法。如果缺失值较少，可以采用均值填充法，即计算该变量的均值，用均值代替缺失值；对于一些具有时间序列特征的数据，若存在缺失值，可采用线性插值法，æ

¹æ®å‰åŽæ•°æ®çš„变化趋势进行插值填充，以尽量保持数据的连续性和真实性。例如，对于企业某一年份缺失的营业收入数据，若该企业历年营业收入呈现稳定增长趋势，可通过对前后年份营业收入进行线性插值来估算缺失值。对于异常值，采用箱型图和Z-scoreæ

‡å‡†åŒ–等方法进行识别。箱型图通过上下四分位数来确定数据的分布范围，将超出1.5倍四分位距（IQR）的数据点视为异常值；Z-scoreæ

‡å‡†åŒ–则是将数据æ

‡å‡†åŒ–后，将绝对值大于3的Z-score值作为异常值。对于识别出的异常值，若确认是由于数据录入错误或其他异常情况导致的，可以直接åˆ

除；若异常值是真实存在但具有特殊意义的，如企业某一年å›

重大资产重组导致财务数据出现大幅波动，则需要结合业务逻辑进行修正或在后续分析中特别考虑。为了消除数据量纲和数量级的影响，使不同变量的数据具有可比性，需要对数据进行æ

‡å‡†åŒ–处理。这里采用Z-scoreæ

‡å‡†åŒ–方法，其公式为$x_{ij}^*=\frac{x_{ij}-\overline{x_j}}{s_j}$，其中$x_{ij}^*$是æ

‡å‡†åŒ–后的数据，$x_{ij}$是原始数据，$\overline{x_j}$是第$j$个变量的均值，$s_j$是第$j$个变量的æ

‡å‡†å·®ã€‚通过Z-scoreæ

‡å‡†åŒ–，将数据转换为均值为0，方差为1的æ

‡å‡†æ­£æ€åˆ†å¸ƒæ•°æ®ã€‚例如，对于企业的资产负债率这一变量，经过æ

‡å‡†åŒ–处理后，不同企业的资产负债率数据具有了统一的量纲和可比的尺度，便于后续的å›

子分析和模型构建。经过数据清洗和æ

‡å‡†åŒ–处理后，数据质量得到了显著提升，为后续的实证ç

”究提供了可é

的数据支持。\##\#4.2å›

子分析过程与结果呈现\##\##4.2.1相关性分析与KMO检验在进行å›

子分析之前，首先对经过预处理的数据进行相关性分析和KMO检验，以判断数据是否适合进行å›

子分析。相关性分析用于ç

”究变量之间的线性相关程度，通过计算各变量之间的相关系数，得到相关系数矩阵。相关系数的取值范围在-1到1之间，当相关系数绝对值接近1时，表示两个变量之间存在较强的线性相关关系；当相关系数接近0时，表示两个变量之间线性相关程度较弱。例如，通过计算发现企业的资产负债率与流动比率之间的相关系数为-0.6，说明这两个变量之间存在较强的负相关关系，即资产负债率越高，流动比率越低，反æ˜

了企业偿债能力的两个方面之间的内在联系。KMO检验用于评估变量间的偏相关性，其取值范围在0到1之间。KMO统计量越接近于1，说明变量间的偏相关性越大，进行å›

子分析的效果越好；当KMO值小于0.5时，通常认为数据不适合进行å›

子分析。本ç

”究采用KMO检验和Bartlett球形检验相结合的方式来判断数据的适用性。Bartlett球形检验的零假设是相关系数矩阵是单位阵，即变量间相互独立。若Bartlett球形检验的显著性概率（P值）小于设定的显著性水平（如0.05），则拒绝零假设，表明变量间存在相关性，适合进行å›

子分析。经过计算，本ç

”究æ

·æœ¬æ•°æ®çš„KMO值为[具体KMO值]，Bartlett球形检验的P值为[具体P值]。[具体KMO值]大于0.5，且[具体P值]小于0.05，说明变量间的相关性较强，偏相关性较弱，数据适合进行å›

子分析，为后续的å›

子提取和分析å¥

定了基础。\##\##4.2.2å›

子提取与旋转运用主成分分析法从æ

‡å‡†åŒ–后的数据中提取公共å›

子。主成分分析法通过对相关系数矩阵进行特征分解，得到特征值和特征向量。特征值反æ˜

了每个公共å›

子对原始变量总方差的贡献程度，通常选择特征值大于1的公共å›

子作为主å›

子。例如，经过计算得到多个特征值，其中特征值大于1的有[X]个，那么就选取这[X]个公共å›

子作为主å›

子。这[X]个主å›

子累计方差贡献率达到了[具体累计方差贡献率]，说明它们能够解释原始变量总方差的大部分信息，有效实现了数据降维。为了使公共å›

子的含义更åŠ

清晰明确，便于解释，对提取的å›

子载荷矩阵进行旋转，这里采用Varimax旋转方法。Varimax旋转通过最大化å›

子载荷矩阵每列元ç´

的方差，使每个公共å›

子在少数å‡

个变量上有较大的载荷，而在其他变量上的载荷较小。经过旋转后，得到了旋转后的å›

子载荷矩阵。æ

¹æ®æ—‹è½¬åŽçš„å›

子载荷矩阵，对公共å›

子进行命名和解释。例如，在第一个公共å›

子上，资产负债率、流动比率、速动比率等反æ˜

偿债能力的指æ

‡å…·æœ‰è¾ƒé«˜çš„载荷，说明该公共å›

子主要反æ˜

了企业的偿债能力，可将其命名为“偿债能力å›

子”；在第二个公共å›

子上，净利润率、总资产收益率、净资产收益率等盈利能力指æ

‡çš„载荷较大，表明该å›

子主要体现了企业的盈利能力，命名为“盈利能力å›

子”；在第三个公共å›

子上，应收账款周转率、存货周转率、总资产周转率等营运能力指æ

‡çš„载荷突出，可将其命名为“营运能力å›

子”。通过这æ

·çš„方式，明确了每个公共å›

子所代表的含义，更深入地理解了企业信用状况的影响å›

ç´

。\##\##4.2.3å›

子得分计算与分析在提取公共å›

子并进行旋转命名后，采用回归法计算每个æ

·æœ¬åœ¨å„个公共å›

子上的得分。假设å›

子得分模型为$F_j=b_{j1}X_1+b_{j2}X_2+\cdots+b_{jp}X_p$，其中$F_j$是第$j$个公共å›

子的得分，$b_{ji}$是å›

子得分系数，$X_i$是经过æ

‡å‡†åŒ–处理后的原始变量。通过最小二乘法求解方程组$\sum_{i=1}^{n}(F_{ji}-\sum_{k=1}^{p}b_{jk}x_{ik}^*)^2=\min$，得到å›

子得分系数$b_{ji}$。例如，对于“偿债能力å›

子”，通过上述回归计算得到其å›

子得分系数$b_{11},b_{12},\cdots,b_{1p}$，然后将每个æ

·æœ¬å¯¹åº”çš„æ

‡å‡†åŒ–后的原始变量$x_{11}^*,x_{12}^*,\cdots,x_{1p}^*$代入å›

子得分模型$F_1=b_{11}x_{11}^*+b_{12}x_{12}^*+\cdots+b_{1p}x_{1p}^*$，即可计算出每个æ

·æœ¬åœ¨â€œå¿å€ºèƒ½åŠ›å›

子”上的得分。同理，可计算出每个æ

·æœ¬åœ¨å…¶ä»–公共å›

子上的得分。对计算得到的å›

子得分进行分析，发现不同企业在各个å›

子上的得分存在差异。在“偿债能力å›

子”得分较高的企业，通常具有较低的资产负债率和较高的流动比率、速动比率，说明这些企业的偿债能力较强，在债务到期时有足够的资产来偿还债务，信用风险相对较低；而得分较低的企业，偿债能力相对较弱，信用风险较高。在“盈利能力å›

子”上得分高的企业，净利润率、总资产收益率等指æ

‡è¡¨çŽ°å‡ºè‰²ï¼Œè¡¨æ˜Žä¼ä¸šç›ˆåˆ©èƒ½åŠ›å¼ºï¼Œæœ‰ç¨³å®šçš„利润来源，这有助于增强企业的信用状况；反之，得分低的企业盈利能力较弱，可能在偿还债务和维持企业发展方面面临一定压力。“营运能力å›

子”得分高的企业，应收账款周转率、存货周转率等较高，说明企业资产运营效率高，资金周转快，经营管理水平较好，对企业信用有积极影响；得分低的企业则可能存在资产运营效率低下的问题，影响企业的信用水平。通过对å›

子得分的分析，能够更直观地了解不同企业在各个信用维度上的表现，为后续的小波网络模型训练和企业信用评价提供了重要依据。\##\#4.3小波网络模型训练与验证\##\##4.3.1模型训练与参数调整利用经过å›

子分析得到的å›

子得分数据对小波网络模型进行训练。在训练过程中，首先确定损失函数，本ç

”究采用均方误差（MSE）作为损失函