基于蚁群神经网络的财务危机预警方法，本文主要内容关键词为：神经网络论文,方法论文,财务危机论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
0 引言
随着企业间竞争的日益激烈，市场环境的复杂多变，财务危机出现的概率大大增加，中国有将近20％的上市公司存在较为严重的财务问题。建立恰当的财务预警模型，能够帮助企业及早识别出现财务危机的因素，采取相应的措施进行监督和控制，及时有效地防范危机的发生或及时地化解危机；投资者可依据这种信号及时转移投资，管理应收账款及做出信贷决策；审计和法律人员可以据此更为准确地对上市公司经营情况做出判断，避免因未能准确披露而招致的法律诉讼。因此，建立一套财务预警模型，是避免企业陷入财务危机甚至破产的有力武器。国内外学者对财务危机预警模型进行了大量相关研究，经历了从单变量到多变量、从统计方法到非统计方法、从单一模式到混合模式的发展过程。典型的财务危机预警模型包括一元判别法[1]、多元判别分析法[2]、Logistic回归法[3]和probit分析法[4]等。一元判别方法仅利用个别比率指标预测企业财务失败，无法全面显示企业的财务状况；多元判别分析法要求自变量呈正态分布且两组样本等协方差时才能使用，大大限制其使用范围；Logistic回归法的计算过程中存在很多近似处理，会影响到预测精度，同时，其分割点的确定没有理论依据；probit分析法要求企业样本服从标准正态分布，计算过程复杂。随着计算机技术的飞速发展，又出现了基于智能算法的财务危机预警方法[5－10]等，其中基于神经网络的财务危机预警方法对样本没有特殊要求，且预测精度高而成为研究的热点。许多学者验证了神经网络方法优于经典方法[11－12]。但是，神经网络方法具有网络结构难以确定、收敛速度慢且易收敛于局部最小值的缺点，严重阻碍了其发展和应用。蚁群算法（ACA-ant colony algorithm）是对蚂蚁群体利用信息素进行觅食行为的仿生，已经广泛应用于TSP问题、分配问题、job-shop调度问题和网络设计问题等。蚁群算法是一种正反馈算法，具有快速全局收敛以及启发式学习等优点[13]，将其与神经网络相结合可以克服神经网络的固有缺点。本文提出了基于蚁群算法的改进神经网络财务危机预警方法，利用蚁群算法设计神经网络模型的结构和初始参数，利用评价函数确定神经网络的最佳结构，利用BP算法训练神经网络，得到神经网络财务危机预警模型。
1 基于蚁群算法的神经网络财务危机预警方法
1.1 预警指标的选择
1.2 神经网络模型结构
由于以BP算法为基础的BP网络具有网络结构简便且易于编程处理，因而，财务危机预警模型结构采用具有两个隐含层的四层BP网络，网络模型结构如图1所示。
图1 神经网络模型结构
1.3 蚁群神经网络方法
神经网络结构的确定缺乏严格的理论根据，通常依靠专家经验，设计神经网络的初始结构，然后将其结构略作调整，通过比较各个模型的预测精度，确定神经网络的最终结构。本方法根据蚁群算法的全局优化和启发式寻优能力设计神经网络的结构和初始值，利用模型评价函数，确定结构空间中的最佳结构。
1.3.1 编码方式
针对图1所示的网络结构，采用二进制编码方式，编码如下：
结构参数（IS）表示各隐含层的节点数目，由48位二进制数组成，其中，第一隐含层的最大节点数为32，第二隐含层的最大节点数为16，某位为“1”表示相应节点存在，某位为“0”表示相应节点不存在；连接权和阈值采用带符号的8位二进制编码，取值范围为［－2，2］。
1.3.2 蚁群算法
（3）当每个蚂蚁在所有集合中均选择了一个元素，即到达了食物源，再按原路径返回蚁巢后，所经历的时间为n，根据下述规则更新所选择元素的信息素。
1.4 基于蚁群神经网络的财务危机预警
基于蚁群神经网络的财务危机预警方法图如图2所示。首先根据上述编码方式对神经网络的结构参数、权值和阈值进行编码，构成蚁群算法的路径集合，将由各企业财务状况组成的训练样本看作蚁群，按照蚁群算法得到神经网络模型的结构集合和相应的初始参数。根据评价函数确定最优的神经网络结构。利用BP算法训练该神经网络，得到最终的神经网络财务危机预警模型，并用测试样本对模型进行验证。
图2 财务危机预警方法框图
2 仿真分析
2.1 原始数据获取
采用分层抽样的方法，首先，将财务状况已知的企业分成三类：财务状况正常的企业、财务状况值得关注的企业和财务状况已产生危机的企业，其对应的财务危机预警模型的输出分别为0，0.5和1。然后，随机从每类企业中抽取20个，共组成60个企业作为研究对象。根据前面选择的财务预警指标，统计所研究企业的财务状况数据表。从每类中随机抽取5个样本归一化后作为测试样本集，其余45个归一化后作为训练样本集。其中，用于训练的企业财务状况原始数据如表1所示。
2.2 蚁群算法操作 用VC来编制蚁群算法程序。蚁群算法的参数选为：p＝0.7，s＝45，Q＝20，N＝60。分别进行30次试验，得到相应的神经网络模型的结构参数、权值和阈值。计算每种神经网络模型在输入训练样本时的误差平方和，并在神经网络结构参数相同的模型中，删去误差平方和较大的模型。最后，得到10种结构的神经网络模型如表2所示。表中，X表示神经网络的输入矢量，
表示输入层神经元的个数，
表示第一个隐含层的神经元个数，
表示第二个隐含层的神经元个数，SSE表示神经网络模型的误差平方和。
2.3 模型评价
欲从蚁群算法得到的神经网络模型结构空间中选取最佳的模型结构作为神经网络训练的模型，需要建立评价函数对得到的模型结构进行评价。因为神经网络各层神经元数量越多神经网络模型的结构越复杂，神经网络模型的误差平方和越小，模型越精确，所以，建立以下评价函数：
2.4 模型训练
利用BP算法对上面得到的最佳结构的神经网络模型进行训练，神经网络的初始权值和阈值采用蚁群算法得到的模型的权值和阈值，学习速率设置为0.003，误差平方和设置为0.01，最大迭代次数ME＝7000。训练过程如图3所示，训练完成后，得到的各层权值和阈值如表3和表4所示，模型的误差平方和为0.0569。
图3 神经网络训练过程曲线
2.5 模型验证
为了验证所建财务危机预警模型的有效性，用测试样本集对其进行验证。设定模型输出位于区间［－0.1，0.1］，判断为正常；位于区间［0.4，0.6］，判断为关注；位于区间［0.9，1.1］，判断为危机；模型输出其他值时判定为无法判断。验证结果表明，对于所有的测试样本集模型输出均正确。其中，三类企业中各取一个企业的财务状况及相应的预警模型输出数据如表5所示。所以，该模型具有较高的预测精度。
3 结论
第一，神经网络财务危机预警模型的结构参数设计较困难，采用蚁群算法可以设计出若干个神经网络模型结构，构成神经网络模型结构空间；
第二，利用所设计的评价函数，可以从蚁群算法得到的神经网络模型结构空间中确定最佳结构的模型，利用BP算法对该模型进行训练，即可得到最佳神经网络财务危机预警模型；
第三，实验结果表明，基于蚁群算法的改进神经网络财务危机预警模型具有结构简单、预测精度高等优点。
收稿日期：2008年10月15日 收到修改稿日期：2010年11月30日
标签：蚁群算法论文; 神经网络模型论文; 财务预警论文; bp神经网络算法论文;