企業(yè)研究論文-基于ＢＰ神經(jīng)網(wǎng)絡(luò)的上市公司信用風(fēng)險評價.doc

企業(yè)研究論文-基于神經(jīng)網(wǎng)絡(luò)的上市公司信用風(fēng)險評價【論文關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險評價主成分分析【論文摘要】文章在建立上市公司信用風(fēng)險評價指標(biāo)體系的基礎(chǔ)上，提出了用神經(jīng)網(wǎng)絡(luò)對上市公司進行信用評級的方法，并利用相關(guān)數(shù)據(jù)對模型進行了實證研究，取得了較好的結(jié)果。一、引言信用風(fēng)險管理對于商業(yè)銀行而言是一個永恒的主題，特別是東南亞金融危機后，更引起各國的關(guān)注和重視。無論銀行還是中介機構(gòu)都迫切需要利用新的技術(shù)和方法對企業(yè)信用狀況做出較為準(zhǔn)確的評價與決策。目前常用的統(tǒng)計方法有判別分析法、Logistic回歸法及主成分分析法、聚類分析法等，由這些方法建立起來的統(tǒng)計模型確可對信用評級提供較具科學(xué)性的分析，但這些統(tǒng)計模型都存在如下缺陷：第一，所有的模型所采取的各種變量，不論是不是財務(wù)指標(biāo)，都來自研究者的主觀選取，很難斷言沒有重要變量被遺漏。第二，線性多元判別分析對變量的基本假設(shè)是多元正態(tài)分布，但許多實證資料大半違反此假設(shè)，又假設(shè)不同群組間的協(xié)方差矩陣相等，有違兩組樣本來自兩個分立群體的直覺。第三，線性概率模型無法符合“概率”的定義要求，存在先天瑕疵。自20世紀80年代末，西方發(fā)達國家將人工智能引入銀行業(yè)，協(xié)助銀行進行貸款決策，這其中，尤其人工神經(jīng)網(wǎng)絡(luò)在企業(yè)財務(wù)分析中顯示了巨大的優(yōu)勢和潛力。在我們國家，無論是用統(tǒng)計方法，還是用神經(jīng)網(wǎng)絡(luò)技術(shù)來研究信用風(fēng)險，目前都尚處于起步階段。楊保安，李海（2001）利用BP神經(jīng)網(wǎng)絡(luò)對企業(yè)財務(wù)危機進行了預(yù)警研究；柳炳祥，盛昭翰（2002）利用粗神經(jīng)網(wǎng)絡(luò)對企業(yè)財務(wù)危機進行了分析；朱順泉則對同一樣本數(shù)據(jù)分別采用主成分分析和模糊綜合評價方法研究了上市公司財務(wù)狀況問題。本文將在朱順泉文章樣本數(shù)據(jù)的基礎(chǔ)上，運用神經(jīng)網(wǎng)絡(luò)方法對公司信用評級做進一步的探討。二、樣本的選擇與指標(biāo)的選取樣本數(shù)據(jù)的來源如前面所述，將保持與朱順泉文中的一致，以便進行比較。該樣本數(shù)據(jù)是從中國證券報2000年4月4日披露的財務(wù)數(shù)據(jù)表中選取的20家公司、15個評價指標(biāo)值。各項評價指標(biāo)依次為：主營業(yè)務(wù)利潤率（X1）、凈資產(chǎn)收益率（X2）、總資產(chǎn)收益率（X3）、流動比率（X4）、速動比率（X5）、總資產(chǎn)周轉(zhuǎn)率（X6）、存貨周轉(zhuǎn)率（X7）、應(yīng)收賬款周轉(zhuǎn)率（X8）、固定資產(chǎn)周轉(zhuǎn)率（X9）、股東權(quán)益周轉(zhuǎn)率（X10）、經(jīng)營活動現(xiàn)金流量與凈利潤比率（X11）、主營收入現(xiàn)金流量（X12）、凈利潤增長率（X13）、長期負債比率（X14）、股東權(quán)益比率（X15）。由于指標(biāo)體系中各指標(biāo)均有不同的量綱，給評價帶來許多困難，因此有必要將不同量綱的評價指標(biāo)，通過適當(dāng)變換，轉(zhuǎn)化為無量綱的標(biāo)準(zhǔn)化指標(biāo)。經(jīng)標(biāo)準(zhǔn)化處理后的數(shù)據(jù)如表1所示。三、基于BP算法的信用風(fēng)險評價模型BP算法是一種有監(jiān)督的學(xué)習(xí)算法，它利用均方誤差最小和梯度下降法來實現(xiàn)對網(wǎng)絡(luò)連接權(quán)值和偏置權(quán)值的修正。其學(xué)習(xí)的基本思路是：先將各單元間的連接權(quán)和偏置權(quán)設(shè)置為一個小的隨機數(shù)，然后選擇一個訓(xùn)練樣本，并計算樣本的誤差梯度。這涉及到兩個過程：一個是前向過程，將輸入值通過各個單元的傳遞，直至輸出單元得到網(wǎng)絡(luò)的輸出結(jié)果為止；另一個是反向過程：把實際輸出值和期望輸出值之間的誤差通過輸出層逐步返回到輸入層，并調(diào)整連接權(quán)值和偏置權(quán)值，直至樣本的實際輸出值和期望輸出值之間的誤差小于預(yù)先給定的值為止?，F(xiàn)建立一個具有三層的BP網(wǎng)絡(luò)來解決這一分類問題。網(wǎng)絡(luò)的輸入變量采用能反映企業(yè)償債能力、贏利能力、發(fā)展能力等的15項指標(biāo)來構(gòu)成,相應(yīng)地，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的輸入層需要15個結(jié)點。對于輸出層，我們?nèi)?個結(jié)點，用輸出值（1，0，0），（0，1，0），（0，0，1）分別代表“信用好”、“信用一般”、“信用差”三種信用級別。隱層的結(jié)點一般應(yīng)滿足2nm，其中n為隱層結(jié)點數(shù)，m為訓(xùn)練樣本數(shù)。由于本文中樣本數(shù)將取為15（其余5個樣本用于仿真），這里n不妨取為5，即隱層有5個結(jié)點。該神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。根據(jù)圖1的網(wǎng)絡(luò)結(jié)構(gòu)，我們可建立如下的基于BP算法的信用風(fēng)險評價模型：用向量表示為：Y=gVg（WX）+B1+B2運用Matlab中的神經(jīng)網(wǎng)絡(luò)工具箱技術(shù)，當(dāng)我們把最大訓(xùn)練步數(shù)設(shè)定為8000，誤差指標(biāo)設(shè)為0.02，學(xué)習(xí)率為0.01時，得到了表1所示的結(jié)果。繼續(xù)運用學(xué)習(xí)得到的W、V、B1、B2值對剩下的五個公司進行仿真，可得到如表2所示的結(jié)果。從表2可以清晰地看到神經(jīng)網(wǎng)絡(luò)仿真的結(jié)果與朱文中主成分分析的結(jié)論是大致吻合的。四、結(jié)論第一，基于神經(jīng)網(wǎng)絡(luò)的企業(yè)信用風(fēng)險評價模型，運用了神經(jīng)網(wǎng)絡(luò)系統(tǒng)的容錯能力、并行處理能力、抗干擾能力及處理非線性問題的能力，不需要主觀確定各指標(biāo)的權(quán)值，并且實驗結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)技術(shù)方法運用到企業(yè)信用評級方面是有效的第二，用BP神經(jīng)網(wǎng)絡(luò)進行企業(yè)信用風(fēng)險評級也有一定的局限性，它要求企業(yè)無任何超越市場規(guī)則的有失公允的交易行為，企業(yè)的財務(wù)數(shù)據(jù)必須是真實和準(zhǔn)確的。另外，在信用評價中輸入變量的選取標(biāo)準(zhǔn)尚需進一步探討，輸入變量除考慮公司企業(yè)財務(wù)技術(shù)的因素外，還應(yīng)考慮產(chǎn)業(yè)及整體經(jīng)濟基本層的因素?！緟⒖嘉墨I】1楊保安、季海：BP神經(jīng)網(wǎng)絡(luò)在企業(yè)財務(wù)危機中的應(yīng)用J.預(yù)測，2001（2）.2柳炳祥、盛昭翰：基于神經(jīng)網(wǎng)絡(luò)的企業(yè)財務(wù)危機預(yù)警方法J.中國工程科學(xué)，2002（8）.3朱順泉、徐國祥：我國上市公司