財務預警模型

1、摘要創(chuàng)立一個適用和準確的財務預警模型，為決策者和金融業(yè)的監(jiān)管是非常可 取的。雖然生意失敗預測（BFP）,特別是銀行世紀60年代末以來已被廣泛研究 的領域，這是決策支持方案已被忽略的一個關鍵步驟。本文介紹了財務預警模糊 推理系統(tǒng)與神經(jīng)網(wǎng)絡的學習能力的模糊神經(jīng)網(wǎng)絡（FNN）來預測組織的財務狀況 相結合的新型模式，也適用于基于案例推理的模糊推理能力（FCBR）支持決策 者衡量適當?shù)慕鉀Q方法。擬議的財務預警模型生成的自適應模糊規(guī)那么庫的預測目 標情況下的財務狀況和預測，如果它失敗，F(xiàn)CBR被用來尋找類似存活病例。最 后根據(jù)類似的情況和模糊規(guī)那么庫，模型提供財務決策，改變公司的目標，特別是 在即將到來的

2、一年，以防止未來的財務困境。關鍵詞：財務預警系統(tǒng)，模糊神經(jīng)網(wǎng)絡，基于案例模糊推理，生意失敗預測。1導言生意失敗預測（BFP）,長期以來一直在融資以及信息技術的廣泛研究，是一 個特定的數(shù)據(jù)分析模型，這應該回答一些基本問題，如作為一個金融預警模型： 什么是顯著的特點，可以描述遇險和健康的公司嗎？這些功能的意義，如何進行 評估和預測認為呢？什么是每個功能的類型和可能的值是什么？什么是數(shù)據(jù)集 需要事先解決可能發(fā)生的問題是什么？多少預測的準確性是至關重要的，它是如 何可以到達？更重要的利益和實際是什么樣的預測？要回答的特征選擇問題，有許多研究紛紛推出不同的故障預測模型研究不同 的功能集，在他們的模型。其

3、中，從財務報表編制的財務比率被認為是企業(yè)目前 的表現(xiàn)比財務報表上被廣泛接受的個別工程有更好的措施，因為它可以使財務報 表的信息更具吸引力。至于其他上述問題，獲得適當?shù)念A測精度一直在這一領域最重要的成就，并有 各種統(tǒng)計和人工智能技術，這是用來建立一個準確的故障預測。其中，人工神經(jīng) 網(wǎng)絡（ANN）已成為最流行的企業(yè)破產(chǎn)，由于其較高的預測精度預測技術之一。 然而，神經(jīng)網(wǎng)絡，并沒有被應用廣泛，在金融公司，因為它是一般人難以建立模 型。困難源于啟發(fā)式設置許多參數(shù)。止匕外，它通常是很難解釋為什么它會產(chǎn)生一 個特定的結果，即解釋能力較差。因此，有需要其他人工智能技術，具有良好的 解釋能力，以及較高的預測性能

4、。FNN與FCBR可能替代的人工神經(jīng)網(wǎng)絡，以 紓緩上述限制，因為他們有能力以及合理準確地解釋。利用這種故障預測技術， 似乎是在這一領域的一個新的和有趣的研究方向，是因為故障預測不僅僅是一個 經(jīng)典的分類，并作為一個實用的系統(tǒng)，它應該提供更多的信息，支持和引導決策 者。在當前的BFP研究，包括利用模糊神經(jīng)網(wǎng)絡和FCBR的BFP模型，預測的準 確性是主要的焦點。有研究缺乏的預測為基礎的決策過程，以防止可能破產(chǎn)的決 定。提出的模型，它考慮到所有提到的問題，在一個系統(tǒng)化的方法，試圖去通過 后，預測下一步。本研究概述了財務預警模型采用與FCBR模糊神經(jīng)網(wǎng)絡的開展。它首先使用特 征選擇方法，找到最顯著的特點

5、，然后介紹了一種預處理方法，準備初始數(shù)據(jù)庫, 明顯提高預測的準確性。隨后，它提出了一個模糊神經(jīng)網(wǎng)絡預測目標情況下的財 務狀況。它也適用于集群的情況下，根據(jù)其在各組中的模糊規(guī)那么庫，即生存和失 敗，以減少為下一階段的空間和復雜的問題域。然后，一個模糊的相似性方法， 形成了一組，另一組規(guī)那么之間的相似性關系。根據(jù)這種關系，任何一組的群集可 以在另一組是最相似的群集的群集。在那之后，模糊優(yōu)化方法應用于每對相關集 群獲得最正確的特征權重向量。最后，F(xiàn)CBR采用案例檢索，找到類似的案件為目 標的情況下存活組預測為失敗。該模型采用加權特征檢索，模糊規(guī)那么庫和專家知 識，以提供最終用戶的建議，以防止可能失敗

6、。二。LITRATURE 回顧由于在各種金融危機的到來20世紀90年代和21世紀，特別是最近的經(jīng)濟衰退中2008 -在準確的計算系統(tǒng)的建設已經(jīng)有廣泛的投資，以預測企業(yè)的財務狀況。從1980年至1996年，國際貨幣基金組織的國家經(jīng)歷了四分之三銀行沒有被限 制在特定的地理區(qū)域，開展或銀行體系結構各級失敗。這些銀行倒閉，加上 許多企業(yè)破產(chǎn)，在前人研究的嚴重財務危機的明確證據(jù)。為了解決這些問題，分 析模型和系統(tǒng)的各類預測一個組織的財務狀況已經(jīng)研制成功。雖然它已被證明， 這些模型是有用的管理者和監(jiān)管機構的權力，以防止發(fā)生的危機和失敗2, 3, 一些弊端，使他們不可防止的，重要的業(yè)務系統(tǒng)不適用。破產(chǎn)作為金

7、融預警系統(tǒng) 預測，從經(jīng)典的模式識別問題，比方面部和語音識別，是不同的。其目標不僅是 提供了公司的財務狀況進行分類。包括管理者，決策者，監(jiān)管機構和客戶的利益 相關者需要更多的信息分類是如何達成的預測背后的原因是什么，應該做些什 么，以防止可能的破產(chǎn)。此信息可提供適當?shù)呢攧疹A警系統(tǒng)模型。大多數(shù)現(xiàn)有的 方法，使用的統(tǒng)計方法有不同的缺陷3 4。在另一邊，計算智能技術的日益發(fā) 展和應用，使研究人員聘用，如支持向量機5, 6,遺傳算法7,粗糙集8,人 工神經(jīng)網(wǎng)絡財務預警系統(tǒng)的新方法網(wǎng)絡9, 10和模糊系統(tǒng)11。拉維庫馬爾和拉 維12提供一個域的破產(chǎn)預測模型和方法的詳細審查，并展示他們在不同方面， 如精度更

8、好的性能。但仍然有顯著短缺，在面對上述車型的支持知識。他們只是 嘗試進行分類和預測公司的財務狀況，不提供知識，以協(xié)助決策者確定公司的目 標，根據(jù)這一預測。A.模糊神經(jīng)網(wǎng)絡近年來，已經(jīng)出臺的集成計算智能技術，以到達一個理想的結果，導致了混合模 型的外觀。在一個綜合模型，這些模型可以嵌入不同的技術，可分別使用不同的 技術，考慮為每一個獨特的生產(chǎn)預測的重量。這些模型研究的結果已經(jīng)說明，他 們比其他計算智能技術2。模糊神經(jīng)網(wǎng)絡（FNN）,這是一種混合型的嵌入模型, 采用神經(jīng)網(wǎng)絡和模糊系統(tǒng)，以創(chuàng)立一個健壯的混合分類和預報工具，在不同的領 域。在最近的一些研究中，不同類型的FNNs用于分類和預測的財務狀況

9、4, 9, 13, 14。模糊神經(jīng)網(wǎng)絡的主要優(yōu)點是其一貫的聯(lián)邦儲藏銀行獲得了從模糊系統(tǒng), 連同他們的學習能力和準確性，從人工神經(jīng)網(wǎng)絡獲得，以防止未來可能的危機。 這些模型不僅預測金融企業(yè)的經(jīng)營情況比擬準確，而且還提供一個知識基礎，可 用于分類問題，并作出決定，以防止這種情況下，才失控。模糊神經(jīng)網(wǎng)絡的所有 類型，可以大致分為兩組：（1）自我調(diào)節(jié)能力，這需要一個初始的規(guī)那么庫，指定 FNNs前培訓15, 16。（2）有能力的FNNs 17, 18從數(shù)值訓練數(shù)據(jù)的模糊規(guī)那么自動創(chuàng)立。后者的主要優(yōu)點是，它實際上可以在數(shù)值數(shù)據(jù)中提取隱含的模式, 通過自動生成一個聯(lián)邦儲藏銀行的知識。此外，它不需要有先驗知

10、識，如集群為 每個變量的數(shù)量和這些集群的特點（模糊集）。我們的建議，嘗試開展的FNNs 的第二組。B.模糊案例推理預測的財務狀況19近年來被廣泛應用于基于案例推理（CBR）。CBR是不僅 是一種非線性，非參數(shù)和增量學習方法，但也可以明確數(shù)據(jù)處理解釋分析結果， 并作出珍貴和有用的知識，可以幫助一個公司預測失敗恢復。同樣，大量的歷史 情況下，可以有效地存儲和由CBR數(shù)據(jù)庫技術管理20。盡管有這些優(yōu)點，CBR 已經(jīng)很難吸引研究人員在人工神經(jīng)網(wǎng)絡相比，由于其預測精度低利息。已經(jīng)有許 多研究，以加強對CBR的性能。他們大多數(shù)都引入了適當?shù)南嗨菩灶愃魄闆r為 目標的情況下對精度有重大影響力的功能和適當數(shù)量的

11、不同方法?，F(xiàn)有的大多數(shù)研究使用功能匹配的功能，這是耗費口寸間和CBR是在這項研究的 另一個研究方向的代表性和傳統(tǒng)的距離函數(shù)清脆的集合。使用功能的情況下代表 的價值和類比推理算法基于模糊理論的相似性措施的模糊集定義語言方面也有 一些研究21, 22o這些調(diào)查指出，不僅CBR的模糊以及進行跨產(chǎn)業(yè)比擬，而 且還提供了更加友好的建議的解決方案，其中在解決方案的模糊隸屬度可以解 釋。此外，它已被證明的準確率可以提高高得多時，模糊集理論在CBR部署。 第三。在建模的財務預警的方法模型提出的方法包含三個主要階段，解釋如下：1）準備階段包括特征選擇，預 處理和模糊聚類，2）規(guī)那么生成階段，包括規(guī)那么生成，學習

12、和規(guī)那么相似，3）決 策支持階段，包括案例檢索，與專家互動和建議。上述組件在以下各節(jié)詳細解釋。 圖1表示明確的方法。A.準備階段此階段包括三個功能選擇，預處理和模糊聚類的主要步驟。這些步驟是建立該模 型的重要組成局部。由圖2演示了這個階段。功能選擇：故障預測中的許多研究已經(jīng)證明，從報表的絕對值計算財務比率預計 將是有益的。方差分析和逐步MDA的方法，智能的方法，如決策樹，遺傳算法, 如各種統(tǒng)計方法，可用于選擇顯著的特點。這些功能區(qū)分企業(yè)從那些在健康遇險。 在我們的模型，遺傳算法可應用于特征選擇。預處理：近年來，在分類和預測領域的不平衡數(shù)據(jù)集的問題要求相當重視。一個 類的實例的數(shù)量遠遠比其他類的

13、實例時，就會發(fā)生這個問題。本研究著重于兩個 類別不平衡數(shù)據(jù)集的問題，那里只有一個積極的類（失敗的企業(yè)），數(shù)量較少的 例子，一個負類（企業(yè)生存）的例子較多。不平衡數(shù)據(jù)集的學習過程中，分類將 獲得多數(shù)類的預測精度高，但預測不佳的少數(shù)類，這是同樣有必要在預測23。 同樣，分類，可以考慮噪音，然后被忽略的少數(shù)類。有一些研究說明，不平衡數(shù) 據(jù)集的問題有負面影響的能力的分類方法24,25o有大量的技術已提出處理不平衡數(shù)據(jù)集的問題。有一些研究說明，在外部 的技術，過采樣的方法，尤其是SMOTE,顯著提高了預測精度模糊規(guī)那么庫的分 類26-28。這種方法有效地使少數(shù)類的決定地區(qū)更普遍，因此，防止過擬合問 題，

14、并進一步蔓延到多數(shù)樣品的少數(shù)例子28。在我們的模型，可以采用這種技 術。從集群衍生模糊聚類的模糊規(guī)那么。執(zhí)行聚類分析是非常重要的，是對建模問題的 第一步。有一種新型的自組織聚類技術優(yōu)于其他技術;離散增量聚類（迪愛生） 在我們的模型中介紹的方法，該方法是一個動態(tài)的聚類技術，防止的缺點，如穩(wěn) 定性，可塑性和其他方法和計算梯形形模糊29發(fā)現(xiàn)的僵化。B.規(guī)那么生成階段這個階段包含四個主要步驟。他們兩個規(guī)那么計算，可以通過模糊神經(jīng)網(wǎng)絡獲得學 習的。在這個階段的模糊神經(jīng)網(wǎng)絡的結構和它的規(guī)那么生成算法可以應用，也為預 測和聚類獲得模糊規(guī)那么庫。據(jù)預測，模糊規(guī)那么分為兩個失敗，存活類是用于集群 的案例庫。每個

15、規(guī)那么應說明一個群集。為了執(zhí)行這些步驟，最近的效率和準確 FNNs 9, 29,用于故障預測，可以采用。這些研究已經(jīng)證實，不僅模糊神經(jīng)網(wǎng) 絡預測的準確性是完全競爭的神經(jīng)網(wǎng)絡，而且它提供的解釋性分析是有用的，以 支持決策者的知識。在規(guī)那么生成步驟，模糊集群和前階段取得的數(shù)據(jù)的基礎上形 成的模糊神經(jīng)網(wǎng)絡的結構和運行規(guī)那么生成算法，分別獲得初始的模糊規(guī)那么庫。在 學習階段，學習算法用于更新和修改初始的模糊規(guī)那么庫，以獲得更多的預測準確 性。FNN與規(guī)那么生成和學習方法的樣本結構顯示在圖3。如圖3所示，每個節(jié)點由一個模糊神經(jīng)網(wǎng)絡的結構f規(guī)那么被提名。根據(jù)這些規(guī)那么 的模糊神經(jīng)網(wǎng)絡的輸出被分為兩組：失敗

16、和生存。此外，這些規(guī)那么將用于集群中 的每個組的情況下基地。在這個階段的第三步是使這兩類規(guī)那么之間的一對一關系。形成這種關系是基于相 似的規(guī)那么。一個模糊的相似方法可以用來表示的關系。在模糊規(guī)那么庫，它提供 這個階段，每一個故障類別的規(guī)那么是關系到一個規(guī)那么生存類別，反之亦然。應該 提到的，我們假設，在每個功能的規(guī)那么，否那么不參與，我們可以計算平均值的功 能的情況下，滿意規(guī)那么涉及的所有功能。作為第三步的結果，一個訓練有素的模糊規(guī)那么的基礎上，將用于預測目標情況下 的財務狀況，提供。止匕外，隨著數(shù)據(jù)的基礎上，已在前一階段取得的模糊規(guī)那么庫 應用，使聚集在步驟四案例庫。我們可以產(chǎn)生一個聚集的案

17、例庫，其中分為生存 和故障類別，每個類別群集n團簇型N規(guī)那么。因此，每個案件屬于一個類別集 群。此外，根據(jù)在先行一步中定義的規(guī)那么之間的相似性關系，每個集群中的一類 是相關的（類似）其他類別的集群之一。最后，我們可以定義兩個特殊的特點， 對每一種情況下，這說明在該案例位于集群和其他類別的集群，這是類似案件集 群。由圖4所示，規(guī)那么生成階段進行財務預測，以及籌備模糊規(guī)那么庫，為下一階段的 模糊的情況下聚集基地。集群的案例庫，顯著降低問題的維數(shù)。C.決策支持階段這一階段財務預警模型是最重要和最新穎的一局部提出的建模方法。這一階段的 目標是目標的情況下，如果預測失敗，實際的和準確的知識可以提供支持決

18、策者, 以防止失敗。這個階段包含三個主要步驟：重量優(yōu)化，案例檢索和功能變化的提 名。第一步是發(fā)現(xiàn)案件的最正確或接近最正確的特征權重向量。模糊遺傳算法的應用，以 獲得功能的體重。應使用該算法，分別為每對相關集群。作為這一步，每一個功 能獲得一個特定的重量是相同的所有情況下，在兩個相關的集群。對象的優(yōu)化算 法可以最大化的情況下，在兩個相關的集群屬于兩個類別之間的相似性度量。 在下一步，案例檢索，找到最相似的K存活類案件應提出建議。要做到這一點, 應選擇適當?shù)南嗨乒δ?。選擇適當?shù)墓δ苋Q于標準，如功能的數(shù)據(jù)類型，精度 和功能類型，包括路口的距離，余弦距離，或歐幾里德距離。在鍋爐給水泵的 CBR的應用

19、主要使用從歐氏度量在k-近鄰（K-NN）的情況下取得的相似措施。 因為功能的數(shù)據(jù)類型是在語言方面提出的模型，模糊K-NN的建議檢索k類似存 活的情況下，為目標的情況下，預計失敗。使用模糊k-NN的另一個原因是，它 支持的成員不同程度的匹配情況的靈活性。相似的目標的情況下，其他案件的程 度就可以被指定在模糊隸屬度，而不是僅僅清脆的結果。在這個階段的最后一步，根據(jù)存活的情況下這是在前面的步驟和專家的知識檢 索，應選擇適當?shù)慕鹑诠δ芨淖儭ふ疫m當?shù)募訖喙δ?，是一個模糊的多目標決 策（FMODM）的問題，其中包括最大化的相似性，最大限度地降低本錢和最大 限度地提高效率等目標。建模和解決這個問題，專家知識起著重要的作用，應考 慮到在一個交互式的計劃。同樣，模糊規(guī)那么的基礎上，這是在上一階段產(chǎn)生的， 并表示該公司的財務狀況，可以在敏感性分析檢查的可能性和適宜的解決方案。 圖5描述了這個階段 四。智能財務預警模型擬議的財務預警模型的建模方法已在上一節(jié)的說明