神經(jīng)網(wǎng)絡(luò)在財(cái)務(wù)的應(yīng)用.ppt

1、神經(jīng)網(wǎng)絡(luò) (Neural Network，NNet) BP算法基本步驟 神經(jīng)網(wǎng)絡(luò)在財(cái)務(wù)方面的應(yīng)用 神經(jīng)網(wǎng)絡(luò)研究方向,主要內(nèi)容,神經(jīng)網(wǎng)絡(luò)(Neural network，NNet),是人工智能中研究比較成熟的技術(shù)。 神經(jīng)網(wǎng)絡(luò)最早是由心理學(xué)家和神經(jīng)生物學(xué)家提出的，旨在尋求和測試神經(jīng)的計(jì)算模擬。 神經(jīng)網(wǎng)絡(luò)是一組連接的輸入/輸出單元，其中每個(gè)連接都與一個(gè)權(quán)值相連。在學(xué)習(xí)階段，通過不斷調(diào)整神經(jīng)網(wǎng)絡(luò)的相連權(quán)值，使得能夠正確預(yù)測輸入樣本的正確類標(biāo)號。,神經(jīng)網(wǎng)絡(luò)系統(tǒng)是由大量的、同時(shí)也是很簡單的處理單元( 或稱神經(jīng)元) 廣泛的相互連接而形成的復(fù)雜網(wǎng)絡(luò)系統(tǒng),在研究方法上強(qiáng)調(diào)綜合而非分解。一般認(rèn)為, 神經(jīng)網(wǎng)絡(luò)系統(tǒng)是一

2、個(gè)高度復(fù)雜的非線性動力學(xué)系統(tǒng), 除了具備非線性系統(tǒng)共性以外, 更主要的是具備其自身的特點(diǎn), 即高維性、神經(jīng)元之間的廣泛互連性、自適應(yīng)性、自組織性等等。,NNet,神經(jīng)網(wǎng)絡(luò)通常由輸入層、輸出層和隱藏層組成，輸入層的神經(jīng)元個(gè)數(shù)等于樣本的特征數(shù)， 輸出層就是分類判決層，它的神經(jīng)元個(gè)數(shù)等于樣本的類別數(shù)。 特點(diǎn)：對噪聲數(shù)據(jù)具有較高的承受能力，但訓(xùn)練需要花費(fèi)較長的時(shí)間。,至今為止, 學(xué)者們已經(jīng)提出了多種神經(jīng)網(wǎng)絡(luò)模型, 如自適應(yīng)共振理論模型(ART ) 、雪崩模型( AVA) 、反向傳播模型(BP, 一種多層結(jié)構(gòu)的映射網(wǎng)絡(luò), 是目前應(yīng)用最廣泛的一種神經(jīng)網(wǎng)絡(luò)模型之一) 、重復(fù)傳播模型(CPN) 、感知機(jī)模型(

3、PTR) 、自組織映射模型(SOM) 等等,NNet,目前最流行的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法是：后向傳播算法（Back-propagation, BP）。 它通過迭代地處理一組訓(xùn)練樣本，將每個(gè)樣本的網(wǎng)絡(luò)預(yù)測與實(shí)際知道的類標(biāo)號比較，進(jìn)行學(xué)習(xí)。對于每個(gè)訓(xùn)練樣本，修改連接權(quán)值，使得網(wǎng)絡(luò)預(yù)測與實(shí)際類之間的均方誤差最小。 這種修改“后向”地進(jìn)行,即由輸出層，經(jīng)由每個(gè)隱藏層，到第一個(gè)隱藏層。,BP算法基本步驟,1初始化網(wǎng)絡(luò)各層的權(quán)值及神經(jīng)元閾值。（一個(gè)小的隨機(jī)數(shù)） 2. 向前傳播輸入：對每一樣本，計(jì)算隱藏層和輸出層每個(gè)單元的凈輸入和輸出。,BP算法基本步驟,3. 后向傳播誤差 通過更新權(quán)值和偏置以反映網(wǎng)絡(luò)的預(yù)測誤差

4、。,BP算法基本步驟,終止條件： 更新權(quán)值較小 正確分類的樣本百分比 超過預(yù)先指定的訓(xùn)練周期（實(shí)踐中，權(quán)收斂可能需要數(shù)十萬個(gè)周期）,神經(jīng)網(wǎng)絡(luò)在財(cái)務(wù)方向的應(yīng)用,在財(cái)務(wù)管理理論方面,應(yīng)用神經(jīng)網(wǎng)絡(luò)的典型例子有: IPOs( Jain 和Nag, 1995) 以及IPO 定價(jià)、衍生證券的定價(jià)與保值(Hutchinson, Lo 和Poggio, 1994) , 預(yù)測銀行破產(chǎn)( Tam 和Kiang, 1992) , 證券評級(Dudda 和Shekhar , 1988) , 對人工神經(jīng)網(wǎng)絡(luò)績效進(jìn)行比較判別分析(Yoon, Swales 和 Margavio, 1993) , 破產(chǎn)預(yù)測(Fletcher

5、 和Goss, 1993) 等等9 。簡而言之, 該方法逐漸產(chǎn)生的普遍適應(yīng)性歸結(jié)于其模式識別( patternr ecognition) 的基本技術(shù)。,神經(jīng)網(wǎng)絡(luò)在財(cái)務(wù)方向的應(yīng)用,神經(jīng)網(wǎng)絡(luò)的預(yù)測功能使得其首先應(yīng)用于財(cái)務(wù)危機(jī)預(yù)警 將T-i年的財(cái)務(wù)指標(biāo)輸入模型進(jìn)行訓(xùn)練，提取樣本特征；首先將ST公司和非ST以及各自對應(yīng)的財(cái)務(wù)比率輸入神經(jīng)網(wǎng)絡(luò)， 神經(jīng)網(wǎng)絡(luò)能夠接收這些財(cái)務(wù)比率的特征，并將其作為輸入單元，通過特定的權(quán)值，連接到輸出單元，也就是通過這些財(cái)務(wù)比率進(jìn)行分類。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練就是調(diào)整權(quán)值，使其變大或變小，以達(dá)到更高的分類準(zhǔn)確性。所以神經(jīng)網(wǎng)絡(luò)模型需要經(jīng)過反復(fù)的訓(xùn)練，花費(fèi)時(shí)間較長。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果就是財(cái)

6、務(wù)比率對分類結(jié)果的重要性，也就是哪些財(cái)務(wù)比率能夠顯著區(qū)分ST公司和非ST公司，而且還可以得到變量重要性的權(quán)值。這樣，就可以利用神經(jīng)網(wǎng)絡(luò)去預(yù)測其他公司的分類。本文將展示神經(jīng)網(wǎng)絡(luò)在財(cái)務(wù)預(yù)警分析中的分類能力，我們可以看到神經(jīng)網(wǎng)絡(luò)模型在數(shù)據(jù)分類挖掘中的確具有較高的精度。 現(xiàn)有文獻(xiàn)的研究一般認(rèn)為神經(jīng)網(wǎng)絡(luò)的預(yù)測正確率更好,神經(jīng)網(wǎng)絡(luò)在財(cái)務(wù)方向的應(yīng)用,神經(jīng)網(wǎng)絡(luò)模型從本質(zhì)上來說, 是通過所給出的一系列輸入變量( 獨(dú)立變量) 對輸出變量的系統(tǒng)的模式識別方法, 該方法獨(dú)立于數(shù)據(jù)的生成過程。進(jìn)一步來說, 神經(jīng)網(wǎng)絡(luò)模型能夠處理大量的輸入變量, 即使這些數(shù)據(jù)是有噪聲的( noisy) 或是具有強(qiáng)相關(guān)性的。神經(jīng)網(wǎng)絡(luò)模型的這

7、些優(yōu)勢是經(jīng)典線性統(tǒng)計(jì)方法( 以多元線性回歸模型為代表) 所不具備的。因此，現(xiàn)在也逐漸應(yīng)用到財(cái)務(wù)數(shù)據(jù)的分析和挖掘上。,神經(jīng)網(wǎng)絡(luò)在財(cái)務(wù)方向的應(yīng)用,Clementine中的神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò)在財(cái)務(wù)方向的應(yīng)用,在財(cái)務(wù)危機(jī)預(yù)警的基礎(chǔ)上，相關(guān)論文仍然借鑒了神經(jīng)網(wǎng)絡(luò)在判別和預(yù)測上的功用 基于BP神經(jīng)網(wǎng)絡(luò)的上市公司審計(jì)意見預(yù)測模型財(cái)會月刊 文章將審計(jì)意見分為標(biāo)準(zhǔn)和非標(biāo)準(zhǔn)，基于BP神經(jīng)網(wǎng)絡(luò)對審計(jì)意見進(jìn)行預(yù)測，并認(rèn)為神經(jīng)網(wǎng)絡(luò)具有較好的預(yù)測效果 輸出層閾值由網(wǎng)絡(luò)訓(xùn)練自行確定，對網(wǎng)絡(luò)隱含層神經(jīng)元的數(shù)目通過試錯(cuò)法，通過不斷的嘗試增加神經(jīng)元的數(shù)目來提高網(wǎng)絡(luò)的收斂速度和擬合能力，直到網(wǎng)絡(luò)的收斂速度達(dá)到最快，網(wǎng)絡(luò)輸出誤差滿足

8、要求為止。通常確定隱含層神經(jīng)元數(shù)目所使用的經(jīng)驗(yàn)公式為：（2p1+p2）1/2p32p1+1，其中：p1 為輸入節(jié)點(diǎn)數(shù)，p2 為輸出節(jié)點(diǎn)數(shù)，p3 為隱含層的神經(jīng)元數(shù)目。,神經(jīng)網(wǎng)絡(luò)在財(cái)務(wù)方向的應(yīng)用,基于現(xiàn)金流信息結(jié)構(gòu)的企業(yè)組織循環(huán)效率評價(jià)的神經(jīng)網(wǎng)絡(luò)模型會計(jì)研究 提出對企業(yè)組織循環(huán)效率具有顯著表征能力的現(xiàn)金流類財(cái)務(wù)指標(biāo), 并據(jù)此構(gòu)建基于現(xiàn)金流信息結(jié)構(gòu)的企業(yè)組織循環(huán)效率評價(jià)的神經(jīng)網(wǎng)絡(luò)模型,多層BP神經(jīng)網(wǎng)絡(luò)模型可以實(shí)現(xiàn)任意可實(shí)現(xiàn)的線性和非線性函數(shù)的映射,克服了Logistic回歸模型要求變量個(gè)數(shù)盡可能簡約及變量相互獨(dú)立的局限性, 解決了現(xiàn)金流類指標(biāo)具有高度相關(guān)性及非線性性的問題, 因而, 更適合作為企業(yè)

9、組織循環(huán)效率的評價(jià)模型。,神經(jīng)網(wǎng)絡(luò)在財(cái)務(wù)方向的應(yīng)用,基于BP 神經(jīng)網(wǎng)絡(luò)的公允價(jià)值有用性評價(jià)中國管理信息化 公允價(jià)值在上市公司的財(cái)務(wù)報(bào)表開始啟用，文章利用問卷調(diào)查，選取樣本對公允價(jià)值的相關(guān)性和可靠性進(jìn)行評價(jià)。借助BP 神經(jīng)網(wǎng)絡(luò)工具對搜集的公允價(jià)值的相關(guān)性和可靠性評分進(jìn)行訓(xùn)練，得到各樣本的綜合結(jié)果,神經(jīng)網(wǎng)絡(luò)在財(cái)務(wù)方向的應(yīng)用,基于神經(jīng)網(wǎng)絡(luò)的企業(yè)可持續(xù)發(fā)展力評價(jià) 建立一個(gè)包含7個(gè)因子的可持續(xù)發(fā)展能力評價(jià)指標(biāo)體系，基于BP 神經(jīng)網(wǎng)絡(luò)建立企業(yè)可持續(xù)發(fā)展力評價(jià)模型,神經(jīng)網(wǎng)絡(luò)在財(cái)務(wù)方向的應(yīng)用,企業(yè)資本結(jié)構(gòu)及其影響因素的關(guān)系研究系統(tǒng)工程 應(yīng)用神經(jīng)網(wǎng)絡(luò)和多元線性回歸模型，比較兩個(gè)模型的SSE指標(biāo)和Theils “U”系數(shù) 神經(jīng)網(wǎng)絡(luò)對于財(cái)務(wù)數(shù)據(jù)的處理也是一個(gè)新的研究方法和工具 作者提出結(jié)構(gòu)方程等也可以提供新的思路,神經(jīng)網(wǎng)絡(luò)在財(cái)務(wù)方向的應(yīng)用,權(quán)證定價(jià)的BP神經(jīng)網(wǎng)絡(luò)方法統(tǒng)計(jì)與決策 文章采用BP和徑向基函數(shù)以及傳統(tǒng)BS模型預(yù)測三只權(quán)證的價(jià)格，使用平均誤差，均方誤差和平均絕對誤差進(jìn)行模型評價(jià) 發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)定價(jià)模型更優(yōu)，而BP神