英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料
通过深度学习人工神经网络对企业财务风险进行预警分析
摘 要
为了更准确地预测制造业企业的财务危机，构建了基于反向传播（BP）神经网络的企业财务风险预警模型来预测财务危机。首先，根据指标选择原则，选择预测指标，构建财务风险预警的指标体系。然后，通过因子分析对该指标体系进行优化。最后，采用BP神经网络算法模型对200家制造业企业在2018年和2019年的财务危机进行预测，并将预测结果与传统方法进行比较。结果显示，基于BP神经网络的企业财务风险预警模型对2018年的预测准确率在85%以上，对2019年的预测准确率在95%以上，甚至100%。通过与其他传统方法的比较，2018年BP神经网络的预测精度（88%以上）高于其他算法（87%以下）。2019年，BP神经网络的预测准确率（高于90%）高于其他算法（低于88%）。本研究提出的财务风险预警模型的准确率为95%，比传统方法的准确率至少高出2%，证明本研究构筑的风险预警模型能够准确预测企业的财务危机。本研究对建立深度学习下的高效财务危机预测模型具有重要参考价值。
关键词 深度学习；人工神经网络；金融风险；索引系统；风险预警模型
1.简介
中国的市场经济在社会主义道路上不断前进，也正处于快速发展的阶段。随着市场的不断升级，企业之间的竞争也越来越激烈[1]。在这种情况下，往往会发生企业的财务危机，最终由于各种因素而破产。从本质上讲，金融危机的发展过程非常缓慢，一个公司的财务状况从正常状态恶化通常需要几年的时间[2]。这意味着，财务风险是可以提前预测和预防。因此，有必要为公司的财务状况建立一个风险预警模型。
国际上对财务风险的预警进行了大量的研究。有学者建立了一个基于probit模型的金融指数分析模型，其对金融风险的预测结果准确率达到87% [3]。有学者研究了基于决策树算法的财务指标分析模型，预测结果的准确率为69% [4]。也有些学者使用支持向量机建立财务状况的风险预警模型并进行了测试研究。研究表明，该方法的预测结果的准确率约为89% [5]。还有些学者用Logistic模型对企业的财务危机进行预测，对于已经发生过金融危机的企业，预测结果的准确率为80%，而对于没有经历过金融危机的企业，预测结果的准确率达到100%[6]。由此可见，一些相关的模型应用可以实现对企业财务风险更准确地预警。随着深度学习的不断发展，各种基于神经网络的算法在很多领域得到了应用[7]。有学者对BP神经网络和Leighton Maggs算法在财务危机预警中的应用进行了讨论和分析[8]。有学者利用因子分析模型选择预测指标，建立了基于BP神经网络的金融危机预测模型，得到了准确率为87%的预测结果，并对神经网络模型的应用进行了可行性分析和推广[9]。也有学者采用因子分析和Kruskal-Walis H检验来优化指标，建立了基于BP神经网络的模型，对其预测指标进行了分析，预测准确率为92.38% [10]。因此，人工神经网络的应用可以实现非常准确的金融风险预测结果。
本研究以BP神经网络为基础，建立了制造业企业财务风险预警的人工神经网络模型。以2018年和2019年的200家制造业企业为样本数据，进行财务风险预警测试。将财务风险预警结果与其他预测方法进行比较，评价了BP神经网络的应用价值，使其应用效果更加明确。该工作旨在提高财务风险预警的准确性，建立更适合各类制造企业的财务风险预警指标体系，并提供重要的研究依据。
2.方法
2.1.构建金融风险预警指标体系
过去，金融风险预警指标的选择一般是通过分析相关的研究经验和数据采集来确定[11]。金融危机的发生是在一个非常复杂的环境中，其相关因素也来自各个方面。为了做出全面合理地预测分析，预警指数不能只选择简单的财务数据。本研究在选择预警指数时，充分考虑到了企业财务的影响因素，并遵循指数的选择原则。
在本研究中，企业财务风险预警指数的选择需要遵循四个原则：可预测性、可比性、可观察性和全面性。其中，可预测性要求指数能够预测和分析企业的未来财务状况。可比性是指要选择的指数可以在同一企业的不同时期进行比较，不同企业的相关指数也可以进行比较；观察能力要求指数可以根据真实数据进行相应的观察和预测财务危机[12]；全面性则要求选择能够全面反映财务状况的指数。
根据指标的选取原则，选取制造业企业的财务风险预警指标，并构建相应的风险预警指标体系，如图1所示。
图1 风险预警指数系统
如图1所示，本研究提出的风险预警指标体系将理论与实践相结合，并考虑到了公司财务的各个方面。第一指标包括五个方面，即公司的经营能力、发展能力、现金流、偿还能力和盈利能力。
其中，经营能力可以反映公司维持生产正常运行的能力。一般来说，公司的经营能力是根据各种资产的周转率来分析的，并根据资产的存量来判断其经营水平。发展能力代表了企业运用各种正规的生产和管理，使自己更加强大的能力。发展能力也是根据财务指标在时间上的纵向分析得到的[13]。通过研究公司的发展趋势，可以相应地推断出公司的近期发展。现金流代表流通中的现金或其等价物的总量，其中包括公司投资和运营中的现金流入和流出。现金流是公司持续生产的一个重要部分。偿付能力是指公司在长期内支付其债务的能力。如果偿付能力不足，从长远来看，如果该公司不能支付其债务，就会被起诉。因此，要及时对公司的偿付能力进行分析，对公司的财务状况进行评估，并在此基础上对公司的财务状况进行分析，对现有问题进行分析并给出相应的解决方案。偿付能力可以作为判断一个公司财务是否健康的标准。盈利能力代表了公司获得可持续利润的能力，这也是投资者和债权人最看重的东西。如果公司能够持续盈利，投资者就可以继续获得相应的回报，而债权人也可以继续收回相应的债务[14]。有了更好的盈利能力，公司就更有可能获得更多的投资或贷款，这就对公司的发展有了一定的影响。
在本研究中，根据因子分析法对风险预警指标体系进行了进一步优化。为了保留原始数据的特征，对总体方差的80%以上的共同因子进行解释。结果发现，有八个共同因子满足这个条件。这八个指标已经能够比较全面地反映公司的财务状况。并得到相应的优化指标体系，如图2所示。
图2 优化后的索引系统
如图2所示，公司的发展能力分为中期发展能力和长期发展能力。中期增长能力由每股收入增长率和净利润增长率决定，而长期增长能力则由营业收入和总资产增长率决定。公司的经营能力也分为中期经营能力和长期经营能力。中期经营能力由应付账款和收账款的周转率决定，长期经营能力由总资产的周转率和资产存量决定。公司的现金流由资产的现金回收率和经营产生的现金流决定；现金投资能力由现金投资率和经营指数决定；偿债能力取决于其负债率和资产的流动性比率；公司的盈利能力由资产净收入和总收入决定。
本文选取2018年至2019年的200家制造业企业作为样本数据进行财务风险预警测试，其中财务状况正常的企业有100家，出现财务危机的企业有100家。以2018年为有效年份，2019年为对比年份，根据相关研究经验，测试集和训练集应呈现1：4的比例。因此，取160个样本作为训练集，其余40个作为测试集。训练集和测试集的财务规范性比例与危机中的公司相同。应用Z-SCORE对财务风险预警指数数据进行标准化处理，如公式（1）所示：
O=A-U/V （1）
在公式（1）中，原始数据用A表示，数据的平均值应该用u表示，标准差v作为分母。
2.2.基于BP神经网络的金融风险预警模型
作为目前人工智能领域比较常见的一种算法，人工神经网络可以模拟和简化人脑神经结构来处理信息[15]。神经网络一般由三个不同的处理单元组成：输入层、隐藏层和输出层，每一层都由神经元组成，即节点[16]。通常只有一个输入层和一个输出层，但需要根据所处理的信息和所应用的算法来控制节点的数量。隐层作为数据计算和处理的主要部分，可以设置多层，每一层可以设置多个神经元。神经网络对一些非独立因素具有较好的适用性，对一些复杂的非线性数据具有良好的处理效果[17]。根据不同的数据信息，通过修改神经网络模型的权值、激励函数和隐层数，可以得到各种类型的神经网络算法模型。在目前使用的多层前馈网络模型中，最常见的是三层前馈网络模型，如图3所示。
图3 3层神经网络模型
如图3所示，只有一个隐藏层。在这种三层神经网络中，其输入向量由公式（2）表示。
X = (x1， x2，...， xm)T (2)
其中，X表示隐层输入向量，m表示向量数，T表示网络层。
隐层的输出向量如公式（3）所示。
Y=(y1，y2，...，yn)T （3）
其中，y表示隐层的输出向量，n表示向量数。
最终的输出向量如公式（4）所示。
Z=(z1，z2，...，zl)T （4） 在其中，Z表示最终的输出向量，l表示向量的数量。
期望的输出向量由公式（5）所示。
H = (h1， h2， . hl)T (5)
其中，H表示期望输出矢量，l表示矢量的数量。
每一层之间的刺激函数是一个修正的线性单位函数和正切sigmoid型函数，如方程式（6）和（7）所示。
f (x) = max (0， x) (6)
f ′(x) =1/（1 e-x） (7)
在上式中，e为线性相关系数。神经网络层根据上述函数和每层神经元之间的权重进行连接。输入层的输出向量与隐层之间的关系等式由公式（8）所示。
(8)
在等式中（8）中，输入层与隐藏层之间的权重用w表示，j为权重的数量，i为输入向量的数量。
隐蔽层与输出层的输出向量之间的关系用公式（9）表示。
(9)
在等式中（9）中，输出层与隐蔽层之间的权重用v表示，k为权重的数量，j为输出向量的数量。
BP神经网络有一个两阶段的学习过程，包括输入信息的正向传播和反向传播的误差信息。前向传播是指信息从输入层进入神经网络，并从输入层进入隐藏层进行算术处理，然后将得到的数据传递给输出层进行输出。误差的BP是指误差信息从输出层传播到隐藏层，再传播到输入层。BP神经网络可以根据误差反馈来调整各层之间的权重。
当信息在前向传播过程中从输入层传播到隐藏层时，隐藏层的输入路径如公式（10）所示。
NETHj = x1w1j x2w2j ⋯ xmwmj
j = 1， 2，...， n (10)
隐层的输出由公式（11）表示。
y = f ′(NETHj ) = 1/（eminus;NETHj 1） (11)
当信息从隐藏层传播到输出层时，输出层的输入路径如公式（12）所示。
NETOj = y1v1j y2v2j ⋯ ynvnj
j = 1， 2，...， l (12) 最终的输出由公式（13）表示。
z = f (NETOj ) = 1/（eminus;NETOj 1） (13)
最终的输出表明正向传播已经结束。在这一阶段，神经网络的权重是根据计算出的实际输入和原始样本输出之间的误差最小化来调整的。
在误差BP的过程中，某个副本的误差用公式（14）表示。其中，Ed表示预期输出向量与最终输出向量之间的误差，d为误差指标。
(14)
单个误差地和为总误差，如等式（15）所示。
E=sum;Ed （15）
不同顺序的样本对神经网络有不同的影响。一般来说，我们会对总误差进行调整，以减少这种影响，如等式（16）所示。
（16） 为了使误差最小化，输出层的权重通过公式（17）至（19）计算和调整。
Delta;vij = minus;eta;（part;E/part;vij）=
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[603146]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
