前言：本站為你精心整理了神經(jīng)網(wǎng)絡(luò)算法下企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)探究范文，希望能為你的創(chuàng)作提供參考價(jià)值，我們的客服老師可以幫助你提供個(gè)性化的參考范文，歡迎咨詢(xún)。

摘要：隨著我國(guó)經(jīng)濟(jì)的快速發(fā)展，企業(yè)財(cái)務(wù)方面出現(xiàn)諸多問(wèn)題，企業(yè)財(cái)務(wù)面臨著巨大的風(fēng)險(xiǎn)，需要對(duì)于風(fēng)險(xiǎn)問(wèn)題有及時(shí)的預(yù)測(cè)機(jī)制。因此，針對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的實(shí)際情況，利用BP神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)測(cè)，建立基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)險(xiǎn)預(yù)測(cè)模型。首先，分析組合預(yù)測(cè)方法，利用組合預(yù)測(cè)方法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)；其次，構(gòu)建神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)模型，將模型應(yīng)用在企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)管理系統(tǒng)中；最后，所提出的組合預(yù)測(cè)模型與傳統(tǒng)的預(yù)測(cè)模型相比較分析，通過(guò)實(shí)驗(yàn)可知，組合預(yù)測(cè)模型的預(yù)測(cè)效果較好。

關(guān)鍵詞：財(cái)務(wù)風(fēng)險(xiǎn)；預(yù)測(cè)；組合預(yù)測(cè)模型；BP神經(jīng)網(wǎng)絡(luò)

0引言

目前，我國(guó)經(jīng)濟(jì)獲得了快速的發(fā)展，企業(yè)財(cái)務(wù)數(shù)量逐年增加，但是陷入危機(jī)的企業(yè)數(shù)量較多，企業(yè)財(cái)務(wù)缺乏有效的風(fēng)險(xiǎn)預(yù)測(cè)機(jī)制。因此，針對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)問(wèn)題，許多專(zhuān)家學(xué)者做了相關(guān)研究，部分學(xué)者從分析企業(yè)財(cái)務(wù)危機(jī)的特點(diǎn)出發(fā)，建立因素分析模型，判定影響企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的因素［1］。還有部分學(xué)者建立單變量企業(yè)財(cái)務(wù)預(yù)測(cè)分析模型，預(yù)測(cè)不同時(shí)間節(jié)點(diǎn)下的財(cái)務(wù)風(fēng)險(xiǎn)的主要影響因素［2］。還有部分學(xué)者將人工智能方法應(yīng)用到企業(yè)財(cái)務(wù)領(lǐng)域，初步利用決策樹(shù)算法建立預(yù)測(cè)模型，預(yù)測(cè)企業(yè)財(cái)務(wù)存在的問(wèn)題［3－5］。還有部分學(xué)者利用統(tǒng)計(jì)方法建立預(yù)測(cè)模型，但是統(tǒng)計(jì)方法對(duì)數(shù)據(jù)的要求較高，要求數(shù)據(jù)服從多元正態(tài)分布，實(shí)用性要考量［6－7］。綜上所述，目前專(zhuān)家學(xué)者在企業(yè)財(cái)務(wù)預(yù)測(cè)方面的研究主要集中在因素分析方面，判定影響企業(yè)財(cái)務(wù)運(yùn)轉(zhuǎn)的因素，從危險(xiǎn)因素出發(fā)判定風(fēng)險(xiǎn)，整體對(duì)于企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)測(cè)較少。由此可知，通過(guò)對(duì)組合預(yù)測(cè)方法和BP神經(jīng)網(wǎng)絡(luò)的分析建立了預(yù)測(cè)模型，對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)，從而規(guī)避企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)所致的損失。

1預(yù)測(cè)方法分析

組合預(yù)測(cè)最根本的目的就是將得到的單個(gè)預(yù)測(cè)信息進(jìn)行整合，得到組合后整體的預(yù)測(cè)數(shù)值，組合預(yù)測(cè)方法的優(yōu)勢(shì)和特點(diǎn)是弱化主觀性，使結(jié)果更加客觀有效［8］。設(shè)N為事件個(gè)數(shù)，m為預(yù)測(cè)方法類(lèi)型，令i表示第i種預(yù)測(cè)方法，X表示當(dāng)前事件，y表示預(yù)測(cè)值，θ表示度量值，θ（X）表示事件X的度量值，深入分析可以得到非線(xiàn)性組合函數(shù)公式為y＝θ（X）＝θ（θ1，θ2，…，θm），在某種情況之下，θ（X）度量?jī)?yōu)于θi（X）（i＝1，2，3，…，M）。而在神經(jīng)網(wǎng)絡(luò)中，BP神經(jīng)網(wǎng)絡(luò)是最常見(jiàn)的預(yù)測(cè)算法之一。BP神經(jīng)網(wǎng)絡(luò)代表的是非線(xiàn)性的映射關(guān)系，BP神經(jīng)網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)對(duì)映射關(guān)系并不構(gòu)成影響，需要通過(guò)樣本的學(xué)習(xí)來(lái)達(dá)到對(duì)研究?jī)?nèi)容內(nèi)部結(jié)構(gòu)的模擬［9］。BP神經(jīng)網(wǎng)絡(luò)中是對(duì)一組單一的單元進(jìn)行并行處理的過(guò)程，各單元之間通過(guò)許多簡(jiǎn)單而復(fù)雜的網(wǎng)絡(luò)相互連接而形成，具有高度的非線(xiàn)性，系統(tǒng)之間可以實(shí)現(xiàn)復(fù)雜而非線(xiàn)性的邏輯運(yùn)算關(guān)系。實(shí)際工作過(guò)程中的神經(jīng)網(wǎng)絡(luò)在確定用戶(hù)輸入層所需參數(shù)后，隱層網(wǎng)絡(luò)根據(jù)其規(guī)則自動(dòng)產(chǎn)生一定的輸出樣本數(shù)據(jù)并進(jìn)行功能總結(jié)，該過(guò)程既不是簡(jiǎn)單的樣本數(shù)據(jù)插值操作，也不是高度智能化的擬合操作，神經(jīng)網(wǎng)絡(luò)的整體就是不斷輸入和輸出的過(guò)程。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程包括正向傳播和反向傳播。正向傳播是根據(jù)輸入信息，經(jīng)過(guò)權(quán)值、激活函數(shù)、隱藏層，最后獲得輸出結(jié)果；反向傳播是根據(jù)輸出信息，經(jīng)過(guò)和期望值的比較，再經(jīng)過(guò)算法、修改權(quán)值，最終使輸出和期望值差距變小的過(guò)程。

2基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)模型

神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)預(yù)測(cè)模型的整體是將企業(yè)日常財(cái)務(wù)信息參數(shù)作為輸入數(shù)據(jù)，再利用組合神經(jīng)網(wǎng)絡(luò)的方法輸出當(dāng)前企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的狀態(tài)。利用企業(yè)財(cái)務(wù)的歷史數(shù)據(jù)對(duì)案例進(jìn)行訓(xùn)練，最終使得不同輸入向量均得到相應(yīng)的輸出數(shù)值。企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)算法流程如圖1所示。圖1所示的主要流程如下。Step1：設(shè)Q為樣本數(shù)量，m為存在的多種預(yù)測(cè)方法，輸入向量Xki（k＝1，2，…，Q；i＝1，2，…，m），tk作為輸出的實(shí)際神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)，若數(shù)據(jù)的樣本量不夠大時(shí)可重復(fù)執(zhí)行步驟3至步驟5；Step2：實(shí)際情況狀態(tài)的計(jì)算，設(shè)j為事件下的第j種狀態(tài)，計(jì)算得到隱含層中單元的狀態(tài)；Step3：訓(xùn)練誤差的計(jì)算。設(shè)O代表存在的部分誤差，W代表數(shù)據(jù)可用量權(quán)重，輸入層可看作δkj＝Okj（1－Okj）∑mδkmWmj，輸出層可看作δkj＝（tkj－okj）＊okj（1－okj）；Step4：對(duì)模型中的權(quán)值和閾值進(jìn)行修正分析。設(shè)W為修正值，η為系數(shù)，Wji（t＋1）＝Wji（t）＋ηδkjOki＋a［wji（t）－wji（t－1）］，θj（t＋1）＝θj（t）＋ηδj＋a［θj（t）－θj］（t－1）；Step5：設(shè)精度為E，分析模型的整體精度，E＝∑pi＝1Ek≤ε，為設(shè)置好的精度；Ek＝1／2（tkj－Okj）2是樣本的誤差值的大小或數(shù)量；Step6：企業(yè)財(cái)務(wù)狀態(tài)預(yù)測(cè)。

3應(yīng)用結(jié)果分析

本研究搜集整理158家企業(yè)財(cái)務(wù)，將因財(cái)務(wù)異常被處理的企業(yè)設(shè)定為危險(xiǎn)企業(yè)，將數(shù)據(jù)組合在一起構(gòu)成樣本集合，以2019年數(shù)據(jù)為基礎(chǔ)，利用模型實(shí)現(xiàn)預(yù)測(cè)。同時(shí)本研究采用的預(yù)測(cè)指標(biāo)體系是以目前公司普遍采用的預(yù)測(cè)變量為基礎(chǔ)進(jìn)行匯總整理［10］，以部分因素輸入模型的整體結(jié)構(gòu)中，由于Fisher分析模型和Logistic回歸模型也是在預(yù)測(cè)中效果較好，比較常見(jiàn)的預(yù)測(cè)模型，所以將本研究提出的模型與Fisher分析模型和Logistic回歸模型對(duì)比分析，驗(yàn)證不同模型的優(yōu)勢(shì)和劣勢(shì)。（1）時(shí)間效率在模型輸入因素中，實(shí)際情況、盈利情況、經(jīng)營(yíng)情況和成長(zhǎng)情況與時(shí)間效率的關(guān)系較強(qiáng)，預(yù)測(cè)的時(shí)間效率較快，能及時(shí)了解企業(yè)財(cái)務(wù)的整體情況，從而使企業(yè)快速做出風(fēng)險(xiǎn)防控措施。所以在時(shí)間效率分析上主要針對(duì)這4種因素進(jìn)行預(yù)測(cè)模型輸入。在實(shí)驗(yàn)過(guò)程中，將企業(yè)財(cái)務(wù)的數(shù)據(jù)進(jìn)行分組整理，分為10組，利用測(cè)試數(shù)據(jù)對(duì)比分析3種模型在預(yù)測(cè)企業(yè)財(cái)務(wù)危機(jī)所花費(fèi)的時(shí)間，如表1和圖2所示。根據(jù)實(shí)驗(yàn)結(jié)果可知，本研究提出的模型執(zhí)行效率較高，在一定程度上可以提高算法的執(zhí)行效率。（2）預(yù)測(cè)準(zhǔn)確率在模型輸入因素中，實(shí)際情況、盈利情況等6個(gè)因素均關(guān)乎預(yù)測(cè)效果的準(zhǔn)確性，從多因素分析預(yù)測(cè)效果可提升預(yù)測(cè)的精確度，預(yù)測(cè)準(zhǔn)確性較高可以使企業(yè)有效控制財(cái)務(wù)風(fēng)險(xiǎn)。所以在預(yù)測(cè)準(zhǔn)確率分析上主要針對(duì)多因素進(jìn)行預(yù)測(cè)模型輸入。在實(shí)驗(yàn)過(guò)程中，將企業(yè)財(cái)務(wù)的數(shù)據(jù)進(jìn)行分組整理，分為10組，利用測(cè)試數(shù)據(jù)對(duì)比分析3種模型在預(yù)測(cè)企業(yè)財(cái)務(wù)危機(jī)的準(zhǔn)確率（與實(shí)際情況進(jìn)行對(duì)比分析），如表2和圖3所示。根據(jù)實(shí)驗(yàn)結(jié)果可知，本研究提出的模型預(yù)測(cè)準(zhǔn)確率較高，在一定程度上可以保證預(yù)測(cè)的結(jié)果和準(zhǔn)確率。（3）安全性在模型輸入因素中，實(shí)際情況、成長(zhǎng)情況和現(xiàn)金流量與企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的安全性關(guān)系較強(qiáng)，因?yàn)槠髽I(yè)財(cái)務(wù)數(shù)據(jù)存在涉密性，模型要最大程度減少安全問(wèn)題的發(fā)生。所以在安全性分析上可從這3種因素進(jìn)行預(yù)測(cè)模型輸入。在實(shí)驗(yàn)過(guò)程中，將企業(yè)財(cái)務(wù)的數(shù)據(jù)進(jìn)行分組整理，分為10組，利用測(cè)試數(shù)據(jù)對(duì)比分析3種模型出現(xiàn)的問(wèn)題情況，如表3和圖4所示。根據(jù)實(shí)驗(yàn)結(jié)果可知，本研究提出的模型在預(yù)測(cè)的過(guò)程中發(fā)生的安全性問(wèn)題較少，比其他模型的性能好，在一定程度上可以降低安全性問(wèn)題的發(fā)生。通過(guò)對(duì)本研究提出的方法進(jìn)行深入的分析可知，基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)組合預(yù)測(cè)模型具有一定的優(yōu)勢(shì)，但是由于企業(yè)財(cái)務(wù)的實(shí)際情況具有多變性，因此對(duì)模型實(shí)際效果的檢驗(yàn)需要有持續(xù)性的研究，后續(xù)可針對(duì)企業(yè)財(cái)務(wù)實(shí)際情況的變化，不斷對(duì)模型輸入的參數(shù)進(jìn)行調(diào)整，檢驗(yàn)?zāi)Ｐ偷目煽啃浴?/p>

4總結(jié)

本研究通過(guò)對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的分析，建立風(fēng)險(xiǎn)預(yù)測(cè)模型，并與其他模型的優(yōu)勢(shì)和劣勢(shì)進(jìn)行對(duì)比，可知本研究提出的模型在時(shí)間效率、預(yù)測(cè)準(zhǔn)確率和安全問(wèn)題方面均優(yōu)于其他的方法，具有一定的實(shí)際應(yīng)用性。

作者:賴(lài)茂濤 單位:閩西職業(yè)技術(shù)學(xué)院財(cái)經(jīng)商貿(mào)學(xué)院