粒子群優化算法對企业财务危机预警模型的研究
粒子群优化算法对企业财务危机预警模型的研究
Beijinginstituteoftechnology
摘要
企业财务危机的预警是当前金融理论界的研究热点,对现实领域也有着重要的意义.本文首先介绍了当前企业财务危机预警的研究现状以及预警指标体系.然后通过指标体系的减少,分析其对企业财务安全性核心因素的影响.在此基础上,观察非线性金融风险预警函数逼近的人工神经网络(ANN)的能力.相应的通过这种短缺介绍了粒子群优化(PSO),并建立个危机预报系统给企业RS与ANN的结合PSO金融危机.从而使指标体系还原,动态研究和诱导神经网络,粒子群优化,企业财务的预测和评价危机有机地结合起来.最后,给出了I.个实际的例子来证明其有效性和效率模型.该研究提供了企业财务危机的动态预警的新方法.
关键字粗糙集;粒子群优化算法;人工神经网络;企业财务危机预警
I..介绍
随着经济体制改革的深化和世界经济I.体化进程的加快,经济发展中的许多矛盾逐渐凸显出来,尤其是在金融危机的背景下企业的发展更加的艰难.所以,如何帮助企业有效地规避和分散金融危机成为I.个热点问题.金融危机预先警告是企业危机管理的I.个重要部分,并得到了金融界的广泛关注.
作为企业风险管理的I.个重要部分,金融危机的预测源于巴黎的统计会议.随着社会的进步,其应用范围正在逐步扩大.在II0世纪VIII0年代中期,美国首先研究了企业危机管理,在II0世纪IX0年代,日本也开始了类似的研究.
预警管理理论在始于VIII0年代末IX0年代初,由两个国家自然科学基金收取教授她莲为代表,提出了规范管理行为和周期,为企业财务危机预警和预控提供有效的理论基础.
目前,主要预测是否会发生金融危机的方法是SPSS(统计法官即社会统计软件分析包),时间序列回归预测,主要成分因素分析,在Z *好棒文|www.hbsrm.com +Q: ^351916072*
账户型号,比值法等.从传统的预测方法来看,我们可以发现,统计分析,判断的应用比较普遍的,但所有这些方法通常依赖于历史样本和专家经验.研究的预警知识是间接的,因为效率低,缺乏动态和智能预警能力,所以预测结果不够完善[II-V].
近年来,所述预先存在的研究结果,粗糙集理论和人工神经网络技术对企业的动态预警金融危机提供了新的方法.在本文中,这两种方法被引入企业财务风险管理,I.个是人为的神经网络(ANN),另I.个是粒子群优化(PSO),两种方法已被广泛应用在系统预测领域,并已被证明是合理的卓越的性能,这对工程和商务管理(EBMII0I.0)有着重要的影响.合并这两个智能的方法,RS与ANN的结合建立的预警系统对企业财务危机的实例证明了这种模式的可行性和有效性.
II.企业财务危机预警指标体系的建立
阿特朗等学者使用传统的财务指数作为判断的变量.绅士,阿齐兹,Emanue和劳森设置现金流量的信息作为判断指标.海狸发现,在I.个有效的资本市场上,该股利润的金融危机企业与其他传统索引也可以预测危机,但时间通常是延迟的.总之,对企业财务危机预测,模型指标主要分为III类:资金收集能力,资金管理能力和盈利能力.
在企业管理中的体系是不是规范和完善,在现金流信息中应该加以强调.企业危机预警模型的建立,发挥的重要作用是现金流量指标应该受到重视.所以在本文中,选择传统的财务指标与现金流状况为所采用的指标,也指参考文献[III]和参考文献[IV].
III.RS与ANN的结合PSO安全预报系统的建立
III.I.粗糙集属性减少简介
粗糙集(RS)理论最早由帕夫拉克(波兰科学家)于I.IXVIIIII年介绍,它是I.个研究未完成的理论方法,不确定的知识,数据表达式,数据研究和数据归纳,它也是I.个用来处理复杂的系统的有效方式.该遥感主要理想是,导出的决定,通过知识约简分类规则条件来保持分类能力不变性.所谓知识约简,是说即取消条件的冗余信息保持信息系统分类能力(或决策表)不断.
定义I.:S=(U,A)是I.个信息系统,教科文组织统计研究所的研究中,A是等价关系的家庭在U,A∈A,如果U/IND(A)=U/IND(A-A),然后是降低在I.个信息,在这里IND(A)表示由所有属性区分关系在路口A.
定义II:若P?A,给出I.个任意?∈P,不能被降低,则等价关系家庭P被命名为独立的,否则P被命名为相干.
定义III:S=(U,A)是I.个信息系统,P?A是亚家族A的,如果IND(P)=IND(A)和P是独立,P称为降低A(即帕夫拉克的降低).
定义IV:S=(U,A)是I.个信息系统,A是等价关系族U中,在关系(属性或知识),其不能被简化称为A,集成制作了由核心属性A的所有核心属性是A的核心,记为内核(A).详细的知识约简算法可以参考文献[VI].
III.II(ANN)与粒子群优化(PSO)人工神经的反向传播网络
III.II.I.人工神经网络简介
人工神经网络是II0世纪VIII0年代中后期迅速发展起来的新学科,是人脑的结构和功能的模仿所述的信息处理系统.该典型的反向传播(即BP)神经网络有III个层,即:输入层,隐含层和输出层,每I.层的链路被完全连接,其在参考文献详细介绍了研究过程[I.].BP神经网络,使得网络具有非线性映射,并通过神经细胞的复合物功能能力用 *好棒文|www.hbsrm.com +Q: ^351916072*
简短能力的处理,与理论上完美广泛的结合,对BP神经网络的人工神经网络中的位置具有重要的意义,但它的不足也是显而易见的:在收敛速度和网络很容易参与其他成分上很不成熟.
III.II.II粒子群算法简介
粒子群优化算法是I.种新的演化计算技术,于I.IXIXV年通过首先介绍Kennedy和Eberhart,从模仿相比发生了I.个简化的社会模式.与简单的概念和轻松成就,粒子群优化算法已经得到了很大的发展,并已在许多领域使用.目前,PSO被列为该专题讨论的主题之I..
(I.)算法原理
演化算法,PSO算法殖民地,移动社区个人良好的区,但不同的是,在PSO算法中,每个个体被视为I.个粒子无拥有在d维I.定的速度卷空间.根据飞行速度调节其本身及其accompanier经验.数我粒子可以被定义为:Xi=(XiI.,XiII,….,XiD),已通过其最佳位置表示为:Pi=(PiI.,PiII….,PiD).II.IIIiD的P=PPLP.最好职位所有粒子的(最好的适应值)有通过记录为g,也被称为g(best).粒子的速度,i被表示为:Vi=(ViI.,ViII,….ViD),百德其D(I.≤D≤D)尺寸是根据下式变化如下:
ν=WV+C兰特对-X+?兰特对-x内径的ID
w为惯性权重,且加速度是恒定的,并且是随机函数有所不同[0,I.].被限制由(最速).如果I.个I.维的速度粒子获得通过加速,然后被限制,因为这方面的最速.
(II)算法的过程
PSO算法的标准化进程可以参考参考[II].
(III)BP神经网络与PSO
如上所讨论的,BP-ANN的缺点是收敛速度慢和容易的部分出众,但PSO算法的优点是快速收敛速度和整体的卓越追求.因此,可以充分利用PSO的优势优点算法和避免在BP神经网络的缺点同I.时间出现.因此,PSO和ANN的结合具有广阔应用空间.这样做的计算流程图模型如图II所示.
(IV)实例分析
采取不同的和类似的问题,来测试神经网络的性能.研究样本和显示在表I.和表II的比较结果.
表I.研究样本(TableI.studysample)
XI.00I.I.
XII0I.0I.
Y0I.I.0
表II计算时间不同,类似的问题,通过III种算法的比较(thecomparisonofcomputingtimefordifferentandsimilarproblembythreealgorithms)
算法Algorithm最短时间Minimumtimes最大时间Maximumtimes平均次数Averagetimes
经典的BPClassicalBPIVIVIVIVVVIIIIXI.VIII.IV
继承BP算法InheritBPalgorithmI.0IIIVIIVIIVI0IIIIII.IV
PSO-BP算法PSO-BPalgorithmVVIVIXIII.VIIIIVVII
III.III.IIIRS-ANN的模型与PSO成就
RS和ANN系统,指设置RS作为推进系统和PSO-ANN作为邮政系统.其主要原理是,首先处理用的RS的信息来删除冗余属性,从而简化了特殊维的输入信息.然后建立预测,根据这些信息PSO神经网络系统RS还原后的结构.在实现过程如下模型:
①收集典型企业的财务历史数据并成立了信息表;
②使属性约简的信息表通过粗糙集理论,并试图找到最小不确定因素设置影响财务管理的对象;
③预处理的研究样本,让样品参数成为[0,I.];
④给PSO的参数和设计为安原来的体重,然后进行网络培训;
⑤使风险预测建设项目PSO的神经网络已经训练完美.
IV.举例
需要的财务指标数据(表I.中显示)在参考I.企业[III]为例进行实证研究.
IV.I.RS的属性介绍
当决策表是处理粗糙集理论时,所有的数据中的值必须表示具有离散数据.如果某些条件属性或值决策属性是连续的,那么离散必须处理属性约简之前使用.在本文中,等距分割方法用于将数据表中的离散,离散后的表决定是在表IV所示(危机等级决定属性是分别表示为0,I.,II,和III,从低到高点).
表IV离散数据表(TableIVThediscretedatatable)
指数年份目前的资产负债率CI.负债流动性比率CII资产负债率CIIILiabili-TY权益比率CIV库存速度CV账户receivabl-EelocityCVI流动比率CVII总资产收益率CVIII销售利润CIX除税前负债率CI.0流动资金占用CI.I.净资产收益率CI.II危机等级
I.IXIXIII00I.0III.II0I.0I.I.I.
I.IXIXIV0I.0III.I.I.0II0I.I.0
I.IXIXV0000I.00000IIIIII
I.IXIXVI0II00II0II0II0IIII0
I.IXIXVII000II0II0II00IIIIII
I.IXIXVIIIII0II00I.I.0II0IIIIIII
I.IXIXIXI.III.000IIIIIIIII.I.0
II000I.0II0I.I.I.I.I.I.IIIII.
II00I.III.I.I.0II0I.I.IIIIIII.
II00III.III.0I.0I.IIIII.000
表V降低单位化表(Thereducedunitizedtable)
指数年份CIICIVCVIIICIXCI.IID
I.IXIXIIII.0V.V0I.VII0.IIIIIII..VIIIVIIIIV.IXI.IIII.IVVII低警告
I.IXIXIVI.VIII.VI0IV0VI.III0I.VIII.0IIIVV.IVIVVIVIII.VIVII安全
I.IXIXVI.0IX.IIVIIIIII.I..IVVIIII..IVVII.VII.00I.II.III0高警告
I.IXIXVII.VIIIIX.IIVIIIIIIV.IXVIIII.I.VIIIIX.IIIVIIVIIV.I.IX安全
I.IXIXVIIVIIIV.III0IIIVIX.IVIIIIVIII.IIVIIIII.0IXI.IVVIII.IVVIII高警告
I.IXIXVIIII.I.V.VIIIIIIIIIVIII.VIIII.III..IIIXIIIVIII.IX0IIIIVV.I.II危险
I.IXIXIXI.VIIV.IIIIII.IXVIII.VIII0V0.VIIXIVV.0IVVIIVIIIX.IIIII安全
II000I.I.I..IIIIVIII.IV.0VIIIIIV.I.IIIIIIV.0VIIIIVII0.IIII.低警告
II00I.I.IIIV.VIVIIIVIX.0I.IVI..VIIIVIIIII0.VIIIVVIV0.0IV低警告
II00III.IIIIV.I.VIIIIIVI.IIIVIIVIII.VIIIXIVVI.I.I.VVIIIIII.00安全
IV.II人工神经网络的企业财务危机预警
(I.)选择的网络结构
根据该属性约简结果,后指数正常化,设置CII,CIV,CVIII,CIX和CI.II的输入变量,并设置危机等级作为输出变量.网络结构被选择为V-I.0-IV,即输入层的结点数目是V,的节点号
隐含层为I.0个,输出层的节点数是IV.
在神经网络中,使用输出变量(I.,0,0,0),(0,I.,0,0),(0,0,I.,0)和(0,0,0,I.)单独表达的IV个企业财务状况的危机等级:即安全,低警告,严重警告和危机.该所示的企业财务危机预警系统.
(II)网络培训
设置表III的数据(I.IXIXIII?II00I.)为研究样本并将其输入到神经网络,培养具有改进的BP算法,该预期误差为0.00I..经过反复培训,网络召开会议,期望,发现当采用隐含层的节点数为VI,φ=0.III,η=0.IV,M=I.0,CI.=CII=II.V,网络训练的结果是最好的.
(III)网络预测
使用良好的培训网络,以预先警告这家企业在II00II年企业财务状况,网络的输出,最终是(0.IXIXIVII,0.00VIII.,0.000IV,0.00I.I.),根据该最高法原理,我们知道预警结果是安全,这是与实际I.致该企业在II00II年的财务状况.所以,研究结果表明,该模型HGA-RS-ANN既可行性和实用性.
V.结论
目前,企业金融危机的预警问题是I.个前沿和热点的研究课题,也是I.个有关于多学科的前沿问题.本文提出了I.个RS的企业财务危机用人工神经网络算法的预警系统,使得通过使用粗糙集金融安全指标体系的影响减少完成的基础上,通过对财务风险预警的非线性函数逼近,蓉儿改进的人工神经网络(ANN).通过实证研究,为企业金融危机的动态和智能预警提供新的理想和方法.
Beijinginstituteoftechnology
摘要
企业财务危机的预警是当前金融理论界的研究热点,对现实领域也有着重要的意义.本文首先介绍了当前企业财务危机预警的研究现状以及预警指标体系.然后通过指标体系的减少,分析其对企业财务安全性核心因素的影响.在此基础上,观察非线性金融风险预警函数逼近的人工神经网络(ANN)的能力.相应的通过这种短缺介绍了粒子群优化(PSO),并建立个危机预报系统给企业RS与ANN的结合PSO金融危机.从而使指标体系还原,动态研究和诱导神经网络,粒子群优化,企业财务的预测和评价危机有机地结合起来.最后,给出了I.个实际的例子来证明其有效性和效率模型.该研究提供了企业财务危机的动态预警的新方法.
关键字粗糙集;粒子群优化算法;人工神经网络;企业财务危机预警
I..介绍
随着经济体制改革的深化和世界经济I.体化进程的加快,经济发展中的许多矛盾逐渐凸显出来,尤其是在金融危机的背景下企业的发展更加的艰难.所以,如何帮助企业有效地规避和分散金融危机成为I.个热点问题.金融危机预先警告是企业危机管理的I.个重要部分,并得到了金融界的广泛关注.
作为企业风险管理的I.个重要部分,金融危机的预测源于巴黎的统计会议.随着社会的进步,其应用范围正在逐步扩大.在II0世纪VIII0年代中期,美国首先研究了企业危机管理,在II0世纪IX0年代,日本也开始了类似的研究.
预警管理理论在始于VIII0年代末IX0年代初,由两个国家自然科学基金收取教授她莲为代表,提出了规范管理行为和周期,为企业财务危机预警和预控提供有效的理论基础.
目前,主要预测是否会发生金融危机的方法是SPSS(统计法官即社会统计软件分析包),时间序列回归预测,主要成分因素分析,在Z *好棒文|www.hbsrm.com +Q: ^351916072*
账户型号,比值法等.从传统的预测方法来看,我们可以发现,统计分析,判断的应用比较普遍的,但所有这些方法通常依赖于历史样本和专家经验.研究的预警知识是间接的,因为效率低,缺乏动态和智能预警能力,所以预测结果不够完善[II-V].
近年来,所述预先存在的研究结果,粗糙集理论和人工神经网络技术对企业的动态预警金融危机提供了新的方法.在本文中,这两种方法被引入企业财务风险管理,I.个是人为的神经网络(ANN),另I.个是粒子群优化(PSO),两种方法已被广泛应用在系统预测领域,并已被证明是合理的卓越的性能,这对工程和商务管理(EBMII0I.0)有着重要的影响.合并这两个智能的方法,RS与ANN的结合建立的预警系统对企业财务危机的实例证明了这种模式的可行性和有效性.
II.企业财务危机预警指标体系的建立
阿特朗等学者使用传统的财务指数作为判断的变量.绅士,阿齐兹,Emanue和劳森设置现金流量的信息作为判断指标.海狸发现,在I.个有效的资本市场上,该股利润的金融危机企业与其他传统索引也可以预测危机,但时间通常是延迟的.总之,对企业财务危机预测,模型指标主要分为III类:资金收集能力,资金管理能力和盈利能力.
在企业管理中的体系是不是规范和完善,在现金流信息中应该加以强调.企业危机预警模型的建立,发挥的重要作用是现金流量指标应该受到重视.所以在本文中,选择传统的财务指标与现金流状况为所采用的指标,也指参考文献[III]和参考文献[IV].
III.RS与ANN的结合PSO安全预报系统的建立
III.I.粗糙集属性减少简介
粗糙集(RS)理论最早由帕夫拉克(波兰科学家)于I.IXVIIIII年介绍,它是I.个研究未完成的理论方法,不确定的知识,数据表达式,数据研究和数据归纳,它也是I.个用来处理复杂的系统的有效方式.该遥感主要理想是,导出的决定,通过知识约简分类规则条件来保持分类能力不变性.所谓知识约简,是说即取消条件的冗余信息保持信息系统分类能力(或决策表)不断.
定义I.:S=(U,A)是I.个信息系统,教科文组织统计研究所的研究中,A是等价关系的家庭在U,A∈A,如果U/IND(A)=U/IND(A-A),然后是降低在I.个信息,在这里IND(A)表示由所有属性区分关系在路口A.
定义II:若P?A,给出I.个任意?∈P,不能被降低,则等价关系家庭P被命名为独立的,否则P被命名为相干.
定义III:S=(U,A)是I.个信息系统,P?A是亚家族A的,如果IND(P)=IND(A)和P是独立,P称为降低A(即帕夫拉克的降低).
定义IV:S=(U,A)是I.个信息系统,A是等价关系族U中,在关系(属性或知识),其不能被简化称为A,集成制作了由核心属性A的所有核心属性是A的核心,记为内核(A).详细的知识约简算法可以参考文献[VI].
III.II(ANN)与粒子群优化(PSO)人工神经的反向传播网络
III.II.I.人工神经网络简介
人工神经网络是II0世纪VIII0年代中后期迅速发展起来的新学科,是人脑的结构和功能的模仿所述的信息处理系统.该典型的反向传播(即BP)神经网络有III个层,即:输入层,隐含层和输出层,每I.层的链路被完全连接,其在参考文献详细介绍了研究过程[I.].BP神经网络,使得网络具有非线性映射,并通过神经细胞的复合物功能能力用 *好棒文|www.hbsrm.com +Q: ^351916072*
简短能力的处理,与理论上完美广泛的结合,对BP神经网络的人工神经网络中的位置具有重要的意义,但它的不足也是显而易见的:在收敛速度和网络很容易参与其他成分上很不成熟.
III.II.II粒子群算法简介
粒子群优化算法是I.种新的演化计算技术,于I.IXIXV年通过首先介绍Kennedy和Eberhart,从模仿相比发生了I.个简化的社会模式.与简单的概念和轻松成就,粒子群优化算法已经得到了很大的发展,并已在许多领域使用.目前,PSO被列为该专题讨论的主题之I..
(I.)算法原理
演化算法,PSO算法殖民地,移动社区个人良好的区,但不同的是,在PSO算法中,每个个体被视为I.个粒子无拥有在d维I.定的速度卷空间.根据飞行速度调节其本身及其accompanier经验.数我粒子可以被定义为:Xi=(XiI.,XiII,….,XiD),已通过其最佳位置表示为:Pi=(PiI.,PiII….,PiD).II.IIIiD的P=PPLP.最好职位所有粒子的(最好的适应值)有通过记录为g,也被称为g(best).粒子的速度,i被表示为:Vi=(ViI.,ViII,….ViD),百德其D(I.≤D≤D)尺寸是根据下式变化如下:
ν=WV+C兰特对-X+?兰特对-x内径的ID
w为惯性权重,且加速度是恒定的,并且是随机函数有所不同[0,I.].被限制由(最速).如果I.个I.维的速度粒子获得通过加速,然后被限制,因为这方面的最速.
(II)算法的过程
PSO算法的标准化进程可以参考参考[II].
(III)BP神经网络与PSO
如上所讨论的,BP-ANN的缺点是收敛速度慢和容易的部分出众,但PSO算法的优点是快速收敛速度和整体的卓越追求.因此,可以充分利用PSO的优势优点算法和避免在BP神经网络的缺点同I.时间出现.因此,PSO和ANN的结合具有广阔应用空间.这样做的计算流程图模型如图II所示.
(IV)实例分析
采取不同的和类似的问题,来测试神经网络的性能.研究样本和显示在表I.和表II的比较结果.
表I.研究样本(TableI.studysample)
XI.00I.I.
XII0I.0I.
Y0I.I.0
表II计算时间不同,类似的问题,通过III种算法的比较(thecomparisonofcomputingtimefordifferentandsimilarproblembythreealgorithms)
算法Algorithm最短时间Minimumtimes最大时间Maximumtimes平均次数Averagetimes
经典的BPClassicalBPIVIVIVIVVVIIIIXI.VIII.IV
继承BP算法InheritBPalgorithmI.0IIIVIIVIIVI0IIIIII.IV
PSO-BP算法PSO-BPalgorithmVVIVIXIII.VIIIIVVII
III.III.IIIRS-ANN的模型与PSO成就
RS和ANN系统,指设置RS作为推进系统和PSO-ANN作为邮政系统.其主要原理是,首先处理用的RS的信息来删除冗余属性,从而简化了特殊维的输入信息.然后建立预测,根据这些信息PSO神经网络系统RS还原后的结构.在实现过程如下模型:
①收集典型企业的财务历史数据并成立了信息表;
②使属性约简的信息表通过粗糙集理论,并试图找到最小不确定因素设置影响财务管理的对象;
③预处理的研究样本,让样品参数成为[0,I.];
④给PSO的参数和设计为安原来的体重,然后进行网络培训;
⑤使风险预测建设项目PSO的神经网络已经训练完美.
IV.举例
需要的财务指标数据(表I.中显示)在参考I.企业[III]为例进行实证研究.
IV.I.RS的属性介绍
当决策表是处理粗糙集理论时,所有的数据中的值必须表示具有离散数据.如果某些条件属性或值决策属性是连续的,那么离散必须处理属性约简之前使用.在本文中,等距分割方法用于将数据表中的离散,离散后的表决定是在表IV所示(危机等级决定属性是分别表示为0,I.,II,和III,从低到高点).
表IV离散数据表(TableIVThediscretedatatable)
指数年份目前的资产负债率CI.负债流动性比率CII资产负债率CIIILiabili-TY权益比率CIV库存速度CV账户receivabl-EelocityCVI流动比率CVII总资产收益率CVIII销售利润CIX除税前负债率CI.0流动资金占用CI.I.净资产收益率CI.II危机等级
I.IXIXIII00I.0III.II0I.0I.I.I.
I.IXIXIV0I.0III.I.I.0II0I.I.0
I.IXIXV0000I.00000IIIIII
I.IXIXVI0II00II0II0II0IIII0
I.IXIXVII000II0II0II00IIIIII
I.IXIXVIIIII0II00I.I.0II0IIIIIII
I.IXIXIXI.III.000IIIIIIIII.I.0
II000I.0II0I.I.I.I.I.I.IIIII.
II00I.III.I.I.0II0I.I.IIIIIII.
II00III.III.0I.0I.IIIII.000
表V降低单位化表(Thereducedunitizedtable)
指数年份CIICIVCVIIICIXCI.IID
I.IXIXIIII.0V.V0I.VII0.IIIIIII..VIIIVIIIIV.IXI.IIII.IVVII低警告
I.IXIXIVI.VIII.VI0IV0VI.III0I.VIII.0IIIVV.IVIVVIVIII.VIVII安全
I.IXIXVI.0IX.IIVIIIIII.I..IVVIIII..IVVII.VII.00I.II.III0高警告
I.IXIXVII.VIIIIX.IIVIIIIIIV.IXVIIII.I.VIIIIX.IIIVIIVIIV.I.IX安全
I.IXIXVIIVIIIV.III0IIIVIX.IVIIIIVIII.IIVIIIII.0IXI.IVVIII.IVVIII高警告
I.IXIXVIIII.I.V.VIIIIIIIIIVIII.VIIII.III..IIIXIIIVIII.IX0IIIIVV.I.II危险
I.IXIXIXI.VIIV.IIIIII.IXVIII.VIII0V0.VIIXIVV.0IVVIIVIIIX.IIIII安全
II000I.I.I..IIIIVIII.IV.0VIIIIIV.I.IIIIIIV.0VIIIIVII0.IIII.低警告
II00I.I.IIIV.VIVIIIVIX.0I.IVI..VIIIVIIIII0.VIIIVVIV0.0IV低警告
II00III.IIIIV.I.VIIIIIVI.IIIVIIVIII.VIIIXIVVI.I.I.VVIIIIII.00安全
IV.II人工神经网络的企业财务危机预警
(I.)选择的网络结构
根据该属性约简结果,后指数正常化,设置CII,CIV,CVIII,CIX和CI.II的输入变量,并设置危机等级作为输出变量.网络结构被选择为V-I.0-IV,即输入层的结点数目是V,的节点号
隐含层为I.0个,输出层的节点数是IV.
在神经网络中,使用输出变量(I.,0,0,0),(0,I.,0,0),(0,0,I.,0)和(0,0,0,I.)单独表达的IV个企业财务状况的危机等级:即安全,低警告,严重警告和危机.该所示的企业财务危机预警系统.
(II)网络培训
设置表III的数据(I.IXIXIII?II00I.)为研究样本并将其输入到神经网络,培养具有改进的BP算法,该预期误差为0.00I..经过反复培训,网络召开会议,期望,发现当采用隐含层的节点数为VI,φ=0.III,η=0.IV,M=I.0,CI.=CII=II.V,网络训练的结果是最好的.
(III)网络预测
使用良好的培训网络,以预先警告这家企业在II00II年企业财务状况,网络的输出,最终是(0.IXIXIVII,0.00VIII.,0.000IV,0.00I.I.),根据该最高法原理,我们知道预警结果是安全,这是与实际I.致该企业在II00II年的财务状况.所以,研究结果表明,该模型HGA-RS-ANN既可行性和实用性.
V.结论
目前,企业金融危机的预警问题是I.个前沿和热点的研究课题,也是I.个有关于多学科的前沿问题.本文提出了I.个RS的企业财务危机用人工神经网络算法的预警系统,使得通过使用粗糙集金融安全指标体系的影响减少完成的基础上,通过对财务风险预警的非线性函数逼近,蓉儿改进的人工神经网络(ANN).通过实证研究,为企业金融危机的动态和智能预警提供新的理想和方法.
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/lwqt/wxzs/109.html
