BP神經(jīng)網(wǎng)絡(luò)在企業(yè)資信評(píng)估中的應(yīng)用研究

羅 燁,蔡秋茹,柳益君,葉飛躍

摘 要:對(duì)企業(yè)進(jìn)行科學(xué)準(zhǔn)確的資信評(píng)估,可以輔助決策,降低投資者風(fēng)險(xiǎn),因此提高資信評(píng)估的準(zhǔn)確度和科學(xué)性極其重要。針對(duì)當(dāng)前企業(yè)資信評(píng)估方法的不足,將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于企業(yè)資信評(píng)估。根據(jù)企業(yè)資信等級(jí)與其影響因素之間的映射關(guān)系,建立BP神經(jīng)網(wǎng)絡(luò)評(píng)估模型。實(shí)驗(yàn)結(jié)果表明,該模型具有較高的精度,提高了企業(yè)資信評(píng)估的準(zhǔn)確性。

關(guān)鍵詞:BP神經(jīng)網(wǎng)絡(luò);資信評(píng)估;金融決策;動(dòng)態(tài)演化

中圖分類號(hào):TP183文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):1004-373X(2009)20-147-03

Application of BP Neural Network in Corporation Credit Rating

LUO Ye,CAI Qiuru,LIU Yijun,YE Feiyue

(Jiangsu Teachers University of Technology,Changzhou,213001,China)

Abstract:Scientific and accurate credit rating of enterprises can be assisted in decision-making and the risk of investors can be reduced.Therefore,it is utmost important to improve the accuracy and the scientific of the credit rating.BP neural network is applied to the problem of corporation credit rating to avoid the inability of conventional credit rating methods.BP neural network model is established for the problem according to the relationship between credit rating and its influential factors.The results show that the model is fast and accurate.

Keywords:BP neural network;credit rating;financial strategy;dynamic evolution

0 引 言

隨著經(jīng)濟(jì)的發(fā)展,國(guó)家逐步放開(kāi)了對(duì)金融的管制,使金融市場(chǎng)的發(fā)展速度得以不斷加快,經(jīng)濟(jì)形態(tài)也更傾向于信用經(jīng)濟(jì)。資信評(píng)估作為市場(chǎng)經(jīng)濟(jì)中的監(jiān)督力量,對(duì)經(jīng)濟(jì)的影響是不言而喻的。它在很大程度上降低信息不對(duì)稱的成本,能夠作為投資者的重要參考依據(jù)?？茖W(xué)準(zhǔn)確的資信評(píng)估可以輔助決策,降低投資者風(fēng)險(xiǎn)。因此,提高資信評(píng)估的準(zhǔn)確度和科學(xué)性極其重要[1]。

企業(yè)資信評(píng)估是以獨(dú)立經(jīng)營(yíng)的企業(yè)或經(jīng)濟(jì)主體為對(duì)象,對(duì)進(jìn)行一般性的商業(yè)交往、投資合作及信貸活動(dòng)的信用評(píng)價(jià)。本質(zhì)上它屬于綜合評(píng)價(jià)中的分類與排序問(wèn)題。傳統(tǒng)的資信評(píng)估方法是基于統(tǒng)計(jì)學(xué)的分析方法,包括線性回歸分析、線性判別分析、邏輯回歸分析等[2,3]。然而統(tǒng)計(jì)學(xué)方法有很大的局限性,存在權(quán)重的確定,缺乏理論依據(jù),帶有明顯主觀臆斷且計(jì)算復(fù)雜的缺陷。神經(jīng)網(wǎng)絡(luò)技術(shù)可實(shí)現(xiàn)非線性關(guān)系的隱式表達(dá),摒棄預(yù)測(cè)函數(shù)的變量是線性和互相獨(dú)立的假設(shè),信用評(píng)級(jí)時(shí)不用確定各因素的權(quán)重且可處理各指標(biāo)之間的非線性相關(guān)性。在此,將BP神經(jīng)網(wǎng)絡(luò)用于企業(yè)資信評(píng)估,建立了神經(jīng)網(wǎng)絡(luò)評(píng)估模型。實(shí)驗(yàn)表明,該模型是有效的。

1 BP神經(jīng)網(wǎng)絡(luò)原理

Backpropagation(BP)神經(jīng)網(wǎng)絡(luò)是應(yīng)用較為廣泛的一種神經(jīng)網(wǎng)絡(luò),尤其是建模、模式識(shí)別和優(yōu)化等方面廣為應(yīng)用。它是一個(gè)高度非線性的超大規(guī)模連續(xù)時(shí)間動(dòng)力系統(tǒng),也是一個(gè)超大規(guī)模非線性連續(xù)時(shí)間自適應(yīng)信息處理系統(tǒng);同時(shí)它具有大規(guī)模分布處理及高度的魯棒性和學(xué)習(xí)聯(lián)想能力。網(wǎng)絡(luò)的信息處理由神經(jīng)元之間的相互作用來(lái)實(shí)現(xiàn),知識(shí)與信息的存儲(chǔ)表現(xiàn)為網(wǎng)絡(luò)元件互連間分布的物理關(guān)系,網(wǎng)絡(luò)的學(xué)習(xí)與識(shí)別決定于各神經(jīng)元連接權(quán)系數(shù)的動(dòng)態(tài)演化過(guò)程。

在神經(jīng)網(wǎng)絡(luò)中,傳遞函數(shù)是反映下層輸入對(duì)上層節(jié)點(diǎn)刺激脈沖強(qiáng)度的函數(shù),一般取(0,1)內(nèi)連續(xù)取值的sigmoid函數(shù):

f(x)=11+e-x

提供訓(xùn)練樣本Xk(k=1,2,…,P),P為樣本數(shù)目,Xk=(xk1,xk2,…,xkM);M為輸入向量維數(shù)。設(shè)Yk為樣本Xk期望的網(wǎng)絡(luò)輸出向量,k為實(shí)際網(wǎng)絡(luò)輸出向量,Yk=(yk1,yk2,…,ykN),N為輸出向量維數(shù),則誤差指標(biāo)函數(shù)為:

E=12∑Pk=1‖Yk-k‖2

標(biāo)準(zhǔn)BP算法的具體過(guò)程可歸納如下[4]:

(1) 給出訓(xùn)練誤差允許值ε,并初始化權(quán)值wij和閾值向量;

(2) 計(jì)算E,若E≤ε,轉(zhuǎn)步驟(3),否則對(duì)每個(gè)樣本Xk進(jìn)行下述操作:

①計(jì)算網(wǎng)絡(luò)輸出o。

對(duì)每一個(gè)輸出單元k,δk=ok(1-ok)(tk-ok);

對(duì)每一個(gè)隱含單元h,δh=oh(1-oh)∑kwh,kδk。

② 更新網(wǎng)絡(luò)連接權(quán)值wij,wij=wij+Δwij,Δwij=ηδjxij,xij為單元i~j的輸出。

(3) 算法結(jié)束。

2 評(píng)價(jià)指標(biāo)體系

企業(yè)資信度評(píng)價(jià)即企業(yè)評(píng)級(jí),以獨(dú)立經(jīng)營(yíng)的企業(yè)或經(jīng)濟(jì)主體為對(duì)象,對(duì)其在一般性的商業(yè)交往、投資合作及信貸活動(dòng)中的信用評(píng)價(jià)。實(shí)際上就是對(duì)企業(yè)及經(jīng)濟(jì)主體的生產(chǎn)、經(jīng)營(yíng)、管理前景及經(jīng)濟(jì)效益狀況所進(jìn)行的全面考察與綜合評(píng)價(jià)。在此,將企業(yè)資信等級(jí)分為優(yōu)、良、中、差四個(gè)等級(jí)。影響企業(yè)資信的因素很多,本文在對(duì)諸多學(xué)者研究的基礎(chǔ)上,結(jié)合有關(guān)文獻(xiàn)選取了如下12個(gè)財(cái)務(wù)指標(biāo)[5-10]:

(1) 反映盈利能力的總資產(chǎn)收益率(X1)、凈資產(chǎn)收益率(X2)、主營(yíng)業(yè)務(wù)利潤(rùn)率(X3);

(2) 反映企業(yè)資本結(jié)構(gòu)的資產(chǎn)負(fù)債率(X4)、有形凈值債務(wù)率(X5);

(3) 反映企業(yè)發(fā)展?jié)摿Φ膬衾麧?rùn)增長(zhǎng)率(X6);

(4) 反映企業(yè)經(jīng)營(yíng)和管理其資產(chǎn)能力的存貨周轉(zhuǎn)率(X7)和應(yīng)收賬款周轉(zhuǎn)率(X8);

(5) 反映企業(yè)變現(xiàn)能力的速動(dòng)比率(X9)、流動(dòng)資產(chǎn)應(yīng)收賬款率(X10)和短期負(fù)債現(xiàn)金保障率(X11);

(6) 反映企業(yè)現(xiàn)金流量的現(xiàn)金比率(X12)。

3 網(wǎng)絡(luò)的設(shè)計(jì)、訓(xùn)練與仿真

3.1 網(wǎng)絡(luò)設(shè)計(jì)

企業(yè)資信評(píng)估是一個(gè)模式識(shí)別問(wèn)題,神經(jīng)網(wǎng)絡(luò)的目標(biāo)是根據(jù)企業(yè)財(cái)務(wù)情況給出準(zhǔn)確的信用等級(jí)。建立神經(jīng)網(wǎng)絡(luò)模型的關(guān)鍵是要確定網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、輸入結(jié)點(diǎn)、輸出結(jié)點(diǎn)和層數(shù),見(jiàn)圖1。根據(jù)Kolmogorov定理,三層BP網(wǎng)絡(luò)充分學(xué)習(xí)后能逼近任何函數(shù),因此構(gòu)建三層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)。由于輸入向量包含12項(xiàng)指標(biāo),故輸入層應(yīng)包含12個(gè)結(jié)點(diǎn)。確定隱含結(jié)點(diǎn)數(shù)有很多經(jīng)驗(yàn)法則,在此根據(jù)Kolmogorov定理,取2n+1個(gè)的隱含層結(jié)點(diǎn)數(shù),其中n為輸入層的結(jié)點(diǎn)個(gè)數(shù)。因此這里隱含層結(jié)點(diǎn)數(shù)為25個(gè)。本文將企業(yè)資信等級(jí)分別對(duì)應(yīng)一個(gè)分值,優(yōu)取值4,良取值3,中取值2,差取值1。因此,輸出層包含1個(gè)結(jié)點(diǎn),輸出資信得分。

圖1 用于資信評(píng)估的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.2 訓(xùn)練與仿真

在此,采用Matlab 7軟件及其神經(jīng)網(wǎng)絡(luò)工具箱建立、訓(xùn)練并測(cè)試神經(jīng)網(wǎng)絡(luò)。樣本數(shù)據(jù)來(lái)源于實(shí)際上市公司的財(cái)務(wù)數(shù)據(jù),其中30例用于訓(xùn)練網(wǎng)絡(luò),12例用于測(cè)試[6]。

在評(píng)價(jià)企業(yè)資信的12個(gè)指標(biāo)中,不同的指標(biāo)從不同的角度對(duì)企業(yè)資信進(jìn)行評(píng)估,指標(biāo)之間無(wú)法比較。為了便于最終評(píng)價(jià)值的確定,需要對(duì)各個(gè)指標(biāo)進(jìn)行無(wú)量綱化處理;同時(shí),由于評(píng)價(jià)中所使用的各項(xiàng)指標(biāo)之間數(shù)值相差很大,不能直接進(jìn)行比較。為使各指標(biāo)在整個(gè)系統(tǒng)中具有可比性,必須對(duì)各指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理。在此使用Matlab中的 prestd 函數(shù)進(jìn)行歸一化,使得數(shù)據(jù)具有零均值與單位方差。

網(wǎng)絡(luò)輸入層與隱含層,以及隱含層和輸出層的傳遞函數(shù)分別采用正切Sigmoid函數(shù)Tansig()和線性函數(shù)purelin()。設(shè)置學(xué)習(xí)率lr為0.05,最大訓(xùn)練步數(shù)epoch為30 000,goal為1×10-8,show為50。其他參數(shù),如max_fail,rem_reduc,min_grad,mu,mu_dec,mu_inc,mu_max,time均采用缺省值。

利用實(shí)現(xiàn)BP算法的函數(shù)traingd對(duì)網(wǎng)絡(luò)進(jìn)行2 857步訓(xùn)練,網(wǎng)絡(luò)誤差平方和mse達(dá)到了誤差標(biāo)準(zhǔn)目標(biāo)1×10-8的要求。網(wǎng)絡(luò)性能如圖2所示。

圖2 BP網(wǎng)絡(luò)模型訓(xùn)練結(jié)果

至此,企業(yè)資信評(píng)估的神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型已經(jīng)構(gòu)建完成,在應(yīng)用過(guò)程中,只需輸入測(cè)試樣本的指標(biāo)數(shù)據(jù),便可以進(jìn)行評(píng)價(jià)研究。

為了驗(yàn)證該模型的有效性,選用如表1所示12個(gè)企業(yè)的具體數(shù)據(jù),并利用建立好的神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真運(yùn)算,以分析驗(yàn)證所建網(wǎng)絡(luò)的有效性。

由表2可以看到,輸出得分并不限于1,2,3,4四個(gè)數(shù)值,這是因?yàn)榫W(wǎng)絡(luò)的輸出層采用的是線性傳遞函數(shù)。但是可以將輸出得分四舍五入,從而得到相應(yīng)的評(píng)估等級(jí)。

例如,樣本9輸出得分為2.761 5,其資信等級(jí)便是B。由表2可得,輸出結(jié)果準(zhǔn)確率為75%。

4 結(jié) 語(yǔ)

與企業(yè)資信評(píng)估研究常用的統(tǒng)計(jì)學(xué)方法相比,基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)資信評(píng)估模型具有如下優(yōu)點(diǎn):首先,它屬于隱式數(shù)學(xué)處理方法,只需將經(jīng)過(guò)處理的數(shù)據(jù)輸入訓(xùn)練好的網(wǎng)絡(luò)中,通過(guò)相應(yīng)的數(shù)學(xué)工具即可得出結(jié)果,評(píng)價(jià)過(guò)程方便、快捷;其次,不需要人為確定權(quán)重,降低由于評(píng)價(jià)過(guò)程中主觀因素所導(dǎo)致的結(jié)果失真,評(píng)價(jià)結(jié)果更為客觀。但在研究過(guò)程中發(fā)現(xiàn),樣本數(shù)據(jù)的數(shù)量和質(zhì)量對(duì)網(wǎng)絡(luò)的學(xué)習(xí)能力有較大影響,相信隨著神經(jīng)網(wǎng)絡(luò)方法及其數(shù)學(xué)工具的深入研究,現(xiàn)存問(wèn)題終將得到解決。

參考文獻(xiàn)

[1]劉重才,周洲,梅強(qiáng).LVQ神經(jīng)網(wǎng)絡(luò)在企業(yè)資信評(píng)估中的應(yīng)用[J].集團(tuán)經(jīng)濟(jì)研究,2007(10):203-204.

[2]Zan Huang,Hsinchun Chen.Credit Rating Analysis with Support Vector Machines and Neural Networks:A Market Comparative Study[J].Decision Support Systems,2004,37:543-558.

[3]Reem Heakal.What is a Corporate Credit Rating [EB/OL].http://www.investopedia.com/articles/03/102203.asp,2008.

[4]Ethem Alpaydin.Introduction to Machine Learning[M].MIT Press,2004.

[5]熊穎,陳新,陳新度.制造業(yè)中小企業(yè)的資信評(píng)估研究 [J].微計(jì)算機(jī)信息,2007,23(27):30-32.

[6]張萌.企業(yè)信用評(píng)估體系與評(píng)估方法研究[D].西安:西北大學(xué),2006.

[7]朱麗,張洪偉,譚輝.基于軟計(jì)算的資信評(píng)估研究[J].計(jì)算機(jī)應(yīng)用研究,2005,22(5):74-77.

[8]徐晉.基于神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的創(chuàng)業(yè)企業(yè)信用等級(jí)評(píng)估研究[J].南京理工大學(xué)學(xué)報(bào),2004,28(6):684-688.

[9]牛紅紅,王文寅.企業(yè)信用評(píng)估體系研究[J].經(jīng)濟(jì)問(wèn)題,2008(1):66-68.

[10]鄒小芃,余君,錢(qián)英.企業(yè)信用評(píng)估指標(biāo)體系與評(píng)價(jià)方法研究[J].數(shù)理統(tǒng)計(jì)與管理,2005,24(1):37-44.