基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)企業(yè)財務(wù)模型優(yōu)化分析

章銀平

(安徽財貿(mào)職業(yè)學(xué)院，安徽合肥 230601)

企業(yè)財務(wù)管理是整個企業(yè)資金運行控制中心，其運行狀況與整個企業(yè)運轉(zhuǎn)密切相關(guān)，隨著經(jīng)濟一體化不斷發(fā)展，企業(yè)經(jīng)營過程中存在的不確定性逐漸增強，在此基礎(chǔ)上導(dǎo)致的財務(wù)風(fēng)險不斷增多，因此需要對財務(wù)管理進行有效管理，降低財務(wù)困境出現(xiàn)的可能性[1]。大數(shù)據(jù)背景下需要通過計算機技術(shù)對企業(yè)財務(wù)管理進行仿真分析，建立企業(yè)財務(wù)模型，在其運行過程中對企業(yè)未來財務(wù)運行多種情況進行綜合性分析，并制定對應(yīng)預(yù)警措施，降低企業(yè)未來運轉(zhuǎn)過程中可能存在的風(fēng)險[2]。

1 模型構(gòu)建理論

BP神經(jīng)網(wǎng)絡(luò)是一種智能化算法，其結(jié)構(gòu)一般包括三層或以上的網(wǎng)絡(luò)結(jié)構(gòu)，層與層之間通過神經(jīng)元實行權(quán)相連，即該結(jié)構(gòu)中所有單元與上層單元均實現(xiàn)連接，而每層各神經(jīng)元之間并無相互連接。通過BP神經(jīng)網(wǎng)絡(luò)可實現(xiàn)對所有問題的游俠訓(xùn)練，在實際運行過程中向網(wǎng)絡(luò)中輸入樣本，通過一定算法對其進行訓(xùn)練處理，求解對應(yīng)問題。圖1為當(dāng)前使用最為廣泛的網(wǎng)絡(luò)結(jié)構(gòu)，其結(jié)構(gòu)部分主要包括輸入層、輸出層、隱層構(gòu)成，其中輸入層和輸出層分別代表樣本輸入和結(jié)果輸出，隱層可以是一層，也可是多層。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

本研究模型通過BP神經(jīng)網(wǎng)絡(luò)對企業(yè)財務(wù)模型的運行過程進行分析，系統(tǒng)實際運行流程步驟如下：

步驟一：首先對其網(wǎng)絡(luò)權(quán)值以及閾值等進行初始化處理。

步驟二：計算出參數(shù)總誤差，其計算公式可表達為：

(1)

(2)

步驟三：取一個樣本作為網(wǎng)絡(luò)輸入，將其按照公式(3)進行數(shù)據(jù)處理，

(3)

其中，Oj表示輸出，并規(guī)定O0=-1,woj=θ(閾值)，i和j表示的是信號源方向相鄰層節(jié)點。之后按照輸入到輸出的順序進行所有連接權(quán)值wij的修正處理，可將該過程表示為：

wij(t+1)=w(t)+ηδjOi.

(4)

(5)

對于不同節(jié)點而言,在其輸出側(cè)有連接的節(jié)點個數(shù)，在神經(jīng)網(wǎng)絡(luò)算法中通過δj表示節(jié)點j的誤差，其在計算過程中主要由于算法在實際運行過程中需進行下述步驟：

(6)

(7)

當(dāng)其為中間節(jié)點時，可將其表示為：

(8)

對輸入到系統(tǒng)中的所有樣本數(shù)據(jù)進行重復(fù)處理，之后進入步驟二。

2 基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

2.1 構(gòu)建模型

圖2 BP神經(jīng)網(wǎng)絡(luò)企業(yè)財務(wù)模型

企業(yè)財務(wù)模型如圖2所示，在實際運行過程將樣本輸入到系統(tǒng)中，樣本主要來自于企業(yè)經(jīng)營過程中的各項財務(wù)報表，所有與財務(wù)相關(guān)的信息均可作為樣本，并可將該系統(tǒng)連接至互聯(lián)網(wǎng)，通過數(shù)據(jù)挖掘獲取最新市場信息，均可將這些信息作為企業(yè)財務(wù)模型決策的依據(jù)。樣本輸入到系統(tǒng)后經(jīng)過初步學(xué)習(xí)過程進行數(shù)據(jù)格式化以及有效化處理，在通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)對其進行訓(xùn)練處理，使之成為系統(tǒng)決策基礎(chǔ)，之后便可對企業(yè)財務(wù)進行預(yù)警、預(yù)決策等。本系統(tǒng)在構(gòu)建過程中主要設(shè)定以下參數(shù)：

①財務(wù)管理系統(tǒng)的軟件開發(fā)的硬件環(huán)境,是通過應(yīng)用服務(wù)器、數(shù)據(jù)庫服務(wù)器和高性能的PC組成一個B/S的三層架構(gòu)方式，同時通過路由器建立企業(yè)內(nèi)部的局域網(wǎng)。

②系統(tǒng)平臺財務(wù)管理系統(tǒng)采取的三層體系架構(gòu)，是基于J2EE的web的服務(wù)器平臺。

數(shù)據(jù)庫服務(wù)器：Oracle；

服務(wù)器端操作系統(tǒng)：Windows 2016 Advance Server；

應(yīng)用服務(wù)器：Tomeat 6.0；

客戶端瀏覽器：Mierosoft IE 6.0以上。

③開發(fā)環(huán)境

操作系統(tǒng)：Window 2016；

數(shù)據(jù)庫：Oracle；

開發(fā)語言：J2EE。

2.2 拓撲結(jié)構(gòu)

網(wǎng)絡(luò)拓撲結(jié)構(gòu)的設(shè)計主要包括隱層數(shù)、隱層節(jié)點數(shù)及輸入輸出層節(jié)點數(shù)的確定。在構(gòu)建網(wǎng)絡(luò)拓撲結(jié)構(gòu)過程中采用3層網(wǎng)絡(luò)結(jié)構(gòu)，結(jié)構(gòu)中僅僅含有一個隱層。該結(jié)構(gòu)中輸入輸出層節(jié)點數(shù)主要由財務(wù)模型問題決定。構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)企業(yè)財務(wù)模型如圖3所示，其中(xt,xt+1,…,xt+n-1)表示的是n個輸入，xt+n-1表示的是輸出，其隱層節(jié)點數(shù)為r(1

圖3 BP神經(jīng)網(wǎng)絡(luò)企業(yè)財務(wù)模型拓撲結(jié)構(gòu)

圖4 企業(yè)財務(wù)網(wǎng)絡(luò)功能層次模型

企業(yè)財務(wù)網(wǎng)絡(luò)功能層次模型如圖4所示，該模型主要由3個層次構(gòu)成，該結(jié)構(gòu)在處理企業(yè)財務(wù)數(shù)據(jù)過程中具有較高效率，并且可實現(xiàn)對眾多數(shù)據(jù)的有效分析，以上網(wǎng)絡(luò)層次可有效提升整個系統(tǒng)運行效率，尤其是在數(shù)據(jù)訓(xùn)練過程中可有效減少單個周期的循環(huán)時間，在指定時間內(nèi)完成相應(yīng)訓(xùn)練[3]。

2.3 數(shù)據(jù)庫結(jié)構(gòu)

系統(tǒng)中的數(shù)據(jù)庫主要采用Oracle系統(tǒng)作為基礎(chǔ)，數(shù)據(jù)庫中的數(shù)據(jù)需經(jīng)過中間層處理，用戶可通過數(shù)據(jù)庫對各種數(shù)據(jù)進行訪問和存儲，其余財務(wù)管理所有數(shù)據(jù)均可存儲于數(shù)據(jù)庫中。為保證企業(yè)財務(wù)數(shù)據(jù)的安全性，在設(shè)計數(shù)據(jù)庫過程中采用分層數(shù)據(jù)庫模式，設(shè)定一般數(shù)據(jù)庫、核心數(shù)據(jù)庫兩種模式，其中一般數(shù)據(jù)庫主要存儲一般信息，核心數(shù)據(jù)庫則用于存儲企業(yè)機密財務(wù)信息，并具備較高級別安全系數(shù)。

圖5 數(shù)據(jù)庫結(jié)構(gòu)

如圖5所示，在數(shù)據(jù)庫結(jié)構(gòu)中可與用戶終端連接起來，為用戶提供多種財務(wù)管理服務(wù)方案，并且在實際分析過程中還可結(jié)合用戶訪問系統(tǒng)的歷史生成管理日志，結(jié)合BP神經(jīng)網(wǎng)絡(luò)進行數(shù)據(jù)訓(xùn)練，并結(jié)合Web進一步提升數(shù)據(jù)訓(xùn)練效果。同時，該數(shù)據(jù)庫還設(shè)有外接端口，可對其進行容量擴展和功能擴展，促進系統(tǒng)能夠適應(yīng)后續(xù)需求變化和技術(shù)變化，不至于在短時間內(nèi)無法滿足發(fā)展需求[4]。

2.4 基于MATLAB的企業(yè)財務(wù)模型仿真

MATLAB中的數(shù)據(jù)類型一般表示為矩陣形式，其本質(zhì)是一種數(shù)學(xué)軟件，可通過數(shù)學(xué)表達方式將各種數(shù)據(jù)表達出來，具有簡化數(shù)據(jù)運算過程的優(yōu)點。尤其是在重復(fù)結(jié)算數(shù)據(jù)方面具有無可比擬的優(yōu)點。本研究構(gòu)建基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)企業(yè)財務(wù)模型，通過MATLAB中的trainbpx實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)企業(yè)財務(wù)模型的算法運行過程。一般而言，在實際運行過程中并不能清晰了解神經(jīng)元個數(shù)，因此在數(shù)據(jù)處理過程中對不同神經(jīng)元進行訓(xùn)練處理，結(jié)合共軛梯度對隱單元個數(shù)的求解，可將其表示為[5]：

(Si+1)Sh-(Sh-1)So=npSo.

(9)

其中，Si為輸入單元數(shù)量；Sh為隱單元數(shù)；So為輸出單元數(shù)量；np為訓(xùn)練樣本數(shù)量。在系統(tǒng)運行過程中需要對算法進行修正，本研究選擇δ學(xué)習(xí)規(guī)則，主要運行步驟如下：

步驟一：設(shè)定一組數(shù)據(jù)初始權(quán)值wij(0)；

步驟二：計算某輸入模式下的實際輸出及期望輸出誤差值；

步驟三：對數(shù)據(jù)權(quán)值進行有效更新，更新公式為：

wij(t+1)=wji(t)=η[dj-yj(t)]xj(t).

(10)

其中，η表示學(xué)習(xí)因子，通過dj和yj表示系統(tǒng)中對應(yīng)j編號的神經(jīng)元輸出，分別為期望輸出和實際輸出，xj表示神經(jīng)元輸入部分。

步驟四：完成以上步驟后再返回步驟二，直至完成所有數(shù)據(jù)的訓(xùn)練。

在構(gòu)建模型過程中通過MATLAB構(gòu)建出人機交互系統(tǒng)環(huán)境，系統(tǒng)中數(shù)據(jù)處理為矩陣形式，運用該種方式可提升系統(tǒng)運行效率，通過MATLAB中的trainbpx可隨意更換多種算法程序，滿足實際需求。結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法，對激活函數(shù)以及其訓(xùn)練函數(shù)進行有效編程：

Net=newff(minmax(p),{},{’myfunc’,’purelin’},’mytrainfunc’)

Net.trainparam.epochs=20000;

Ner, trainparam. goal=0.0002;

Ner=train(net,p.t);

在該系統(tǒng)程序中,myfunc和mytrainfunc表示優(yōu)化后的函數(shù)，該程序便是優(yōu)化后的程序部分。將前文設(shè)定的幾項財務(wù)指標(biāo)輸入到系統(tǒng)中，并對相應(yīng)算法進行更新處理，在系統(tǒng)中進行自適應(yīng)學(xué)習(xí)和訓(xùn)練后便可進行有效收斂，之后將得到的矩陣輸出至隱含層。

系統(tǒng)在實際運行過程中需要具備財務(wù)數(shù)據(jù)處理、統(tǒng)計分析等功能，通過該軟件可對財務(wù)數(shù)據(jù)進行有效性分析，消除無效數(shù)據(jù)，并對總數(shù)據(jù)進行匯總分析，提煉出數(shù)據(jù)精華部分。當(dāng)出現(xiàn)危機情況時，系統(tǒng)便會根據(jù)相應(yīng)信息制定出預(yù)警方案，并將提醒發(fā)送至客戶終端，最大限度地降低企業(yè)受到的損失。

3 模型運行實證研究分析

3.1 研究對象及數(shù)據(jù)來源

基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)財務(wù)模型可對企業(yè)運行中的各項決策進行分析，對企業(yè)財務(wù)狀態(tài)進行時間點探究。當(dāng)前，眾多企業(yè)為保證自身利益，在財務(wù)管理過程中會出現(xiàn)一些漏洞，企業(yè)財務(wù)決策者往往無法從中發(fā)現(xiàn)有效信息。本研究建立的財務(wù)模型不僅可實現(xiàn)數(shù)據(jù)分析，還能在數(shù)據(jù)分析的基礎(chǔ)上實現(xiàn)預(yù)警，對未來可能出現(xiàn)的某些情況進行預(yù)測。

為研究經(jīng)濟模型的有效性，通過網(wǎng)絡(luò)收集證券交易所的財務(wù)數(shù)據(jù)信息，進行數(shù)據(jù)分析。選擇2013-2015年數(shù)據(jù)作為樣本，并對2015年之后的兩到三年進行預(yù)測。選擇5家上市公司作為研究對象，并選擇另外5家作為對比對象，因此本研究選擇的總樣本數(shù)量為10家。根據(jù)這10家企業(yè)的實際運行情況，將其分為常規(guī)狀態(tài)企業(yè)以及危機狀態(tài)企業(yè)。設(shè)置常規(guī)狀態(tài)企業(yè)編號為01～05，危機狀態(tài)企業(yè)編號為A～E。

3.2 模型測試

在前文建立的網(wǎng)絡(luò)模型基礎(chǔ)上構(gòu)建可反映以上財務(wù)指標(biāo)的財務(wù)模型，該模型在實際構(gòu)建過程中主要包括輸入層、隱含層、輸出層3個方面，一共有8個財務(wù)指標(biāo)，并在模型輸出層設(shè)置兩個節(jié)點，通過節(jié)點主要是研究對象的輸出部分。在財務(wù)模型中不同層次代表相應(yīng)參數(shù)，其中輸入層表示的是財務(wù)指標(biāo)，隱含層表示警情指標(biāo)，輸出層表示企業(yè)財務(wù)狀態(tài)。由此可見，在模型運行過程中可通過BP神經(jīng)網(wǎng)絡(luò)建立財務(wù)預(yù)警系統(tǒng)，并設(shè)定三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，通過MATLAB進行有效仿真。將總資產(chǎn)收益率、流動比率、速動比率、總資產(chǎn)周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率、資產(chǎn)負債率、經(jīng)營凈現(xiàn)金比率、凈利潤增長率8個指標(biāo)分別表示為a～h。在模型仿真過程中輸入到系統(tǒng)中的數(shù)據(jù)如表1和表2所示，其中表1表示的是常規(guī)狀態(tài)企業(yè)的財務(wù)數(shù)據(jù)，表2表示的是危機狀態(tài)企業(yè)的財務(wù)數(shù)據(jù)。

表1 常規(guī)狀態(tài)企業(yè)的財務(wù)數(shù)據(jù)

表2 危機狀態(tài)企業(yè)的財務(wù)數(shù)據(jù)

在實際運行過程中系統(tǒng)主要通過共軛梯度進行分析，并通過式(9)進行隱單元個數(shù)的求解，解出隱含層神經(jīng)元個數(shù)為14個，選擇學(xué)習(xí)因子η=0.1，結(jié)合實際情況設(shè)定期望誤差為0.0002，以Tansig作為特征函數(shù)，設(shè)置矩陣形式分別為8×14和14×2兩種，并且滿足整體函數(shù)需求，設(shè)定函數(shù)運行循環(huán)最大次數(shù)為18000次，并設(shè)定運行間隔為50。

系統(tǒng)采用MATLAB 6.5進行神經(jīng)網(wǎng)絡(luò)系統(tǒng)的有效分析，首先建立對應(yīng)的M-File文件，之后建立對應(yīng)連續(xù)函數(shù)，在MATLAB中采用Premnux函數(shù)進行數(shù)據(jù)處理，通過共軛梯度進行數(shù)據(jù)訓(xùn)練。本次系統(tǒng)運行一共展開15200個學(xué)習(xí)周期便達到其對應(yīng)的期望誤差，系統(tǒng)運行最終結(jié)果見圖6。

(a)網(wǎng)絡(luò)誤差性能曲線

(b)運行2500次迭代結(jié)果

(c)152000次訓(xùn)練后結(jié)果圖6 系統(tǒng)運行情況

從圖6(a)可發(fā)現(xiàn)該網(wǎng)絡(luò)誤差性能曲線具有收斂性，并且從運行情況來看其運行結(jié)果的期望誤差小于0.0001，本研究設(shè)定的經(jīng)濟模型較為合理。再對其運行2500迭代以及152000次訓(xùn)練如圖6(b)和圖6(c)所示，其運行結(jié)果均滿足實際情況，因此可將該模型應(yīng)用于實際財務(wù)分析。

對數(shù)據(jù)進行訓(xùn)練得出網(wǎng)絡(luò)層權(quán)值以及閾值，設(shè)定輸入層—隱含層權(quán)值矩陣表示為w1，閾值矩陣為b1；隱含層—輸入層權(quán)值矩陣表示為w2，閾值矩陣為b2。在此基礎(chǔ)上可展開訓(xùn)練，對其進行預(yù)判處理，得到最終結(jié)果見表3。

表3 BP神經(jīng)網(wǎng)絡(luò)財務(wù)模型判別結(jié)果

通過模型分析可得出在2015年之后的企業(yè)發(fā)展?fàn)顩r，這些企業(yè)的預(yù)期輸出與實際輸出較為一致，即通過本模型可對企業(yè)運行狀況進行有效研究，并可對企業(yè)未來運行情況進行預(yù)測分析，具有良好的預(yù)警效果。

4 結(jié)語

本研究建立基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)企業(yè)財務(wù)模型，對企業(yè)財務(wù)運行情況進行有效分析。模型運行過程中基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建出數(shù)據(jù)處理結(jié)構(gòu)，通過MATLAB進行仿真。收集歷史數(shù)據(jù)作為測試樣本數(shù)據(jù)，針對5家常規(guī)狀態(tài)企業(yè)和5家危機狀態(tài)企業(yè)展開測試。研究結(jié)果表明,預(yù)期輸出與實際輸出較為一致，該模型具有一定實用性，可為企業(yè)財務(wù)運行預(yù)警提供有效參考。

[1]劉斌.基于Matlab的BP神經(jīng)網(wǎng)絡(luò)環(huán)渤海動力煤價格指數(shù)預(yù)測模型[J].神華科技,2015,13(6):3-6.

[2]師寧焉.Matlab仿真平臺下大壩位移BP神經(jīng)網(wǎng)絡(luò)模型研究[J].東北水利水電,2015,33(5):49-50.

[3]王娟,楊雪.基于BP神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)業(yè)上市公司財務(wù)績效評價模型研究[J].商,2015(11):127.

[4]周建強,李玉娜,屈衛(wèi)東,等.基于風(fēng)速時空信息的BP神經(jīng)網(wǎng)絡(luò)超短期風(fēng)速預(yù)測研究[J].電網(wǎng)與清潔能源,2015,31(1):109-112.

[5]陳勇.基于遺傳神經(jīng)網(wǎng)絡(luò)成績預(yù)測的研究與實現(xiàn)[J].現(xiàn)代電子技術(shù),2016,39(5):96-100.