基于優(yōu)化BP神經網絡的上市公司財務預警的研究

張 琦

（海南大學經濟與管理學院，?？?570100）

引言

當今社會，市場經濟快速發(fā)展，資本市場也不斷完善，使得上市公司面臨著更多的危機與挑戰(zhàn)，如果上市公司對財務狀況沒有進行預警，可能使公司陷入經營困境，其實是龍頭企業(yè)也難逃資金鏈斷裂的結果。公司陷入財務危機并不是毫無規(guī)律的，財務預警財是我國上市公司發(fā)現危機并采取相應措施的重要手段。因此，借助現代科技手段構建合理有效的財務危機預警體系具有相當重要的價值與意義。

一、預警指標確定

本文選取了2015年28家上市公司（ST公司與非ST公司各14家）和2016年42家上市公司（ST公司與非ST公司各21家）。共70家上市公司，收集了上市公司被“ST”的前三年（即t-3年）的數據作為樣本選取的時間。

本文充分考慮了大量研究文獻的研究結果，分別從償債能力、經營能力、發(fā)展能力、現金流能力、每股指標五個方面構建上市公司財務指標體系，共包含18個預警指標。并去掉對財務狀況影響不大和含有無效數據的指標，最終確定15個預警指標。

上市公司財務指標體系

二、BP神經網絡預警模型

BP神經網絡是反向傳播學習算法（Back-Propogation），利用輸入、輸出對訓練樣本進行訓練，形成固定的輸入輸出的映射關系。這個過程包含了兩個算法，分別是樣本數據的正向傳播與誤差的反向傳播。

在本文中，使用BP神經網絡輸入層的節(jié)點數m為 15，輸出層n是1，綜合考慮以上三個公式，得出了隱含層節(jié)點數分別為 8、24、31。

本文選用Matlab2014a進行神經網絡的設計，首先建立訓練樣本數據庫及目標輸出數據庫，并建立新的網絡模型，本文隨機選取50個樣本為學習組，20個樣本為驗證組。由于隱含層的節(jié)點數將影響模型的收斂速度及準確率，本文通過對不同節(jié)點數的實驗，確定最合適的節(jié)點數，保證模型的準確率。

當隱含層節(jié)點數為31時，樣本訓練結果及誤差曲線圖（如圖1所示）。

圖1 隱含層節(jié)點數L=31時樣本訓練誤差曲線圖

由圖1可知，該模型是合理的，且隱含層層數的改變對結果準確率沒有影響，但是影響了收斂速度和精確度。

三、LM優(yōu)化模型

根據前文理論，本文采用LM優(yōu)化BP神經網絡的方法進行訓練及驗證，與前文同理，得出結論：在L=31時，收斂速度最快，準確率最高，實驗結果（如圖2所示）。

未優(yōu)化前的神經網絡在隱含層節(jié)點數為24時，訓練次數最少，收斂速度最快，精確度最高。然而最終結果準確率卻沒有發(fā)生變化，即改變隱含層層數對最終結果的準確率幾乎沒有影響。當LM優(yōu)化BP神經網絡時，在隱含層層數為31時，訓練次數最少，收斂速度最快，結果準確率最高，但精確度卻沒有提高。因此，LM改進BP神經網絡可以有效改進訓練次數、收斂速度和結果準確率，不能改進精確度，不過將其應用到企業(yè)財務危機預警的問題上是可行的。

結語

本文基于改進的神經網絡構建了上市公司的財務危機預警模型，并選取了70家上市公司作為樣本進行研究。結果表明，通過訓練、仿真與測試，利用神經網絡構建的財務危機預警模型能夠有效地預測財務危機，可以成功地應用到財務危機預警的實例中。通過實驗表明，利用LM優(yōu)化BP神經網絡之后，與未優(yōu)化前對比，發(fā)現模型不論是其收斂速度還是結果準確率都得到了很大的提高。