- 相關推薦
淺論BP神經網絡模型在中小企業融資征信評估中的應用
BP網絡(Back Propagation)，是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。
【摘 要】 信用評估的優劣對中小企業是否能夠獲得融資以及融資機構是否對其進行投資起著決定性作用。本文探討了基于BP神經網絡的融資征信評估方法。通過建立科學的中小企業信用評價指標體系，構建了融資征信評估方法的BP神經網絡模型。模擬結果表明，BP神經網絡可以更加有效、準確地對中小企業信用指標進行評價，為融資機構提供決策依據。
【關鍵詞】 中小企業 融資征信 BP神經網絡
一、中小企業融資征信評估應用中BP模型分析
BP網絡具有較高的準確性和較快的收斂速度及更小的誤差，是進行我國中小企業信用評價的理想方法。因此，本文擬采用BP神經網絡來構造我國中小企業信用評價模型。
1.1 BP神經網絡的基本原理
BP神經網絡又被稱為反向傳播網絡，這是因為該神經網絡的連接權的調整采用的是反向傳播學習算法。BP神經網絡的主要優點是：只要有足夠的隱層和節點，就可以逼進任意的非線性映射關系，其算法是一種導師學習算法，屬于全局逼近的方法，因而具有泛化能力，BP網絡同時具有較好的容錯性;BP網絡的主要缺點是收斂速度慢，局部極小。這個缺點可以通過改進算法，加入學習率自適應，L-M等算法進行彌補。
1.2 BP神經網絡的具體結構及學習原理
BP神經網絡基本組成是由各個神經元的連接權組成。可以大體分為三個層次：輸入層、隱含層和輸出層。若輸入層有神經元n個，輸入向量記為x1=(x1，xn，…，xn)是網絡的t個輸入模式，Zi(t)為網絡隱含層節點的輸出值，Y (t) =(Y1 (t) ，Y2 (t) ，…，Ym (t) )是對應的實際輸出值，輸入神經元i到隱層神經元j的權值為Vij，隱層神經元i到輸出神經元j的權值為Vij;另外分別用φi和θj表示隱含層和輸出層的閥值。三者的基本關系如下：
;
在上式中，f函數被稱為神經元的傳遞函數，也被稱為激活函數，在實際應用中一般采用S型函數(Logsig)：
1.3 中小企業融資征信指標體系建立
中小企業融資征信評價的重點在于評價中小企業的經營狀況與財務狀況等內容。由于企業財務指標之間具有相關性，本文首先根據中小企業特點選擇財務指標，并利用因子分析法對指標進行整理分析。依據我國中小企業的特點并利用因子分析法，本文剔除了與中小企業信用狀況不相關或重復性的指標，最終選取了償債能力指標(資產負債率，流動比率，速動比率)、盈利能力指標(銷售毛利潤，資產報酬率，凈資產收益率)、營運能力指標(應收賬款周轉率、存貨周轉率，流動資產周轉率，總資產周轉率)、成長能力指標(營業收入增長率、營業利潤增長率、凈利潤增長率，總資產增長率、凈資產增長率)15個財務指標綜合反映中小企業的信用狀況。
由于所選擇的財務指標的量綱和數量級不同，本文對各指標進行了標準化，使每一個指標都統一于某種共同的數值特性范圍。本文采用如下公司對指標進行標準化。
其中， 為原始數據的均值;Xj=;為原始數據的標準差，。
二、中小企業融資征信評估的BP模型構建
2.1 BP神經網絡輸出層、隱含層及輸出層的設計
根據BP神經網絡的相關研究，在網絡設計過程中，隱層神經元數的確定十分重要。隱層神經元過多、過少都會影響網絡性能，達不到預期效果。而隱層神經元個數與期望誤差、輸入與輸出層神經元個數、實際問題復雜性都有直接的聯系。在三層網絡中，輸入和輸出神經元是依據輸入向量和研究目標而定。本文在選取隱層神經元的個數上主要參考原有的兩個經驗公式來確定：
(1)
其中M表示輸入向量元素個數，則輸入層的神經元可以選為M個。
N=2M+1(2)
其中μ代表輸入層神經元個數，η代表輸出層神經元個數，a代表[0，10]之間的整數。根據相關經驗，本文中a取為2。
本文選擇了15個財務指標作為輸入，因此輸入層神經元數M=μ=15;輸出層神經元的數量η由信用評價結果的模式確定。根據式(1)，由于μ=1，η=15，a為[1，10]之間的常數，可以取L=5-14。根據式(2)，由于M=15，因此N=2M+1=31。因此，可以估計最佳隱含層的神經元數目介于5-31之間。
2.2 BP神經網絡訓練及結構確定
本文在進行樣本設計時，以我國2014年50家上市公司所作出的評價為樣本。所采用的指標與上文中給出的評價指標一致。數據樣本有50個，選擇其中的40個項目的評價作為學習樣本，另外10個項目的評價作為檢驗樣本。訓練函數采用BP網絡最常用的Trainlm，訓練次數定位2000次，誤差精度小于0.0001。本文設定最大訓練步長epoch=2000，分別采用traingdx函數、traingd函數和trainglm函數進行BP神經網絡訓練。
本文通過Matlab7.0，分別采用traingdx函數、traingd函數和trainglm函數，對所設計的隱含層神經元數可變的BP神經網絡進行了訓練和仿真。結果表明，當BP神經網絡的隱含層神經元數在5-31之間變化時，當N=17時，trainlm數的訓練誤差最小，因此本文決定采用收斂速度最快、訓練誤差最小的trainlm訓練函數，隱含層神經元數n=17的BP神經網絡作為中小企業信用評價模型。
三、結論
本文建立了一般中小企業信用評價財務指標體系，據此構建的BP神經網絡模型，并以2014年40家上市公司為學習訓練樣本，并對剩下的10家公司進行仿真，設定最大訓練步長epoch=2000，詳細考察了隱含層結構和網絡訓練函數對BP神經網絡辨識性能的影響。評價結果表明，各中小企業之間的信用評價結果存在較大的異質性。這說明，利用BP神經網絡對中小企業進行信用評價，具有較高的可操作性。因此，金融機構可以據此加強對中小企業的信用評價，篩選優秀的中小企業以降低信用風險。
【參考文獻】
[1] 譚慶美.中小企業融資理論與實證研究[D].天津：天津大學博士論文，2007.
[2] 周永進.BP網絡的改進及其應用[D].南京：南京信息工程大學，2007.
【淺論BP神經網絡模型在中小企業融資征信評估中的應用】相關文章：
基于改進BP的神經網絡模型參考自適應控制05-23
人工神經網絡模型及其在優化問題中的應用08-23
淺論川芎在頭痛治療中的應用05-11
憶阻器在神經網絡中的應用09-24
淺論中小企業治理中激勵題目08-08
淺論企業績效評估中的問題與對策08-30
探討BP神經網絡的圖像Hash算法08-19
ＥＶＡ模型在電網企業中的應用探討07-17