淺論BP神經(jīng)網(wǎng)絡(luò)模型在中小企業(yè)融資征信評(píng)估中的應(yīng)用
BP網(wǎng)絡(luò)(Back Propagation)，是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。
【摘 要】 信用評(píng)估的優(yōu)劣對(duì)中小企業(yè)是否能夠獲得融資以及融資機(jī)構(gòu)是否對(duì)其進(jìn)行投資起著決定性作用。本文探討了基于BP神經(jīng)網(wǎng)絡(luò)的融資征信評(píng)估方法。通過(guò)建立科學(xué)的中小企業(yè)信用評(píng)價(jià)指標(biāo)體系，構(gòu)建了融資征信評(píng)估方法的BP神經(jīng)網(wǎng)絡(luò)模型。模擬結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)可以更加有效、準(zhǔn)確地對(duì)中小企業(yè)信用指標(biāo)進(jìn)行評(píng)價(jià)，為融資機(jī)構(gòu)提供決策依據(jù)。
【關(guān)鍵詞】 中小企業(yè) 融資征信 BP神經(jīng)網(wǎng)絡(luò)
一、中小企業(yè)融資征信評(píng)估應(yīng)用中BP模型分析
BP網(wǎng)絡(luò)具有較高的準(zhǔn)確性和較快的收斂速度及更小的誤差，是進(jìn)行我國(guó)中小企業(yè)信用評(píng)價(jià)的理想方法。因此，本文擬采用BP神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)造我國(guó)中小企業(yè)信用評(píng)價(jià)模型。
1.1 BP神經(jīng)網(wǎng)絡(luò)的基本原理
BP神經(jīng)網(wǎng)絡(luò)又被稱(chēng)為反向傳播網(wǎng)絡(luò)，這是因?yàn)樵撋窠?jīng)網(wǎng)絡(luò)的連接權(quán)的調(diào)整采用的是反向傳播學(xué)習(xí)算法。BP神經(jīng)網(wǎng)絡(luò)的主要優(yōu)點(diǎn)是：只要有足夠的隱層和節(jié)點(diǎn)，就可以逼進(jìn)任意的非線(xiàn)性映射關(guān)系，其算法是一種導(dǎo)師學(xué)習(xí)算法，屬于全局逼近的方法，因而具有泛化能力，BP網(wǎng)絡(luò)同時(shí)具有較好的容錯(cuò)性;BP網(wǎng)絡(luò)的主要缺點(diǎn)是收斂速度慢，局部極小。這個(gè)缺點(diǎn)可以通過(guò)改進(jìn)算法，加入學(xué)習(xí)率自適應(yīng)，L-M等算法進(jìn)行彌補(bǔ)。
1.2 BP神經(jīng)網(wǎng)絡(luò)的具體結(jié)構(gòu)及學(xué)習(xí)原理
BP神經(jīng)網(wǎng)絡(luò)基本組成是由各個(gè)神經(jīng)元的連接權(quán)組成�？梢源篌w分為三個(gè)層次：輸入層、隱含層和輸出層。若輸入層有神經(jīng)元n個(gè)，輸入向量記為x1=(x1，xn，…，xn)是網(wǎng)絡(luò)的t個(gè)輸入模式，Zi(t)為網(wǎng)絡(luò)隱含層節(jié)點(diǎn)的輸出值，Y (t) =(Y1 (t) ，Y2 (t) ，…，Ym (t) )是對(duì)應(yīng)的實(shí)際輸出值，輸入神經(jīng)元i到隱層神經(jīng)元j的權(quán)值為Vij，隱層神經(jīng)元i到輸出神經(jīng)元j的權(quán)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(guān)系如下：
;
在上式中，f函數(shù)被稱(chēng)為神經(jīng)元的傳遞函數(shù)，也被稱(chēng)為激活函數(shù)，在實(shí)際應(yīng)用中一般采用S型函數(shù)(Logsig)：
1.3 中小企業(yè)融資征信指標(biāo)體系建立
中小企業(yè)融資征信評(píng)價(jià)的重點(diǎn)在于評(píng)價(jià)中小企業(yè)的經(jīng)營(yíng)狀況與財(cái)務(wù)狀況等內(nèi)容。由于企業(yè)財(cái)務(wù)指標(biāo)之間具有相關(guān)性，本文首先根據(jù)中小企業(yè)特點(diǎn)選擇財(cái)務(wù)指標(biāo)，并利用因子分析法對(duì)指標(biāo)進(jìn)行整理分析。依據(jù)我國(guó)中小企業(yè)的特點(diǎn)并利用因子分析法，本文剔除了與中小企業(yè)信用狀況不相關(guān)或重復(fù)性的指標(biāo)，最終選取了償債能力指標(biāo)(資產(chǎn)負(fù)債率，流動(dòng)比率，速動(dòng)比率)、盈利能力指標(biāo)(銷(xiāo)售毛利潤(rùn)，資產(chǎn)報(bào)酬率，凈資產(chǎn)收益率)、營(yíng)運(yùn)能力指標(biāo)(應(yīng)收賬款周轉(zhuǎn)率、存貨周轉(zhuǎn)率，流動(dòng)資產(chǎn)周轉(zhuǎn)率，總資產(chǎn)周轉(zhuǎn)率)、成長(zhǎng)能力指標(biāo)(營(yíng)業(yè)收入增長(zhǎng)率、營(yíng)業(yè)利潤(rùn)增長(zhǎng)率、凈利潤(rùn)增長(zhǎng)率，總資產(chǎn)增長(zhǎng)率、凈資產(chǎn)增長(zhǎng)率)15個(gè)財(cái)務(wù)指標(biāo)綜合反映中小企業(yè)的信用狀況。
由于所選擇的財(cái)務(wù)指標(biāo)的量綱和數(shù)量級(jí)不同，本文對(duì)各指標(biāo)進(jìn)行了標(biāo)準(zhǔn)化，使每一個(gè)指標(biāo)都統(tǒng)一于某種共同的數(shù)值特性范圍。本文采用如下公司對(duì)指標(biāo)進(jìn)行標(biāo)準(zhǔn)化。
其中， 為原始數(shù)據(jù)的均值;Xj=;為原始數(shù)據(jù)的標(biāo)準(zhǔn)差，。
二、中小企業(yè)融資征信評(píng)估的BP模型構(gòu)建
2.1 BP神經(jīng)網(wǎng)絡(luò)輸出層、隱含層及輸出層的設(shè)計(jì)
根據(jù)BP神經(jīng)網(wǎng)絡(luò)的相關(guān)研究，在網(wǎng)絡(luò)設(shè)計(jì)過(guò)程中，隱層神經(jīng)元數(shù)的確定十分重要。隱層神經(jīng)元過(guò)多、過(guò)少都會(huì)影響網(wǎng)絡(luò)性能，達(dá)不到預(yù)期效果。而隱層神經(jīng)元個(gè)數(shù)與期望誤差、輸入與輸出層神經(jīng)元個(gè)數(shù)、實(shí)際問(wèn)題復(fù)雜性都有直接的聯(lián)系。在三層網(wǎng)絡(luò)中，輸入和輸出神經(jīng)元是依據(jù)輸入向量和研究目標(biāo)而定。本文在選取隱層神經(jīng)元的個(gè)數(shù)上主要參考原有的兩個(gè)經(jīng)驗(yàn)公式來(lái)確定：
(1)
其中M表示輸入向量元素個(gè)數(shù)，則輸入層的神經(jīng)元可以選為M個(gè)。
N=2M+1(2)
其中μ代表輸入層神經(jīng)元個(gè)數(shù)，η代表輸出層神經(jīng)元個(gè)數(shù)，a代表[0，10]之間的整數(shù)。根據(jù)相關(guān)經(jīng)驗(yàn)，本文中a取為2。
本文選擇了15個(gè)財(cái)務(wù)指標(biāo)作為輸入，因此輸入層神經(jīng)元數(shù)M=μ=15;輸出層神經(jīng)元的.數(shù)量η由信用評(píng)價(jià)結(jié)果的模式確定。根據(jù)式(1)，由于μ=1，η=15，a為[1，10]之間的常數(shù)，可以取L=5-14。根據(jù)式(2)，由于M=15，因此N=2M+1=31。因此，可以估計(jì)最佳隱含層的神經(jīng)元數(shù)目介于5-31之間。
2.2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練及結(jié)構(gòu)確定
本文在進(jìn)行樣本設(shè)計(jì)時(shí)，以我國(guó)2014年50家上市公司所作出的評(píng)價(jià)為樣本。所采用的指標(biāo)與上文中給出的評(píng)價(jià)指標(biāo)一致。數(shù)據(jù)樣本有50個(gè)，選擇其中的40個(gè)項(xiàng)目的評(píng)價(jià)作為學(xué)習(xí)樣本，另外10個(gè)項(xiàng)目的評(píng)價(jià)作為檢驗(yàn)樣本。訓(xùn)練函數(shù)采用BP網(wǎng)絡(luò)最常用的Trainlm，訓(xùn)練次數(shù)定位2000次，誤差精度小于0.0001。本文設(shè)定最大訓(xùn)練步長(zhǎng)epoch=2000，分別采用traingdx函數(shù)、traingd函數(shù)和trainglm函數(shù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練。
本文通過(guò)Matlab7.0，分別采用traingdx函數(shù)、traingd函數(shù)和trainglm函數(shù)，對(duì)所設(shè)計(jì)的隱含層神經(jīng)元數(shù)可變的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練和仿真。結(jié)果表明，當(dāng)BP神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)在5-31之間變化時(shí)，當(dāng)N=17時(shí)，trainlm數(shù)的訓(xùn)練誤差最小，因此本文決定采用收斂速度最快、訓(xùn)練誤差最小的trainlm訓(xùn)練函數(shù)，隱含層神經(jīng)元數(shù)n=17的BP神經(jīng)網(wǎng)絡(luò)作為中小企業(yè)信用評(píng)價(jià)模型。
三、結(jié)論
本文建立了一般中小企業(yè)信用評(píng)價(jià)財(cái)務(wù)指標(biāo)體系，據(jù)此構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型，并以2014年40家上市公司為學(xué)習(xí)訓(xùn)練樣本，并對(duì)剩下的10家公司進(jìn)行仿真，設(shè)定最大訓(xùn)練步長(zhǎng)epoch=2000，詳細(xì)考察了隱含層結(jié)構(gòu)和網(wǎng)絡(luò)訓(xùn)練函數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)辨識(shí)性能的影響。評(píng)價(jià)結(jié)果表明，各中小企業(yè)之間的信用評(píng)價(jià)結(jié)果存在較大的異質(zhì)性。這說(shuō)明，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)中小企業(yè)進(jìn)行信用評(píng)價(jià)，具有較高的可操作性。因此，金融機(jī)構(gòu)可以據(jù)此加強(qiáng)對(duì)中小企業(yè)的信用評(píng)價(jià)，篩選優(yōu)秀的中小企業(yè)以降低信用風(fēng)險(xiǎn)。
【參考文獻(xiàn)】
[1] 譚慶美.中小企業(yè)融資理論與實(shí)證研究[D].天津：天津大學(xué)博士論文，2007.
[2] 周永進(jìn).BP網(wǎng)絡(luò)的改進(jìn)及其應(yīng)用[D].南京：南京信息工程大學(xué)，2007.
【淺論BP神經(jīng)網(wǎng)絡(luò)模型在中小企業(yè)融資征信評(píng)估中的應(yīng)用】相關(guān)文章：
1.基于改進(jìn)BP的神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制
3.向量擬合度模型在電子圖書(shū)采購(gòu)質(zhì)量評(píng)估中的應(yīng)用
4.憶阻器在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用
5.淺談數(shù)學(xué)模型在投機(jī)交易中的應(yīng)用
6.探討B(tài)P神經(jīng)網(wǎng)絡(luò)的圖像Hash算法