基于神经网络的财务困境判别模型及其实证研究

基于神经网络的财务困境判别模型及其实证研究

ID:36801706

大小:2.83 MB

页数:92页

时间:2019-05-15

基于神经网络的财务困境判别模型及其实证研究_第1页
基于神经网络的财务困境判别模型及其实证研究_第2页
基于神经网络的财务困境判别模型及其实证研究_第3页
基于神经网络的财务困境判别模型及其实证研究_第4页
基于神经网络的财务困境判别模型及其实证研究_第5页
资源描述:

《基于神经网络的财务困境判别模型及其实证研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、神经网络进行处理前,并没有对计算所得的25个财务指标值再进行处理。本研究进行数据预处理时采用的软件为Excel,计量经济学软件SPSS和EVIEWS,神经网络的创建和训练则使用Matlab软件包来进行。4.4神经网络具体参数设置本研究应用的神经网络是三层口P算法的前向反馈MLP刚络,是目前应用最广的神经网络。由于输入的财务指标有25个,所以神经网络的输入层有25个输入神经元。隐层节点数的确定采用实验法,寻找使训练样本误判率最小的隐层节点数。本研究使用Matlab软件包来进行神经网络的创建和训练。在采用实验法确定隐层节点

2、数之前,先对神经网络进行初始化。本研究中神经网络的初始化参数完全按照Matlab软件包中的默认值进行设置。具体参数如下:目标误差为0.02,学习速率为O.Ol,学习速率增加的比率为1.05,学习速率减少的比率为().7,动量常数为0.9,最大误差比率为1.04。训练循环次数为500次。本研究中隐层节点数的确定采用以下方法:(1)首先根据下式大致确定最佳节点数的范围:n,=由+m+口,其中m为输出节点数,n为输入节点数,”,为隐层节点数,a取卜10之间的常数。本研究中输入节点数n=25,输出节点数m=1,常数口=1,则有

3、隐层节点数的初始值:月l=√而+口=√丽+1—6(2)采用交叉确认的方法。根据隐层节点数的初始值6,以ST前~年数据对网络进行训练并以2002年S,r样本作为检验样本计算预测误差,然后逐渐增加节点数目,如果每增加一个节点会降低预测误差,则保留这个节点;如此反复,直至增加节点反导致误差上升为止,此时的隐层节点数为最佳隐层节点数。具体隐层节点数所对应的误差见表4—1。表4.1隐层节点数及所对应的误差隐层节误判训练隐层节误判训练隐层节误判训练点数数次数点数数次数点数数次数471266239892365811771020840

4、从表4-1可以看到当隐层节点数为4时,误判数7;隐层节点数为5时,误判数8;隐层节点数为6时,误判数5:隐层节点数为7时,误判数10;隐层节点数为8时,瀑判数9。由此可见,6是最佳隐层节点数由此,本研究所用的神经网络的拓扑结构完全确定,25个输入节点,6个隐层节点,1个输出节点。其拓扑结构见图4.1。’图4-1本研究所用神经网络的拓扑结构4.5计算结果及分析本文首先利用训练样本sT前一年的财务数据作为神经网络的输入,以训练样本各公司的分类变量作为导师,:来训练神经网络。当神经网络经过训练,使拟合误差达到甚至小于目标误差

5、之后,将检验样本sT前四年的财务数据代入模型中,可以获得检验样本提前1年到提前四年预测的结果。结果见表4—2。表4-2基于训练样本ST前~年的财务数据的预测结果2002被ST公司非ST公司检验样本判别正确判别正确总体正正确错误塞正确错误±确率提前一年321371.¨%38784.44%77.78%提前两年192642.22%41491.11%66.67%提前三年93520.45%39588.63%54.54%提前四年ll2828.21%34587.18%57.69%从表中的判定结果来看,提前一年的结果比较令人满意,检验

6、样本的总体正确率达到了77.78%,而且非ST公司的判别正确率达到84.44%,ST公司订三确率4l也有71.11%。说明利用训练样本2001年的财务数据来训练神经网络,从而得到的神经网络连接权值,对于提前一年预测是相当有效的。提前两年的结果比较一般,检验样本的总体正确率达到了66.67%,而且非ST公司的判别正确率达到91.11%,ST公司正确率却只有42.22%,还不到50%。从表4—2也可以看到,提前三年到四年的预测结果就差强人意了,检验样本的总体正确率还不到60%,更糟糕的是ST公司的判别正确率只有20%到30

7、%。分析出现这种情况的原因,可能有两点:(1)公司被宣布ST的前一年的财务基本面与前面几年有相当大的差别,从而使ST公司提前预测的准确率急剧下降,而非ST公司由于财务基本面变化不大,而具有较好的可预测性。(2)由于采用的是训练样本sT前一年的财务数据来训练神经网络,可能使训练形成的神经网络的联接权数较多体现的是公司ST前一年所具有的特性,当检验样本sT前几年的财务数据不具有ST前一年的典型特性时,也会造成ST公司提前预测的准确率下降。为了探究到底是哪种原因引起ST公司提前预测的准确率急剧下降,现准备利用训练样本ST前两

8、年、ST前三年的财务数据作为神经网络的输入.以训练样本各公司的分类变量作为导师,来训练神经网络的联接权值。然后利用得到的权值进行预测。其结果分别见表:表4—3基于训练样本ST前两年的财务数据的预测结果2002被ST公司非ST公司检验样本判别正确判别正确总体正正确错误奎正确错误确率提前一年351077.78%2l2446.67%62

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。