神经网络下的企业财务预警论文

导语：神经网络下的企业财务预警论文一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

1引言

公司财务预警系统是一种具有预测性与针对性的警报系统，其目的就是为了防止企业的财务系统在项目运行过程中偏离了原来目标后给企业造成重大经济损失现象的发生。一般来说，它主要是利用一定的数学模型对企业的财务、运行等各项指标进行综合评价，根据模型预测的结果给出一定的理论结果供企业决策者参考。它具有监测、诊断、冶疗及健身功能［1］。一些研究人员对财务预警系统进行了分析。文献［2］采用逻辑回归法对公司财务预警系统进行了分析；文献［3］运用主成分分析法建立了公司财务的通用预警模型并给出了一些意见与建议。文献［4］采用GA算法对BP神经网络进行优化，建立了优化后的基于BP神经网络的上市公司财务危机预警模型。本文采用BP神经网络预测与Adaboost算法相合的分析方法，对采集的样本数据建立强分类器并进行分类误差研究，完成公司财务预警系统的分析，并取得较好的效果。

2预警系统的体系指标及数学模型

2．1预警系统的体系指标的筛选

公司财务系统涉到公司运营的各个环节，对于其风险防范的内容也涉及很多体系指标。从经营过程及内容来看，这些指标一般可以归纳为以下几个方面：财务报表内的各项信息指标，企业盈利及偿还能力指标、企业发展与成长能力指标，企业的线性流量指标和财务报表外信息指标。在每一个指标内，又可以找到很多小项的评价指标，如果将这些都纳入公司财务预警系统的综合评价指标范畴，则预警模型会相当庞大且复杂，不利于得到正确的预警结论。因此，在进行财务预警系统的分析前，应先对这些相关性较强的评价指标进行理论性的筛选，然后才能将这些筛选后的指标纳入至预警的数学模型中，从而使该预测模型能较快较全面地真实反应企业财务状况并能实现预警功能。

2．2BP神经网络预测模型的实现

BP神经网络预测方法是近些年来应用较为广泛的一种预测方法，对于离散性的数据预测具有良好的自适应性及容错性。它一般分为输入层、中间隐含层及输出层三层，各层之间通过神经元相互连接。而Adaboost算法的核心思想就是将多个弱的分类器的输出值进行合并，再利用每个分类函数的权重及迭代计算加权得到强分类函数，从而产生有效分类，形成一个强分类器。其基本实现过程如图1所示。首先，对采集的数据样本进行归一化的预处理并进行分组划分，然后对每组预处理的样本使用BP神经网络进行预测，每个预测都会形成一个迭代误差，这些不同组的弱分类组成一个大的弱分类器。根据预测分类序列的预测误差值来计算预测序列权重，然后根据这个序列权重来调整下一次迭代的训练样本的权重。当网络训练多次后，通过各组的弱分类函数组合就可以得到强分类函数，形成一个强分类器，提高预测的精度，然后这些较高精度的理论计算结果再提交给决策者进行相关决策。

3具体算例

根据调研，选择十项参数指标来描述某公司财务状况，这十项能较为全面地反映了企业的财务状况。表2为预测序列权重at和迭代计算的误差et的计算结果表。表中，在各个弱分类器的迭代中，预测序列权重at的分布不均衡，第一个弱分类器的序列权重最大，其余的依次呈交替变化。而迭代计算的误差et都控制在0．35以下，说明本计算的精度较高。图2为A，B和J体系指标的计算数据的序列权重分布，从图中可以看出：三个体系指标的序列权重都是呈波动跳跃变化，但波动范围不大。相对而言，在20个数据样本中，体系指标A的权重最大，其次为体系指标B，最后是体系指标J。表3为两种分类器的误差率值。其中，强分类器分类误差率为4％，而弱分类器分类平均误差率为5．57％，前者比后者低，这说明采用BP＿Adaboost算法取得了较好的效果。4结语根据前述分析与讨论，可以得到如下结论：（1）用BP＿Adaboost分类算法建立的强分类器的分类误差率低于仅用BP算法建立的弱分类器的分类误差率，这说明采用BP＿Adaboost算法具有较好的效果，利用组合算法对企业财务进行预警具有可行性和一定的计算精度，这些能为企业财务预警提供一定的理论指导。（2）企业应该充分利用现有的一些预测方法，加强自身财务体系的预警研究，建立其内部的预警控制体系及配套措施，从而对可能产生的对企业造成重大损失的财务风险进行防范。（3）本方所采用的方法简单易行，对于同类的预警分类方法都具有较强的适用性与推广性。

作者:肖岚单位:武汉船舶职业技术学院经济与管理学院