基于因素分析与BP神经网络的上市公司信用风险测评研究 .pdf

发布时间：2022-06-14 发布人：admin 分类：说明书资料大小：0.28M 资料格式：pdf 举报版权申诉

b0d8dc90-96cb-4e62-9437-05abc4683a9b.pdf-第1页.png

第1页 / 共7页

b0d8dc90-96cb-4e62-9437-05abc4683a9b.pdf-第2页.png

第2页 / 共7页

b0d8dc90-96cb-4e62-9437-05abc4683a9b.pdf-第3页.png

第3页 / 共7页

b0d8dc90-96cb-4e62-9437-05abc4683a9b.pdf-第4页.png

第4页 / 共7页

b0d8dc90-96cb-4e62-9437-05abc4683a9b.pdf-第5页.png

第5页 / 共7页

b0d8dc90-96cb-4e62-9437-05abc4683a9b.pdf-第6页.png

第6页 / 共7页

b0d8dc90-96cb-4e62-9437-05abc4683a9b.pdf-第7页.png

第7页 / 共7页

文本预览

中国科技论文在线 http://www.paper.edu.cn 基于因素分析与 BP 神经网络的上市公司信用风险测评研究朱淑兰，张冲，刘馨阳辽宁工程技术大学研究生学院，辽宁葫芦岛 (125105) E-mail: jzlak901312@126.com 摘要：本文构建了上市公司信用风险评测体系，然后利用广东省 20 个上市公司调查的财务数据，将其分为训练样本集和测试样本集，对 BP 神经网络的构造进行讨论，确定 BP 神经网络的算法，建立起基于 BP 神经网络的上市公司信用评估模型，通过仿真和实例表明了测评模型的有效性，为综合评价上市公司的信用风险提供了一种新途径。关键字：因素分析；BP 神经网络；信用风险；评测中图分类号：O159 1 引言在经济全球化、信息化、市场需求多变性和多样性的时代，越来越多的企业参与国际竞争，越来越多的外企在中国境内参与竞争。随着经济的发展，企业的信用状况将成为竞争成败的关键因素，很多企业已从简单的市场竞争转向信用竞争，信用作为企业营销战略的一项重要手段和客户关系管理中的联系纽带正在发挥着越来越重要的作用。 20 实际 90 年代，BP 神经网络被引入银行业用于信用风险管理。1992 年，Jensen 利用 BP 网络对贷款企业进行分类，分类准确率达到了 76-80%[1]，1994 年，Coats 和 Pant 使用神经网络分析法预测了美国公司和银行的财务危机[2]，2002 年，Reshmi Malhotra，D.K.Malhotra 利用神经模糊系统对“信用好”“信用差”的贷款企业进行了辨识[3]。在中国，利用神经网络技术对信用风险的研究起步较晚，2001 年郝丽萍，胡欣悦，李丽利用 BP 网络模型对商业银行信贷风险进行分析和预测[4]。2003 年庞素林、王燕鸣、黎荣舟在 2003 年利用神经网络中的 BP 算法建立了企业信用风险评价模型[5]。本文试图从能反映上市公司守信能力的主要财务指标出发，通过专家小组讨论法确定上市公司信用风险的特征项目，通过探索性与验证性因素分析建立上市公司信用风险的结构模型及其评价指标体系，最终建立基于 BP 神经网络的上市公司信用风险评测模型，以实现对企业信用风险的智能评价。 2 上市公司信用风险评测指标体系 2.1 信用风险评估方法信用风险管理对于商业银行而言是一个永恒的主题，在各国都受到重视，无论是中介机构还是银行都需要利用一种可行的方法对企业的信用状况进行较有效的评价和决策。传统的方法如判别分析法、logistic 回归法、主成分分析法和聚类分析法等建立起来的模型虽对信用评价具有较科学性的分析，但是这些传统的模型都存在主观或者客观上的缺陷。另外，要对企业信用做出一个合理而准确的评价，涉及的范围广，样本容量巨大，要求精确度高，且各指标之间会相互影响，相互作用，所以，在其函数关系未知的情况下，利用传统的方法难以建立可行的对企业信用的综合评价模型。人工神经网络的综合评价模型不需要构建预测目标未来值与其影响因素之间的精确表达式，是以其很强的自学习和映射能力，拟合出任意复杂的非线性关系，因此被认为是一种较为理想的综合评价方法。 -1-

中国科技论文在线 2.2 评测数据收集 http://www.paper.edu.cn 本文数据是从和讯股票数据频道 2009 年 9 月 30 日披露的基本财务数据中选取的能综合反映企业的财务状况的 20 家上市公司、14 个评价指标值。14 项评价指标依次为：主营业务利润率、净资产收益率、总资产收益率、流动比率、速动比率、总资产周转率、存货周转率、应收账款周转率、固定资产周转率、经营活动现金流量与净利润比率、主营收入现金流量、净利润增长率、长期负债比率、股东权益比率。 2.3 探索性因素分析为了避免观测量之间可能存在的多重共线性影响模式的稳定性和准确性，本文先利用 SPSS 软件对 280 个数据样本进行了相关分析，并结合中小企业的财务特点，筛选出了能够反映中小企业自身特点、独立性好的 9 个指标。如流动比率与负债比率相关性较好，流动比率可以更好地反映出企业短期的偿债能力，而中小企业的短期债务状况对其生产经营、信用保障具有更直接的影响，因此，文中选用流动比率而舍弃负债比率。对 14 个初选指标进行了类似的筛选后，最后确认的九个指标分别是：主营业务利润率（X1）、净资产收益率（X2）、总资产收益率（X3）、流动比率（X4）、总资产周转率（X5）、存货周转率（X6）、应收账款周转率（X7）、固定资产周转率（X8）、净利润增长率（X9），9 个指标都是财务比率。这 9 个指标能综合反映企业的债务状况、获利能力、运营能力和成长能力。 2.4 指标体系的建立通过探索性因素的分析，我们得到如图 1 所示的上市公司信用风险评估的结构模型[6]，共四个维度九个指标。在确保评价指标合理性和有效性的前提下，我们将提出一种基于 BP 神经网络的上市公司信用风险评测模型。上市公司的信用风险评价获利能力债务状况运营能力成长能力流动比率净资产收益率总资产收益率主营业务利润率存货周转率总资产周转率应收账款周转率固定资产周转率净利润增长率图 1 信用风险评估的结构模型 3 上市公司信用风险指标综合评价模型 3.1 BP 神经网络模型的提出传统的评价模型一般以综合评价为主，如层次分析法和模糊评价都只是以综合的角度被 -2-

中国科技论文在线 http://www.paper.edu.cn 进行排序，其评价过程有较大的缺陷：传统方法中权重系数的计算有很大的模糊性，具有较大的人为影响因素，评价中会存在不同程度的信息失真；传统的方法较为复杂，大规模的评价一般难以进行，结果也难以让人满意。人工神经网络(Artificial Neural Network)是在对人脑神经研究的基础上，模仿人脑神经网络的机构和行为，建立的一种智能信息处理网络模型[7]，人工神经网络是一种具有自我适应、自我组织和自我学习能力的计算机程序，具有很强的处理大规模复杂非线性动力学系统的能力，这种理论在预测研究中得到了比较普通的应用 [8]。BP 神经网络(Back-Propagation Network)，即多层前馈式人工神经网络，其思想是使用梯度搜索理论，以使得网络实际输出（计算输出）与期望输出（目标输出）的均方差达到最小。网络的学习过程是，将输出层误差反向传播回去，并借以修正权值。BP 神经网络在信用风险的评估中具有较强的适用性。本文采用采用 BP 神经网络尝试对信用风险进行评测，建立基于 BP 神经网络的上市公司信用风险评测模型，以实现对其信用风险的智能评价。 3.2 BP 神经网络模型的思路与算法 BP 神经网络即误差反向传播算法的学习过程，它是一个有导师的神经元网络学习算法，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。本研究我们选取结构相对简单的 3 层的 BP 网络。网络拓扑结构如图 2 所示。 x1 O1 x2 O2 ┇ ┇ ┇ ┇ ┇ xn Om 输入层隐层输出层图 2 3 层神经网络拓扑结构 BP 神经网络的具体算法[9]如下： (1)初始化，在依据实际问题（输入变量和输出变量个数）给出网络连接结构，随机地设置所有连接权值为任意小。 (2)提供训练样本，如果输入变量为 n 个，输出变量为 m 个，则每个训练样本形式为(x1， x2，…，xn；t1，t2，…，tm)。这里 t1，t2，…，tm 是输入为 x1，x2，…，xn 时的期望输出。 (3)计算实际输出，利用非线性函数 y )] exp(- [1 χω i ij ∑ i = j + -1 -3-

中国科技论文在线 http://www.paper.edu.cn 。 ω ij (N) )1 =+ + δηο j 逐级计算各层节点（不包括输入层）的输出值，令最后的输出为 o1，o2，…，om。 (4) 权值调整，用递归方法从输出节点开始返回到隐层节点，按下式调整权值 ij N ( ω 这里 oi 是上层节点第 i 节点的输出。若 j 是输出层节点，则 = − 若 j 是隐层节点，则 οδ ο οοδ j t ο )( j j ωδ 1( ， 1( − − = ) ) i j j ， j j j ∑ k k jk 其中 k 是节点 j 所在层次的下层次的所有节点。有时为了收敛速度快些，可增加一个冲量项，使权值变得平滑些，即 )N( + )1 N = ( i j [ + + ω ij ωαδηο ij N ( ω ij (5)返回②步，重复之，直到误差 e 满意为止。 (6)网络检验，使用学习样本对 BP 神经网络训练完毕后，用另外的测试样本对训练好的网络进行检验，若实际输出结果和预期输出结果基本相符，说明该网络系统是一个有效地测评系统。 0<α<1。 ω ij )]1 N − − ( ) 在实际训练时，一般是通过查看计算输出向量(o1，o2，…，om)与目标输出向量(t1，t2，…， tm)的接近程度来确定训练是否结束，只有训练组中所有样本都加大网络上后，输出向量和对应的目标输出向量都接近，才认为训练结束，权值都得到固定。此时，该网络便构成了一个模式分类器。 3.3 上市公司信用风险评价神经网络方法本研究中我们选泽结构相对简单的输入层-隐层-输出层 3 层 BP 神经网络。前文我们选取了 9 个指标，即 X1- X9，所以神经网络结构中的输入层需要 9 个结点，输入层输入的是归一化后的数据，本文以信用良好、信用一般、信用较差三个等级来衡量，给定综合评价集 Y={良好、一般、较差}。对于输出层，我们选取 3 个结点，用输出值（1，0，0），（0，1， 0），（0，0，1）分别代表“信用良好”、“信用一般”、“信用较差”三种信用级别。隐层的结点一般应满足 2n>m，其中 n 为隐层结点数，m 为训练样本数。隐层神经元可根据公 P = P + r + L n m （其中，Pm、Pn、r 分别为隐层、输入层、输出层的神经元数目，式 L 为 1-10 之间的一个整数）取值[10]，根据经验公式，从学习时间及次数与达到全局总误差的综合效果看，本文中 5 个隐层神经元较为合适。 4 BP 神经网络训练与测试实例 4.1 样本选择与数据来源记输入层的 9 个指标分别为 x1， x2 ，x3，….x9，数据如表 1，在测试中我们随即选取表中的最后三组作为测试样本，其他的数据作为训练样本，训练样本用作对系统进行训练，而测试样本是用来考查系统的泛化能力。 -4-

中国科技论文在线 http://www.paper.edu.cn 主营业务利润率X1 净资产收益率 X2 总资产收益率 X3 流动比率 X4 总资产周转率 X5 存货周转率X6 应收账款周转率X7 固定资产周转率X8 净利润增长率 X9 一致药业万科 A 世纪星源中国宝安表 1 测评的原始数据 SST 华深康佳 SST 中新 A 华深深宝 A 长城开发招商地产 0.02 0.17 -0.6 0.16 0.11 0.01 -0.42 0.06 0.02 0.23 0.19 0.08 -0.02 0.1 0.15 0.03 0 0.02 0.05 0.06 0.03 0.02 -0.01 0.03 0.03 0.01 -0.35 0.01 0.03 0.02 1.05 1.97 0.38 1.9 1.25 1.27 0.07 1.27 2.55 2.01 1.84 0.24 0.03 0.35 0.45 0.77 0.99 0.25 1.83 0.13 8.67 0.24 0.34 0.68 0.99 2.57 4.33 2.22 22.11 0.12 3.77 41.49 3.72 7.85 1.34 6.95 490.99 3.8 10.18 51.3 11.9 5.14 0.03 1.21 2.08 5.47 2.18 0.37 4.79 1.05 0.21 0.3 -2.14 0.07 -0.48 -0.43 -4.83 -0.68 -0.21 1.47 深圳能源中粮地产中集集团深南电 A 深纺织 A 方大集团中航地产 ST 康达尔深华发 A 深天马 A 0.14 0.24 主营业务利润率X1 净资产收益率 X2 总资产收益率 X3 流动比率 X4 总资产周转率 X5 存货 5.01 0.06 0.86 0.27 0.34 0.08 -0.11 0.14 0.05 0.04 0.04 0.06 0.09 0.08 0.06 0.01 0.02 0.03 0.05 0.03 0 0 0 0 0.03 -0.15 0.04 -0.1 -0.01 0.01 -0.02 1.85 1.39 0.8 1.14 1.09 1.32 0.6 2.13 1.21 0.05 0.42 0.29 0.49 0.42 0.17 0.54 0.65 0.05 1.57 1.13 10.08 3.08 0.18 1.29 3.75 0.29 4.83 -5-

中国科技论文在线 http://www.paper.edu.cn 周转率X6 应收账款周转率X7 固定资产周转率X8 净利润增长率 X9 5.06 22.47 3.92 3.19 11.36 1.93 8.8 26.79 2.46 5.2 0.36 0.24 0.89 0.52 0.68 0.92 0.96 1.3 1.52 0.39 0.94 0.26 -0.54 4.99 0 1.19 -0.34 -1.41 8.99 -4.03 4.2 网络模式训练本文运用 Matlab7.0 神经网络工具箱，建立 9-5-3 的前向三层 BP 神经网络，对初始化后的数据进行训练，输入层到隐层的传递函数确定为 log sigmoid 型传递函数，隐层到输出层的传递函数 tan sigmoid 型传递函数，目标误差 goal 设定为 0.001，最大训练步数 epochs2000 次，show 为 25，其他参数如：max_fail，men_reduc，min_grad，mu，mu_dec，mu_inc， mu_max，time 均采用却省值。利用 Trainlm 函数对网络进行训练 3018 次后，网络误差平方和 mse 达到了误差目标的要求，训练误差随训练次数的变化情况及其对应的目标输出结果如表 2 所示，结果显示实际输出与预期值非常接近，神经网络评价结果地误差在可接受的范围内，对给定的训练样本学习以满足要求。序号 1 2 3 … 18 19 20 期望输出 (1 0 0) (0 0 1) (0 1 0) … (1 0 0) (0 1 0) (0 0 1) 表 2 BP 神经网络模型训练结果训练结果 (0.99951 0.00088 -0.00039) (0.00016 0.00924 0.99060) (0.00434 0.98977 0.00589) … (0.99868 0.00643 -0.00511) (0.00231 0.99654 0.00115) (0.00087 0.00126 0.99787) 等级良好较差一般良好一般较差 4.3 网络模式的测试 BP 神经网络训练结束后，把未经检验的数据代入该系统进行检验，得到测试结果如表 3 所示，由结果可知，测试结果和预期输出结果基本相同，测试等级和实际等级完全一致，表明用 BP 神经网络系统对上市公司的信用风险评估是可行的，在实际测评中可以得到较好的应用和推广。序号 18 19 20 表 3 BP 神经网络模型检测结果期望输出 (1 0 0) (0 1 0) (0 0 1) 测试结果 (0.99971 0.00133 -0.00104) (0.00042 0.99836 0.00122) (0.01546 0.00422 0.98032) 实际等级良好一般较差测试等级良好一般较差 -6-

中国科技论文在线 5 结论 http://www.paper.edu.cn 一，从评价的结果看，神经网络评价方法在最大程度上缩小了人为因素的影响，避免了传统方法人为计算权重过程中的不确定性，达到对评价对象的自动评价。基于神经网络的企业信用风险评价模型，运用了神经网络系统的容错能力、并行处理能力、抗干扰能力及处理非线性问题的能力，不需要主观确定各指标的权值，并且实验结果表明，BP 神经网络技术方法运用到企业信用评级方面是有效的二，用 BP 神经网络进行企业信用风险评级也有一定的局限性，如网络中隐层节点个数的确定问题，学习训练过程中容易陷入局部最优的问题，在一定的程度上影响了评价结果的准确性，而且它要求企业无任何超越市场规则的有失公允的交易行为，企业的财务数据必须是真实和准确的。另外，在信用评价中输入变量的选取标准尚需进一步探讨，输入变量除考虑公司企业财务技术的因素外，还应考虑产业及整体经济基本层的因素。参考文献 [1] Jensen Herbert. Using neural network for credit scoring [J]. Managerial Finance，1992，18(6)：15—26 [2] Altman E， Marco Getal. Corporate distress diagnosis: comparisons using linear discriminant analysis and neural networks (the Italian experience) [J]. J Banking and Finance，1994，18(3)：505—529 [3] Reshmi Malhotra ， Malhotra DK. Differentiating between good credits and bad credits using neuro-fuzzysys-tems [J].Computing, artificial intelligence and formation technology，2002，136(1)：190—211 [4] 郝丽萍，胡欣悦，李丽.商业银行信贷风险分析的人工神经网络模型研究[J].系统工程理论与实践， 2001， 21(5)：62—69. [5] 庞素琳,王燕鸣,黎荣舟.基于 BP 算法的信用风险评价模型研究[J].数学的实践与认识，2003，33(8)：48—55 [6] 王凯、黄世祥.基于 BP 神经网络的行业间中小企业信用评估模型及应用[J].数学的实践与认识，2007， (12)：47-54 [7] 胡守仁.神经网络导论[M].长沙：国防科技大学出版社，1993：113-120 [8] 李盼池.并联 BP 网络在高校图书馆员工素质测评中的应用[J].现代图书情报技术，2004，(5)：83-85 [9] 郭嗣琮，陈刚.信息科学中的软计算方法[M].沈阳：东北大学出版社，2001，11 [10] 颜佳华等.基于 BP 神经网络的电子政务绩效评价研究[J].中国管理科学，2005，（6）：128 Synthetic Evaluation of Credit Risk of the Listed Companies Based on Factor Analysis And BP Neural Network Model Zhu Shulan , Zhang Chong, Liu Xinyang Department of Business Administration, Liaoning Technical University, Huludao, Liaoning (125105) Abstract This paper builds a credit risk evaluation system for listed companies, Then utilizes the investigating financial data from 20 listed companies in Guangdong Province, divides them into training sample set and testing sample set, discusses the construction of BP neural network, determines the algorithm of BP neural network, so as to establish the model of credit risk of listed companies based on BP neural network. Emulation and real instances show that the proposed method is efficient and effective, so that the model offers a new method for the evaluation of the credit risk of listed companies. Keywords: factor analysis;BP neural network;credit risk;evaluation. -7-

分享到：

赞收藏

资料库

基于因素分析与BP神经网络的上市公司信用风险测评研究 .pdf

相关推荐

开发技术

热门标签

最新资料