《基于遗传神经网络的公司财务危 机研究论文 课件》由会员分享，可在线阅读，更多相关《基于遗传神经网络的公司财务危 机研究论文 课件（22页珍藏版）》请在金锄头文库上搜索。
1、1一、绪一、绪 论论（一）研究背景与意义从 1979 年改革开放开始到 2015 年间，中国以持续 37 年年均 9.5%的超高速增长率，在人类经济史上书写了不曾有过的奇迹，而这种奇迹的产生，离不开中国资本市场的飞跃式的发展。上海和深圳两地证券交易所1的建立，是中国股票市场初步形成的标志，是中国资本市场发展的标志。根据统计数据，在 1991 年，我国上市公司在 14 家左右，而到 2014 年这一数量增大到 2584，23 年间增长了 184 倍；截至 2014 年 10 月底，沪深股市的总市值在 30.05 万亿元左右，总市值排名已超过日本，排全球第二。如今时间已来 2015 年，蓦然回首，
2、中国资本市场已经走过了 25 年曲折而又不凡的历程。我国上市公司在中国资本市场的发展中得到了锻炼和成长，在这个过程中公司管理模式更加优化，已经逐渐成为推进国民经济发展的重要力量。截至2007，上市公司主营收入达到了我国 GDP 总量的 38.57%，而截至 2011 年，这一数字已快速增长为 45.54%。上市公司不仅在经济上贡献卓越，同时，在实现科技创新、推动环保发展等经济转型中发挥重大作用。毋庸置疑，中国上市公司已经成为国民经济重要的支柱之一。但是接连爆发的经济危机，使世界经济增速不断放缓。2007 年美国爆发的国际金融危机，迅速波及世界各地，至今仍未完全恢复。2009 年欧债危机爆发，三
3、大评级机构下调欧洲多国主权信用评级，其中惠誉（FitchRatings）将希腊主权评级下调至 CCC 级，欧洲股市重挫，全球股市风声鹤唳。到 2011 年，美国债务达到法定债务上限 14.29 万亿美元，美债危机爆发，全球市场因标普（Standard & Poors）将美国主权评级下调而大规模动荡。当人们还未从周期性的金融危机中恢复时，2014 年俄罗斯经济危机再度来袭。在油价下跌、政治因素、经济制裁等多重压力下，卢布迅速贬值，其中卢布兑美元汇率跌幅高达 19%；股市崩盘，俄罗斯股指 RTS 指数大跌 19%，创1995 年以来最大跌幅。为遏制卢布贬值，俄罗斯央行意外将基准利率从 10.5%1
4、在 1990 年 11 月 26 日，上海证券交易所建立，1991 年 7 月 3 日，深圳证券交易所建立。2上调至 17%，从那之后卢布汇率略有攀升。然而，17%的基准利率却使俄罗斯大批公司不堪高昂的借贷成本而面临破产。国际经济环境的动荡，让中国经济乃至中国的上市公司都经历着巨大的考验。2014 年 10 月，上海黄金交易所推出国际版，首次允许外国机构交易黄金。在未来，中国金融市场门户开放的步伐还将继续加快，中国公司所面临的国内外竞争压力也继续加大。根据统计，2008 共有 29 家上市公司首次进入 ST 公司1名单；而 2009 年我国沪深两市又新增 ST 公司 32 家；2010 年这个
5、数字更是增加到 53 家。由此可以看出我国上市公司的 ST 群落有不断的扩充的趋势。公司财务危机的发生原因是多方面的，可能是逐渐恶化的财务危机，也可能是突发的债务危机。但从实际来看，公司财务危机的发生通常表现为财务状况由正常到逐步恶化再到最终濒临破产的一个渐进的过程。也就是说，通过科学的分析公司财务数据，建立一套完善的预测模型，是可以在财务危机来临之前做好预防措施，保护公司及投资者的利益。1对于公司来说，进行财务危机分析能协助公司管理者在危机发生之前监测危机并及时改变决策有效管理经营过程中的各种问题，包括财务漏洞和经营隐患等，能够提前预测危机，进而做到改进公司的运营水平和提高财务危机的应对能力
6、，从而最终实现预防财务危机、提前应对风险、且使损失达到最小等目标，这样才能确使公司的持续发展和继续壮大；财务危机分析能监督公司在危机发生前调整公司资产结构，使用持续鉴别以及处理坏账资金、不良资产等途径，从而提高公司的利润盈利能力和账务偿还能力；与此同时，进行财务危机分析还能建立公司管理者以及公司员工关于财务危机的处理能力以及对危机预防意识，对提升信心，以及对于公司文化的塑造和升华也大有帮助。2对于广大普通投资者来说，不论是进行上市公司的债券投资，或是进行股市投资，都要对所投资公司的财务状况进行评估，以帮助他们准确判断所投资公司的盈利能力、偿债能力等，并根据评估推测当前公司的股票价格有无高1在
7、1998 年 4 月 22 日，证监会实施了新的规则，对财务状况恶化、经营出现异常或违反重大规定的上市公司股票进行特别处理，标为 ST 股。在 2003 年 4 月 2 日，沪深交易所颁布关于对存在股票终止上市风险的公司加强退市风险警示等问题的通知 ，对有可能有退市风险的上市公司，标为“*ST”股，用以表示“退市风险警示” 。这项举措被广泛认为是保护投资者利益，减小市场风险的合理措施。3估或者低估，从而提早做出判断，为他们的投资方向做出决策。3对于国家资本市场管理部门来说，构筑财务危机分析模型能在危机发生之前筛选出即将陷入财务危机的上市公司，提前下发行政干预，降低公司破产的预期，进而能够避免高
8、昂的破产停业支出以及因广大民众失业而导致的民生状况恶化，并在宏观上优化资源配置。与此同时，财务危机分析还能为管理部门提供参考依据，根据不同的危机等级实施不同的监管力度。4对于社会宏观经济发展来说，构筑合符中国经济实际的财务危机分析模型，能促进宏观经济平稳健康的发展。（二）研究思路、内容和结构本设计以上证 A 股及深证 A 股的上市公司为研究对象，将因财务状况异常而被特别处理(ST)作为公司进入财务危机的标志，使用主成分分析法选取上市公司前三年的财务指标，作为 GA-BP 神经网络模型输入变量建立上市公司财务危机分析模型，最后，用随机选取的 60 家上市公司测试样本对所建立的模型进行检验。本设计
9、的结构和思路如下：第一章绪论，包括研究背景与意义，研究思路内容和结构。第二章文献综述，首先介绍了国内外学者对于公司财务危机的研究成果，其次介绍了国内外学者分析公司财务危机进行不同方法的尝试，然后引出公司财务危机分析模型的出现、发展和在金融经济等多方面的应用。第三章公司财务危机的定义及原因，这也是本设计重要的理论基础。首先介绍了公司财务危机的定义及相关性质，然后介绍了公司财务危机多方面的形成原因分析。第四章遗传神经网络模型的构建，首先简要介绍了遗传算法和人工神经网络算法的基本思想及特点，随后介绍了如何用遗传算法优化 BP 神经网络算法。第五章 GA-BP 神经网络模型的建立及实证分析，详细的介绍
10、了样本数据的选取、指标变量的筛选、模型建立及参数选择。随后根据实验结果，分析优化模型。第六章总结与展望，分析上一章模型计算出的参数结果，总结通过 GA-BP4神经网络模型得出的结论。之后说明了由于数据的选取、数据的处理方式和模型的选用等方面原因而导致计算结果的误差和整个文章的缺点与不足。二、文献综述自 20 世纪 30 年代开始，西方经济学界开始有关财务风险的研究，工作大都偏向于财务预警模型的构建。财务风险预警系统在预警公司财务风险、识别公司财务漏洞上有较强应用，已成为西方学界的共识。Fitzpatrick(1932)学者的单变量破产预测研究是最早进行财务危机的探索之一，在他的研究中，发现用净
11、利润股东权益和股东权益负债来预测公司破产的能力较强，并在公司发生危机的前三年，这两类指标出现了明显的差异性。在 1966 年，学者 Beaver 的研究也使用了单变量模型，但在研究广度上继续开拓，使用了 79 个有财务状况不佳的公司。研究最终认为资产负债率(债务总额/资产总额)、资产收益率(净收益/资产总额)和债务保障率(现金流量/债务总额)三个指标能对公司财务危机有较为有效的。在 1968 年，学者 Altman 在这一公司危机研究当中，首次运用了多元判定分析法(Multiple Discriminant Analysis)。在研究过程中，其选择了产生财务危机和财务良好的公司各 33 家来进
12、行对比，对比原则是行业与资产规模都要相当。根据研究，其选择了五个影响力最大的变量作为模型输入变量，该多元线性判定模型为:Z=1.2+1.4+3.3+0.6+1.012345其中:=营运资本/总资产；=留存收益/总资产；=二息税前利润/总资123产；=股东权益的市值/总负债的账面价值；=销售收入/总资产。该模型就45是有名的 Z-SCORE 模型。该模型的判断规则为：当 Z2.675 时，公司的财务情况较好，即发生财务危机的概率较小；当 1.51预定初始化权值阈值矩阵训练结束，输出权值、阈值矩阵下一个样本下一轮训练否BP 神经网络的训练流程4、BP 算法的特点BP 网络算法广泛应用于实际问题，大
13、多数人工神经网络都使用 BP 网络算法，其主要特点有：(1)、BP 网络算法优点：第一、BP 网络算法可使用于近乎任一的非线性优化关系，这当然需要较多17的隐含层和隐含节点。第二、BP 网络学习算法是一种全局的学习算法，因此其具有较强泛化能力的特点。(2)、BP 网络算法缺点：第一、BP 网络算法的缺点之一就是收敛速度的缓慢，这通常需要近乎千次的训练，并且伴随训练样本维数的上升，BP 网络算法的性能会变差。第二、BP 网络算法中隐含层节点的个数，目前较难确定。第三、BP 网络算法容易陷入局部最小问题。（三）遗传算法优化神经网络的方案及算法实现1BP 神经网络模型缺点的优化BP 神经网络有着收敛
14、速度较慢，容易陷入局部最小的缺陷。其连接权值用梯度下降法来确定，但难以找到最优的权值。而利用遗传算法可以很好的解决上述问题。遗传算法不同于单点搜索方法，而实质是一种全局搜索方法，有效减少陷入局部最优解的可能性。2.GA-BP 模型的建立我们采用 BP 神经网络模型为主，使用 GA 算法优化 BP 神经网络方法连接权值的的形式。其优化方法过程实现如下:首先确定 BP 神经网络结构，设有三层，其中、分别为第 个神经iIiHiOi元输入层、隐含层、输出层的输出；我们设置、分别为输入层与隐ijWIHjiWHO含层以及隐含层与输出层之间的连接权值。（1）首先需初始化种群 P，以及对交叉概率、变异概率、和
15、cPmPijWIH进行初始化的工作。接下来要对种群中的个体进行编码，编码方式采用jiWHO实数编码方法，随后我们需要拟定种群数量初始值，设为 30。（2）确定初始种群中每个成员的适应度函数，并给成员适应度进行排序，以一下概率值来选定种群中的个体：1Nsii ipff我们设为个体 的一个适配值，其可以用误差平方和E来度量，即为：ifi18( )1( )f iE i2( )()kk pkE iVT其中设定代表染色体数；为输出层的节点个数；1,iN L1,4k L为学习样本的个数；为教师信号。1,5p LkT（3）我们以概率对个体和进行交叉算法，产生新个体和，cPiG1iG iG 1iG然后对没有进
16、行交叉运算种群中的个体进行复制。（4）随后使用变异概率进行变异运算产生的新个体。mPjG jG（5）将新得到的个体重新放入种群之中，且需要重新计算新得个体的适P应度函数。（6）若经过上述过程后，得出说要求的个体，则停止运算，否则转（3） 。运算结果得到种群中最优个体，将其解码后，即为优化后的连接权值系数。五、GA-BP 神经网络模型的建立及实证分析（一）样本数据的选取及数据来源本设计首先构建了 GA-BP 神经网络模型，在训练数据上选取 2011 年 ST 公司以及非 ST 公司各 30 家，在训练数据上使用 2012 年 ST 公司以及非 ST 公司各30 家进行验证。模型输出变量为 1 和 0，我们定义 1 为 ST 公司，定义 0 为非ST 公司。这样通过模型的输出变量，我们可以轻易的判断输出变量认为该公司是 ST 公司还是非 ST 公司。本设计使用来自万德网（wind）的资讯数据。模型使用的输入变量来自各上市公司年报以及通过年报上的财务指标计算得出。（二）指标变量的筛选19
