财务困境预测中BP神经网络模型应用综述

许 静 李晓静

[摘 要] 金融危机席卷全球,处于金融市场之中的企业随时面临着陷入财务困境的可能,财务困境预测模型的建立可以使公司提前预测到困境的发生,从而及早避免投资损失。随着信息技术的发展,人工神经网络预测模型开始兴起,本文重点介绍了BP神经网络模型在财务困境预测中的应用情况,并将BP神经网络模型与传统统计方法进行了比较分析。

[关键词] 财务困境;预测模型;BP神经网络

doi : 10 . 3969 / j . issn . 1673 - 0194 . 2009 . 21 . 002

[中图分类号]F275;TP393[文献标识码]A[文章编号]1673 - 0194(2009)21 - 0007 - 03

金融风暴席卷全球,宏观经济动荡起伏,此时不论是跨国集团公司还是国内的小企业都面临着前所未有的经济危机,资本市场低迷,大量企业纷纷陷入财务困境,甚至破产倒闭。而对于财务困境最好的规避方法就是及时准确地预测,未雨绸缪。因此建立一种有效的财务困境预测模型十分紧迫和必要。

1财务困境预测发展历程

随着经济全球化的发展,国际间合作愈加密切,企业间相互依存,共同发展,而金融危机袭来,全球资本市场动荡不安,企业随时面临着陷入财务困境的可能,而投资者也可能因此蒙受损失。因此,财务困境成为近年来研究和探讨的热点问题。Beaver和Altman是研究财务困境的先驱,Beaver(1966)运用一元判别模型考察了29个财务比率在企业陷入财务困境前1~5年的预测能力,发现营运资金流/总负债在破产前一年的预测正确率可以达到87%。Altman(1968)首次将多元线性判别方法引入到财务困境预测领域,得到了包含5个判别变量组的预测方程(Z Scroe Model)。该模型的预想结果非常理想,总体正确率为95.45%。Ohlson(1980)利用Logistic分析建立企业财务危机预测模型,结果发现公司规模、资本结构、资金报酬率、变现能力具有显著的预测能力,他的研究得到了96.12%的判断正确率。我国学者吴世农、卢贤义(2001)的研究表明,我国上市公司的财务指标包含着预测财务困境的信息含量,因此财务困境具有可预测性,而与一元判别模型和多元线性判别模型相比,Logistic模型的判定准确性最高。在以上研究基础上,众多学者又将模型进行了改进,得到了F分数预测模型、Fisher二类线性判定模型等模型。

此后,随着理论的不断完善和发展,有更多的学者对财务困境及其预测模型进行了研究,取得了丰硕的成果,也对财务困境研究做出了贡献。同时,由于信息技术迅速发展,使得诸如人工神经网络等一系列非统计类预测方法应运而生,不仅丰富了财务困境预测理论,也为财务困境的预测提供了技术支持。人工神经网络是20世纪科学技术所取得的重大成果之一,90年代以来,国际学术界掀起了研究人工神经网络的热潮。它是人类认识自然道路上的又一座里程碑。

2BP神经网络在困境预测中的具体实施

1987年,Lapedes和Fayber首次应用人工神经网络分析模型进行预测,开创了人工神经网络预测的先河。而前向三层BP神经网络是人工神经网络中被认为最适用于模拟输入、输出的近似关系的一种方法,它的算法最成熟,应用也最广泛。它通常由输入层、输出层和隐含层组成,其信息处理分为前向传播和后向学习两步进行,网络的学习是一种误差从输出层到输入层向后传播并修正数值的过程,学习的目的是使网络的实际输出逼近某个给定的期望输出。BP神经网络结构如图1所示。

应用BP神经网络模型进行财务困境预测需要一个多步骤的实施过程:

(1)选取研究样本,即训练样本。根据对财务困境不同的定义可以以破产公司、ST公司或以ROE作为标准来选择样本公司,要同时选取财务困境公司样本和非财务困境公司样本,以便对网络进行训练。而应用BP神经网络模型进行预测与统计方法相比,在样本的选取上局限性更小,因为统计方法要求样本要服从某一种特殊分布,如正态分布、等协方差等,而BP神经网络模型对样本并没有这样的特殊要求。

(2) 把用来衡量上市公司财务状况的建模变量作为神经网络的输入向量,确定输入层的节点个数,即所选取的建模变量的个数。

(3) 将代表分类结果的量作为神经网络的输出,设定输出层节点个数,而输出层节点个数由输出类别决定,对财务困境的研究基本上会有两类输出结果,即财务困境公司或非财务困境公司,因此输出层的节点个数一般为2。

(4) 确定隐含层节点个数。隐含层节点个数一般为经验值,与输入层和输出层的节点个数有关,并没有统一的数值,但要注意的是隐含层节点个数过少,将影响网络的有效性,过多则会大幅度增加网络训练的时间,大部分的研究都会根据样本的大小和变量个数设定一个适中的节点个数。

(5)确定学习率和系统误差。学习率通常在0.01~0.9之间,取值不宜过大或过小,因为学习率越小,训练次数越多,但学习率过大,每次权值的改变越剧烈,会影响网络结构的稳定性,一般来说,在以往的研究中学习率取5%是比较合适的;误差ε通常需要根据输出要求来确定,为了保证系统的学习精度,在很多的研究中都设定系统误差为0.1%。

(6)在输入各项参数后,就开始用训练样本来训练这个网络,使训练样本中的财务困境公司和非财务公司的输入向量得出区分两类不同公司的输出向量,一旦训练完毕,便可作为上市公司财务困境预测的有效工具。

3BP神经网络在财务困境预测中的比较分析

财务困境预测的研究方法主要有传统的统计类方法和新兴的BP神经网络等人工神经网络方法,然而随着信息技术的迅速发展,BP神经网络方法被越来越多的学者所认可并且广泛应用。与传统的统计方法相比,BP神经网络具有其无法比拟的优点:① 在模型的预测效果上,BP神经网络模型对财务困境的预测精度更高。通过国内外学者近年来的大量比较研究,BP神经网络模型具有较好的短期预测能力,在t-1年可以以更高的预测准确率预测到t年是否出现财务困境。经研究发现公司t-1年预测模型的第一类错误(弃真错误)率为4%,第二类错误(取伪错误)率为7.3%,总体的错误率为4.3%,预测的精度高达95.7%,而运用Logistic模型建立的财务困境预测模型,第一类错误率为25.1%,第二类错误率为37.1%,其预测的精度仅为65.3%。② 在样本选择上,统计类方法需要样本服从正态分布或等协方差等一些特殊分布,而BP神经网络模型不要求样本总体服从一个特殊的分布,因此在样本的选择上降低了难度,同时也扩大了研究对象的范围。③ BP神经网络模型可以设定较小的系统误差,系统则根据样本数据,通过学习和训练的过程,找出输入与输出之间的内在联系,并根据系统误差的要求进行自我修正,从而建立预测模型,具有自适应的功能。而传统的统计方法没有自我修正过程,是由输入直接到输出的过程。

BP神经网络模型的优势与传统统计方法相比是显而易见的,在财务困境预测中也得到了广泛的应用,然而BP神经网络模型仍然存在着一些缺陷:①传统的统计方法需要建立一个数学解析式,对模型的解释能力更强。通过传统统计模型可以很直观地看出建模变量与被解释变量间存在着怎样的关系以及这种关系是否显著。但是BP神经网络模型没有建立实际系统的数学解析式,只需要将各参数和样本数据输入到系统中,它是将实际系统的输入与输出关系隐含在其内部结构中,缺乏对模型的解释能力,我们只能通过模型的输出结果对财务困境进行预测,而模型中的每个变量起了怎样的作用,我们不得而知。② BP神经网络模型在训练中存在着不稳定性。这主要体现在网络学习和记忆的不稳定上。网络的学习是一种误差从输出层到输入层向后传播并修正数值的过程,它可以使网络的实际输出逼近某个给定的期望输出,而在进行多次输入、输出后,由于网络的记忆性不稳定,最终可能会出现不同的结果,这对于模型的建立,特别是对财务困境的预测将会有很大的影响,多次预测的结果不一致,从而导致无法得出真实可靠的结论。③ BP神经网络模型的建立需要确定各种结构参数,而隐含层节点个数的设定并没有一个统一的原则和公认的理论指导,往往是根据经验来设定,而参数设定的不恰当对结果可能会产生巨大的影响,使得不能达到预期的预测效果。

4总结及展望

在科学技术特别是信息技术飞速发展的今天,人工神经网络开启了一个崭新的研究领域,同时采用人工神经网络模型预测企业财务困境,在技术研究和实际应用方面都取得了巨大的成就,它为人们解决学习问题提供了更具构造性的一般性的方法和思路,极大地改善了传统的统计模型。近年来,人工神经网络特别是BP神经网络在财务困境中的应用得到了越来越多学者的关注,它较高的预测精度是其他统计方法所无法比拟的。尽管模型还有一些缺陷,但是这种全新的思想和技术在经过不断的完善和发展后,将为我们的研究做出更大贡献。

主要参考文献

[1] William H Beaver. Financial Ratios as Predictors of Failare[J].Journal of Accounting Research,1966,Vol.4,Empirical Research in Accounting:Selected Studies:71-111.

[2] Edward I Altman. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy[J]. The Journal of Finance,1968(4): 589-609.

[3] James A Ohlson. Financial Ratios and the Probabilistic Prediction of Bankruptcy[J]. Journal of Accounting Research,1980,18(1): 109-131.

[4] 吴世农,卢贤义. 我国上市公司财务困境的预警模型研究[J]. 经济研究,2001(6):46-55.

[5] 刘洪,何光军. 基于人工神经网络方法的上市公司经营失败预警研究[J]. 会计研究, 2004 (2):42-46.

[6] 马威,方莹. BP网络模型在财务危机预警中的应用[J]. 财会月刊,2009 (2):51-54.