BP神经网络在企业资信评估中的应用研究

罗 烨,蔡秋茹,柳益君,叶飞跃

摘 要:对企业进行科学准确的资信评估,可以辅助决策,降低投资者风险,因此提高资信评估的准确度和科学性极其重要。针对当前企业资信评估方法的不足,将BP神经网络应用于企业资信评估。根据企业资信等级与其影响因素之间的映射关系,建立BP神经网络评估模型。实验结果表明,该模型具有较高的精度,提高了企业资信评估的准确性。

关键词:BP神经网络;资信评估;金融决策;动态演化

中图分类号:TP183文献标识码:A

文章编号:1004-373X(2009)20-147-03

Application of BP Neural Network in Corporation Credit Rating

LUO Ye,CAI Qiuru,LIU Yijun,YE Feiyue

(Jiangsu Teachers University of Technology,Changzhou,213001,China)

Abstract:Scientific and accurate credit rating of enterprises can be assisted in decision-making and the risk of investors can be reduced.Therefore,it is utmost important to improve the accuracy and the scientific of the credit rating.BP neural network is applied to the problem of corporation credit rating to avoid the inability of conventional credit rating methods.BP neural network model is established for the problem according to the relationship between credit rating and its influential factors.The results show that the model is fast and accurate.

Keywords:BP neural network;credit rating;financial strategy;dynamic evolution

0 引 言

随着经济的发展,国家逐步放开了对金融的管制,使金融市场的发展速度得以不断加快,经济形态也更倾向于信用经济。资信评估作为市场经济中的监督力量,对经济的影响是不言而喻的。它在很大程度上降低信息不对称的成本,能够作为投资者的重要参考依据。科学准确的资信评估可以辅助决策,降低投资者风险。因此,提高资信评估的准确度和科学性极其重要[1]。

企业资信评估是以独立经营的企业或经济主体为对象,对进行一般性的商业交往、投资合作及信贷活动的信用评价。本质上它属于综合评价中的分类与排序问题。传统的资信评估方法是基于统计学的分析方法,包括线性回归分析、线性判别分析、逻辑回归分析等[2,3]。然而统计学方法有很大的局限性,存在权重的确定,缺乏理论依据,带有明显主观臆断且计算复杂的缺陷。神经网络技术可实现非线性关系的隐式表达,摒弃预测函数的变量是线性和互相独立的假设,信用评级时不用确定各因素的权重且可处理各指标之间的非线性相关性。在此,将BP神经网络用于企业资信评估,建立了神经网络评估模型。实验表明,该模型是有效的。

1 BP神经网络原理

Backpropagation(BP)神经网络是应用较为广泛的一种神经网络,尤其是建模、模式识别和优化等方面广为应用。它是一个高度非线性的超大规模连续时间动力系统,也是一个超大规模非线性连续时间自适应信息处理系统;同时它具有大规模分布处理及高度的鲁棒性和学习联想能力。网络的信息处理由神经元之间的相互作用来实现,知识与信息的存储表现为网络元件互连间分布的物理关系,网络的学习与识别决定于各神经元连接权系数的动态演化过程。

在神经网络中,传递函数是反映下层输入对上层节点刺激脉冲强度的函数,一般取(0,1)内连续取值的sigmoid函数:

f(x)=11+e-x

提供训练样本Xk(k=1,2,…,P),P为样本数目,Xk=(xk1,xk2,…,xkM);M为输入向量维数。设Yk为样本Xk期望的网络输出向量,k为实际网络输出向量,Yk=(yk1,yk2,…,ykN),N为输出向量维数,则误差指标函数为:

E=12∑Pk=1‖Yk-k‖2

标准BP算法的具体过程可归纳如下[4]:

(1) 给出训练误差允许值ε,并初始化权值wij和阈值向量;

(2) 计算E,若E≤ε,转步骤(3),否则对每个样本Xk进行下述操作:

①计算网络输出o。

对每一个输出单元k,δk=ok(1-ok)(tk-ok);

对每一个隐含单元h,δh=oh(1-oh)∑kwh,kδk。

② 更新网络连接权值wij,wij=wij+Δwij,Δwij=ηδjxij,xij为单元i~j的输出。

(3) 算法结束。

2 评价指标体系

企业资信度评价即企业评级,以独立经营的企业或经济主体为对象,对其在一般性的商业交往、投资合作及信贷活动中的信用评价。实际上就是对企业及经济主体的生产、经营、管理前景及经济效益状况所进行的全面考察与综合评价。在此,将企业资信等级分为优、良、中、差四个等级。影响企业资信的因素很多,本文在对诸多学者研究的基础上,结合有关文献选取了如下12个财务指标[5-10]:

(1) 反映盈利能力的总资产收益率(X1)、净资产收益率(X2)、主营业务利润率(X3);

(2) 反映企业资本结构的资产负债率(X4)、有形净值债务率(X5);

(3) 反映企业发展潜力的净利润增长率(X6);

(4) 反映企业经营和管理其资产能力的存货周转率(X7)和应收账款周转率(X8);

(5) 反映企业变现能力的速动比率(X9)、流动资产应收账款率(X10)和短期负债现金保障率(X11);

(6) 反映企业现金流量的现金比率(X12)。

3 网络的设计、训练与仿真

3.1 网络设计

企业资信评估是一个模式识别问题,神经网络的目标是根据企业财务情况给出准确的信用等级。建立神经网络模型的关键是要确定网络的拓扑结构、输入结点、输出结点和层数,见图1。根据Kolmogorov定理,三层BP网络充分学习后能逼近任何函数,因此构建三层结构的BP神经网络。由于输入向量包含12项指标,故输入层应包含12个结点。确定隐含结点数有很多经验法则,在此根据Kolmogorov定理,取2n+1个的隐含层结点数,其中n为输入层的结点个数。因此这里隐含层结点数为25个。本文将企业资信等级分别对应一个分值,优取值4,良取值3,中取值2,差取值1。因此,输出层包含1个结点,输出资信得分。

图1 用于资信评估的BP神经网络结构

3.2 训练与仿真

在此,采用Matlab 7软件及其神经网络工具箱建立、训练并测试神经网络。样本数据来源于实际上市公司的财务数据,其中30例用于训练网络,12例用于测试[6]。

在评价企业资信的12个指标中,不同的指标从不同的角度对企业资信进行评估,指标之间无法比较。为了便于最终评价值的确定,需要对各个指标进行无量纲化处理;同时,由于评价中所使用的各项指标之间数值相差很大,不能直接进行比较。为使各指标在整个系统中具有可比性,必须对各指标进行标准化处理。在此使用Matlab中的 prestd 函数进行归一化,使得数据具有零均值与单位方差。

网络输入层与隐含层,以及隐含层和输出层的传递函数分别采用正切Sigmoid函数Tansig()和线性函数purelin()。设置学习率lr为0.05,最大训练步数epoch为30 000,goal为1×10-8,show为50。其他参数,如max_fail,rem_reduc,min_grad,mu,mu_dec,mu_inc,mu_max,time均采用缺省值。

利用实现BP算法的函数traingd对网络进行2 857步训练,网络误差平方和mse达到了误差标准目标1×10-8的要求。网络性能如图2所示。

图2 BP网络模型训练结果

至此,企业资信评估的神经网络评价模型已经构建完成,在应用过程中,只需输入测试样本的指标数据,便可以进行评价研究。

为了验证该模型的有效性,选用如表1所示12个企业的具体数据,并利用建立好的神经网络进行仿真运算,以分析验证所建网络的有效性。

由表2可以看到,输出得分并不限于1,2,3,4四个数值,这是因为网络的输出层采用的是线性传递函数。但是可以将输出得分四舍五入,从而得到相应的评估等级。

例如,样本9输出得分为2.761 5,其资信等级便是B。由表2可得,输出结果准确率为75%。

4 结 语

与企业资信评估研究常用的统计学方法相比,基于BP神经网络的企业资信评估模型具有如下优点:首先,它属于隐式数学处理方法,只需将经过处理的数据输入训练好的网络中,通过相应的数学工具即可得出结果,评价过程方便、快捷;其次,不需要人为确定权重,降低由于评价过程中主观因素所导致的结果失真,评价结果更为客观。但在研究过程中发现,样本数据的数量和质量对网络的学习能力有较大影响,相信随着神经网络方法及其数学工具的深入研究,现存问题终将得到解决。

参考文献

[1]刘重才,周洲,梅强.LVQ神经网络在企业资信评估中的应用[J].集团经济研究,2007(10):203-204.

[2]Zan Huang,Hsinchun Chen.Credit Rating Analysis with Support Vector Machines and Neural Networks:A Market Comparative Study[J].Decision Support Systems,2004,37:543-558.

[3]Reem Heakal.What is a Corporate Credit Rating [EB/OL].http://www.investopedia.com/articles/03/102203.asp,2008.

[4]Ethem Alpaydin.Introduction to Machine Learning[M].MIT Press,2004.

[5]熊颖,陈新,陈新度.制造业中小企业的资信评估研究 [J].微计算机信息,2007,23(27):30-32.

[6]张萌.企业信用评估体系与评估方法研究[D].西安:西北大学,2006.

[7]朱丽,张洪伟,谭辉.基于软计算的资信评估研究[J].计算机应用研究,2005,22(5):74-77.

[8]徐晋.基于神经网络专家系统的创业企业信用等级评估研究[J].南京理工大学学报,2004,28(6):684-688.

[9]牛红红,王文寅.企业信用评估体系研究[J].经济问题,2008(1):66-68.

[10]邹小芃,余君,钱英.企业信用评估指标体系与评价方法研究[J].数理统计与管理,2005,24(1):37-44.