基于改进SDAE网络的财务风险预测算法

唐颖

(北京协和医院， 北京 100730)

0 引言

经济体制的改革和资本市场的快速发展为企业带来机遇，同时也加大了企业的危机和挑战[1]，较高的财务风险威胁到企业的健康发展。财务风险预测能够帮助管理层及时发现财务异常，针对性地调整战略化解危机，因此，全面分析财务风险，构建能够对企业财务进行科学风险预测的预警模型，对企业的快速发展和正确决策具有重要的意义[2-3]。

王宗胜等[4]采用灰色关联法分析对财务风险及及其影响因子进行分析，并预测了由关键影响因素导致的风险次数；Kapan等[5]以灰色Verhulst、Brown及非线性回归3个模型，以组合预测误差最小，构建了企业财务风险预测的最优变权组合预测模型。Alqahtani等[6]运用线性回归根据财务异常数据预测企业财务发展趋势，并分析影响因素。

本文提出基于改进稀疏降噪声自编码(Sparse Denosing Auto-encoder, SDAE)神经网络的财务风险预警算法，算法在保持AE神经网络预测优势基础上，通过增加模型输入的降噪特性，优化了原始输入数据，同时增加所提取特征的鲁棒性，提升了SDAE的数据泛化能力；通过PSO算法优化权值和阈值的初始设置，进一步提高了模型的预测精度。实测数据实验验证了算法的预测性能。

1 预测模型算法设计

1.1 模型设计流程

基于改进SDAE神经网络的财务风险预测模型的预测流程如图1所示。

图1 基于改进SDAE神经网线的财务风险预测流程

具体预测过程如下。

步骤1：收集数据，通过相关系数设置，得到模型的权值矩阵W及相应的偏置项b。

步骤2：执行正向和反向传播运算，统计激活量均值和模型参数优化值，并更新权值。

步骤3：对模型进行多次训练调试，得到完成训练的SDAE神经网络财务风险模型。

步骤4：选取测试数据，通过均方误差等指标判断模型的预测性能。

1.2 SDAE神经网络预测模型

自编码(Auto-encoder, AE)以无监督学习方式学习逼近恒等函数，使得函数的输入输出值近似相等[7],其结构如图2所示。

图2 AE神经网络结构及预测流程

设输入向量为X，则正向传播时，隐含层激活单元为式(1)：

a=Signoid(wTX+b)

(1)

式中，w为权值向量，用以连接输入层与隐含层，b为偏置项，在模型训练时，首先以正向训练计算隐含层的一层参数(w1,b1)，并以隐藏单元激活值重新表示输入矩阵X1；然后将X1作为隐含层二层的输入，计算二层参数(w2,b2)，以此类推，完成所有正向的训练工作。各隐含层的参数值在正向训练时固定不变，正向完成后，反射传播过程调整相应的各层参数，并更值各层权值，从而达到输出结果最优[8]。

稀疏AE(Sparse AE, SAE)神经网络的目标函数为式(2)：

(2)

(3)

CSAE(w,b)为变量w和b的函数，因此只要取CSAE(w,b)最小化即可得到最优的w和b值。

在SAE网络的输入层中加入损伤噪声则构造出改进SDAE神经网络模型，损伤噪声呈一定的概率分布。SDAE网络模型结构如图3。

图3 SDAE神经网络模型结构

原始数据输入SDAE神经网络模型前，先对其进行稀疏化限制，以优化数据，然后加入噪声以偏离数据流形，增强提取特征的鲁棒性，预处理后的数据输入SDAE模型，隐含层编码过程对数据提取特征，其表达函数采用式(1)计算，解码输出层完成对数据的重构输出，然后计算输出数据与原始数据的均方误差，以判断输入输出数据的差异，重复以上计算过程，式(3)代价函数最小化，即得到优化的模型参数w和b。

SDAE模型中通常采用随机方式生成权值初值及阈值初值，虽然通过重得迭代比较输入输出值的均方误差可以优化代价函数，但随机初始值会导致隐含层传输函数的不同输出，导致模型限制局部最优，从而影响后续预测性能[9]。为此，采用粒子群(Particle Swarm Optimization，PSO)算法优化改进SDAE神经网络风险预测模型。

1.3 PSO优化SDAE网络的财务风险预测模型

PSO算法能够获取全局最优值，并将其作为最优初始权值和阈值赋值给SDAE神经网络预测模型[10]。为此本节构建PSO优化的SDAE神经网络财务风险预测模型，模型具体流程如图4所示。

图4 优化的SDAE财务风险预测模型

2 实验分析

2.1 实验数据

数据来自CSMAR数据库[11]，如果某公司存在财务异常，则在其前两年财务数据中选取，共选取了100家公司的2014到2018年公开财务数据作为模型的解释变量进行实验，以2018年财务数据为真值，以2014—2017年数据作为训练数据样本。设置改进SDAE网络为4层网络结构，正向传播和前反馈学习率均为0.9，迭代次数分别为4 000次和10 000次，以sigmoid函数作为传递函数，粒子维数设置为SDAE网络的权值和阈值数，粒子数40，因子c1=c2=1.482 26，速度范围[0.8,0.8]，迭代200次，以测试样本的单次迭代输入与实际输出均方误差作为PSO的适应度函数。当预测模型输出为1时，说明当前公司的财务风险较高；当输出为0时，说明财务状况较好，出现风险的概率较低。

为便于计算并使同类数据便于比较，在进行难测实验时，对模型的输入按式(4)进行归一化处理[12]，

(4)

式中，xi为预测模型的某个输入指标值，xmax、xmin分别为其所有样本数据中的最大值与最小值。

2.2 模型训练预测结果分析

为避免模型预测时的指标体系存在多重共线性，对其进行多重共线检测后，选择营运资本资产率、负债权益比率、长期负债权益比率、应收账款周转率、净资产收益率、损失比例、主营业务增长率和总资产扩张率8个指标进行模型预测分析，以BP神经网络，SDAE神经网络和本研究中改进SDAE神经网络作为财务风险预测的性能对比模型，将训练样本数据输入对比模型中，分析模型的训练结果如图5所示。

(a) BP神经网络模型预测输出

(b) SDAE模型预测输出

(c) 改进SDAE模型预测输出

从图5对比实验结果可以看出，3种预测模型输出与期望输出都取得较好的拟合度，说明神经网络用于财务风险预测是有效的，SDAE模型预测输出值与期望输出的拟合度要比BP模拟拟合度更好，主要因为SDAE模型在自编码神经网络基础上，对输入数据增加降噪特性，优化了原始输入数据，同时增加提取特征的鲁棒性，提升了SDAE的数据泛化能力，而本研究中预测模型的预测输出拟合度最好，主要因为其在继承SDAE优良性能的同时通过PSO算法优化权值和阈值的初始设置，进一步提高了模型的预测精度。

统计SDAE预测模型与PSO改进SDAE预测模型在预测实验中误差量平均值如表1所示。对比发现，改进SDAE神经网络模型的预测结果在风险识别误差率和误判率均低于SDAE模型，而识别准确率则显著优于SDAE模型，进一步证明算法的有效性。

表1 不同模型实验的平均预测结果 单位：%

3 总结

本文提出基于改进SDAE网络的财务风险预警算法，算法在保持AE网络预测优势基础上，通过增加模型输入的降噪特性，即优化了原始输入数据，同时增加所提取特征的鲁棒性，提升了SDAE网络的数据泛化能力，通过PSO算法优化权值和阈值的初始设置，进一步提高了模型的预测精度。实测数据实验结果表明，神经网络用于财务风险预测是有效的，本研究的PSO改进SDAE财务风险预测模型在保持神经网络预测优势基础上，提升了模型的鲁棒性和初始权阈值设置的合理性，有效提高了模型的预测性能。

但由于PSO算法本身存在较多的初始参数设置困难，因而如何针对不同的财务风险预测实际工作实现PSO参数的针对性自适应性设置，以进一步优化改进SDAE网络的预测性能，将在后续研究中进一步完美。