基于主分量分析的神经网络企业财务困境分析
来源:用户上传
作者: 周 遊
[摘要] 目前BP神经网络已经成功用于公司财务分析与预测,为了降低神经网络的复杂性,一般只能选取部分财务指标作为模型输入,使模型的分析依据不够全面。提出通过主分量分析(PCA)对高维指标进行降维和特征提取,在保留绝大多数指标信息的前提下有效地缩小了网络规模,实验证实了方法的有效性。
[关键词] 财务困境主分量分析降维神经网络
一、 引言
企业财务困境分析与预测是以企业财务报表、经营计划及相关经济资料为依据,采用比例分析与数学模型等方式, 通过对现代企业财务指标的综合分析、预测, 反映企业经营情况和财务状况的变化并对企业各环节发生或可能发生的经营风险发出预警信号, 同时寻找财务危机发生的原因与企业财务管理体系中的隐藏问题, 为企业管理提供决策依据。
由于破产是公司财务状况恶化的结果, 因此通过建立一个模型将公司的财务因素作为输入, 将公司的破产状态作为输出就成为预测财务困境的一种可能方法。这种方法同简单的财务比率分析相比无疑具有优越性, 因而通过建立财务困境预测模型来预测财务困境成为一种流行的方法。这项工作是从Beave提出的单变量预测模型开始的, 后来Altman发展了多变量预测模型,1977年又提出了改进的ZETA模型, Olhson提出了预测财务困境的Logistic模型。近年来,神经网络模型成为非常有效的预测工具,被用于财务困境的预测。实证研究表明,神经网络分析在判定正确率方面比线性模型和Logistic回归模型更加有效,并且不受变量分布特征影响,不需要主观定性地判断企业财务状态,因而能够更加合理地确定危机状态。
BP神经网络是目前在财务分析领域应用较多也是较成功的一种神经网络类型。但是,描述财务比率的指标很多,如果将这些指标都作为模型输入将导致网络结构过于庞大,对于过大的网络结构,一方面要求巨大的训练样本集支持,在一般的研究中很难做到;另一方面也将导致神经网络的泛化能力下降,使其预测性能变坏。因此很多研究中只选取部分指标作为模型输入,这样又将导致分析信息的不完整。
主分量分析(Principal Component Analysis, PCA)是近年来研究较多的一种统计特征提取方法[4]。由于PCA中主分量对应于数据均方差重建误差曲面的最小点,因而对数据信息具有较强的描述能力。本文提出采用PCA对高维指标数据进行降维,在保留绝大多数样本信息的前提下缩小网络规模,从而提高分析与预测的可靠性。
转载注明来源:https://www.xzbu.com/3/view-1481671.htm