導(dǎo)語：神經(jīng)網(wǎng)絡(luò)下的企業(yè)財務(wù)預(yù)警論文一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

1引言

公司財務(wù)預(yù)警系統(tǒng)是一種具有預(yù)測性與針對性的警報系統(tǒng)，其目的就是為了防止企業(yè)的財務(wù)系統(tǒng)在項目運行過程中偏離了原來目標后給企業(yè)造成重大經(jīng)濟損失現(xiàn)象的發(fā)生。一般來說，它主要是利用一定的數(shù)學(xué)模型對企業(yè)的財務(wù)、運行等各項指標進行綜合評價，根據(jù)模型預(yù)測的結(jié)果給出一定的理論結(jié)果供企業(yè)決策者參考。它具有監(jiān)測、診斷、冶療及健身功能［1］。一些研究人員對財務(wù)預(yù)警系統(tǒng)進行了分析。文獻［2］采用邏輯回歸法對公司財務(wù)預(yù)警系統(tǒng)進行了分析；文獻［3］運用主成分分析法建立了公司財務(wù)的通用預(yù)警模型并給出了一些意見與建議。文獻［4］采用GA算法對BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，建立了優(yōu)化后的基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財務(wù)危機預(yù)警模型。本文采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測與Adaboost算法相合的分析方法，對采集的樣本數(shù)據(jù)建立強分類器并進行分類誤差研究，完成公司財務(wù)預(yù)警系統(tǒng)的分析，并取得較好的效果。

2預(yù)警系統(tǒng)的體系指標及數(shù)學(xué)模型

2．1預(yù)警系統(tǒng)的體系指標的篩選

公司財務(wù)系統(tǒng)涉到公司運營的各個環(huán)節(jié)，對于其風(fēng)險防范的內(nèi)容也涉及很多體系指標。從經(jīng)營過程及內(nèi)容來看，這些指標一般可以歸納為以下幾個方面：財務(wù)報表內(nèi)的各項信息指標，企業(yè)盈利及償還能力指標、企業(yè)發(fā)展與成長能力指標，企業(yè)的線性流量指標和財務(wù)報表外信息指標。在每一個指標內(nèi)，又可以找到很多小項的評價指標，如果將這些都納入公司財務(wù)預(yù)警系統(tǒng)的綜合評價指標范疇，則預(yù)警模型會相當龐大且復(fù)雜，不利于得到正確的預(yù)警結(jié)論。因此，在進行財務(wù)預(yù)警系統(tǒng)的分析前，應(yīng)先對這些相關(guān)性較強的評價指標進行理論性的篩選，然后才能將這些篩選后的指標納入至預(yù)警的數(shù)學(xué)模型中，從而使該預(yù)測模型能較快較全面地真實反應(yīng)企業(yè)財務(wù)狀況并能實現(xiàn)預(yù)警功能。

2．2BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的實現(xiàn)

BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法是近些年來應(yīng)用較為廣泛的一種預(yù)測方法，對于離散性的數(shù)據(jù)預(yù)測具有良好的自適應(yīng)性及容錯性。它一般分為輸入層、中間隱含層及輸出層三層，各層之間通過神經(jīng)元相互連接。而Adaboost算法的核心思想就是將多個弱的分類器的輸出值進行合并，再利用每個分類函數(shù)的權(quán)重及迭代計算加權(quán)得到強分類函數(shù)，從而產(chǎn)生有效分類，形成一個強分類器。其基本實現(xiàn)過程如圖1所示。首先，對采集的數(shù)據(jù)樣本進行歸一化的預(yù)處理并進行分組劃分，然后對每組預(yù)處理的樣本使用BP神經(jīng)網(wǎng)絡(luò)進行預(yù)測，每個預(yù)測都會形成一個迭代誤差，這些不同組的弱分類組成一個大的弱分類器。根據(jù)預(yù)測分類序列的預(yù)測誤差值來計算預(yù)測序列權(quán)重，然后根據(jù)這個序列權(quán)重來調(diào)整下一次迭代的訓(xùn)練樣本的權(quán)重。當網(wǎng)絡(luò)訓(xùn)練多次后，通過各組的弱分類函數(shù)組合就可以得到強分類函數(shù)，形成一個強分類器，提高預(yù)測的精度，然后這些較高精度的理論計算結(jié)果再提交給決策者進行相關(guān)決策。

3具體算例

根據(jù)調(diào)研，選擇十項參數(shù)指標來描述某公司財務(wù)狀況，這十項能較為全面地反映了企業(yè)的財務(wù)狀況。表2為預(yù)測序列權(quán)重at和迭代計算的誤差et的計算結(jié)果表。表中，在各個弱分類器的迭代中，預(yù)測序列權(quán)重at的分布不均衡，第一個弱分類器的序列權(quán)重最大，其余的依次呈交替變化。而迭代計算的誤差et都控制在0．35以下，說明本計算的精度較高。圖2為A，B和J體系指標的計算數(shù)據(jù)的序列權(quán)重分布，從圖中可以看出：三個體系指標的序列權(quán)重都是呈波動跳躍變化，但波動范圍不大。相對而言，在20個數(shù)據(jù)樣本中，體系指標A的權(quán)重最大，其次為體系指標B，最后是體系指標J。表3為兩種分類器的誤差率值。其中，強分類器分類誤差率為4％，而弱分類器分類平均誤差率為5．57％，前者比后者低，這說明采用BP＿Adaboost算法取得了較好的效果。4結(jié)語根據(jù)前述分析與討論，可以得到如下結(jié)論：（1）用BP＿Adaboost分類算法建立的強分類器的分類誤差率低于僅用BP算法建立的弱分類器的分類誤差率，這說明采用BP＿Adaboost算法具有較好的效果，利用組合算法對企業(yè)財務(wù)進行預(yù)警具有可行性和一定的計算精度，這些能為企業(yè)財務(wù)預(yù)警提供一定的理論指導(dǎo)。（2）企業(yè)應(yīng)該充分利用現(xiàn)有的一些預(yù)測方法，加強自身財務(wù)體系的預(yù)警研究，建立其內(nèi)部的預(yù)警控制體系及配套措施，從而對可能產(chǎn)生的對企業(yè)造成重大損失的財務(wù)風(fēng)險進行防范。（3）本方所采用的方法簡單易行，對于同類的預(yù)警分類方法都具有較強的適用性與推廣性。

作者:肖嵐單位:武漢船舶職業(yè)技術(shù)學(xué)院經(jīng)濟與管理學(xué)院