文摘

财务预警机制具有重要意义,上市企业的长期健康发展和稳定运行。本文采用逻辑回归预警模型和BP神经网络预警模型。基于BP神经网络t预警模型优化的模拟退火算法,模型的预测效果进行比较的视角模型准确性和变量的重要性。通过比较分析三种方法的实证结果,可以看出,模拟退火算法有许多优点。与多线程的组合模拟退火算法,数据压缩、分割大大提高算法的效率,缩短了运行时间。使用逻辑回归预警模型和BP神经网络预警模型和基于BP神经网络t早期预警模型优化的模拟退火算法,模型的预测效果进行比较的模型准确性和变量的重要性。结果表明,BP神经网络的三维指标优化的模拟退火算法具有良好的财务状况歧视能力。BP神经网络预警模型优化的基于模拟退火算法具有良好的预测精度和良好的现实意义。

1。介绍

高新技术企业的融资需求是巨大的。一旦发生金融危机,它不仅会带来企业的外部利益相关者的损失,还影响到创新[1]。圣,目前的风险预警信号第三板、事件信息后仍然滞后。一旦圣显著,金融危机将会恶化的连锁效应(2]。为投资者、债权人和其他外部利益相关者,金融危机的早期预警结果可以作为投资的风向标,帮助利益相关者监控指标在财务业绩的变化,创新投资,和其他方面的企业,及时发现企业的潜在金融风险,指导投资决策,降低投资风险3]。因此,建设新的第三委员会的财务预警机制是很重要的上市企业的长期健康发展和稳定运行。因此,建立财务危机预警模型的高科技上市企业可以及时监控和反馈财务业绩,公司治理和高科技上市企业的创新行为和其他指标,这有利于促使企业及时调整他们的决策和建立健康发展机制。

本文的创新是使用逻辑回归预警模型和BP神经网络预警模型。基于BP神经网络t早期预警模型优化的模拟退火算法,模型的预测效果进行比较的模型准确性和变量的重要性。通过比较分析三种方法的实证结果,可以看出,模拟退火算法有许多优点。与多线程的组合模拟退火算法,数据压缩和碎片大大提高算法的效率,缩短了运行时间。同时,模拟退火算法还考虑了稀疏的训练数据,有助于训练表数据有缺失值和提供重要的研究价值和实际问题的应用。

本文分为五个部分。部分1介绍了本研究的背景,和部分2讨论相关工作。部分3显示了施工内容的动态预警模型。部分4实证研究。部分5总结这项工作。

2。相关工作

陈和曾庆红定义公司的地位在金融危机,包括破产、拖欠债务,拖欠优先股股息,使用现金流动负债比率指标来区分其财务状况(4]。双等人发起的使用的方法Z值模型来判断一个公司的破产风险,具有重要的参考价值,直到现在(5]。双等人重新定义了财务危机的定义,预测财务困境的概率在金融企业的特点,和改善金融危机的早期预警方法采用logit模型(6]。董et al .,传统的企业财务指标的基础上,设计了库存周转率和存货规模,进行逻辑回归分析和实证研究库存风险和金融危机之间的关系,并得出结论,存货周转速度成反比金融危机,金融危机,库存规模成正比。传统的统计方法提供了一个有效且很容易解释方法研究。随着时代的发展,企业数据的数量和质量不断提高。目前,越来越多的数据挖掘和人工智能应用于早期预警的研究(7]。朱、吴建立了一个新的风险模型通过添加三个会计比率组件三个市场变量的单变量模型和确认的基础上,通过分类精度优于单变量模型和破产预测测试(8]。王等人使用五个统计技术来预测银行财务实力评级(FSRs) (9]。早期预警指数方面的研究,经历了从简单的财务业绩指数综合金融,非金融等多维指标体系。王et al .,基于会计信息的供给基础,包括指标反映会计信息的披露,以上海和深圳上市公司为样本,表明这些指标排名和简化的测试可以提高神经网络模型的准确性预测金融危机(10]。基于双重视角的内部公司治理和外部财务信息,张和Yu还包括指标反映股东、董事会、管理、和监事会和SVM训练模型,取得了良好的预测结果(11]。王等人选择了典型的企业融资和公司治理指标,提取关键因素通过指数差异分析,因子分析,和其他措施,支持向量机进行财务预警分析的个体企业财务指标和SVM的综合财务预警分析公司治理变量(12]。杨et al .,实证研究了现金流的关键变量,综合考虑宏观经济、货币政策和其他外部因素,建立了风险敞口的CFAR模型,分离企业预期现金流和现金流风险,并使用它们作为输入变量来构建物流金融预警机制;最后的预测精度达到80%以上,取得了良好的模型效果(13]。许等人从激励、约束和平衡机制包含在公司的内部治理,所选指标三个层次的股东、董事会、经理,并将它们纳入财务预警指标体系的核心财务指标建立物流预警模型。实证研究的结果表明,与传统的财务指标模型相比,该模型通过引入企业内部治理指数更好的辨别能力,和模型的性能进一步改善(14]。周等人扩大了之前破产指数分析和构造三种财务预警模型:多元线性回归,Fisher线性判别,逻辑回归来分析和预测企业的财务危机。之后,学者们的研究主要集中在指标体系和模型的改进方法和实证检验的理论模型基于不同样本上市公司(15]。张黄,基于从经营活动现金流的基本特征,讨论了充足性之间的关系,稳定,结构合理性和增长的现金流,和发生的金融危机,从四个特点选择相应的指标建立财务预警系统,并建立了一个逻辑回归模型与其他典型的财务指标作为控制变量。结论表明这四个特征是与金融危机的概率负相关(16]。Zhang et al .,基于传感器的概念,形成传感器信号通过网络舆论分析,建立了财务预警指标体系与大数据与财务指标相结合,使用支持向量机,建立了财务预警模型(17]。实证结果表明,大数据指标的财务预警模型具有更好的预测效果比传统的财务预警模型。传统财务指标的基础上,我和江包括非金融指标如审计意见和最终控制人类型,通过粗糙集理论经历了从传统的统计方法过渡的过程迅速变化大数据的方法(18]。的基础上的支持向量机(SVM),王曾使用粒子群优化(PSO)优化特性收集和核函数在同一时间。在本文中,我们选择七公司财务和公司规模的指标建立一个早期预警指标体系。实证研究的结果表明,PSO-SVM模型可以有效地提高支持向量机的企业财务危机预警的能力(19]。姚明和王把上海和深圳一个股上市公司为研究样本,选择四个财务指标反映偿债能力、成长能力、盈利能力和操作能力的企业20.]。财务预警模型建立了基于贝叶斯判别方法,并取得了良好的预测效果。歌等,根据预测结果的Fisher判别分析模型和逻辑回归模型,建立了一个新的基于BP神经网络的非线性组合方法的优点,并演示了组合预测模型比单一预测模型(21]。太阳和Lei从间隔节制和集成的概念所选的财务指标。实证研究的结果表明,区间指数法的预测模型具有较高的预测精度和清晰的金融和经济意义(22]。太阳关注企业的现金流量指标,选择财务指标反映了企业的经营效率、偿债能力、盈利能力、资本利得,并使用经典的模型,线性概率模型,逻辑模型进行比较分析。实证研究表明,两个模型具有良好的预测效果,和物流模式具有较强的实用性23]。陈也使用线性回归、线性歧视,人工智能,和其他方法建立财务预警模型,证明了人工智能方法的优越性在金融危机预测模型之间的预测效果的比较(24]。玉等人扩大了传统单一分类器的机器学习方法,利用演算法(自适应增强算法)提高基分类器集成支持向量机,增加了错误的重量训练样本在训练过程中,并提高了模型的泛化。实证研究的结果表明,集成的强分类器的性能优于单个分类器,它有一个金融预警精度高(25]。

在近年来对财务困境预警的研究,发现大多数学者使用早期预警指标相似的维度,结合人工智能综合模型,如单变量决策模型,多元判别模型,逻辑回归模型,神经网络模型和支持向量机模型。不同的模型有不同的预警效果。一般来说,仍有许多改进的空间和探索在财务困境预警的研究,主要体现在以下三个方面:(1)大部分的现有财务危机预警的研究集中在主板上市公司,虽然有新的第三委员会研究上市公司较少,特别是对特定行业的共同特征。(2)很少有研究非金融因素。中小高新技术企业,非金融性能的指标反映了维度的创新行为,如投资比例,不容忽视。他们可以被认为是包括在财务预警系统。现有预警模型方法仍有进一步发展的空间,如模拟退火算法和其他集成分类器方法,具有良好的错误控制和泛化能力。它也有一定的研究和应用价值。

3所示。建设的动态预警模型

本文采用逻辑回归预警模型和BP神经网络预警模型。使用逻辑回归预警模型和BP神经网络预警模型,基于BP神经网络预警模型优化的模拟退火算法,模型的预测效果进行比较的模型准确性和变量的重要性。建设动态BP神经网络预警模型的BP神经网络模型包括以下方面。

包括的BP神经网络模型(1)模型和参数:线性模型是一个典型的例子26,27]。线性模型的输出变量的预测公式 ,其实质是加权输入变量的线性组合特征。根据模型的属性分类或回归,预测的值可以有不同的解释。例如,在分类模式,它可以进行逻辑转换获得分类在逻辑回归。在回归模型中,可以得到数值变量的期望值。参数参考待定部分需要通过机器学习的数据。在线性回归问题,参数是系数 。希腊字母通常是用来表示模型中的参数。(2)目标函数:目标函数的显著特征是,它包括损失和正规化培训:目标函数=培训损失+正规化,如以下公式所示: 下雨的损失可以用来测量模型训练时间的影响。

数据显示,它可以预测。常见的选择是均方误差,如以下公式所示:

另一个常见的损失函数是逻辑损失逻辑回归,这是由以下公式:

规范的术语,是一个经常错过了一部分。它可以控制模型的复杂性,有效地避免过度拟合。

平衡的原则目标函数是火车模型与简单性和可预测性在同一时间。两者之间的权衡取舍也被称为偏差的变化。

模拟退火算法的模型选择是决策树集合。通常,一个树的力量是不够的在实践中使用。实际使用是整体模型,增加了预测。数学模型公式(4多种树木相互补充:

具体地说, 决策树代表了回归学习者,对应的叶指数每棵树的结构,和 ,在哪里代表叶节点的数量。不同于GBDT模型中,正则化项添加到模拟退火算法的目标函数: 在哪里在上面的公式表示可微凸损失函数,用于测量预测值之间的差异和实际价值 。(如回归树函数)。这些额外的传统术语可以帮助顺利最后学习模型的重量,以避免过度拟合。EE代表模型的复杂性惩罚项。根据回归树的相关定义,正则项函数可以表示为下面的公式:

的常规术语反映了这样一个原则:模型倾向于选择模型的简单性和可预测性。模型回归传统的GBDT模型。

一个额外的方法,即迭代法,用于训练模型。让的预测实例的模型迭代,迭代更新方法如下公式所示:

此外,目标函数

任何形式的损失函数的二阶泰勒展开近似法可用于实现快速优化,如以下公式: 在哪里和代表了损失函数的一阶和二阶梯度统计数据,分别如下公式所示:

常数项被删除后,减少的目标函数tth迭代,如以下公式所示:

可以看出,模拟退火算法只需要添加一阶,这大大降低了模型的依赖。

后用罚函数, 定义,目标函数是进一步改变成以下公式:

一个固定的结构 ,最好的预测价值对应于叶子节点可以计算,即以下公式:

与此同时,相应的最优目标函数值可以计算,也就是说,下面的公式:

公式(14)类似于不洁净的评估决策树,但是它来自更广泛的目标函数。

一般来说,从根节点开始,迭代添加分支树基于一些节点形成最好的决策树分类规则。公式(15)常被用来确定候选人分裂节点的做法:

上面的公式由四部分组成:新左派叶得分,新右翼叶得分,原来叶分数,和正则项。当获得小于 ,也就是说, ,证明节点分裂造成的信息增益不足以弥补造成的复杂性罚款损失增加叶节点。此时,模型选择不添加分支机构,类似于prepruning技术的决策树模型,如图1。

综上所述,模型的优化大大提高了预测模型的性能,及其具体的优势包括以下:(1)正规化起重技术可以有效地帮助减少模型拟合问题。(2)并行处理粒度特性大大提高了训练的速度模型。(3)优化目标和评估标准是灵活的。(4)完美的缺失值处理规则。(5)最大深度分割后,修剪可以避免忽略了全面积极的损失。(6)内置使用交叉验证来获得最佳的迭代次数。(7)我们可以继续训练的基础上,现有的模型。模拟退火算法发现最好的分裂模式快速、有效和优化遍历顺序遍历候选人分裂节点预分类。

4所示。实证研究

本文构建财务危机预警模型。网络模型的参数优化的模拟退火算法包括常规参数,升降机参数和工作参数。传统的参数主要是控制宏功能。本文的研究目标是财务困境预警two-classification问题;让助推器gbtree和基于树模型的训练样本。电梯参数用于控制每一步的树模型。埃塔收缩步长,即学习速率,可以防止过度拟合的问题。通过减少的重量特性,提升计算过程更为保守和提高模型的鲁棒性。max_depth代表每棵树的最大深度。如果深度太大,它将很容易导致过度拟合。 If the depth is too small, it may lead to insufficient learning. Compared with the benchmark model, the model algorithm proposed in this paper can prevent the overfitting problem. By reducing the weight of features, the calculation process is more conservative and the robustness of the model is improved. Min_ child_ weight parameter determines the sample weight sum of the minimum leaf node, which is used to avoid learning local special samples, but too high value will lead to underfitting. The Gamma parameter, with a default value of 0, specifies the minimum drop in the loss function required for a leaf node to continue splitting. The larger the setting value is, the more conservative the algorithm is. The subsample parameter controls the proportion of random sampling for each tree. Task parameters determine the ideal optimization goal and the measurement method of each step result. Objective defines the type of minimization loss function. It defines the parameter as binary: logistic binary logistic regression model to return the prediction probability value.

摘要因为金融危机的判断是一个two-classification问题[28- - - - - -30.),确定了损失函数为“c e”交互熵。十倍交叉验证方法是用来训练数据,建立了BP神经网络模型和2条t - 3数据,分别。图结构的BP神经网络模型优化的模拟退火算法如图2。训练结果表明,11515年在2进行迭代,和损失函数是203.36。共有1385条t - 3进行迭代,和损失函数为108.26。

4.1。模型预测

从表12,平均准确率和条t - 3基于模拟退火算法优化BP神经网络对财务困境预警88.16%和77.34%,分别和最佳的准确率分别为90.10%和80.00%,分别。实际困境企业的歧视能力增强。这表明BP神经网络模型具有良好的容错能力和泛化能力。同时,预测的准确性2仍高于条t - 3,这进一步证明,今年即将到来的金融危机,指标显著增强的歧视。

为了直观地比较7输入变量的重要性为金融危机或健康状况歧视,R软件被用来画散点图广义重量7输入变量和因素在每一个观测点。纵GVV代表广义的重量,横坐标代表了观测值。2的广义加权散点图和条t - 3图所示3和4,分别。七个输入变量的重要性在不同的预测期观测浓度可以比较的广义加权散点图。从数据可以看出3和52,观察三个因素的广义加权F2创新盈利,F4操作能力,和F6增长能力大多集中在0,表明这三个因素对判断金融危机或健康状态的影响相对较小,而F1业务盈利能力,F3偿付能力,F5资本结构、F7股权结构相对重要,表现出一定的非线性关系。当预测期先进条t - 3年,就可以发现7个输入变量的重要性减弱,和观察广义权重往往集中在0。然而,相比之下,F3偿债能力因子和F5资本结构因素更重要,和观察广义权重更分散。这表明这两个因素有很强的长期预测的长期影响和更好的性能。

的输出结果的重要性2条t - 3模型训练特征变量如图4。

从图可以看出42,财务危机预警模型,F7股权结构因素占超过0.4,这是最重要的因素,和F3操作能力因素占超过0.3,这是第二个重要的因素,其次是F5资本结构因素,F6增长能力因素,F4偿付能力因素,F1业务盈利能力因子和F2创新盈利能力的因素。这五个因素的重要性小于0.1。因此,在2财务困境预警模型中,F7所有权结构因素和F3操作能力因素是关键变量来判断公司是否陷入财务困境。

天气预报时间提前一年。在条t - 3预警模型中,预警指标的重要性已经改变了。F1的商业盈利能力因素的重要性,F5资本结构因素,F3操作能力因素,和F7股权结构因素是超过0.1,其中F1的商业利润的比例系数超过0.3,和F5资本结构的比例因子大于0.2。

一般来说,两级模拟退火算法的财务困境预警模型,F1的商业盈利能力因素,F3操作能力因素,F5资本结构因素,和F7股权结构因素有更大贡献模型预测和有一个更好的长期预测能力。从现实意义的角度来看,企业应该加强管理性能,债务能力、股票系统,和其他方面的管理和控制,以避免财务困境的发生。

在完成训练集和测试集的评估上面的基本模型,获得的AUC值在评价过程中可以用作基准AUC值特性贡献分析。为了得到每个特性的贡献,本文使用了洗牌洗牌算法每个特性测试中的数据集随机和6749年获得新的测试集对应于每个特性。使用分类的基本模型后,我们可以得到新的AUC值洗牌后测试集的特性。最后,本文使用的绝对值AUC的变化相对于基准的AUC特性洗牌后的指数特性的贡献。计算f1-f6745贡献程度的特性,如图6。从图,众所周知,每个特性对模型的贡献相对集中。但是一些功能的贡献明显是高或低。提取这些特征与高或低的贡献可能有利于商业的发展。绝对值的基础也表明,模型的判断通常不是一个单一的功能,但复杂的组合功能。

以下4.4.1。模型结果的比较

基于2条t - 3年的早期预警指标数据,本文建立了逻辑回归和模拟退火算法,分别比较和评估模型的性能预测的准确性和变量的观点的重要性。

为了进一步比较本文中使用的模型的性能,本文列车其他一些常用的分类器基于相同的训练集,使用它们来完成测试集的分类,并比较每个模式的特征的索引。当选择其他模型作为比较的参考,本文主要包括线性模型,使用高斯核函数支持向量机模型,和树模型。图7显示了每个模型的ROC曲线的测试集分类的结果。除了逻辑回归,ROC曲线的模型是在一个相对集中的位置,用一个小重叠,表明有一些AUC指标的差异,但整体差异不大,因此有必要进一步分析每个模型的优缺点结合其他指标。

首先,从早期预警的准确性的角度模型,模拟退火算法的早期预警的准确性高于其他两个模型2和条t - 3期。同时,可以看出越近时间从金融危机的发生,模型的预测效果越好,这反映出金融危机是一个渐进的过程,时间越接近,指标有更大的差异和因果关系更加敏感。对于企业的内部和外部利益相关者,时间间隔较大的预测结果可以提供较长的调整时间。一方面,它有利于运营商及时调整业务方向,创新投资,和其他战略决策。另一方面,它有利于投资者更好地把握投资对象的金融动态,指导投资组合。

其次,从模型的解释的角度来看,这三个模型可以比较变量的重要性。逻辑回归模型更直观的表达意义的变量,和模型的经济意义是强大的。最重要的结果变量的三种类型的早期预警模型基本上是一致的,也就是说,F1业务盈利能力的变量,F3偿付能力,F5资本结构,和F7股权结构产生更大的影响财务危机的识别或健康状况,和F5资本结构有更好的长期预测能力。最后,从操作的角度的速度和时间效率模型,模拟退火算法具有更快的训练速度,明显比其他两个模型。这三个模型的比较结果如图所示8。

5。结论

通过比较分析三种方法的实证结果,我们可以看到,模拟退火算法有许多优点。模拟退火算法结合多线程,数据压缩和碎片大大提高算法的效率,缩短了运行时间。同时,模拟退火算法还考虑了训练数据稀疏,这有助于培养表数据有缺失值,并提供重要的研究价值和实际问题的应用,特别是在经济和社会领域。因此,考虑到财务困境预警说明需求强,测量精度高,优良的泛化能力的模拟退火算法和误差控制能力可以达到更好的实用性。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由安徽省哲学社会科学规划项目:研究高质量的安徽智能养老产业的发展模式和路径5克(没有时代。AHSKY2020D28)。