文摘
近年来,灾害严重影响一些地区金融业务的正常发展。在灾难的时候,如何有效整合各方资源,有效地应对突如其来的金融灾难,和恢复金融服务已经成为一个重要的任务。因此,本文采用粒子群优化(PSO)来改善传统的BP神经网络(摘要),最后构造了一个粒子群优化的BP神经网络(PSO-BPNN)模型智能应急风险规避的突然在数字经济金融灾难。同时,该算法也GA-BPNN和摘要算法相比,也是智能算法。实验结果表明,该混合PSO-BPNN算法优于GA-BPNN算法和摘要算法在模拟和预测效果。它可以准确地预测突然在最近时期的金融灾难,因此该模型具有良好的应用前景。
1。介绍
1.1。背景和动机
管理不善可能品种金融风险。它会导致金融案件的发生,最终影响经济的正常运行。它会导致金融案件的发生,最终影响经济的正常运行。金融市场的稳定性关系到国民经济的稳定。它是经济工作的生命线,积极预防和化解金融风险。数字风险指的是各种各样的商业和技术风险造成的数字战略的缺乏,弱控制措施,应用新技术的不足,通过数字技术支持业务不足(1]。数字风险无处不在,各行各业都面临着各种数字的影响的风险,如IT治理风险、网络安全风险、数字应用风险,和数字转换风险。这些风险将严重影响组织的数字化过程,所以数字应该有效地管理风险。从经验中,金融监管机构在美国和日本等发达国家已经形成了一个成熟和完整的反应系统为突发性金融灾害等自然灾害(2]。
区域灾害是指一个事件导致严重破坏通信,电力,交通,和其他关键基础设施在当地或邻近地区有密切关系。近年来,灾害严重影响了金融业务在一定地区的正常发展。在灾难的时候,如何有效整合各方资源,有效地应对灾难事件,和恢复金融服务已经成为一个重要的任务。因此,研究智能应急避险的数字经济为突发性金融灾害具有重要的现实意义和应用需求。
操作环境和影响因素的研究在应急管理的过程中存在于过去。大多数研究灾害预测和预警是针对不同行业,提供一些预测灾害预测和感知的基础(3]。文献[4,5),从应急管理机构的职责,讨论,只有通过制定相应的法律、法规和标准可以紧急管理者履行职责和强调应急机制的重要性。文献[6)认为,应急管理是保持城市功能的正常运行,面对自然灾害。因此,在准备计划时,我们应该遵循的原则确保供应和应急修理。文献[7)指出,当企业无法继续操作,并失去了偿还债务的能力和债权人要求企业按照法定程序,清算企业已经在金融危机或金融困境。
上面的大多数研究集中于应急管理的各个方面,研究其重要性或考虑如何提高个人水平。事实上,有复杂的直接或间接的这些操作链接和影响因素之间的联系,和每个链接的缺陷或影响因素将会影响到其他参数的状态,然后影响处理效果。神经网络是近年来最热门的研究方向。它有别于传统模式的信息表达和处理。它是一种基于历史信息的智能算法与经验学习。在这一主题,采用PSO算法对神经网络的学习和培训,和PSO-BPNN(粒子群优化的BP神经网络)智能应急风险规避模型建立了突如其来的金融灾难通过金融系统的预警指标体系。模型训练时间短的优点,计算精度高,较强的全局搜索能力,并取得了良好的应用效果。
1.2。贡献和组织
本文的贡献如下:(1)摘要利用容易陷入局部最小值,对网络的初始重量十分敏感。为了解决这个问题,本文利用PSO算法找到全局极值点和构造PSO-BPNN模型来提高网络的稳定性和预测性能。(2)自PSO算法随机分配初始值时,均方误差所产生的每个模拟都有轻微的偏差从日军。本文从假设检验的角度,PSO-BPNN的随机性模型进行稳定性测试,结论是显著的。与此同时,本文还讨论了PSO-BPNN模型的预测性能从垂直和水平方向通过比较分析。
第一部分介绍了智能数字经济的背景突然紧急回避金融灾难和现实意义。第二部分论述了神经网络相关文献综述,摘要算法和PSO算法根据进步的关系。在第三部分,PSO-BPNN构造预测模型。第四部分是献给结果和讨论该模型的应用在智能数字经济紧急风险规避突如其来的金融灾难。第五部分提出了一些建议在模型改进和总结了纸。
1.3。相关工作
条件概率模型引入到预测突如其来的金融灾难。多元判别模型相比,它是许多学者青睐的,因为其宽松的假设。它包括两个模型:物流模型(逻辑回归模型)和Probit模型(多个概率比),和一些学者认为他们是一种模型。文献[8构建预警指标体系和构建预警模型和条件概率模型的方法。文献[9]介绍了神经网络模型在智能领域的紧急风险预测突如其来的金融灾难。作者在使用五货币指标描述性的变量来构建神经网络模型。实验表明,与传统的单变量或多变量预测模型相比,人工神经网络模型具有良好的预测效果。文献[10]以银行业的金融风险研究对象,考虑各种重量元素的影响神经网络的训练样本,并建立预测模型基于神经网络银行突然金融灾难。实验表明,该神经网络模型是极大的改善。文献[11,12),以前的研究的基础上,不完美的神经网络理论的研究领域的突如其来的金融灾难的预测和研究打下坚实的基础的金融基于神经网络预测模型。文献[13)设计一个适当的金融风险指标评价体系对中国建立并结合摘要模型。实证研究表明,与传统的预测模型相比,该模型具有较强的适应性和更好的预测效果。
文献[14)结合了自组织映射神经网络和GA(遗传算法),并使用它来预测股票价格。实验结果表明,该预测模型与神经网络相结合是一个可行的和有效的工具,但每日收盘价格的频繁波动在选定的时间间隔使预测更加困难。文献[15]使用神经网络、决策树和混合算法之间的决策树和神经网络预测股票价格。结果表明,金融危机后在多变的市场环境中,混合神经网络可以预测股票价格比单一神经网络更稳定,这混合神经网络具有一定的实用价值。文献[16)指出,当数据噪声有太多影响,训练神经网络,将变得更加困难和网络很容易陷入局部最小值。文献[17)指出,由于梯度下降算法迭代权重和阈值,解决方案摘要将被迫独立的局部最小值。为了解决这个问题,许多学者提出一些方法来优化摘要的主要权重和阈值的关系。文献[18)提出了一种线性代数方法选择摘要的主要权重和阈值。虽然有很好的预测能力与线性系统特征,非线性问题的预测结果不理想。文献[19,20.)使用遗传算法来优化摘要的主要权重和阈值和预测个股的价格,分别。虽然这个方法很好收集和模仿神经网络模型的预测性能,中长期预测结果不好,需要添加一个更强大的全局搜索算法。
2。方法
2.1。粒子群优化算法
算法,与其他进化算法,也使用“人口”和“进化”的概念,也操纵的基础上个人的健身价值(粒子)。所不同的是,算法不采用进化操作个人肖像其他进化算法;然而,它看起来在每一个人作为一个没有重量和体积的颗粒N维雪貂雪貂的空白和飞行速度对空白。飞行速度变化调整个人飞行感觉和组飞行感觉(21]。算法的基本思想是显示在图1。
让 粒子的当前位置 ,让 是目前粒子的飞行速度 ,,让 粒子是最好的位置 ,即粒子位置与最佳的健身价值 。这是个体最优位置。最小化问题,价值较小的目标效果,最佳重合的健身价值。
为方便讨论,让是最小化的目标效果;实际粒子的最佳位置是决定通过以下方法:
让粒子在人口的数量 。这就是所谓的全局最优位置。然后
上面的定义,基本PSO算法的进化方程可以描述为
在上面的方程中,“”是指 - - - - - -th粒子的大小;””是指粒子 ; 代表了th代; 是加快常数,通常范围从0到2.5,然后呢 是两个自治功能。
为了减少粒子离开雪貂的可行性对空白在进化过程中,通常局限于一些范围;也就是说, 。如果仅限于雪貂的空白问题 , ,可以设置。
PSO算法的基本假设主要包括以下:
设置粒子群的人口规模 。
对于任何 ,它服从均匀分布 ,在哪里 是任何值。
对于任何 ,它服从均匀分布 ,在哪里 是任何值。
让 ,在哪里是一个任意值。
2.2。BP神经网络结构
摘要的结构如图2。
从学习样本接受刺激后通过神经元的输入层,摘要激活阈值从输入层到中间层的输入信号传送给输出层的神经元。网络性能的改善是通过不断降低实际输出值之间的偏差和潜在产出的价值网络。在这个过程中,误差反向传播的实现完成通过计算网络传递函数的导数,所以需要网络传递函数可微的,这是不同于其他模型,如硬阈值感知器网络的传递函数。因为传递函数可微的无处不在,摘要构成非线性超平面区域,这是一个相对光滑的表面,所以分类精度和容错高于线性分区。此外,传递函数可微的无处不在使得解析表达式清晰可见的修正和提供了一个依据严格的采用梯度下降算法(22]。
神经元网络拓扑的生物学研究和大脑反应机理,模拟神经发生碰撞的一步。的大量的神经元树突接受表面信号量和传达他们为处理和混合在一起,最后传递到其他神经元或效应器交叉神经轴突(23- - - - - -28]。神经元的拓扑结构如图3。
为th神经元, 是神经元的输入,通常有关键影响的独立变量系统模型,然后呢 是每一个输入的重量比例调节体重的关系。
有很多手段,结合信号到神经元,只是和线性加权求和的净输入神经元: 在哪里指神经元的阈值。因此,我们比较和然后处理它们制造神经元激活函数的输出。
激活函数。激活函数不会重复。如果输出值有一定的局限性,如需要逐项列出它们,SIGMOD函数通常是使用。这个函数可以改变输入信号从拒绝无尽积极和输出在0和1之间。如果没有约束,我们可以采用线性激活函数。像这样,我们得到的输出
我们可以简化公式,假设输入总是第一重量是−1;也就是说,
和选择激活功能。
一般来说,摘要的学习过程可以分为以下两个独立过程(29日- - - - - -34]。
数据向输入层和输出值是最终获得输出节点的神经网络通过循序渐进的神经网络的计算;真正的价值由输出层输出与期望输出值系统的偏差。当误差值在允许范围内,系统训练终止。如果没有达到,继续训练系统通过修改连接权值和阈值。连续迭代学习后,神经保留最终导致了输出误差达到预定的范围或学习时间达到预定值,和学习过程结束。
3所示。PSO-BPNN模型
3.1。定义数量和空间约束关系
假设所有的链接和相关因素突然智能应急风险规避管理系统的金融灾难一般分析,每个链接的状态和相关因素已经初步确定初始时刻的紧急金融灾难处理过程。现在,有必要模拟相应的处置效应的变化过程由于突如其来的金融灾难的发展和各种链接和因素的动态变化一段时间后和使用结果修改原系统的方案和措施。
定性变量表示为 ,在哪里 仿真过程和阶段的时间是定性的变量的值。的状态变量在某个时间点或时间间隔是由定性值和变化趋势;也就是说,
在上面的equaiton,定性的价值吗 ,及其价值空间{2−−1 0 1 2},和相应的意思是“很差”,“贫穷”,“公平”和“很好”;改变方向的吗 ,定义为 ,这意味着改变的趋势是“恶化”,“稳定”和“变得更好”。
3.2。PSO-BPNN算法的实现
在这项研究中,一个新的PSO-BPNN混合算法结合PSO和摘要算法。11 PSO-BPNN算法可以实现的过程。
初始化一群粒子的位置和速度随意在[0,1]的极限。
评估每一个初始化粒子的健身价值。将实际的粒子位置,而为初始化粒子的最优位置。
存储最优粒子的粒子。所有粒子的位置和速度更新公式的基础上生成一组新的粒子。如果一个新粒子超过边界 ,将被设置为新位置或 。如果新的速度超过了边界 ,新速度将命令或 。
评估每一个新粒子的健身价值,和替换最糟糕和最优粒子内存颗粒。如果新鲜的位置粒子比 , 是有序的新鲜的位置吗粒子。如果所有新粒子的最优位置是超过 , 是翻新的。
选择策略来减少惯性因素 。
采用摘要算法对雪貂无处不在一定的时间,和输出当前搜索结果,如果结果超过雪貂 ;或输出 。
通过添加动量梯度下降算法,学习方法调整连接权值和阈值。
判断是否达到最大迭代次数小于或错误 。
该模型完成了培训。
类似于PSO算法,PSO-BPNN算法的搜索步骤从初始化一群随机粒子。首先,按照公式(所有粒子都是翻新3)和(4),直到新一代粒子集的形成。然后,这些新粒子采用雪貂对整个完成空间的最优位置。最后,摘要算法采用对整个最佳雪貂。这样,该混合算法能够更快的找到最好的价值。这个PSO-BPNN模型的流程图如图4。
4所示。结果与讨论
4.1。使用PSO-BPNN模型预测突如其来的金融灾难
在本文中,使用MATLAB软件模拟PSO-BPNN算法来验证模型的有效性。降维后的指标变量在模型的输入端,得到六个主成分变量。这六个综合变量作为输入数据,输入层神经元节点数PSO-BPNN模型确定为6。模型的输出是一维的风险评估值和输出层神经元节点的数量PSO-BPNN模型的决心是1。
基于上述模型参数,150套样本训练集训练PSO-BPNN模型,采用和剩下的50集的测试集是用来满足精确需求预测模型,验证模型的有效期。其中,PSO算法的计算最终被定义为达到最大迭代次数或会议的误差,而采用PSO是均方误差函数的适应度函数摘要误差计算,误差分析是进行预期的输出数据和实际模型的预测输出数据。摘要利用LM算法的学习和培训的意思。图5PSO算法的适应性变化的曲线显示在摘要的步骤的优化值,其中横轴表示模型的训练时间,纵轴表示网络的训练误差。
它可以从图中获得5PSO算法的迭代过程中,粒子的变化显著的健身价值,错误是不断减少。当迭代160次,测试样本的误差平方和降低至0.106。
图6显示了一个图的总体误差的变化PSO-BPNN模型训练过程中。
它可以从图中获得6摘要模型优化算法是训练。经过160次的培训,整体误差模型的稳定在5%左右,和到达收敛状态的模型,有效地避免了经典的摘要模型的缺陷。
4.2。选择隐层的神经元数量的模型
摘要利用预测模型确定在本研究中是一个隐层网络。增加隐层神经元的数量可以提高神经网络的学习和训练的准确性。然而,神经网络判断,必须首先检查操作的准确性。在学术界,隐层神经元的数量与被称为公式。 在哪里在隐层神经元的数目;是在输入层的神经元数。因为有6个输入变量,本文中的值是6;是在输出层神经元的数量,和只有一个输入变量,收盘价,这是1。
在这篇文章中,这个公式 选择来确定隐层节点的数量,和一个1到10之间是一个常数。因此,本文的价值范围从3 - 14所示。
因此,根据上面的公式,隐层神经元的数量是通过试验和错误的意思来解决;也就是说,不同的拓扑结构是由不同值的均方误差(MSE)和平均绝对百分误差(日军)PSO-BPNN计算和比较,和小错误被认为是最佳的隐层神经元的数目。图7显示了MSE的比较三个模型对应于各隐藏层神经元的数目。
从图7可以看出,MSE的图像三种模式都是两边向上和凹在中间,和隐层神经元的数量有一个近似与PSO-BPNN MSE的二次效应的关系。当隐层神经元的数量是3 - 14岁的MSE PSO-BPNN是最大的,这表明,网络不能分类的信息。当隐层的节点数是9,神经网络最优的性能。
与此同时,我们也可以比较MSE和日军值对应于PSO-BPNN并选择最佳的隐层神经元节点数。自MSE和日军之间的大小差异很大,所有地图都减少了30倍,比较结果如图8。
它可以从图8PSO-BPNN的MSE和日军有相同的趋势,并且都获得最低当隐层的神经元的数量是9,这也证实了之前最好的选择隐层的神经元数是9。
5。分析和比较模型的影响
PSO-BPNN训练后,测试样本数据用于实证研究。为了检查建议的有效性模型,摘要和GA-BPNN测试并与相同的测试样本(35,36]。摘要利用模型的预测结果,GA-BPNN模型,和PSO-BPNN模型显示在数字9- - - - - -11单独。
从数据可以看出9- - - - - -11的预测价值提议PSO-BPNN模型测试样品可以达到91.5%,明显高于传统摘要模型和GA-BPNN模型分别增加了45.2%和57.4%。此外,提出PSO-BPNN的变化趋势非常相似的预期输出,而其他两种对比模型有一个非常不同的变化趋势和预期的输出。特别是传统的摘要模型有一个非常大的山谷当样品的数量大约是25。因此,PSO-BPNN模型具有良好的预测能力突然金融灾难。事实上,基于PSO算法的改进的摘要模型可以为金融机构提供一定的参考。金融机构可以显示不同的关注金融市场的特殊风险评估模型的价值。
解决突如其来的金融灾难的预测精度低的问题,本研究分析算法和摘要模型,建立了PSO优化摘要模型。使用PSO算法的快速采集速度,找到完整的优化,并给出最优主要权重和阈值的摘要,这是应用于突发性金融灾害的预测上市公司,和预测的影响相对于GA-BPNN摘要模型和模型。仿真结果表明,该摘要模型没有太多限制研究样本数据,autolearning和自适应的能力,和具有广泛的应用,但仍存在一些问题,如容易陷入局部最优,长寿命运行时间,预测精度较低。摘要针对缺点,PSO算法引入神经网络,这是优化的输入模型和模型的主要参数。改善摘要模型有效地提高了突如其来的金融灾难的预测精度。相比与原摘要预测模型和GA-BPNN预测模型,该算法有更好的非线性拟合能力和更高的预测精度智能应急风险避免突然的金融灾难。
6。结论
近年来,自然灾害和意外事故等灾害频繁发生,严重影响了金融业务在一定地区的正常发展。突如其来的金融灾难的数字经济管理系统与金融安全与金融稳定。有必要建立必要的应对机制,采取一系列必要措施,并应用科学、技术、计划和管理手段,确保安全稳定运行的金融业务。本文系统地阐述了摘要和PSO算法的理论基础,给出了一些优点和缺点。通过结合这两种算法,获得PSO-BPNN预测模型,并应用于突如其来的金融灾难的预测,并取得了良好的预测结果。相比之下,同样的样本数据用于预测和分析摘要和GA-BPNN。结果表明,PSO-BPNN算法不仅运行速度优势但也有更高的预测精度。
本文还一些局限性:虽然PSO-BPNN模型的预测性能本文并不坏,目前的研究才刚刚开始。在预测领域,仍然有更广泛的应用等学者研究深度,并需要进一步的研究在以下方向在未来:(1)参数选择和优化和改善(2)指标和样本数据的选择。
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。
确认
本研究支持的软科学项目河南省科学技术厅:“分析的融资方式对小型和微型企业基于互联网的科学和技术”(批准号182400410352)。