文摘
在金融和经济发展有着极大的差异在不同的地区。在不同的时间序列和不同地区,金融深度和宽度对经济发展的影响也不同。本文选择神经网络建立的经济效益模型金融深度和广度,从而深入探讨财务数据和经济数据之间的关系。为了确定最优卷积神经网络参数,确定最优卷积神经网络参数通过比较仿真分析。基于最优的卷积神经网络模型参数应用于实证分析金融和经济发展的影响X地区。为了获得最佳的卷积神经网络参数,不同的卷积,卷积核的大小,和卷积核心数量比较和模拟。最优参数的卷积神经网络模型是用来模拟金融和经济数据X地区。仿真结果表明,财务人员的密度对经济发展有一定的影响,因此有必要提高财务人员的综合素质,促进区域经济发展。因此,寻求一种有效的方法来研究金融广度和深度的影响经济发展提供一个可行的想法深入研究金融和经济发展的方法。
1。介绍
在中国市场经济的发展,人们进行了持续、深入研究金融发展与经济增长之间的关系(1]。然而,在现有的研究中,经常会有不同的结论关于两者之间的关系2]。根据相关文献的研究,我们可以看到,(1)在不同的经济发展阶段,将会有相当大的金融结构的差异nonpass地区。(2)金融发展是一个复杂的概念内涵,和将会有巨大的差异在测量指标的选择3]。(3)每个人都试图找到一个最佳的匹配;很难实现这一目标(4]。陈等人分析采取金融深度范围和相关财务指标作为独立的变量。因此,建议增加银行业的金融规模和政府干预5]。峰等人提出的金融体系和金融发展之间的关系。金融一体化被认为是一个关键指标,以适应不同细分市场的相关性,实现互补关系在金融6]。
Acedański等人发现,金融发展对经济增长产生显著的影响在1996年通过研究金融发展。它还可以通过技术创新刺激经济增长7]。汗等人讨论了民族文化维度对金融发展的影响(8]。陈等人讨论了资本流动的影响金融发展的一些非洲国家从1999年到2014年之间的关系并分析了两种不同形式的资本流动和经济发展。不考虑金融发展和人力资本措施,外国直接投资将会对金融发展的抑制作用和人力资本(9]。纳西尔等人使用固定效应和广义矩量法进行研究和亚洲经济区域效应。结果表明,以市场为导向的发展有重大的积极影响区域金融的发展(10]。金融和经济发展的研究中,纳西尔等人介绍了碳排放指标。基于36年的数据从1980年到2016年,他们讨论的长期和短期影响一个国家贸易开放与金融发展对国家经济是负的和非物质的11]。在现有的实证分析,很难得出一般结论在金融发展和经济增长之间的相互作用,尤其是在转型期国家经济发展的影响因素。Niranjan等人研究了经济在转型期间,分析金融发展与经济增长之间的关系,并分析了东南欧洲国家经济数据利用格兰杰因果关系检验方法(频率12]。分析有利于解决相关的因素对经济发展的积极意义,为国家提供决策支持,提出相应的策略,这是为国民经济的发展具有重要意义[13]。
本研究中使用的主要方法是提高卷积神经网络技术实现财务数据的深度挖掘和预测分析(13]。领域的深入学习,卷积神经网络在图像取得了极大的成功,视频和语音识别等领域。卷积神经网络可分为一维、二维、三维卷积神经网络根据其网络结构,可以认识到医学图像和视频数据14]。卷积神经网络具有很好的性能在不同的行业,由于其优异的性能;它有一个非常好的应用效果在图像分类和计数。Suma等人设计了一种新的自动金融使用深卷积神经网络识别方法,能够实现高性能金融图像分类(15]。托德卷积神经网络用于识别姿态变化和结合局部二进制模式识别实现脸图像识别(16]。在生物医学工程的应用程序中,托德等人提出的方法使用卷积神经网络精确检测QOS波群。CNN方法可以提取心电图形态特征不同的粒度,从而实现一种简单、实用的ECG信号预测处理技术。在实际应用中,该方法可以实现99.77%的敏感性和准确性(16]。
作为金融领域的创新和发展,市场环境在绿色金融起着非常重要的作用。威廉姆斯等人提出了一种基于卷积神经网络的深度学习模型来构建一个绿色智能金融体系,意识到金融数据的清洗和提取数据结构。并发模型具有良好的系统鲁棒性(17]。本研究将建立一个指标体系涵盖金融的宽度和深度,确保评价指标体系的科学性和完整性。其次,通过实证分析的方法,我们可以理解他们的增长效应和把握经济增长和金融发展的总体趋势。相关的索引数据的内涵可以深入挖掘,可以为经济发展提供对策和建议基于不同地区的金融发展的特点。
为了找到一种有效的方法来研究金融广度和深度对经济发展的影响,它可以提供一个可行的想法深入研究金融和经济发展的方法。本文创造性地选择神经网络建立的经济效益模型金融深度和广度,从而深入探讨财务数据和经济数据之间的关系。为了确定最优卷积神经网络参数,确定最优卷积神经网络参数通过比较仿真分析。基于最优的卷积神经网络模型参数应用于实证分析金融和经济发展的影响X地区。为了获得最佳的卷积神经网络参数,不同的卷积,卷积核大小、数量和卷积内核比较和模拟。基于最优的卷积神经网络模型参数应用于实证分析金融和经济发展的影响X地区。通过仿真分析,金融宽度指数(保险密度、密度、金融机构和金融人才密度)和金融深度指标(保险深度、货币化程度和证券化程度)和经济效益指数进行了分析。
本文分为五个部分。第一部分阐述了研究的背景。在金融和经济发展有着极大的差异在不同的地区。在不同的时间序列和不同地区,金融深度和宽度对经济发展的影响也不同。第二部分描述了优化和改进的BP神经网络和卷积神经网络。第三部分分析了金融的经济增长效应基于卷积神经网络的深度和宽度。第四部分研究金融深度和宽度对经济增长的影响,构造一个基于卷积神经网络的经济效益模型。最后,卷积结果的影响进行了分析和不同参数对预测的区别进行了总结。
2。人工神经网络
人工神经网络是一种算法模型,模拟生物神经系统的传播机制。它可以使用大量的模拟神经元来实现信息的传播和深入探索内部复杂的数据之间的关系。在人工神经网络中,最基本的信息传输单元叫做神经元。神经元的激活函数绘制大量的神经网络输入和放大或抑制他们实现一组输出目标。一个典型的人工神经元如图1。
让输入的th神经元是 ,神经元的输出是 ,连接的输入值 ,和阈值 ,
有五个常见类型的激活函数,阶跃函数、线性函数、饱和线性函数,年代函数和高斯函数。
如果只有一个神经元,它只能解决一些简单的问题。对于复杂的任务,这必须基于一个复杂的单个神经元组成的神经网络。他们可以分为相互联系的网络结构和分层网络结构。
分层神经网络的拓扑结构如图2。不同的结构由多个神经元相连,形成一个完整的人工神经网络。所有的结果通过输出层输出网络。内部处理神经网络隐层的一部分,通过神经网络可以实现深度学习和数据特征提取。
互联神经网络和分层神经网络之间的区别是,它可以降低神经元的输出作为上层神经元的输入数据。最常见的互联神经网络是Hopfield网络和玻耳兹曼机网络(图3)。
3所示。BP神经网络
BP神经网络是一种多层神经网络,调整每一层基于连接的重量,从而形成了BP网络结构图。让输入向量 ,输出向量是 ,目标输出向量 ,输出层的输出向量 ,的连接权矩阵输入层和隐层 ,和链接的重量th神经元是 。在BP神经网络中,激活函数表示为
BP神经网络的输入层如下:
隐层的激活函数表示为
这里,我们选择乙状结肠函数,该函数是连续可微的, 对应于
可以被定义为输出错误
用方程(7)到输出层,我们可以得到以下结果:
通过扩大隐层,我们可以得到以下结果:
为了减少误差值,
在方程(10)和(11)、“−”表示梯度下降法。是一个常数的范围内(0,1),代表了学习速率。
从方程(7),它可以获得
此外,我们可以得到以下结果:
也就是说,
通过这种方式,输出层的误差计算公式和隐藏层可以推导出:
4所示。卷积神经网络的优化和改进
卷积神经网络被休博尔首次提出在1962年和另一位生物学家。然后,它是由福岛引入神经网络形成神经感知器。最后,使用BP算法训练卷积神经网络。卷积神经网络最初是用于手写字符识别。局部特征提取和转换在神经元中,可进行重量相同的神经元连接可以连接与上层神经网络地区形成一个平行的神经网络结构不变的属性。
卷积神经网络的典型计算过程如图4。卷积层通常包含多个特征映射的表面和表面的神经元的功能映射。每个特性映射的神经元表面只接收接收域的传播信息。卷积的下一层一层一层是将采样。卷积层和downsampling层几乎同时出现。将采样层可以减少自由参数的数量,减少变形的输出灵敏度,然后减少神经网络的计算复杂度(18]。
在网络训练之前,连接权值设置为不同的随机数,然后向前和向后传播网络训练。网络训练的向前传播,让网络的输入 。输出层的输出公式如下输入信息后计算一层一层地:
让网络训练结果的错误 ,即。,the difference between和 ;方程是
卷积在卷积神经网络包含有效的卷积和无效的卷积。让两个长度 ,分别。在信息传播的过程中,卷积内核使用有效的卷积实现向前传播。我们将采样的程度将采样层将复制的错误然后乙状结肠错误。卷积的反向传播过程是卷积内核旋转180°旋卷卷积内核和完全错误。计算上层功能映射层之间的连接关系和当前功能映射层和更新连接重量由卷积得到。
在卷积神经网络,每个网络参数是由样本训练和学习第一,和有用的特性可以从训练样本训练后获得。共享连接权重提高了网络效率。在卷积神经网络,延迟神经元的输入较少,这使得传播梯度网络的层数增加。前两层之间的结构也非常适用于模式识别。只要我们可以选择一个适当的值范围在网络训练之前,我们可以确保网络能够得到良好的培训效果。
5。分析经济增长的金融深度和宽度的影响基于卷积神经网络
5.1。经济增长的影响金融深度和宽度
金融发展对经济的影响可以从两个维度进行分析的金融宽度和深度。金融发展影响经济这两个维度的基础上,和经济增长对金融发展产生影响。这种关系图所示5。
从资金供给和需求的角度来看,市场需求为导向,产品市场的发展将继续推动市场的扩张。在这个过程中,可以有效地分散风险,实现交易成本的控制。市场扩张的过程中,对资本的需求也增加19]。TFP的提高是经济领域的发展的结果,它可以显示金融体系在促进经济增长的作用,这是一个被动的角色。在面向供应市场,金融深化在金融发展已经成为一个独立的变量,和资源在金融体系将被转移到一些金融深化部门,以促进资源的增长为那些更动态的项目提供更多的资源。一般来说,金融发展的过程是供给和需求为导向的金融体系,逐渐趋向于成熟20.]。
从信用的角度来看,金融机构将保持nonstate-owned企业提供贷款时更加谨慎的态度。从实际生产的角度和案例分析,信贷资本的边际生产率nonstate-owned企业比国有企业,将会有一个重要的资源倾斜配置金融资源的国有企业;国有企业可以提高产量和生产经济效益而享受更多的资源。从盈利的角度来看,当政府实现一个更轻松和积极的货币政策,国内信贷业务将有积极的影响对经济的贡献。当政府实施紧缩的货币政策,其对经济发展的贡献将会下降。这是因为经济增长的模式是一个扩展的扩张。
从空间分布的角度来看,金融发展是一种区域和组织聚集。金融行业的发展离不开社会资源的分配。现代金融发展一直免费的劳动密集型的特点,已成为高技术密集的经济活动。成熟的金融体系需要高技能人才。当人力资本的机会成本超过金融活动的成本,这将影响长期经济增长。从保险市场的角度来看,保险行业发挥积极作用在支持社会经济的稳定发展,扩大投资,刺激消费,发挥积极作用在人们的生活和经济贸易。
金融深度确定的三项指标,即保险深度、货币化程度,和证券化程度,和金融宽度确定的三项指标,即保险密度、密度、金融机构和金融人才密度。
5.2。经济效益模型建设基于卷积神经网络金融深度和宽度
标的物被深入的研究是有限的和跟踪时间很长,这是更适合的长期机会第一次交易系统。宽度的研究涵盖了许多科目,所以有必要先判断投资主题的赢率。因此,有许多金融深度和广度指标。为了适用于卷积神经网络,我们建立了全面的金融深度和广度的指标和综合指标的经济效益进行分析。金融时间序列的值使得金融发展变化。通过分析金融发展的历史价值在一定时期内,我们可以预测和分析其对经济发展的影响效益。选择滑动窗口技术从历史数据中提取数据单位。
让卷积神经网络模型的样本长度并将采样幅度 。
对于单层卷积和将采样,方程(20.)满足如下:
在方程(20.),财务数据,由于时间序列的影响,对金融时间序列数据的影响在特定的时间将直接影响样品的长度。对于不同的样本长度、卷积核的范围大小如表所示1。
为了实现神经网络的分析和研究金融和经济利益,数据预处理,参数初始化,模型训练和数据输出。为了训练和测试不同的金融时间序列数据,它是必要的初始化数据。
大量的财务数据,可能会有异常或缺失的数据。因此,需要预处理在数据处理,包括数据清洗和转换。噪声、异常值和原始数据中的缺失值删除。数据转换采用归一化,降维等措施。数据的异常数据值主要是小于0。最典型的是内核平滑方法。目前,广泛用于金融时间序列的分析和预测,可以有很好的去噪效果。
让内核函数 ,金融数据的时间序列 ,样本中心的坐标点是 ,和处理序列的价值是 。内核函数用于分发观测数据点的重量。
金融时间序列的数据越大,越有利于模型的计算,所以我们需要用归一化法统一数据范围。选中的文本数据放置在[0,1]。假设金融数据的时间序列 ,时间的时间序列值是 ,和时间序列的最大和最小值 ,分别。
6。结果分析
6.1。不同的卷积的影响参数对预测的区别
(一)
(b)
(一)
(b)
可以看出时比计算卷积计算水平是1,但是差异很小。在实证分析中,更合理的卷积级别设置为2。
(一)
(b)
(一)
(b)
不同内核数字卷积的影响预测结果如表所示2。
从表可以看出2与卷积核的数量的增加,预测结果表明最合理有效的仿真结果。
6.2。实证分析
财务分析是分析项目的财务效益和成本的角度企业或投资者的利益。经济分析是分析项目的收益和成本甚至整个国民经济和整个社会从一个国家或地区的角度。本文选择的财务数据和民众将数据区域X进行仿真分析。根据仿真分析金融宽度指数(保险密度、密度、金融机构和金融人才密度),金融深度指数(保险深度、货币化程度和证券化程度),和经济效益指标,法官每个索引对经济效益的影响。如图所示的细节10。
在图10区域的经济发展X、金融广度和金融深度一致的发展趋势。财务人员展示了一个回归的密度效应在某种程度上,而金融机构的密度显示了积极的影响。从一个全面的分析,以取得更好的经济增长的好处X地区,有必要提高金融行业从业人员的质量,而不是简单地增加人员的数量,确保地区教学质量和培养更多的高素质金融人才。
7所示。结论
本文选择神经网络建立的经济效益模型金融深度和宽度,可以深入我的财务数据和经济数据之间的关系。为了确定最佳卷积神经网络参数,通过比较仿真分析,最好的卷积神经网络参数确定:卷积层数是2,卷积核大小19日和卷积核心数字5和10。卷积神经网络模型基于最好的参数应用于实证分析金融和经济发展的影响X地区。通过仿真,分析了金融宽度指数(保险密度、密度、金融机构和金融人才密度),金融深度指数(保险深度、货币化程度和证券化程度),和经济效益指数。结果表明,除了财务人员的密度,其他指标的经济效益增长发挥了积极作用X地区。为了提高经济增长效率X地区,我们应该提高财务人员的平均质量,充分发挥人力资源。与传统的研究方法相比,本文提出的算法可以深入我的财务数据和经济数据之间的关系。为了确定最优卷积神经网络参数,卷积神经网络模型的最优参数可以在实证分析提供更稳定的经济效益。在这项研究中,只有6个典型指标选择代表金融的宽度和深度,但财务指标是复杂的,更全面的指标可以选择对未来更深入的分析研究。
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
本文的工作是由河北地质大学。