文摘
中国经济增长率的下降和反全球化的骚动,纺织行业,中国全球化的名片之一,正面临着巨大的冲击。当经济模式正在发生转变,更重要的是防止企业陷入财务困境。所以,财务风险预警的重要手段,以防止企业陷入财务困境。针对纺织行业的外国投资的风险分析,本文提出了一种基于深度学习的分析方法。该方法结合了残余网络(ResNet)和长期短期记忆(LSTM)风险预测模型。该方法首先建立了一个风险指标体系的纺织工业,然后使用ResNet完成深度特征提取,进一步用于LSTM训练和测试。该方法的性能测试是基于测量数据的一部分,和结果表明了该方法的有效性。
1。介绍
放缓的中国经济的增长速度和增长模式的变化,原来的原油公司模式已经成为不可持续的(1- - - - - -4]。当然已经成为一个重要的人们增加消费的期望基于物质生活标准的持续改进。dual-intensive行业劳动和资本,纺织行业的发展中扮演着重要角色在中国经济的发展和保障就业的水平。与其他行业相比,纺织行业的特点是漫长的过程,广泛分布,大量的员工,强化资本,明显的地理集中,和高出口比率。这些特征带来的复杂性和中国纺织行业的风险很高。自2018年中美贸易摩擦,纺织行业作为中国制造业的名片已经频繁冲击。美国征收的额外关税的列表包括textile-related产品,有一个相当大的对中国纺织工业的影响。中国对外投资的一个重要组成部分,科学进行投资风险分析在纺织工业中扮演一个重要的角色在改善经济效益。
经过多年的发展在经济预测方法的研究,出现了大量的预测模型(5- - - - - -15]。这些模型分为两类:一是基于时间序列主要包括移动平均线和趋势外推法,另一种是基于因果关系,主要包括回归分析、马尔科夫预测和人工神经网络。此外,深度学习的发展使得复杂系统更准确的拟合。有许多研究国内外宏观经济预测。传统的经济预测方法,如ARIMA和线性回归,有很大的局限性。ARIMA时间序列数据必须是稳定的。线性回归差拟合复杂的非线性系统。针对宏观经济预测的复杂的非线性关系,适应能力强的神经网络模型的非线性系统已成为一个热点研究的宏观经济预测世界各地。有许多研究摘要建立预测模型的使用。文献[6)建立了一个基于摘要利用输电线路项目成本预测模型,可以准确地估计项目的成本使用少量的样本。因此,它是适合比较项目的利弊在早期阶段。文献[9)结合径向基函数(RBF)神经网络和无偏灰色模型(GM)建立了一个灰色的RBF神经网络预测模型。通过财政收入的预测分析数据,发现训练该模型不仅具有收敛速度快而且能力强,模型精度高。文献[13)提出了一个混合径向基神经网络,集成岭回归,回归数字,和径向基神经网络。它是由实验证明预测股指的日平均趋势。这个网络有良好的效果,当变量间复杂的非线性关系,相互依赖。经过多年的研究和开发,人工神经网络及其各种改进的模型仍不能完全消除缺陷,他们往往落入当地最低标准,不能反映时间样本之间的关系(16- - - - - -24]。然而,这种时间关系是常见的在经济领域,和预测分析有很大的帮助。同时,长期短期记忆(LSTM)深度学习过程显示了一个优秀的能力领域的时间序列数据的预测。文献[18)结合近年来钢铁交易价格的趋势数据和训练LSTM模型。这项工作与支持向量回归模型比较和分析,发现LSTM神经网络可以更准确地预测钢的价格趋势。文献[20.]使用深度学习好几年的中国国内生产总值(GDP)数据建立预测模型,结果表明,基于深度学习的预测精度明显高于ARMA, LR,指数回归。文献[23)针对交通流的随机和非线性特征使用LSTM和封闭的复发性单元(格勒乌)神经网络方法预测短期交通流量。实验证明了基于递归神经网络的深度学习方法LSTM和格勒乌比ARIMA模型和执行一些其他方法25- - - - - -29日]。
基于现有的方法,提出了一种纺织行业外国投资风险预测方法,结合LSTM和ResNet [30.- - - - - -33]。首先,投资风险的指标体系是建立在纺织行业,和构造特征向量来描述当前状态的风险水平。在此基础上,ResNet用于执行进一步的功能学习构造指数特征量来获取深度特征描述能力更强。作为一个可靠的深度学习预测方法,LSTM预测ResNet所学到的特点和获取当前风险表示。所以,外国投资的风险现状可以判断纺织工业。在实验中,该方法测试和验证的一部分公开获得的数据,结果表明了该方法的有效性。
2。基本理论
2.1。LSTM
LSTM网络存储单元的模型提出的网络结构Hochreiter解决梯度爆炸和梯度消失现象,发生在复发性神经网络处理相对较长时间序列数据。是细胞的基础上,引入递归神经网络(RNN)。阈值判断结构是否满足需求的信息用于控制信息输入的积累速度,忘记门,和输出通道,使用这种结构记忆和更新新的信息和解决问题的长期依赖。如图1组成的,每个LSTM神经元细胞,即长期的状态和短期状态 ,输入门 ,忘记门 ,和输出门 。
所谓的细胞状态是一个容器来存储信息。通过输入的过程控制门,忘记门,和输出门,容器中的信息正逐渐增加,减少,改变,输出。在每个神经单元,细胞状态经历忘记忘记门的过程,输入门的输入过程,输出信息的过程输出门。输入门复制和处理当前神经单元的输入信息。它由两部分组成:乙状结肠函数独立选择的信息更新和双曲正切函数添加当前电池状态构建全新的向量来构造一个新的国家。实现公式如下:
忘记门的主要功能是确定哪些信息需要丢弃在当前状态。 意味着信息是完全保留; 意味着信息是完全丢弃。实现公式如下:
输出门主要控制电流的输出信息隐藏状态。实现公式如下:
在方程(3),是输出吗 ; , ,和输入向量的矩阵权重参数吗当时的 ,分别; , ,和代表隐藏层的权重矩阵参数向量当时 ;和 , , ,和代表偏差向量参数。
最后,通过反向传播时间(BPTT)算法可以用来优化参数LSTM模型来获得一个可靠的预测模型。
2.2。ResNet
随着深层神经网络层的数量继续增加,网络的学习能力变得越来越强。然而,相对网络的收敛速度会慢下来,和梯度将消失在传播过程中,从而无法有效地调整之前的网络层的权重。在传统的卷积神经网络(cnn),除了第一层,每一层的输入来自前一层的输出。ResNet采用跳过结构,因此深残余网络可以直接穿过中间层。参数传递给后续层,降低了网络的复杂性,解决退化问题的深层网络,提升网络性能的提高。
残余神经网络的网络结构如图2。网络利用跨层连接的高速网络的想法。剩余的单元结构如图2,网络的输入;最优解映射;和代表了残余项和直接通过输入到输出作为初始结果的输出 。当 , 是一个平等的映射。ResNet的训练目标是使剩余任期 接近于零。更容易让 比 。更新后的参数使用 可以更快地收敛。与网络模型相比,不采用跳过结构,这种结构的残余网络有更清晰的输入数据,可以保留数据最大程度的准确性。
3所示。风险评估方法
3.1。指标体系
财务预警指标的目的是检测可能的财务风险的企业提前和利率风险。因此,在选择指标时,你应该选择指标与功能评价和风险评价的本质。因此,相关的国内外研究成果的基础上,本文选择总净资产收益率,净销售额利率、净营运现金流量/债务,从五个方面和操作活动:盈利能力,营运能力,发展能力,债务偿付能力,现金流的能力。共有10个财务指标包括净现金流量增长率、净资产增长率、总资产增长率、应收账款周转率、流动资产周转率、资产负债率、资产负债率和统计分析。数据指标的基础上对纺织行业的外国投资,这10个指标的特征向量可以构造相应的,可以用于后续的风险预测和评估。
3.2。评估过程
本文构建一个ResNet-LSTM-based纺织行业外国投资风险分析模型基于先前的讨论。该方法充分利用ResNet的优点,更好地保留了原始数据的属性,以有效地解决这一问题的金融风险数据的特征提取的纺织工业。使用LSTM数据预测的优点,提高风险预测的准确性通过ResNet深特性。本文方法的基本流程图如图3描述,具体步骤如下:(1)基于历史数据集纺织行业的外国投资,特征向量构造根据建立指标体系。(2)ResNet用于深特征提取,进一步优化特征向量。(3)在训练阶段,深度特征提取的优化ResNet输入到LSTM网络,和独特的特征记忆LSTM单元结构的网络是用来建立一个预测模型。(4)在测试阶段,当前的投资金融数据集数据LSTM建立预测模型的输入,输出和当前的风险评估结果。
3.3。评价指标
假设预测价值 和真正的价值 ,均方根误差(RMSE),平均绝对百分误差(日军)和平均精度(MA)作为评价指标的毁灭之路模型。三大股指的定义如下:
的公式,权值越小,越接近真实价值的预测价值,预测的准确性就越高。日军马和评估模型的预测能力。日军和马越大越小,模型的预测效果越好。
4所示。实验和分析
4.1。数据集和比较方法
为了测试该方法的性能,本文获得380年中国纺织工业的历史财务数据通过公众渠道外国投资。根据金融风险测量指标体系在前面的工作,分别构造相应的特征向量。然后,ResNet和LSTM相结合的方法用于风险预测分析,马和RMSE指标用于评价方法的性能。测试方法时,选择一些现有方法比较分析,包括基于支持向量机(SVM)方法,基于BP网络的方法,该方法基于LSTM。
5。结果和分析
选择的投资数据进行测试使用该方法,本文方法的性能和比较方法如表所示1。结果显示,本文方法的性能是最好的四种类型的方法,反映了其性能优势。在三种类型的比较方法,LSTM具有最好的性能,表明在数据预测其显著的优势。BP网络也有一定的优势支持向量机,显示了神经网络的优点。特别是,比较该方法与LSTM表明,本文进一步介绍了深ResNet特性学习,进一步提高了最终的预测性能。
因此,通过使用RMSE和日军两个指标的综合评价,该方法具有预测纺织行业的外国投资的风险。
在实际的过程中,由于市场乐队和其他政治和经济因素的影响,某些错误可能发生在预测模型。为此,本文应用一定程度的噪音实验数据反映的经济数据的波动。在此基础上,马作为基本评价指标测试各种方法的性能趋势,结果如图所示4。从图可以看出,各种方法的性能退化在一定程度上是由于噪声的影响。相比较,本文的方法能保持最佳的预测性能在不同噪声干扰条件下,从而进一步改善其性能优势。
6。结论
科学分析纺织行业的外国投资的风险,有利于确定投资方向和投资市场,获得最大的回报率。针对的问题预测纺织行业的外国投资的风险,本文综合使用两个深度学习模型,ResNet LSTM。ResNet用于深特性学习进一步优化风险预测的指标体系。作为一个准确和有效的预测模型,LSTM预测学的深功能ResNet并获得风险预测结果。部分测量数据是用于验证和分析方法,结果证明了该方法的性能优势。与直接使用LSTM方法相比,提出的可以带来性能改善由于ResNet的优点。在未来,更适合深度学习模型可以进一步发展提高预测模型的准确性。
数据可用性
数据集可以在访问请求。
的利益冲突
作者宣称没有利益冲突。