文摘
本文主要分析了公司的财务风险相关理论,结合主成分分析的原理,粒子群优化算法和人工神经网络得到公司的财务风险指标体系。提高财务风险预测的准确性,应用主成分分析和粒子群算法优化BP神经网络模型,预测模型的输入数据改善,并给出最优初始权值和阈值的BP神经网络,利用粒子群算法搜索,即财务风险预测模型的粒子群优化BP神经网络构造。实证结果表明,BP神经网络构建的模型不仅具有很高的准确率静态财务风险评估也有更好的预测效果。训练和测试后,BP神经网络的企业财务风险评价模型能够准确地确定企业财务管理的现有财务状况和具有良好的预测效果。我们的研究方法是一个融合处理的两种方法,属于第一个集成的结果。
1。介绍
一个企业的健康发展取决于各种因素,和一个企业的整体财务状况是其操作的关键指标。良好的财务状况和经营成果不仅保证当前的业务决策和经营管理的企业也是必不可少的一个企业的可持续、健康发展在未来1]。大量的研究数据显示,财务风险存在于企业经营管理的过程中,和管理不善或糟糕的决策可能会导致金融风险的水平超过警戒值和金融危机。金融危机可以直接反映企业的财务状况和经营成果,并在某种程度上,这可以预测财务风险情况跟踪和分析企业的所有方面;因此,该预测企业财务风险状况为学者和相关研究机构提供了进一步分析的可能性。当前全球经济环境是不可预测的,增加企业将越来越关注他们的财务风险预测和分析,以确保可持续的健康发展。有效的金融风险预测企业不仅可以发出警报并调整及时的财务风险水平,也能帮助企业管理者更好地管理他们的业务和做出合理的决定,以避免金融危机,使其发展(2]。它也可以帮助企业管理者更好地管理和理性决策,避免金融危机,使企业发展更加长远、光滑、健康。总的来说,财务风险预测的意义可以体现在以下几个方面。
企业是一个重要的不容小觑的力量在今天的市场经济,推动国家经济发展,加快国家计划为一个更强大的网络。但是由于企业的性质,它们需要大量的资金支持和金融风险很容易。公司的金融风险可以降低其经营业绩和盈利能力和整体行业的发展,会造成负面的影响(3]。因此,本文进行研究财务风险的评估公司,利用BP神经网络的方法构造一个模型和评估公司的财务风险。它使公司管理者采取适当的事前控制和事后控制工具根据实际情况。最终,它可以提高互联网公司的风险应对能力,提高公司的社会地位(4]。本文主要分析了财务风险相关理论预测,选择合适的财务风险指标,然后结合主成分分析的原理,粒子群优化算法和人工神经网络建立粒子群优化BP神经网络的上市公司财务风险预测模型基于公司的样本数据,它使用不同的模型的预测结果进行比较分析公司的财务风险,为现实的企业提供一些建议(5]。该模型可用于比较和分析公司的财务风险预测结果,并提供一些建议真正的企业的财务风险预测6]。
本文首先明确的逻辑关系作为一个整体,并通过研究和定义的概念企业财务风险预测,神经网络模型中,粒子群优化算法和主成分分析方法,我们深入具体的研究,分析和研究国内外企业财务风险的现状预测方法和神经网络在预测的研究进展,建立公司的财务风险指标体系,并提出改善方案基于本金。本文还提出了一种改进方案,公司的财务风险预测基于主成分分析和粒子群算法优化神经网络,然后分析和评估优化方案。本文首先解释了本研究的理论和实践意义,以及思想和方法通过国内外文献的阅读和分析。其次,介绍了财务风险和财务风险评价理论。然后,我们分析公司的行业背景和特点,找出互联网公司所面临的主要风险,确定相应的风险影响因素对于每个主要风险,并建立评价指标体系。通过比较各种金融风险评价方法的优缺点,本文最终选择BP神经网络方法来评估互联网企业的金融风险,诊断,和分析;优化公司的财务风险基于BP神经网络的预测模型;将粒子群优化算法和神经网络;介绍了粒子群优化算法和预测误差小,收敛速度更快,更简单的实现神经网络。在神经网络训练的过程中,我们使用粒子群算法优化神经网络的连接权值和阈值,建立上市公司的财务风险预测模型基于粒子群优化BP神经网络。
2。相关工作
目前,学者们的研究财务风险预警主要是基于两个方面,一些学者的重点研究问题相关的企业财务风险预警指标体系,和其他学者关注的热点是研究企业财务风险预警模型的方法建设(7]。与国内资本市场相比,发展机制的外国资本市场相对更加标准化和上市公司的管理机制相对健全,所以有更多的学者和富有成果的研究公司金融危机(8]。许多外国学者开始关注企业的研究金融危机在100多年前,提出了各种预测方法和模型为大多数企业所面临的财务风险,并积累了丰富的经验,现在它已经被企业广泛应用和相关投资机构(9]。目前,上市公司的财务风险预测的研究主要包括判别分析模型、条件概率模型和生存分析模型。多年来,国内外学者建立了许多金融风险预测模型和方法,如趋势分析方法,判别分析,回归分析。然而,这些算法不能满足实际需求,没有自适应和自学习的能力,和预报系统的可靠性无法保证(10]。近年来,许多学者引入人工智能技术及其改进算法的研究财务风险预测模型。一个人工神经网络(ANN)是由模拟人类大脑的神经系统,它属于一个动态模型。
乔和杜率先引入神经网络模型领域的财务困境预测,并采用五个财务指标作为解释变量建立一个神经网络模型。仿真实验表明,人工神经网络模型相比有更多令人满意的预测效果与传统的单变量或多变量预测模型11]。穆尼奥斯等人把银行业的金融风险状况为研究建立了一个神经网络银行金融风险预测模型通过考虑不同的程度的影响权重因素对神经网络的训练样本,和实验表明,这种改进的神经网络模型的准确性大大提高(12]。国外学者的相关研究对金融风险预警奠定了基础,和许多国内学者也对金融风险预测取得更好的结果。g·李和n .李分析了企业财务风险的影响因素和评价指标7个主成分变量的主成分分析,然后建立了一个基于BP神经网络的财务风险评价模型对测试样本企业,和研究结果表明,这表明BP神经网络的评价准确性将改善随着时间的方法(13]。巴比里等人改善了使用递归BP神经网络遗传算法构建财务风险评价模型,研究结果表明,遗传算法递归可以合理地确定BP神经网络的阈值和参数,使金融风险的准确性评价的BP神经网络模型14]。
阅读上面的回顾国内外文献,我们可以发现企业财务风险评价的研究已经从静态模型到动态模型。在众多评价方法,我们发现BP神经网络方法比其他方法更准确的评价企业的财务风险。从上面的文献综述中,我们可以得出这样的结论:国内外学者非常全面的对企业财务风险评价的研究,以及研究成果非常成熟。然而,文献对金融风险评价对于互联网公司本身是稀缺的,因此这一领域的研究需要进一步探索。在本文中,我们分析了互联网上市企业的财务风险影响因素建立评价指标体系对互联网企业的财务风险和使用BP神经网络的方法来构造一个模型和评估互联网上市公司的财务风险。它使企业管理者采取适当的预先控制和postcontrol措施根据实际情况。因此,本文的研究是有意义的。
3所示。对企业财务管理的研究基于BP神经网络进行了优化
3.1。风险预测模型
财务风险预警、主要使用外部环境数据、行业数据,企业内部控制信息,和财务报表数据,依赖于模糊数学模型和信息技术和其他分析方法建立一个合适的财务风险预警指标体系。根据一系列指标的动态变化,我们分析企业的财务状况,预测财务风险的可能性,在生产经营的过程中。简而言之,金融风险预警的过程识别、监视和控制企业的财务风险。经济周期波动是不可避免的客观经济规律发展,扩张和收缩的经济水平15]。经济周期有一定的规律性,一般经历四个阶段:恢复期,繁荣时期,经济衰退时期,和抑郁。根据这四个阶段,国民经济反复出现,一个周期是一个周期。每个周期包含四个过程:经济复苏、发展、衰退和萎缩。经济周期也有一定的特异性;即时间、流程和每个经济周期的波动是非常不同的。改变项目计划来消除风险或保护项目目标不被影响。虽然不可能消除所有的风险,具体的风险是可以避免的。有许多关于经济周期波动理论,本文侧重于货币因素之间的关系理论,投资周期理论、消费理论,和金融风险的警告。
经济周期理论描述了企业财务风险的原因和过程及其相互关系而言,货币因素,投资周期和消费不足,如图1。
货币因素理论认为,经济周期性波动的原因在于交替扩张和收缩的金融体系,包括银行、尤其是短期利率发挥着重要作用,货币供应和货币流通直接确定名义国家收入的波动16]。在这个理论下,钱影响需求的变化;当货币机制运转正常时,利率相对稳定和公司成本保持稳定;当资金流动性较差,公司成本的上升,导致融资成本较高。投资周期理论认为过度投资是经济周期的原因,着重于不平衡生产消费品和资本品的生产。投资过多,导致了过度开发生产的资本货物相对于消费品的生产,和资本货物的过度发展,进一步推动经济进入繁荣阶段。然而,生产过剩的资本货物导致产品过剩,进一步推动经济进入萧条阶段。在经济扩张或收缩过程中,社会总需求上涨或下跌,经济的波动会使市场投资行为增加或减少,而增加或减少公司的投资行为将引发某种程度上的投资风险。消费不足的理论表明,由于缺乏消费者的购买力,消费者的购买力总量低于社会产品的总价值,导致公司的总产品在预期销售价格不能出售,导致生产过剩和经济萧条。同样的,当消费者的购买力显示加速下滑,该公司将立即减少产能,导致对原材料的需求大幅下降,而一旦对原材料的需求下降,公司可用的现金迅速下降,从而增加生产和操作风险。
设置后的人口规模和初始化粒子的位置和速度根据实际问题的需要,计算每个粒子的健身价值。在这里,BP网络用于计算错误使用均方误差函数:
在每一次迭代中,粒子速度更新和位置Xid通过个人和全球极端,如下: 在哪里的值是速度。结束时计算,得到问题的最优解,即BP神经网络的初始权值和阈值。改进后的BP神经网络模型训练形成上市公司的财务风险预测模型。预测过程基于BP算法如图2。
因此,BP神经网络模型的输入层神经元节点的数量是由主成分分析的主要组件的互联网企业。本文分析了主成分的数量作为输入层节点的数目来优化处理互联网企业的财务风险影响指标(17]。基于我们目前的乔,添加了两个新的根据其他研究结果,这有七个。节点的数量在BP神经网络模型的输入层6因为有6个主成分,并在输入层节点对应于财务指标如表所示1。输出层节点用于实现理想期望的输出值,需要充分考虑本文的研究对象,上市的互联网企业。因此,本文遵循互联网企业确定的两个财务风险状态。摘要上市公司分为两类,所以输出层节点2。
有许多类型的转移函数的BP神经网络。重要的是要选择最合适的传递函数对BP神经网络的训练效率。考虑到互联网企业的实际数据和精度要求,运输功能是选择本文的实数的输出隐层的(−1,1)。必须训练网络参数的设计,反复试验和反馈模型的几次,最后的BP神经网络模型实现了一个小错误,即收敛,网络模型的内部参数的最佳组合参数。
3.2。Subrisk响应策略
最初选择财务指标变量的数量大,需要审查在进入到预警模型的数据,减少预警模型的复杂性通过删除冗余变量,同时保留尽可能多的指标变量可以显著区分金融风险的程度。对财务指标进行重要性分析之前,首先对研究样本进行测试来确定样本的分布。钴测试方法确定样本数据服从某一分布,所以钴常被用来测试一组样品是否符合正态分布的理论或是否有两组变量之间的显著差异:
解决的问题分散抽样分布的每个公司的财务数据,本文选择一个KNN-based模糊关系测量来确定模糊隶属度,并具有较强的鲁棒性。本文的模糊隶属度
为惯性权重因子在粒子群算法的速度,其价值有重要影响的搜索算法(18]。如果一个更大的价值选择,增强算法的全局搜索能力,如果一个较小的值呢选择,增强算法的局部搜索能力,导致很容易落入当地极端。因此,一个适当的值可以提高算法的搜索速度,同时保证了搜索功能。摘要惯性权重因子自适应调整惯性权重因子随个人的健身价值问如下:
健身价值作为衡量个人行为进化的人口。遗传算法建立适应度函数来确定个人的健身价值和繁殖适应个人基于健身价值找到最佳的解决方案(19]。常用的方法包括轮盘赌方法和排名选择方法。交叉操作是遗传算法的过程中,的核心,是产生新个体的主要方法;最常用的是单点交叉算子,均匀交叉算子,等等。与选择和交叉变异的结合保证了遗传算法的有效性,提高算法的搜索效率。
当前的金融公司预警方法太老,在单变量预警使用的财务信息是相当片面,和预警结果的准确性不高20.- - - - - -24]。首先,单变量预警不是结合一定的理论基础,主要依靠财务人员的主观判断选择指标和风险评估,也有贫穷的问题考虑所选指标的全面性,这将导致缺乏预警结果的可信度。同时,单变量预警只能给出一个大致方向,例如,资产负债率越低,越好,但比没有清晰的定义,单变量预警往往导致矛盾的预警结果。单变量财务风险预警更多的是一种比定量定性分析方法,它是一个潜在的趋势转变财务风险预警方法定量分析。
4所示。分析的结果
4.1。BP神经网络分析
BP模型是使用150样本训练集训练,剩下的50个样本测试集是用来预测模型,满足精度要求,验证了该模型的有效性。PSO算法是有限的最大迭代数或预期的错误,而算法适应度函数均方误差函数用于BP神经网络误差计算分析预期模型输出和实际预测输出数据。训练集测试中的数据可能是相同的,但相同数量非常小。我们已经删除了大部分相同的数据预处理。相同的数据几乎没有影响的结果。英国石油公司的学习和培训的方法是“LM算法。“图3显示了PSO算法的适应性的变化曲线的过程中优化BP网络的权值和阈值,在水平轴的次数模型训练和纵轴是网络的训练误差。PSO算法改变粒子的健身价值明显减少在迭代和错误,而测试样本的误差的平方和减小到0.1519时,迭代所得的161倍。
从图4,PSO-BP预测模型达到86.0%测试样本的识别精度,这是一个重大的进步相比,传统的BP模型为66.0%和GA-BP模型正确辨识率为76%。因此,PSO-BP金融风险预测模型具有更好的预测能力。在实践中,建立了改进的BP模型本文基于主成分分析和PSO算法可以提供一定的参考依据,与企业和投资者可以不同程度的关注企业根据具体风险评价模型的价值。解决财务风险预测精度低的问题,本文建立了一个模型,通过分析粒子群算法PSO优化的BP网络和BP模型。节点是框架的一个重要组成部分;节点的设计是一个关键部分的框架设计。有一定的局限性和不现实的孤立节点试验的感觉。最好的办法是对整个框架进行实验研究观察节点的性能。然而,这通常是经济上不合理的,技术上的困难,有时甚至是不可能的。因此,当前节点的研究,无论是国内或国外,仍然使用模拟方法,也就是说,拿出一个组合的框架。 It is called a detached body. Applying various loads in the structure to this composite body reflects the stress state of the node to achieve the purpose of experimental research. However, the separation of the node from the frame involves various boundaries and load handling issues. Different boundary treatments and loading point positions change the performance of the nodes. Using the faster convergence speed of the PSO algorithm, we find the global optimal point, assign the optimal initial weights and thresholds to the BP network, apply it to the financial risk prediction of listed companies, and compare the prediction effect with the BPS model and GA-BP model. The simulation experiments show the following: (1) the BP neural network model has no excessive restrictions on the research sample data, has self-learning and self-adaptive capabilities, and has a wide range of application, which is superior in financial risk prediction, but still has its problems such as easy fall into the local optimum, long operation time, and low prediction accuracy. (2) To address the shortcomings of BP networks, principal component analysis, and particle swarm optimization algorithm are introduced into the neural network to optimize the input side of the model and the initial parameters of the model, respectively, and the improved BP model significantly improves the accuracy of financial risk prediction. (3) The BP model based on principal component and particle swarm optimization not only improves the nonlinear mapping ability of the BP network but also enhances the convergence speed and overall performance of the network. Compared with the original BP forecasting model and GA-BP forecasting model, the method has better nonlinear fitting ability and higher forecasting accuracy for the financial situation of listed companies.
PSO-BP算法和其他算法之间的主要区别是,PSO-BP算法使用自适应参数优化。
4.2。风险预测分析
600年高科技行业上市公司的财务数据进行分类并结合使用2:1的比例,198年396年的训练样本和测试样本。在198个测试样本,样本容量的健康稳定发展企业(类别1)是在104年,圣企业的样本大小∗圣企业危机企业是62年,样本的大小企业宣布破产或退市陷入困境的企业(3级)32。四个分类模型用于金融数据进行分类,分类结果图所示5。从图5,我们可以得到误差和BP神经网络的适应。图中的绿色曲线显示了实际值,蓝色曲线训练价值,绿色虚线显示了最佳值,红色曲线显示了测试值,黑色虚线显示了目标价值。从图中,我们可以得出结论,误差减少作为BP神经网络的迭代的数量增加。
从图61,我们可以看到主成分解释更多关于流动比率,速动比率,和主营业务利润率,因此可以看出,主成分1解释更多关于偿付能力;主成分2解释了总资产回报率比和总资产周转率,所以可以看出,主成分2解释更多关于盈利能力;第三主成分解释更多关于研发比率、净资产收益率。因此,第三主成分可以被视为一种创新能力的指标;第四主成分解释更多关于销售现金比率和流动资产和负债比率,所以主成分4可以视为现金能力的指标;5主成分解释更多关于大股东的持股比例,所以主成分5可以视为股权集中度的指标。6主成分解释了研发费用比率和净利润增长率在更高的程度上,所以主成分6可以被视为一种资产利用率的指标的能力。7主成分解释营运现金利润率很高,所以它可以被视为资产运营效率的一项指标。因此,17产出型指标终于变成了7个指标。
4.3。应对策略分析
公司不包括应收账款周转率的图,因为公司已经免费应收账款由于first-pay-first-settlement方法。first-pay-first-served解决方法可以加速资金周转,提高资金利用率,避免时间价值损失从信贷销售,防止坏账的发生。的研究成果,发现相关的经验和人工智能技术的错误和效率比其他研究结果,表明我们的研究算法更有优势。在正常情况下,该公司使用的现金销售模式应该增加存储成本和减少存货周转,但图7显示,该公司的存货周转5年增加了2.52,这不仅表明公司的产品很受欢迎,甚至可能是供不应求,也进一步说明了该公司的库存管理功能质量。总资产周转率和流动资产周转率略有下降趋势,逐年下降的速度正在放缓,这是不可避免地与公司的清单在2016年初,表明公司的管理是适应和调整。总体而言,该公司有很强的操作能力。
从2016年到2020年,该公司的总销售利润率从39.23%上升到45.69%,总共五年增长6.45。这主要是由于公司的主营业务收入的稳定增长,而运营成本的增长速度逐年减慢。每年的营业利润率一直在稳步增加,这仍然是一个满意的结果在一个相对疲软的经济。净销售利润率也同比上升趋势,而净利润率的增长总是高于毛利率的增长速度。营业利润率同比增长的原因和净销售利润但以较慢的速度,该公司一直在升级其产品和推出许多新产品,增加促销费用。从图8,有一个轻微的上升趋势在每股收益从2017年到2018年,表明良好的业务结果和稳定的普通股票的盈利水平。在2018 - 2019年,公司的净资产收益率维持在一定水平,表明该公司利用其资本获取净收益的能力相对稳定。它表明公司具有良好的盈利能力。
基于构建的过程描述的公司的财务风险预警系统,它应用于公司,功效系数法用于计算的风险评估价值每年公司的财务指标,模糊评价方法被用来计算非金融的风险评估价值指标,综合财务风险评估公司价值得到聚合后,没有显示计算过程,结果如图所示9。在图9,我们可以看到,每种类型的价值是不同的,和相当大的差异。
危机意识是一个重要的先决条件公司能够成功运行。为公司,在短短四年,它进行了一些资本经营,忽视了资本市场的风险,并违反了规则,令投资者感到失望。对于我们的研究成果,与其他先前的研究结果相比,我们的研究结果有更高的效率和更高的精度。因此,首先,在意识形态层面,公司经理应该充分意识到在市场上激烈的竞争和风险,并能始终保持警惕,努力做好风险控制和预警。和自上而下建立风险文化,鼓励员工积极参与风险预防和控制和预警,提高员工的风险防范意识和控制和预警,并能够及时识别风险。首先,我们要加强内部员工的培训机制加强对财务管理的理解,金融风险防范和预警工作的部门员工,提高部门员工的所有权和主动性更有意识的注意工作过程中发现的风险信息。第二,金融风险的过程中应该是企业培训课程的重要内容之一。最后,结合内部文化和制度建设,使员工意识到存在的金融风险在他们的日常工作中,并有意识地配合财务管理部门的工作。
5。结论
在本文中,我们分析了互联网企业在每个阶段的财务特点,发现他们面临的四个主要类型的风险,并分析所需的功能和指标对每个风险选择的影响。选择BP神经网络模型来评估互联网上市公司的财务风险通过结合各种评价方法的优缺点,和结果表明,构造BP神经网络模型具有良好的识别能力互联网上市公司的财务状况。在比较财务风险预测的各种方法之后,介绍了人工神经网络在金融领域的风险预测和执行模型优化BP神经网络的缺陷。首先,输入数据模型的改进,和六个主成分代表获得主成分分析作为模型的输入,简化了模型的结构,提高了模型的泛化能力;然后,改进模型的初始参数,使用粒子群算法优化BP神经网络的参数,和最佳的极端值作为网络的初始权值和阈值,提高了模型的性能。实证结果表明,BP神经网络构建的模型不仅具有很高的准确率静态财务风险评估也有更好的预测效果。
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
作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。
确认
这项研究是由2020年山东省教育科学研究所:可视化的研究与实践教学设计的会计课程在高职院校课程意识形态和政治的角度(2020 jxy067)。