神经网络算法下企业财务风险预测探究

前言：本站为你精心整理了神经网络算法下企业财务风险预测探究范文，希望能为你的创作提供参考价值，我们的客服老师可以帮助你提供个性化的参考范文，欢迎咨询。

摘要：随着我国经济的快速发展，企业财务方面出现诸多问题，企业财务面临着巨大的风险，需要对于风险问题有及时的预测机制。因此，针对企业财务风险的实际情况，利用BP神经网络算法实现企业财务风险的预测，建立基于BP神经网络的风险预测模型。首先，分析组合预测方法，利用组合预测方法优化BP神经网络；其次，构建神经网络的组合预测模型，将模型应用在企业财务风险管理系统中；最后，所提出的组合预测模型与传统的预测模型相比较分析，通过实验可知，组合预测模型的预测效果较好。

关键词：财务风险；预测；组合预测模型；BP神经网络

0引言

目前，我国经济获得了快速的发展，企业财务数量逐年增加，但是陷入危机的企业数量较多，企业财务缺乏有效的风险预测机制。因此，针对企业财务风险问题，许多专家学者做了相关研究，部分学者从分析企业财务危机的特点出发，建立因素分析模型，判定影响企业财务风险的因素［1］。还有部分学者建立单变量企业财务预测分析模型，预测不同时间节点下的财务风险的主要影响因素［2］。还有部分学者将人工智能方法应用到企业财务领域，初步利用决策树算法建立预测模型，预测企业财务存在的问题［3－5］。还有部分学者利用统计方法建立预测模型，但是统计方法对数据的要求较高，要求数据服从多元正态分布，实用性要考量［6－7］。综上所述，目前专家学者在企业财务预测方面的研究主要集中在因素分析方面，判定影响企业财务运转的因素，从危险因素出发判定风险，整体对于企业财务风险的预测较少。由此可知，通过对组合预测方法和BP神经网络的分析建立了预测模型，对企业财务风险进行预测，从而规避企业财务风险所致的损失。

1预测方法分析

组合预测最根本的目的就是将得到的单个预测信息进行整合，得到组合后整体的预测数值，组合预测方法的优势和特点是弱化主观性，使结果更加客观有效［8］。设N为事件个数，m为预测方法类型，令i表示第i种预测方法，X表示当前事件，y表示预测值，θ表示度量值，θ（X）表示事件X的度量值，深入分析可以得到非线性组合函数公式为y＝θ（X）＝θ（θ1，θ2，…，θm），在某种情况之下，θ（X）度量优于θi（X）（i＝1，2，3，…，M）。而在神经网络中，BP神经网络是最常见的预测算法之一。BP神经网络代表的是非线性的映射关系，BP神经网络的内部结构对映射关系并不构成影响，需要通过样本的学习来达到对研究内容内部结构的模拟［9］。BP神经网络中是对一组单一的单元进行并行处理的过程，各单元之间通过许多简单而复杂的网络相互连接而形成，具有高度的非线性，系统之间可以实现复杂而非线性的逻辑运算关系。实际工作过程中的神经网络在确定用户输入层所需参数后，隐层网络根据其规则自动产生一定的输出样本数据并进行功能总结，该过程既不是简单的样本数据插值操作，也不是高度智能化的拟合操作，神经网络的整体就是不断输入和输出的过程。BP神经网络的学习过程包括正向传播和反向传播。正向传播是根据输入信息，经过权值、激活函数、隐藏层，最后获得输出结果；反向传播是根据输出信息，经过和期望值的比较，再经过算法、修改权值，最终使输出和期望值差距变小的过程。

2基于BP神经网络的企业财务风险预测模型

神经网络风险预测模型的整体是将企业日常财务信息参数作为输入数据，再利用组合神经网络的方法输出当前企业财务风险的状态。利用企业财务的历史数据对案例进行训练，最终使得不同输入向量均得到相应的输出数值。企业财务风险预测算法流程如图1所示。图1所示的主要流程如下。Step1：设Q为样本数量，m为存在的多种预测方法，输入向量Xki（k＝1，2，…，Q；i＝1，2，…，m），tk作为输出的实际神经网络数据，若数据的样本量不够大时可重复执行步骤3至步骤5；Step2：实际情况状态的计算，设j为事件下的第j种状态，计算得到隐含层中单元的状态；Step3：训练误差的计算。设O代表存在的部分误差，W代表数据可用量权重，输入层可看作δkj＝Okj（1－Okj）∑mδkmWmj，输出层可看作δkj＝（tkj－okj）＊okj（1－okj）；Step4：对模型中的权值和阈值进行修正分析。设W为修正值，η为系数，Wji（t＋1）＝Wji（t）＋ηδkjOki＋a［wji（t）－wji（t－1）］，θj（t＋1）＝θj（t）＋ηδj＋a［θj（t）－θj］（t－1）；Step5：设精度为E，分析模型的整体精度，E＝∑pi＝1Ek≤ε，为设置好的精度；Ek＝1／2（tkj－Okj）2是样本的误差值的大小或数量；Step6：企业财务状态预测。

3应用结果分析

本研究搜集整理158家企业财务，将因财务异常被处理的企业设定为危险企业，将数据组合在一起构成样本集合，以2019年数据为基础，利用模型实现预测。同时本研究采用的预测指标体系是以目前公司普遍采用的预测变量为基础进行汇总整理［10］，以部分因素输入模型的整体结构中，由于Fisher分析模型和Logistic回归模型也是在预测中效果较好，比较常见的预测模型，所以将本研究提出的模型与Fisher分析模型和Logistic回归模型对比分析，验证不同模型的优势和劣势。（1）时间效率在模型输入因素中，实际情况、盈利情况、经营情况和成长情况与时间效率的关系较强，预测的时间效率较快，能及时了解企业财务的整体情况，从而使企业快速做出风险防控措施。所以在时间效率分析上主要针对这4种因素进行预测模型输入。在实验过程中，将企业财务的数据进行分组整理，分为10组，利用测试数据对比分析3种模型在预测企业财务危机所花费的时间，如表1和图2所示。根据实验结果可知，本研究提出的模型执行效率较高，在一定程度上可以提高算法的执行效率。（2）预测准确率在模型输入因素中，实际情况、盈利情况等6个因素均关乎预测效果的准确性，从多因素分析预测效果可提升预测的精确度，预测准确性较高可以使企业有效控制财务风险。所以在预测准确率分析上主要针对多因素进行预测模型输入。在实验过程中，将企业财务的数据进行分组整理，分为10组，利用测试数据对比分析3种模型在预测企业财务危机的准确率（与实际情况进行对比分析），如表2和图3所示。根据实验结果可知，本研究提出的模型预测准确率较高，在一定程度上可以保证预测的结果和准确率。（3）安全性在模型输入因素中，实际情况、成长情况和现金流量与企业财务风险的安全性关系较强，因为企业财务数据存在涉密性，模型要最大程度减少安全问题的发生。所以在安全性分析上可从这3种因素进行预测模型输入。在实验过程中，将企业财务的数据进行分组整理，分为10组，利用测试数据对比分析3种模型出现的问题情况，如表3和图4所示。根据实验结果可知，本研究提出的模型在预测的过程中发生的安全性问题较少，比其他模型的性能好，在一定程度上可以降低安全性问题的发生。通过对本研究提出的方法进行深入的分析可知，基于BP神经网络的企业财务风险组合预测模型具有一定的优势，但是由于企业财务的实际情况具有多变性，因此对模型实际效果的检验需要有持续性的研究，后续可针对企业财务实际情况的变化，不断对模型输入的参数进行调整，检验模型的可靠性。

4总结

本研究通过对企业财务风险的分析，建立风险预测模型，并与其他模型的优势和劣势进行对比，可知本研究提出的模型在时间效率、预测准确率和安全问题方面均优于其他的方法，具有一定的实际应用性。

作者:赖茂涛 单位:闽西职业技术学院财经商贸学院