羅 燁,蔡秋茹,柳益君,葉飛躍

摘 要:對企業(yè)進行科學準確的資信評估,可以輔助決策,降低投資者風險,因此提高資信評估的準確度和科學性極其重要。針對當前企業(yè)資信評估方法的不足,將BP神經(jīng)網(wǎng)絡應用于企業(yè)資信評估。根據(jù)企業(yè)資信等級與其影響因素之間的映射關(guān)系,建立BP神經(jīng)網(wǎng)絡評估模型。實驗結(jié)果表明,該模型具有較高的精度,提高了企業(yè)資信評估的準確性。

關(guān)鍵詞:BP神經(jīng)網(wǎng)絡;資信評估;金融決策;動態(tài)演化

中圖分類號:TP183文獻標識碼:A

文章編號:1004-373X(2009)20-147-03

Application of BP Neural Network in Corporation Credit Rating

LUO Ye,CAI Qiuru,LIU Yijun,YE Feiyue

(Jiangsu Teachers University of Technology,Changzhou,213001,China)

Abstract:Scientific and accurate credit rating of enterprises can be assisted in decision-making and the risk of investors can be reduced.Therefore,it is utmost important to improve the accuracy and the scientific of the credit rating.BP neural network is applied to the problem of corporation credit rating to avoid the inability of conventional credit rating methods.BP neural network model is established for the problem according to the relationship between credit rating and its influential factors.The results show that the model is fast and accurate.

Keywords:BP neural network;credit rating;financial strategy;dynamic evolution

0 引 言

隨著經(jīng)濟的發(fā)展,國家逐步放開了對金融的管制,使金融市場的發(fā)展速度得以不斷加快,經(jīng)濟形態(tài)也更傾向于信用經(jīng)濟。資信評估作為市場經(jīng)濟中的監(jiān)督力量,對經(jīng)濟的影響是不言而喻的。它在很大程度上降低信息不對稱的成本,能夠作為投資者的重要參考依據(jù)?？茖W準確的資信評估可以輔助決策,降低投資者風險。因此,提高資信評估的準確度和科學性極其重要[1]。

企業(yè)資信評估是以獨立經(jīng)營的企業(yè)或經(jīng)濟主體為對象,對進行一般性的商業(yè)交往、投資合作及信貸活動的信用評價。本質(zhì)上它屬于綜合評價中的分類與排序問題。傳統(tǒng)的資信評估方法是基于統(tǒng)計學的分析方法,包括線性回歸分析、線性判別分析、邏輯回歸分析等[2,3]。然而統(tǒng)計學方法有很大的局限性,存在權(quán)重的確定,缺乏理論依據(jù),帶有明顯主觀臆斷且計算復雜的缺陷。神經(jīng)網(wǎng)絡技術(shù)可實現(xiàn)非線性關(guān)系的隱式表達,摒棄預測函數(shù)的變量是線性和互相獨立的假設(shè),信用評級時不用確定各因素的權(quán)重且可處理各指標之間的非線性相關(guān)性。在此,將BP神經(jīng)網(wǎng)絡用于企業(yè)資信評估,建立了神經(jīng)網(wǎng)絡評估模型。實驗表明,該模型是有效的。

1 BP神經(jīng)網(wǎng)絡原理

Backpropagation(BP)神經(jīng)網(wǎng)絡是應用較為廣泛的一種神經(jīng)網(wǎng)絡,尤其是建模、模式識別和優(yōu)化等方面廣為應用。它是一個高度非線性的超大規(guī)模連續(xù)時間動力系統(tǒng),也是一個超大規(guī)模非線性連續(xù)時間自適應信息處理系統(tǒng);同時它具有大規(guī)模分布處理及高度的魯棒性和學習聯(lián)想能力。網(wǎng)絡的信息處理由神經(jīng)元之間的相互作用來實現(xiàn),知識與信息的存儲表現(xiàn)為網(wǎng)絡元件互連間分布的物理關(guān)系,網(wǎng)絡的學習與識別決定于各神經(jīng)元連接權(quán)系數(shù)的動態(tài)演化過程。

在神經(jīng)網(wǎng)絡中,傳遞函數(shù)是反映下層輸入對上層節(jié)點刺激脈沖強度的函數(shù),一般取(0,1)內(nèi)連續(xù)取值的sigmoid函數(shù):

f(x)=11+e-x

提供訓練樣本Xk(k=1,2,…,P),P為樣本數(shù)目,Xk=(xk1,xk2,…,xkM);M為輸入向量維數(shù)。設(shè)Yk為樣本Xk期望的網(wǎng)絡輸出向量,k為實際網(wǎng)絡輸出向量,Yk=(yk1,yk2,…,ykN),N為輸出向量維數(shù),則誤差指標函數(shù)為:

E=12∑Pk=1‖Yk-k‖2

標準BP算法的具體過程可歸納如下[4]:

(1) 給出訓練誤差允許值ε,并初始化權(quán)值wij和閾值向量;

(2) 計算E,若E≤ε,轉(zhuǎn)步驟(3),否則對每個樣本Xk進行下述操作:

①計算網(wǎng)絡輸出o。

對每一個輸出單元k,δk=ok(1-ok)(tk-ok);

對每一個隱含單元h,δh=oh(1-oh)∑kwh,kδk。

② 更新網(wǎng)絡連接權(quán)值wij,wij=wij+Δwij,Δwij=ηδjxij,xij為單元i~j的輸出。

(3) 算法結(jié)束。

2 評價指標體系

企業(yè)資信度評價即企業(yè)評級,以獨立經(jīng)營的企業(yè)或經(jīng)濟主體為對象,對其在一般性的商業(yè)交往、投資合作及信貸活動中的信用評價。實際上就是對企業(yè)及經(jīng)濟主體的生產(chǎn)、經(jīng)營、管理前景及經(jīng)濟效益狀況所進行的全面考察與綜合評價。在此,將企業(yè)資信等級分為優(yōu)、良、中、差四個等級。影響企業(yè)資信的因素很多,本文在對諸多學者研究的基礎(chǔ)上,結(jié)合有關(guān)文獻選取了如下12個財務指標[5-10]:

(1) 反映盈利能力的總資產(chǎn)收益率(X1)、凈資產(chǎn)收益率(X2)、主營業(yè)務利潤率(X3);

(2) 反映企業(yè)資本結(jié)構(gòu)的資產(chǎn)負債率(X4)、有形凈值債務率(X5);

(3) 反映企業(yè)發(fā)展?jié)摿Φ膬衾麧櫾鲩L率(X6);

(4) 反映企業(yè)經(jīng)營和管理其資產(chǎn)能力的存貨周轉(zhuǎn)率(X7)和應收賬款周轉(zhuǎn)率(X8);

(5) 反映企業(yè)變現(xiàn)能力的速動比率(X9)、流動資產(chǎn)應收賬款率(X10)和短期負債現(xiàn)金保障率(X11);

(6) 反映企業(yè)現(xiàn)金流量的現(xiàn)金比率(X12)。

3 網(wǎng)絡的設(shè)計、訓練與仿真

3.1 網(wǎng)絡設(shè)計

企業(yè)資信評估是一個模式識別問題,神經(jīng)網(wǎng)絡的目標是根據(jù)企業(yè)財務情況給出準確的信用等級。建立神經(jīng)網(wǎng)絡模型的關(guān)鍵是要確定網(wǎng)絡的拓撲結(jié)構(gòu)、輸入結(jié)點、輸出結(jié)點和層數(shù),見圖1。根據(jù)Kolmogorov定理,三層BP網(wǎng)絡充分學習后能逼近任何函數(shù),因此構(gòu)建三層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡。由于輸入向量包含12項指標,故輸入層應包含12個結(jié)點。確定隱含結(jié)點數(shù)有很多經(jīng)驗法則,在此根據(jù)Kolmogorov定理,取2n+1個的隱含層結(jié)點數(shù),其中n為輸入層的結(jié)點個數(shù)。因此這里隱含層結(jié)點數(shù)為25個。本文將企業(yè)資信等級分別對應一個分值,優(yōu)取值4,良取值3,中取值2,差取值1。因此,輸出層包含1個結(jié)點,輸出資信得分。

圖1 用于資信評估的BP神經(jīng)網(wǎng)絡結(jié)構(gòu)

3.2 訓練與仿真

在此,采用Matlab 7軟件及其神經(jīng)網(wǎng)絡工具箱建立、訓練并測試神經(jīng)網(wǎng)絡。樣本數(shù)據(jù)來源于實際上市公司的財務數(shù)據(jù),其中30例用于訓練網(wǎng)絡,12例用于測試[6]。

在評價企業(yè)資信的12個指標中,不同的指標從不同的角度對企業(yè)資信進行評估,指標之間無法比較。為了便于最終評價值的確定,需要對各個指標進行無量綱化處理;同時,由于評價中所使用的各項指標之間數(shù)值相差很大,不能直接進行比較。為使各指標在整個系統(tǒng)中具有可比性,必須對各指標進行標準化處理。在此使用Matlab中的 prestd 函數(shù)進行歸一化,使得數(shù)據(jù)具有零均值與單位方差。

網(wǎng)絡輸入層與隱含層,以及隱含層和輸出層的傳遞函數(shù)分別采用正切Sigmoid函數(shù)Tansig()和線性函數(shù)purelin()。設(shè)置學習率lr為0.05,最大訓練步數(shù)epoch為30 000,goal為1×10-8,show為50。其他參數(shù),如max_fail,rem_reduc,min_grad,mu,mu_dec,mu_inc,mu_max,time均采用缺省值。

利用實現(xiàn)BP算法的函數(shù)traingd對網(wǎng)絡進行2 857步訓練,網(wǎng)絡誤差平方和mse達到了誤差標準目標1×10-8的要求。網(wǎng)絡性能如圖2所示。

圖2 BP網(wǎng)絡模型訓練結(jié)果

至此,企業(yè)資信評估的神經(jīng)網(wǎng)絡評價模型已經(jīng)構(gòu)建完成,在應用過程中,只需輸入測試樣本的指標數(shù)據(jù),便可以進行評價研究。

為了驗證該模型的有效性,選用如表1所示12個企業(yè)的具體數(shù)據(jù),并利用建立好的神經(jīng)網(wǎng)絡進行仿真運算,以分析驗證所建網(wǎng)絡的有效性。

由表2可以看到,輸出得分并不限于1,2,3,4四個數(shù)值,這是因為網(wǎng)絡的輸出層采用的是線性傳遞函數(shù)。但是可以將輸出得分四舍五入,從而得到相應的評估等級。

例如,樣本9輸出得分為2.761 5,其資信等級便是B。由表2可得,輸出結(jié)果準確率為75%。

4 結(jié) 語

與企業(yè)資信評估研究常用的統(tǒng)計學方法相比,基于BP神經(jīng)網(wǎng)絡的企業(yè)資信評估模型具有如下優(yōu)點:首先,它屬于隱式數(shù)學處理方法,只需將經(jīng)過處理的數(shù)據(jù)輸入訓練好的網(wǎng)絡中,通過相應的數(shù)學工具即可得出結(jié)果,評價過程方便、快捷;其次,不需要人為確定權(quán)重,降低由于評價過程中主觀因素所導致的結(jié)果失真,評價結(jié)果更為客觀。但在研究過程中發(fā)現(xiàn),樣本數(shù)據(jù)的數(shù)量和質(zhì)量對網(wǎng)絡的學習能力有較大影響,相信隨著神經(jīng)網(wǎng)絡方法及其數(shù)學工具的深入研究,現(xiàn)存問題終將得到解決。

參考文獻

[1]劉重才,周洲,梅強.LVQ神經(jīng)網(wǎng)絡在企業(yè)資信評估中的應用[J].集團經(jīng)濟研究,2007(10):203-204.

[2]Zan Huang,Hsinchun Chen.Credit Rating Analysis with Support Vector Machines and Neural Networks:A Market Comparative Study[J].Decision Support Systems,2004,37:543-558.

[3]Reem Heakal.What is a Corporate Credit Rating [EB/OL].http://www.investopedia.com/articles/03/102203.asp,2008.

[4]Ethem Alpaydin.Introduction to Machine Learning[M].MIT Press,2004.

[5]熊穎,陳新,陳新度.制造業(yè)中小企業(yè)的資信評估研究 [J].微計算機信息,2007,23(27):30-32.

[6]張萌.企業(yè)信用評估體系與評估方法研究[D].西安:西北大學,2006.

[7]朱麗,張洪偉,譚輝.基于軟計算的資信評估研究[J].計算機應用研究,2005,22(5):74-77.

[8]徐晉.基于神經(jīng)網(wǎng)絡專家系統(tǒng)的創(chuàng)業(yè)企業(yè)信用等級評估研究[J].南京理工大學學報,2004,28(6):684-688.

[9]牛紅紅,王文寅.企業(yè)信用評估體系研究[J].經(jīng)濟問題,2008(1):66-68.

[10]鄒小芃,余君,錢英.企業(yè)信用評估指標體系與評價方法研究[J].數(shù)理統(tǒng)計與管理,2005,24(1):37-44.