葉茂華

(淮安信息職業(yè)技術(shù)學(xué)院，江蘇 淮安 223003)

基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警系統(tǒng)研究

葉茂華

(淮安信息職業(yè)技術(shù)學(xué)院，江蘇 淮安 223003)

在當(dāng)前的企業(yè)財(cái)務(wù)預(yù)警指標(biāo)體系中，模型與現(xiàn)實(shí)的失配問(wèn)題比較突出，難以反映企業(yè)的真實(shí)運(yùn)營(yíng)情況，因此，本文針對(duì)財(cái)務(wù)預(yù)警指標(biāo)體系的構(gòu)建與研究，提出了一種基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警系統(tǒng)，具有重要的現(xiàn)實(shí)意義。

財(cái)務(wù)預(yù)警；遺傳算法；神經(jīng)網(wǎng)絡(luò)；系統(tǒng)分析

近年來(lái)，我國(guó)的資本市場(chǎng)發(fā)展迅猛，能否及時(shí)有效地對(duì)企業(yè)可能發(fā)生的財(cái)務(wù)危機(jī)進(jìn)行預(yù)警，不僅關(guān)系著企業(yè)的健康運(yùn)轉(zhuǎn)，更對(duì)投資者的決策有著重要的意義。由于企業(yè)財(cái)務(wù)狀況和經(jīng)營(yíng)管理的復(fù)雜性，建立完備的模型需要涉及管理科學(xué)、過(guò)程控制科學(xué)等諸多領(lǐng)域，更需要復(fù)雜龐大的數(shù)據(jù)運(yùn)算量，因此為了規(guī)避企業(yè)在發(fā)展過(guò)程中可能遇到的財(cái)務(wù)危機(jī)，可借鑒國(guó)外的相關(guān)研究成果，并結(jié)合我國(guó)資本市場(chǎng)的特點(diǎn)，建立相應(yīng)的市場(chǎng)模型及企業(yè)模型，實(shí)現(xiàn)對(duì)企業(yè)財(cái)務(wù)狀況的全面分析與可靠預(yù)測(cè)，從而有效預(yù)防和降低企業(yè)的發(fā)展風(fēng)險(xiǎn)。

1 遺傳算法相關(guān)概念介紹

1.1 群體規(guī)模

群體是由一定數(shù)量的個(gè)體組成，每個(gè)個(gè)體代表不同的基因組成，基因個(gè)體的數(shù)量稱為整個(gè)種群的群體規(guī)模N。在遺傳算法中，群體規(guī)模對(duì)算法的收斂性與收斂精度有著重要的影響，群體規(guī)模較小則容易導(dǎo)致收斂到局部最優(yōu)值，群體規(guī)模過(guò)大則計(jì)算量較為龐大。由于群體規(guī)模與待解決問(wèn)題間存在非線性關(guān)系，因此群體規(guī)模的選擇難以找到最優(yōu)解，一般群體規(guī)模N的取值多在20～200之間。

1.2 遺傳算子

A.選擇算子。遺傳算法利用類似于自然法則中的優(yōu)勝劣汰機(jī)制來(lái)實(shí)現(xiàn)基因個(gè)體的優(yōu)選，淘汰群體中表現(xiàn)劣勢(shì)的個(gè)體。在遺傳算法的迭代過(guò)程中，個(gè)體的淘汰與選擇機(jī)制直接決定了基因的淘汰或保留，對(duì)算法的結(jié)果有著重要影響，因此多利用適應(yīng)值指標(biāo)對(duì)群體中不同適應(yīng)值個(gè)體按比例進(jìn)行選擇，并進(jìn)行后續(xù)的雜交變異處理。目前，比例選擇、Boltzmann 選擇、排序選擇、聯(lián)賽選擇等是遺傳算法中常用的選擇方法。

B.交叉算子。遺傳算法用交叉算子來(lái)產(chǎn)生兩個(gè)新的基因個(gè)體，其過(guò)程是由一定的交換概率隨機(jī)選擇，隨機(jī)交換部分染色體。交叉運(yùn)算產(chǎn)生的子代繼承了父代的基本特征。在遺傳算法搜索的過(guò)程中，交叉操作是產(chǎn)生新個(gè)體最主要的手段，起著關(guān)鍵作用。通過(guò)選擇和交叉算子產(chǎn)生的子代群體有更高的平均適應(yīng)值和更優(yōu)良的子代群體，使搜索速度大大提高。

C.變異算子。自然界中的生物進(jìn)化是通過(guò)細(xì)胞的不斷分裂和重組發(fā)生的。變異使得生物體表現(xiàn)出不同于以往的新的性狀。遺傳算法過(guò)程自然也要模擬生物的變異過(guò)程，這一過(guò)程是通過(guò)變異算子實(shí)現(xiàn)的。

2 基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警系統(tǒng)模型分析

BP 神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的適應(yīng)性與泛化能力，經(jīng)過(guò)大數(shù)據(jù)的學(xué)習(xí)訓(xùn)練后，具有較好的預(yù)測(cè)能力，對(duì)本文所研究的企業(yè)財(cái)務(wù)預(yù)警有著較高的適應(yīng)性。BP神經(jīng)網(wǎng)絡(luò)具有大量的可調(diào)參數(shù)，需要通過(guò)大數(shù)據(jù)樣本的學(xué)習(xí)訓(xùn)練完成模型的參數(shù)設(shè)置，企業(yè)往年的財(cái)務(wù)數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的最佳訓(xùn)練樣本，能夠讓訓(xùn)練好的模型具有較強(qiáng)的預(yù)測(cè)能力。由于BP 神經(jīng)網(wǎng)絡(luò)容易陷入局部最小值，因此可利用遺傳算法對(duì)其進(jìn)行優(yōu)化，通過(guò)種群規(guī)模的控制，有效實(shí)現(xiàn)了最優(yōu)值的獲取。

一般來(lái)說(shuō)，遺傳算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化主要體現(xiàn)在網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的選擇以及網(wǎng)絡(luò)權(quán)值的訓(xùn)練，其中網(wǎng)絡(luò)權(quán)值的選擇易于實(shí)現(xiàn)，得到了較為廣泛的應(yīng)用，所以本文利用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)值訓(xùn)練過(guò)程進(jìn)行優(yōu)化與改進(jìn)，通過(guò)遺傳算法的全局搜索優(yōu)勢(shì)，對(duì)BP神經(jīng)網(wǎng)絡(luò)在迭代梯度下降過(guò)程中容易陷入局部最小值的缺陷進(jìn)行彌補(bǔ)，從而實(shí)現(xiàn)全局最優(yōu)值的搜索。

2.1 基本思路

在本文中，遺傳算法在BP神經(jīng)網(wǎng)絡(luò)中的應(yīng)用不影響神經(jīng)網(wǎng)絡(luò)的隱層數(shù)、節(jié)點(diǎn)數(shù)等拓?fù)浣Y(jié)構(gòu)，只對(duì)網(wǎng)絡(luò)中各神經(jīng)元權(quán)值進(jìn)行統(tǒng)一編碼，并形成網(wǎng)絡(luò)權(quán)值初始群體，之后通過(guò)交叉變異、產(chǎn)生子代、子代篩選等操作，最終獲得最優(yōu)的網(wǎng)絡(luò)連接權(quán)值。借助BP神經(jīng)網(wǎng)絡(luò)的輸出誤差進(jìn)行反向傳播，確定各網(wǎng)絡(luò)連接權(quán)值處的個(gè)體適應(yīng)度，從而實(shí)現(xiàn)全局最小值的獲取。

圖1 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的具體建模過(guò)程Fig.1 Genetic algorithm optimization BP neural network specific modeling process

全局化尋優(yōu)是遺傳算法的最大特點(diǎn)。通過(guò)全局優(yōu)化可以重新確定BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值。遺傳算法的優(yōu)化過(guò)程是對(duì)神經(jīng)元的連接權(quán)值進(jìn)行編碼，使之成為碼串的初始群體，進(jìn)而通過(guò)交叉操作、變異操作對(duì)每一代的群體進(jìn)行計(jì)算和篩選，直到獲得最佳權(quán)值和閾值。此時(shí)再利用神經(jīng)網(wǎng)絡(luò)輸出的均方誤差來(lái)確定每個(gè)個(gè)體適應(yīng)度，經(jīng)過(guò)不斷重復(fù)的計(jì)算，可以將誤差降低到全局最小。具體過(guò)程如圖 1所示。

2.2 具體算法步驟

A.生成初始種群。遺傳算法的收斂速度受初值影響較大，因此初始種群的生成對(duì)遺傳算法的性能有著較大的影響。在本文中，首先對(duì)神經(jīng)網(wǎng)絡(luò)中各神經(jīng)元的輸入層-隱含層權(quán)值、隱含層-輸出層權(quán)值、隱含層閾值以及輸出層閾值進(jìn)行實(shí)數(shù)編碼，形成向量用以表示基因個(gè)體。

B.確定目標(biāo)函數(shù)與適應(yīng)度函數(shù)。遺傳算法適應(yīng)度函數(shù)的選擇充分利用了BP神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，利用神經(jīng)網(wǎng)絡(luò)實(shí)際輸出值與期望值間的誤差進(jìn)行反向傳播，并利用各神經(jīng)元處的誤差分量設(shè)計(jì)相應(yīng)的適應(yīng)度函數(shù)。整體來(lái)說(shuō)，通過(guò)將各基因個(gè)體中的神經(jīng)元權(quán)值和閾值引入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代，利用誤差函數(shù) E(ξ)的倒數(shù)F(ξ) =1/ E(ξ)作適應(yīng)度函數(shù)。

C.交叉變異。在遺傳算法的迭代過(guò)程中，得到每一代種群個(gè)體后，為了保證優(yōu)良基因的組合，需要保證個(gè)體間的隨機(jī)雜交，實(shí)現(xiàn)個(gè)體基因的交叉組合，同時(shí)引入隨機(jī)量對(duì)個(gè)體基因做均勻變異處理。在實(shí)際仿真實(shí)驗(yàn)中，經(jīng)過(guò)50代左右的進(jìn)化后，種群基因多樣性開(kāi)始趨于穩(wěn)定，此時(shí)可以認(rèn)為BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)值與閾值已經(jīng)收斂在最優(yōu)值處，此時(shí)將種群個(gè)體基因取出并作為BP神經(jīng)網(wǎng)絡(luò)的初始輸入，即可進(jìn)行下一步神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練。

在神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練中，為了保證迭代過(guò)程中的一致性，輸入層到隱含層的激活函數(shù)均采用雙曲正切S型傳遞函數(shù)tansig，隱含層到輸出層的激活函數(shù)均采用統(tǒng)一的線性函數(shù)purelin、學(xué)習(xí)函數(shù)leamgdm以及性能函數(shù)mse。

3 結(jié)語(yǔ)

財(cái)務(wù)狀況的好壞關(guān)系到一個(gè)企業(yè)的生死存亡，越早防范越有利于企業(yè)的健康穩(wěn)定成長(zhǎng)。本文通過(guò)收集相關(guān)企業(yè)財(cái)務(wù)預(yù)警指標(biāo)的參數(shù)，利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)并將其運(yùn)用到財(cái)務(wù)預(yù)警系統(tǒng)中，最后再借助輸入優(yōu)化后的初始權(quán)值和閾值對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，提高了預(yù)測(cè)準(zhǔn)確率，具有重大的研究和使用價(jià)值。

[1] 楊保安，徐晶. BP神經(jīng)網(wǎng)絡(luò)在企業(yè)財(cái)務(wù)危機(jī)預(yù)警之應(yīng)用[J].預(yù)測(cè)，2015，(06):12-16.

[2] 趙春陽(yáng).上市公司財(cái)務(wù)危機(jī)預(yù)警模型研究[D].大連：大連理工大學(xué)，2015.

[3] 王小平，曹立明. 遺傳算法-理論應(yīng)用與軟件實(shí)現(xiàn)[M].陜西:西安交通大學(xué)出版社，2015.

Researchonfinancialearlywarningsystembasedongeneticalgorithmoptimizedneuralnetwork

YE Mao-hua

(Huai’an Information Vocational and Technical College, Huai’an 223003, China)

In the current enterprise financial early warning index system, the model and the reality of the mismatch problem is more prominent, it is difficult to reflect the true operation of the enterprise, therefore, according to the financial early warning index system construction and research, a financial early warning system of neural network was proposed based on a genetic algorithm, which is of great practical significance.

Financial early warning; Genetic algorithm; Neural network; System analysis

TP277

B

1674-8646(2017)18-0024-02

2017-06-16

葉茂華(1981-)，男，碩士，工程師。