神经网络在财务的应用

整理文档很辛苦,赏杯茶钱您下走!

免费阅读已结束,点击下载阅读编辑剩下 ...

阅读已结束,您可以下载文档离线阅读编辑

资源描述

神经网络(NeuralNetwork,NNet)BP算法基本步骤神经网络在财务方面的应用神经网络研究方向主要内容神经网络(Neuralnetwork,NNet)是人工智能中研究比较成熟的技术。神经网络最早是由心理学家和神经生物学家提出的,旨在寻求和测试神经的计算模拟。神经网络是一组连接的输入/输出单元,其中每个连接都与一个权值相连。在学习阶段,通过不断调整神经网络的相连权值,使得能够正确预测输入样本的正确类标号。神经网络系统是由大量的、同时也是很简单的处理单元(或称神经元)广泛的相互连接而形成的复杂网络系统,在研究方法上强调综合而非分解。一般认为,神经网络系统是一个高度复杂的非线性动力学系统,除了具备非线性系统共性以外,更主要的是具备其自身的特点,即高维性、神经元之间的广泛互连性、自适应性、自组织性等等。NNet神经网络通常由输入层、输出层和隐藏层组成,输入层的神经元个数等于样本的特征数,输出层就是分类判决层,它的神经元个数等于样本的类别数。特点:对噪声数据具有较高的承受能力,但训练需要花费较长的时间。至今为止,学者们已经提出了多种神经网络模型,如自适应共振理论模型(ART)、雪崩模型(AVA)、反向传播模型(BP,一种多层结构的映射网络,是目前应用最广泛的一种神经网络模型之一)、重复传播模型(CPN)、感知机模型(PTR)、自组织映射模型(SOM)等等NNet目前最流行的神经网络学习算法是:后向传播算法(Back-propagation,BP)。它通过迭代地处理一组训练样本,将每个样本的网络预测与实际知道的类标号比较,进行学习。对于每个训练样本,修改连接权值,使得网络预测与实际类之间的均方误差最小。这种修改“后向”地进行,即由输出层,经由每个隐藏层,到第一个隐藏层。BP算法基本步骤1.初始化网络各层的权值及神经元阈值。(一个小的随机数)2.向前传播输入:对每一样本,计算隐藏层和输出层每个单元的净输入和输出。BP算法基本步骤3.后向传播误差通过更新权值和偏置以反映网络的预测误差。BP算法基本步骤终止条件:更新权值较小正确分类的样本百分比超过预先指定的训练周期(实践中,权收敛可能需要数十万个周期)神经网络在财务方向的应用在财务管理理论方面,应用神经网络的典型例子有:IPOs(Jain和Nag,1995)以及IPO定价、衍生证券的定价与保值(Hutchinson,Lo和Poggio,1994),预测银行破产(Tam和Kiang,1992),证券评级(Dudda和Shekhar,1988),对人工神经网络绩效进行比较判别分析(Yoon,Swales和Margavio,1993),破产预测(Fletcher和Goss,1993)等等[9]。简而言之,该方法逐渐产生的普遍适应性归结于其模式识别(patternrecognition)的基本技术。神经网络在财务方向的应用神经网络的预测功能使得其首先应用于财务危机预警将T-i年的财务指标输入模型进行训练,提取样本特征;首先将ST公司和非ST以及各自对应的财务比率输入神经网络,神经网络能够接收这些财务比率的特征,并将其作为输入单元,通过特定的权值,连接到输出单元,也就是通过这些财务比率进行分类。神经网络的训练就是调整权值,使其变大或变小,以达到更高的分类准确性。所以神经网络模型需要经过反复的训练,花费时间较长。神经网络的训练结果就是财务比率对分类结果的重要性,也就是哪些财务比率能够显著区分ST公司和非ST公司,而且还可以得到变量重要性的权值。这样,就可以利用神经网络去预测其他公司的分类。本文将展示神经网络在财务预警分析中的分类能力,我们可以看到神经网络模型在数据分类挖掘中的确具有较高的精度。现有文献的研究一般认为神经网络的预测正确率更好神经网络在财务方向的应用神经网络模型从本质上来说,是通过所给出的一系列输入变量(独立变量)对输出变量的系统的模式识别方法,该方法独立于数据的生成过程。进一步来说,神经网络模型能够处理大量的输入变量,即使这些数据是有噪声的(noisy)或是具有强相关性的。神经网络模型的这些优势是经典线性统计方法(以多元线性回归模型为代表)所不具备的。因此,现在也逐渐应用到财务数据的分析和挖掘上。神经网络在财务方向的应用Clementine中的神经网络神经网络在财务方向的应用在财务危机预警的基础上,相关论文仍然借鉴了神经网络在判别和预测上的功用《基于BP神经网络的上市公司审计意见预测模型》——财会月刊文章将审计意见分为标准和非标准,基于BP神经网络对审计意见进行预测,并认为神经网络具有较好的预测效果输出层阈值由网络训练自行确定,对网络隐含层神经元的数目通过试错法,通过不断的尝试增加神经元的数目来提高网络的收敛速度和拟合能力,直到网络的收敛速度达到最快,网络输出误差满足要求为止。通常确定隐含层神经元数目所使用的经验公式为:(2p1+p2)1/2p32p1+1,其中:p1为输入节点数,p2为输出节点数,p3为隐含层的神经元数目。神经网络在财务方向的应用《基于现金流信息结构的企业组织循环效率评价的神经网络模型》——会计研究提出对企业组织循环效率具有显著表征能力的现金流类财务指标,并据此构建基于现金流信息结构的企业组织循环效率评价的神经网络模型多层BP神经网络模型可以实现任意可实现的线性和非线性函数的映射,克服了Logistic回归模型要求变量个数尽可能简约及变量相互独立的局限性,解决了现金流类指标具有高度相关性及非线性性的问题,因而,更适合作为企业组织循环效率的评价模型。神经网络在财务方向的应用《基于BP神经网络的公允价值有用性评价》——中国管理信息化公允价值在上市公司的财务报表开始启用,文章利用问卷调查,选取样本对公允价值的相关性和可靠性进行评价。借助BP神经网络工具对搜集的公允价值的相关性和可靠性评分进行训练,得到各样本的综合结果神经网络在财务方向的应用《基于神经网络的企业可持续发展力评价》建立一个包含7个因子的可持续发展能力评价指标体系,基于BP神经网络建立企业可持续发展力评价模型神经网络在财务方向的应用《企业资本结构及其影响因素的关系研究》——系统工程应用神经网络和多元线性回归模型,比较两个模型的SSE指标和Theil’s“U”系数神经网络对于财务数据的处理也是一个新的研究方法和工具作者提出结构方程等也可以提供新的思路神经网络在财务方向的应用《权证定价的BP神经网络方法》——统计与决策文章采用BP和径向基函数以及传统BS模型预测三只权证的价格,使用平均误差,均方误差和平均绝对误差进行模型评价发现神经网络比传统定价模型更优,而BP神经网络预测结果不唯一,RBF预测效果较好神经网络在财务方向的应用《基于BP神经网络的大非减持影响因素实证分析———以深交所上市公司为例》——软科学采用神经网络对大股东减持的12个影响因素,通过层次贡献分析,确定各输入变量对输出变量解释能力的强弱采用遗传算法搜索一个最优的隐藏层结构Thankyou!

1 / 21
下载文档,编辑使用

©2015-2020 m.777doc.com 三七文档.

备案号:鲁ICP备2024069028号-1 客服联系 QQ:2149211541

×
保存成功