[摘要] 目前BP神經(jīng)網(wǎng)絡(luò)已經(jīng)成功用于公司財(cái)務(wù)分析與預(yù)測(cè)，為了降低神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，一般只能選取部分財(cái)務(wù)指標(biāo)作為模型輸入，使模型的分析依據(jù)不夠全面。提出通過主分量分析(PCA)對(duì)高維指標(biāo)進(jìn)行降維和特征提取，在保留絕大多數(shù)指標(biāo)信息的前提下有效地縮小了網(wǎng)絡(luò)規(guī)模，實(shí)驗(yàn)證實(shí)了方法的有效性。

[關(guān)鍵詞] 財(cái)務(wù)困境主分量分析降維神經(jīng)網(wǎng)絡(luò)

一、 引言

企業(yè)財(cái)務(wù)困境分析與預(yù)測(cè)是以企業(yè)財(cái)務(wù)報(bào)表、經(jīng)營(yíng)計(jì)劃及相關(guān)經(jīng)濟(jì)資料為依據(jù)，采用比例分析與數(shù)學(xué)模型等方式， 通過對(duì)現(xiàn)代企業(yè)財(cái)務(wù)指標(biāo)的綜合分析、預(yù)測(cè)， 反映企業(yè)經(jīng)營(yíng)情況和財(cái)務(wù)狀況的變化并對(duì)企業(yè)各環(huán)節(jié)發(fā)生或可能發(fā)生的經(jīng)營(yíng)風(fēng)險(xiǎn)發(fā)出預(yù)警信號(hào)， 同時(shí)尋找財(cái)務(wù)危機(jī)發(fā)生的原因與企業(yè)財(cái)務(wù)管理體系中的隱藏問題， 為企業(yè)管理提供決策依據(jù)。

由于破產(chǎn)是公司財(cái)務(wù)狀況惡化的結(jié)果， 因此通過建立一個(gè)模型將公司的財(cái)務(wù)因素作為輸入， 將公司的破產(chǎn)狀態(tài)作為輸出就成為預(yù)測(cè)財(cái)務(wù)困境的一種可能方法。這種方法同簡(jiǎn)單的財(cái)務(wù)比率分析相比無疑具有優(yōu)越性， 因而通過建立財(cái)務(wù)困境預(yù)測(cè)模型來預(yù)測(cè)財(cái)務(wù)困境成為一種流行的方法。這項(xiàng)工作是從Beave提出的單變量預(yù)測(cè)模型開始的， 后來Altman發(fā)展了多變量預(yù)測(cè)模型，1977年又提出了改進(jìn)的ZETA模型， Olhson提出了預(yù)測(cè)財(cái)務(wù)困境的Logistic模型。近年來，神經(jīng)網(wǎng)絡(luò)模型成為非常有效的預(yù)測(cè)工具，被用于財(cái)務(wù)困境的預(yù)測(cè)。實(shí)證研究表明，神經(jīng)網(wǎng)絡(luò)分析在判定正確率方面比線性模型和Logistic回歸模型更加有效，并且不受變量分布特征影響，不需要主觀定性地判斷企業(yè)財(cái)務(wù)狀態(tài)，因而能夠更加合理地確定危機(jī)狀態(tài)。

BP神經(jīng)網(wǎng)絡(luò)是目前在財(cái)務(wù)分析領(lǐng)域應(yīng)用較多也是較成功的一種神經(jīng)網(wǎng)絡(luò)類型。但是，描述財(cái)務(wù)比率的指標(biāo)很多，如果將這些指標(biāo)都作為模型輸入將導(dǎo)致網(wǎng)絡(luò)結(jié)構(gòu)過于龐大，對(duì)于過大的網(wǎng)絡(luò)結(jié)構(gòu)，一方面要求巨大的訓(xùn)練樣本集支持，在一般的研究中很難做到;另一方面也將導(dǎo)致神經(jīng)網(wǎng)絡(luò)的泛化能力下降，使其預(yù)測(cè)性能變壞。因此很多研究中只選取部分指標(biāo)作為模型輸入，這樣又將導(dǎo)致分析信息的不完整。

主分量分析(Principal Component Analysis， PCA)是近年來研究較多的一種統(tǒng)計(jì)特征提取方法[4]。由于PCA中主分量對(duì)應(yīng)于數(shù)據(jù)均方差重建誤差曲面的最小點(diǎn)，因而對(duì)數(shù)據(jù)信息具有較強(qiáng)的描述能力。本文提出采用PCA對(duì)高維指標(biāo)數(shù)據(jù)進(jìn)行降維，在保留絕大多數(shù)樣本信息的前提下縮小網(wǎng)絡(luò)規(guī)模，從而提高分析與預(yù)測(cè)的可靠性。