陳晴光, 陳宇哲

1(浙江萬里學院 物流與電子商務(wù)學院, 寧波 315100)

2(敏實集團研發(fā)中心, 寧波 315800)

遺傳BP神經(jīng)網(wǎng)絡(luò)在大宗商品市場風險預(yù)警中的應(yīng)用①

陳晴光1, 陳宇哲2

1(浙江萬里學院 物流與電子商務(wù)學院, 寧波 315100)

2(敏實集團研發(fā)中心, 寧波 315800)

研究利用遺傳BP神經(jīng)網(wǎng)絡(luò)預(yù)警大宗商品電子交易市場風險的應(yīng)用方法, 將定量分析的思維方式引入大宗商品市場風險評價管理中. 為此目的, 建構(gòu)了一個基于遺傳BP神經(jīng)網(wǎng)絡(luò)的預(yù)警模型(GA-BPNNM), 在市場調(diào)研的基礎(chǔ)上建立了大宗商品電子交易市場風險評價指標體系, 并通過實驗確定了預(yù)警模型的最佳訓練函數(shù)和隱層的最佳節(jié)點數(shù). GA-BPNNM借助BP神經(jīng)網(wǎng)絡(luò)強大的自學習能力和非線性映射能力, 克服傳統(tǒng)手段在分析大宗商品電子交易市場風險時因其定義的模糊性和誘發(fā)因素的多樣性所帶來的困難; 同時通過遺傳算法與BP網(wǎng)絡(luò)兩者相互融合優(yōu)化, 解決BP神經(jīng)網(wǎng)絡(luò)易落入局部最優(yōu)、收斂速度慢以及遺傳算法易早熟等問題. 仿真測試實驗表明, GA-BPNNM預(yù)測結(jié)果優(yōu)于標準BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法, 用于大宗商品電子交易市場風險損失程度預(yù)警是有效可行的.

大宗商品; 電子交易市場; 風險; 遺傳BP神經(jīng)網(wǎng)絡(luò); 預(yù)警模型

大宗商品電子交易市場是一種利用網(wǎng)絡(luò)平臺對能源商品、基礎(chǔ)原材料等大宗商品進行批量交易的特殊B2B電子商務(wù)市場, 其風險狀況既不同于從事普通現(xiàn)貨交易的第三方B2B電子市場, 也不同于期貨市場, 而是介于現(xiàn)貨商品交易市場與期貨市場之間. 傳統(tǒng)的以定性為主的市場風險管理方法, 已越來越不能適應(yīng)新形勢下大宗商品電子交易市場風險管理的需要, 而基于神經(jīng)網(wǎng)絡(luò)等數(shù)據(jù)挖掘技術(shù)建立有效的風險預(yù)警機制在防控大宗商品電子交易市場風險方面卻顯示出其獨特的優(yōu)越性.

國外將市場風險管理與預(yù)警結(jié)合起來研究的主要代表是James.P.Forkan的營銷風險預(yù)警研究和Robert Allio的市場安全預(yù)警研究, 并建立了各自的指標體系.從國外的相關(guān)研究成果看, 神經(jīng)網(wǎng)絡(luò)方法主要用于金融市場風險、信用風險等的預(yù)測管理中, 如進行破產(chǎn)預(yù)測[1]、利率預(yù)測[2]、信用評價[3,4]等. 國外的研究從實踐應(yīng)用的角度, 說明了神經(jīng)網(wǎng)絡(luò)預(yù)測模型是可以用于市場風險預(yù)警的. 國內(nèi)相關(guān)研究近年來主要集中在對神經(jīng)網(wǎng)絡(luò)算法的優(yōu)化以及神經(jīng)網(wǎng)絡(luò)預(yù)測模型在一些領(lǐng)域的應(yīng)用探討方面. 例如, 基于BP神經(jīng)網(wǎng)絡(luò)對農(nóng)產(chǎn)品市場風險[5]、商業(yè)銀行操作風險[6]、工程項目知識管理風險預(yù)警等[7]; 基于遺傳算法與BP神經(jīng)網(wǎng)絡(luò)的混沌時間序列預(yù)測[8]、短期風速預(yù)測[9]、煤體瓦斯?jié)B透率預(yù)測[10]、產(chǎn)品造型設(shè)計評價[11]、主軸熱誤差建模[12]和礦山煤層注水效果預(yù)測[13]等, 涉及的領(lǐng)域十分廣泛, 但尚未見在大宗商品電子交易市場風險預(yù)警領(lǐng)域有影響的應(yīng)用成果. 國內(nèi)外的相關(guān)研究在一定程度上表明, 應(yīng)用神經(jīng)網(wǎng)絡(luò)模型預(yù)警大宗商品電子交易市場風險具有理論和實踐基礎(chǔ).

對于遺傳BP神經(jīng)網(wǎng)絡(luò)模型在不同領(lǐng)域的預(yù)測或預(yù)警應(yīng)用, 目前要解決的關(guān)鍵問題: 一是如何針對不同領(lǐng)域的樣本數(shù)據(jù)確定合適的權(quán)值與閾值, 二是如何確定神經(jīng)網(wǎng)絡(luò)模型的最佳訓練函數(shù)和隱層的最佳節(jié)點數(shù),以保證預(yù)測或預(yù)警結(jié)果的有效性. 為此, 本文嘗試進行遺傳BP神經(jīng)網(wǎng)絡(luò)拓展應(yīng)用于大宗商品電子交易市場風險預(yù)警的方法研究, 找出神經(jīng)網(wǎng)絡(luò)模型針對大宗商品電子交易市場風險特征的合適的權(quán)閾值以及的最佳訓練函數(shù)和隱層最佳節(jié)點數(shù).

1 大宗商品電子交易市場風險預(yù)警原理

大宗商品電子交易市場風險包括交易商面臨的風險和交易中心面臨的風險兩大類, 由于種種原因, 能采集到的風險事件樣本數(shù)據(jù)十分有限; 而BP神經(jīng)網(wǎng)絡(luò)具有很強的學習功能, 可用于支持少量數(shù)據(jù)進行訓練, 比較適合在風險樣本數(shù)據(jù)稀疏情況下的預(yù)測分析. 因此,本文借助BP神經(jīng)網(wǎng)絡(luò)建立預(yù)警模型實現(xiàn)對大宗商品電子交易市場風險的預(yù)警.

基本思想: 首先收集有關(guān)大宗商品電子交易市場風險數(shù)據(jù), 經(jīng)過數(shù)據(jù)清洗、篩選等預(yù)處理后, 建立大宗商品電子交易市場風險信息數(shù)據(jù)倉庫; 同時創(chuàng)建BP神經(jīng)網(wǎng)絡(luò), 采用遺傳算法對其進行優(yōu)化, 確定BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)閾值, 并建立大宗商品電子交易市場風險預(yù)警指標體系; 然后提取數(shù)據(jù)倉庫中的大宗商品電子交易市場風險數(shù)據(jù), 運用所構(gòu)建的遺傳BP神經(jīng)網(wǎng)絡(luò)模型進行分析; 參照之前確定的風險預(yù)警指標, 對分析結(jié)果可視化處理后, 輸出大宗商品電子交易市場風險等級的預(yù)警信號. 大宗商品電子交易市場風險預(yù)警的基本流程如圖1所示.

圖1 大宗商品電子交易市場風險預(yù)警基本流程

關(guān)于建立大宗商品電子交易市場風險信息數(shù)據(jù)倉庫的關(guān)鍵技術(shù), 如異構(gòu)數(shù)據(jù)的集成轉(zhuǎn)換等技術(shù)實現(xiàn), 采用XML作為中間數(shù)據(jù)模型屏蔽電子交易平臺訪問信息的異構(gòu)性, 并與Web上原有的XML文檔集成, 再經(jīng)清洗過濾后轉(zhuǎn)換為關(guān)系數(shù)據(jù), 然后用遺傳BP神經(jīng)網(wǎng)絡(luò)等數(shù)據(jù)挖掘方法對其進行深層次的分析處理. 電子交易網(wǎng)站平臺數(shù)據(jù)的動態(tài)采集、異構(gòu)數(shù)據(jù)的集成轉(zhuǎn)換等技術(shù)的具體實現(xiàn)方法, 筆者在文獻[14]、[15]等論文中已有較詳細的表述, 本文不再討論.

2 遺傳BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型的構(gòu)建

本文選用Matlab7.5軟件自帶的神經(jīng)網(wǎng)絡(luò)工具箱,借助BP神經(jīng)網(wǎng)絡(luò)和遺傳算法(Genetic Algorithm,GA)創(chuàng)建大宗商品電子交易市場風險的遺傳BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型(GA-BPNNM). 首先創(chuàng)建BP神經(jīng)網(wǎng)絡(luò), 然后采用遺傳算法優(yōu)化, 使二者優(yōu)勢互補. GA-BPNNM的實現(xiàn)涉及到BP網(wǎng)絡(luò)和遺傳算法中的各類參數(shù)設(shè)計, 主要包括BP網(wǎng)絡(luò)訓練學習參數(shù)、市場風險指標權(quán)值及預(yù)警閾值、輸出報警信號等.

2.1 創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)模型的建模步驟: (1) 收集大宗商品電子交易市場風險損失樣本數(shù)據(jù), 按比例把樣本分為訓練樣本數(shù)據(jù)和預(yù)測樣本數(shù)據(jù)兩部分. (2) 調(diào)用newff函數(shù)創(chuàng)建BP神經(jīng)網(wǎng)絡(luò), 并選擇合適的神經(jīng)元數(shù)目.

創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)的關(guān)鍵代碼:

net=newff(minmax(xx), [PR, SI], {tansig, purelin},BT, BL);

net為生成的BP網(wǎng)絡(luò)對象; PR為輸入層神經(jīng)元節(jié)點數(shù); SI為隱含層節(jié)點數(shù), 隱層的最佳節(jié)點數(shù)需通過仿真實驗測試后選定; tansig與purelin分別為隱層及輸出層的傳遞函數(shù); BT為BP網(wǎng)絡(luò)的訓練函數(shù); BL為權(quán)值和閾值的BP學習算法.

為增強預(yù)警模型的適應(yīng)性和可操作性, 本文創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)模型時, 在傳統(tǒng)BP算法的基礎(chǔ)上增設(shè)了一個任務(wù)控制與轉(zhuǎn)換模塊. 用戶可以通過該模塊, 根據(jù)市場風險預(yù)警任務(wù)選擇不同的輸入層節(jié)點數(shù)和合適的數(shù)據(jù)源. 例如, 當預(yù)警交易商面臨的風險時, 輸入層節(jié)點數(shù)PR取值20, 對應(yīng)本文表1“大宗商品電子交易市場風險指標體系”中交易商面臨的20個二級風險指標; 當預(yù)警交易中心面臨的風險時, PR取值10, 對應(yīng)表1中交易中心面臨的10個二級風險指標.

表1 大宗商品電子交易市場風險指標體系

2.2 建立大宗商品電子交易市場風險指標體系

在調(diào)研識別出大宗商品電子交易市場風險類型及其影響因素的基礎(chǔ)上, 分別針對大宗商品交易商面臨的6個一級風險指標下的23個二級指標和交易中心面臨的4個一級風險指標下的12個二級指標, 通過綜合判定分析樣本數(shù)據(jù)得到各二級指標的權(quán)重因子, 剔除5個權(quán)重極小的二極指標, 最后確定了大宗商品電子交易市場各類風險的指標及其權(quán)重(如表1所示).

大宗商品電子交易市場風險預(yù)警指標體系包含了定性指標與定量指標, 可以全面反映大宗商品電子交易市場運作狀況. 關(guān)于表1中各二級指標具體評價標準的設(shè)計以及權(quán)重確定的詳細過程在另文討論, 本文不作累述.

2.3 遺傳算法對BP網(wǎng)絡(luò)的優(yōu)化訓練

遺傳算法是一種模擬自然界生物進化過程中遺傳復(fù)制、交叉和變異等現(xiàn)象的全局優(yōu)化隨機搜索算法,能對種群個體逐代擇優(yōu), 最終獲得適應(yīng)環(huán)境的最優(yōu)個體(問題的最優(yōu)解). BP神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)值和閾值通常是隨機選取的, 而初始權(quán)閾值的優(yōu)劣將直接影響到最終預(yù)警模型的性能. 本文采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)閾值(其基本原理參見圖1), 先創(chuàng)建一個BP神經(jīng)網(wǎng)絡(luò)模型, 再將遺傳算法與BP算法融合,尋找并擇優(yōu)確定BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值, 代替一般BP網(wǎng)絡(luò)隨機生成的初始權(quán)閾值; 然后對神經(jīng)網(wǎng)絡(luò)采用改進后的BP算法反復(fù)進行自學習、訓練, 并不斷調(diào)整BP網(wǎng)絡(luò)的權(quán)閾值參數(shù), 直至最終收斂, 找出滿足預(yù)期的最優(yōu)解或者近似最優(yōu)解.

2.4 預(yù)警信號的可視化輸出

大宗商品電子交易市場風險預(yù)警模型(GA -BPNNM)采用綜合預(yù)警信號輸出方式, 隱層和輸出層神經(jīng)元傳輸函數(shù)都選用Sigmoid函數(shù). 輸出結(jié)果在(0, 1)之間, 警情等級依目標值的輸出分為五級:無警(輸出結(jié)果＞0.1)、微警(0.1-0.08)、輕警(0.08-0.06)、中警(0.06-0.03)和重警(<0.03).

GA-BPNNM可在一定周期內(nèi)對大宗商品電子交易市場整體風險進行實時監(jiān)控并輸出綜合評價結(jié)果,同時將其與風險等級匹配, 發(fā)出相應(yīng)的警報信號.

實際應(yīng)用中通常要求直觀地顯示大宗商品電子交易市場風險的實時變化趨勢, 實現(xiàn)動態(tài)數(shù)據(jù)圖表. 為此,GA-BPNNM借鑒文獻[14]的方法將Java Applet嵌入到電子交易平臺的網(wǎng)頁中實現(xiàn)與用戶動態(tài)交互的功能,并根據(jù)預(yù)警模型輸出的警情結(jié)果, 通過繪制綜合風險趨勢信號圖, 更清晰直觀地展示大宗商品電子交易市場風險的變化及走勢. GA-BPNNM提供的警情結(jié)果可視化圖表包括柱圖、餅圖、曲線圖三類, 其實現(xiàn)技術(shù)的關(guān)鍵代碼示例請參閱文獻[14]中“3.2 數(shù)據(jù)挖掘結(jié)果可視化圖表的實現(xiàn)”部分相關(guān)內(nèi)容.

3 GA-BPNNM仿真實驗

在整個模型的實現(xiàn)過程中對于關(guān)鍵參數(shù)采用了自適應(yīng)策略, 分別對BP網(wǎng)絡(luò)模型和優(yōu)化后形成的GABPNNM選擇不同的訓練算法進行測試實驗, 并分析測試結(jié)果, 初步檢驗預(yù)警模型的有效性.

3.1 實驗數(shù)據(jù)準備

3.1.1 原始實驗數(shù)據(jù)描述

本次實驗所用原始數(shù)據(jù)是描述大宗商品交易商在電子交易市場所面臨的6大類風險(即表1中的一級風險指標)的損失程度數(shù)據(jù). 鑒于大宗商品電子交易市場風險數(shù)據(jù)媒體很少公開, 所收集到的數(shù)據(jù)量較少且有缺項, 達不到訓練樣本數(shù)據(jù)要求, 于是填補了一些模擬數(shù)據(jù)以便實驗順利進行. 表2展示的是實驗中用到的部分數(shù)據(jù), 模擬數(shù)據(jù)用下劃線標示.

表2 交易商面臨的市場風險損失程度分布矩陣(單位: 千萬元)

3.1.2 數(shù)據(jù)歸一化處理

由于原始樣本數(shù)據(jù)是不規(guī)則的, 測試前需先對其進行歸一化處理. 數(shù)據(jù)歸一化的函數(shù)接口如下:

3.2 BP神經(jīng)網(wǎng)絡(luò)的訓練和仿真

3.2.1 BP神經(jīng)網(wǎng)絡(luò)的訓練參數(shù)設(shè)置

net.trainParam.show=10; %定義訓練步長

net.trainParam.lr=1; %學習率

net.trainParam.epochs=200; %定義最大訓練次數(shù)

net.trainParam.goal=0.00001; %訓練目標

3.2.2 BP神經(jīng)網(wǎng)絡(luò)不同算法的收斂速度比較

GA-BPNNM的核心是基于BP算法的三層式BP神經(jīng)網(wǎng)絡(luò)模型, 由于BP神經(jīng)網(wǎng)絡(luò)的收斂曲線與訓練參數(shù)的設(shè)置有很大關(guān)系, 采用不同的訓練函數(shù)對網(wǎng)絡(luò)的收斂速度等性能也有影響, 因此, 實驗選擇Traingd、traingdm、traingdx、trainlm訓練算法進行了對比測試.為便于分析比較, 實驗中都設(shè)定訓練次數(shù)為200、隱含層節(jié)點數(shù)為10. 圖2給出了基于traingdx和trainlm訓練算法的訓練曲線, 其中橫坐標表示訓練步長, 縱坐標表示工作性能.

圖2 BP神經(jīng)網(wǎng)絡(luò)不同訓練算法的訓練曲線

用traingd訓練算法時工作性能為0, 網(wǎng)絡(luò)訓練過程在120的時候停止訓練了, 根本就未能對大宗商品電子交易市場風險進行預(yù)警; traingdm訓練算法的預(yù)測結(jié)果為1.5782, 絕對誤差為1.2782, 相對誤差為4.2607, 經(jīng)過200次訓練后, 網(wǎng)絡(luò)的訓練過程曲線收斂得依然非常緩慢, 預(yù)測結(jié)果和誤差都太大; 圖2(a)所示traingdx訓練算法的預(yù)測結(jié)果為0.2980, 絕對誤差為-0.0020, 相對誤差為-0.0068, 經(jīng)過200次訓練后, 網(wǎng)絡(luò)的訓練過程收斂得還是非常緩慢, 但是與traingdm收斂曲線相比已有一定程度的改善; 圖2(b)所示trainlm訓練算法的預(yù)測結(jié)果為0.3231, 絕對誤差為0.0231, 相對誤差為0.0769, 經(jīng)過5次訓練后, 網(wǎng)絡(luò)的目標預(yù)測就達到了要求. 此時的預(yù)測結(jié)果為0.3231, 而且該網(wǎng)絡(luò)的收斂速度非常快.

上述BP神經(jīng)網(wǎng)絡(luò)測試實驗表明: (1) BP算法模型的訓練速度是可以改進的. 經(jīng)過三次的算法改進, 基于trainlm(Levenberg-Marquardt)訓練算法比單純梯度下降算法的訓練速度大大提高了. (2) 不同的訓練算法其收斂速度不同. trainlm算法收斂速度最大, 網(wǎng)絡(luò)性能也最好, 因此GA-BPNNM采用trainlm函數(shù)對選定的樣本進一步開展預(yù)警實.

3.3 GA-BPNNM預(yù)警市場風險的性能分析

為了便于對比預(yù)警效果, GA-BPNNM進行測試時采用與單純BP網(wǎng)絡(luò)模型測試相同的樣本數(shù)據(jù).

3.3.1 迭代次數(shù)的比較

分別選取迭代次數(shù)為30次和50次, 誤差函數(shù)值的情況如圖3與圖4所示.

圖3 迭代次數(shù)為30次的情況

圖4 迭代次數(shù)為50次的情況(最佳)

從圖3中可以看出, 當?shù)螖?shù)為30次的時候, 函數(shù)值在0.025左右就沒有什么變化了, 但是實驗要求的是誤差函數(shù)值接近0, 這樣進行迭代之后數(shù)據(jù)才會更加準確. 從圖4可以看到, 在迭代次數(shù)為50的時候, 誤差函數(shù)值接近0, 說明迭代次數(shù)為50次時已經(jīng)達到了最佳.

3.3.2 GA-BPNNM隱含層不同節(jié)點數(shù)的測試

本文采用嘗試法確定GA-BPNNM隱含層神經(jīng)元數(shù)目, 即在改變神經(jīng)網(wǎng)絡(luò)模型隱含層節(jié)點數(shù)的情況下,反復(fù)運行GA-BPNNM的最優(yōu)訓練算法trailm, 對比預(yù)測結(jié)果(如表3所示). 表中“預(yù)測結(jié)果”表示大宗商品電子交易市場風險可能造成的損失金額(單位為千萬元);“絕對誤差”和“相對誤差”分別反映預(yù)測結(jié)果的準確性和穩(wěn)定性. 大宗商品電子交易市場風險預(yù)測誤差進行比較時只能取正值, 為負值則說明預(yù)測值小于真實值,達不到預(yù)測效果.

表3 GA-BPNNM隱含層不同節(jié)點數(shù)的測試結(jié)果

表3顯示GA-BPNNM預(yù)測的絕對誤差和相對誤差都比較小, 而且都比單純BP算法預(yù)測的誤差相應(yīng)有所減少, 說明采用遺傳BP算法的預(yù)測模型精度更高、穩(wěn)定性更好; 特別是當隱含層節(jié)點數(shù)為10的時候, 絕對誤差和相對誤差都最小, 預(yù)測結(jié)果0.3104也最接近期望值, 說明隱含層節(jié)點數(shù)為10時預(yù)測結(jié)果最精確也最穩(wěn)定. 因此, GA-BPNNM隱含層節(jié)點數(shù)的最佳值宜確定為10.

3.3.3 用遺傳BP算法改進trailnm的收斂速度比較

為了便于與標準BP神經(jīng)網(wǎng)絡(luò)的預(yù)警結(jié)果進行比較, 在這里還是采用訓練次數(shù)為200、隱含層節(jié)點數(shù)都為10進行測試, 并觀察結(jié)果. 遺傳BP神經(jīng)網(wǎng)絡(luò)算法下trailm訓練曲線如圖5所示, 其中橫坐標表示訓練步長,縱坐標表示工作性能.

圖5 遺傳BP算法下trailm訓練曲線

預(yù)測結(jié)果為0.3104; 絕對誤差為0.01041; 相對誤差為0.0348.

標準BP神經(jīng)網(wǎng)絡(luò)算法下, trainlm訓練曲線要5次才能達到訓練目的(參見圖2(b)); 改進之后只需要3次就能達到訓練目的, 而且在預(yù)測結(jié)果、絕對誤差、相對誤差上都有著明顯的進步, 比標準BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測結(jié)果差值減少了0.0127.

以上實驗測試數(shù)據(jù)顯示, 用遺傳BP神經(jīng)網(wǎng)絡(luò)算法大大改進了神經(jīng)網(wǎng)絡(luò)模型的訓練性能.

需要說明的是, 上述預(yù)測結(jié)果用于大宗商品電子交易市場風險預(yù)警, 還需要經(jīng)過分析評價后才能予以采用; 若誤差較大, 就應(yīng)該進行修正或重新預(yù)測, 以確定最佳預(yù)警值.

5 結(jié)束語

本文創(chuàng)新性地將神經(jīng)網(wǎng)絡(luò)預(yù)警方法引入到大宗商品市場風險管理領(lǐng)域中, 運用Matlab7.5的神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)建大宗商品電子交易市場風險的遺傳BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型, 并依據(jù)收集的相關(guān)風險數(shù)據(jù), 對一定時期內(nèi)大宗商品電子交易市場同類風險發(fā)生時所造成的損失程度進行預(yù)警. 仿真實驗表明: 對于選定的大宗商品電子交易市場風險樣本數(shù)據(jù), 本文所構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型GA-BPNNM在選擇trailnm訓練算法、隱含層節(jié)點數(shù)為10的情況下, 用于對大宗商品電子交易市場風險進行預(yù)警是有效的. 也就是說, GA-BPNNM用于大宗商品電子交易市場風險預(yù)警時, 宜選擇trailnm訓練算法、隱含層節(jié)點數(shù)為10的情況, 此時效果最佳.

本文提出的大宗商品電子交易市場風險評價指標體系, 定量評價指標占86.67%, 率先改變了以往大宗商品市場風險評估模型大多為定性評價的狀況, 對于提高大宗商品市場風險的防控管理水平具有重要的參考價值.

1Kim MJ, Han I. The discovery of experts’ decision rules from qualitative bankruptcy data using genetic algorithms.Expert Systems with Applications, 2003, 25(4): 637–646.[doi: 10.1016/S0957-4174(03)00102-7]

2Kim SH, Noh HJ. Predictability of interest rates using data mining tools: A comparative analysis of Korea and the US.Expert Systems with Applications, 1997, 13(2): 85–95. [doi:10.1016/S0957-4174(97)00010-9]

3Baesens B, Mues C, de Backer M, et al. Building intelligent credit scoring systems using decision tables. Camp O, Filipe JBL, Hammoudi S, et al. Enterprise Information Systems V.Dordrecht, Netherlands. 2003. 131–137.

4Hsieh NC. Hybrid mining approach in the design of creditscoring models. Expert Systems with Applications, 2005,28(4): 655–665. [doi: 10.1016/j.eswa.2004.12.022]

5王川, 王克. 基于BP神經(jīng)網(wǎng)絡(luò)的我國農(nóng)產(chǎn)品市場風險預(yù)警研究——以大豆為例的實證分析. 農(nóng)業(yè)經(jīng)濟問題, 2008,(增刊): 152–156.

6Chen QG, Wen YP. A BP-neural network predictor model for operational risk losses of commercial bank. 3rd International Symposium on Information Processing.Qingdao, China. 2010. 291–295.

7蔣天穎, 豐景春. 基于BP神經(jīng)網(wǎng)絡(luò)的工程項目知識管理風險預(yù)警研究. 情報雜志, 2009, 28(12): 48–51. [doi: 10.3969/j.issn.1002-1965.2009.12.011]

8李松, 羅勇, 張銘銳. 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的混沌時間序列預(yù)測. 計算機工程與應(yīng)用, 2011, 47(29): 52–55. [doi:10.3778/j.issn.1002-8331.2011.29.015]

9王德明, 王莉, 張廣明. 基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期風速預(yù)測模型. 浙江大學學報(工學版), 2012, 46(5): 837–841,904.

10尹光志, 李銘輝, 李文璞, 等. 基于改進BP神經(jīng)網(wǎng)絡(luò)的煤體瓦斯?jié)B透率預(yù)測模型. 煤炭學報, 2013, 38(7): 1179–1184.

11林琳, 張志華, 張睿欣. 基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的產(chǎn)品造型設(shè)計評價. 計算機工程與設(shè)計, 2015, 36(3): 789–792,813.

12馬馳, 楊軍, 梅雪松, 等. 基于遺傳算法及BP網(wǎng)絡(luò)的主軸熱誤差建模. 計算機集成制造系統(tǒng), 2015, 21(10): 2627–2636.

13劉錦偉, 謝雄剛, 方井. 基于遺傳算法-BP神經(jīng)網(wǎng)絡(luò)的煤層注水效果分析. 工礦自動化, 2016, 42(1): 48–51.

14陳晴光. 電子商務(wù)數(shù)據(jù)挖掘可視化系統(tǒng)模型研究及應(yīng)用. 計算機工程與應(yīng)用, 2007, 43(5): 242–245, 248.

15陳晴光. 基于Web訪問信息挖掘的商業(yè)智能發(fā)現(xiàn)研究. 計算機工程與設(shè)計, 2008, 29(6): 1413–1416.

Application of GA-BP Neural Network in the Risk Early-Warning of Bulk Commodity Electronic Trading Marketplace

CHEN Qing-Guang1, CHEN Yu-Zhe2

1(School of Logistics and E-commerce, Zhejiang Wanli University, Ningbo 315100, China)
2(AMINTH Group Ltd., Ningbo 315800, China)

The application of genetic BP neural networks used in early warning of the risk of bulk commodity electronic trading marketplace is studied. According to the risk characteristics of bulk commodity electronic trading marketplace, an early warning model (GA-BPNNM) based on genetic algorithm and BP neural networks is being built by the Matlab toolbox functions. The risk assessment index system is established based on the marketing research and the optimal training functions and number of nodes of the hidden layers are determined by the experiment. With the combinatorial optimization of genetic algorithm and BP neural networks, the difficulty of traditional risk analysis because of the ambiguity of definition and variety of causes could be overcome and the problems of premature phenomenon of genetic algorithm falling into local minima and slow convergence speed of BP neural network could be solved. The results of simulation test show that the GA-BPNNM prediction is better than BP neural networks and is feasible and effective in the early risk warning of bulk commodity electronic trading marketplace.

bulk commodity; electronic trading marketplace; risk; GA-BP neural network; early warning model

陳晴光,陳宇哲.遺傳BP神經(jīng)網(wǎng)絡(luò)在大宗商品市場風險預(yù)警中的應(yīng)用.計算機系統(tǒng)應(yīng)用,2017,26(7):36–42. http://www.c-s-a.org.cn/1003-3254/5847.html

寧波市自然科學基金(2012A610069); 浙江省哲學社會科學重點研究基地臨港現(xiàn)代服務(wù)業(yè)與創(chuàng)意文化研究中心項目(12JDLG03YB)

2016-10-13; 收到修改稿時間: 2016-11-29