仵曉溪，李云飛

(西華師范大學(xué)數(shù)學(xué)與信息學(xué)院，四川 南充637009)

隨著近年來(lái)我國(guó)證券市場(chǎng)的快速發(fā)展，市場(chǎng)是否規(guī)范化、資源配置是否合理化、信息是否對(duì)稱(chēng)化等問(wèn)題逐漸涌現(xiàn)，這不僅會(huì)對(duì)投資者的利益造成影響，還會(huì)有損我國(guó)金融市場(chǎng)的正常運(yùn)行，因而針對(duì)上市公司進(jìn)行信用風(fēng)險(xiǎn)評(píng)估，獲得財(cái)務(wù)預(yù)警就顯得尤為重要。

為解決該問(wèn)題，國(guó)內(nèi)外學(xué)者紛紛對(duì)上市公司的信用風(fēng)險(xiǎn)評(píng)估展開(kāi)深入研究。 最初，該研究基本停留在簡(jiǎn)單的定性分析階段，主要運(yùn)用傳統(tǒng)的信用分析方法進(jìn)行評(píng)估，比如5C法、LAPP 法以及五級(jí)分類(lèi)法等，這些評(píng)價(jià)方法雖比較簡(jiǎn)單，但主觀性太強(qiáng)。 于是越來(lái)越多的學(xué)者逐漸選擇多元統(tǒng)計(jì)分析方法對(duì)此展開(kāi)研究，較為典型的就是Logistic 模型，這一類(lèi)方法具有科學(xué)實(shí)用和客觀性等特點(diǎn)，但它要求評(píng)價(jià)指標(biāo)滿(mǎn)足非多重共線(xiàn)性，恰好與上市公司的財(cái)務(wù)指標(biāo)存在高度相關(guān)性不符，所以對(duì)計(jì)算結(jié)果的精確性有一定影響。 隨著計(jì)算機(jī)技術(shù)的日漸成熟，人工智能方法順勢(shì)而生，越來(lái)越多的學(xué)者將人工智能領(lǐng)域中的機(jī)器學(xué)習(xí)算法引入到企業(yè)的信用風(fēng)險(xiǎn)評(píng)估研究中。 Odom 和Sharda 最早使用神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)企業(yè)信用風(fēng)險(xiǎn)情況，他們使用5 個(gè)財(cái)務(wù)指標(biāo)作為解釋變量構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，結(jié)果表明該模型的正判率明顯優(yōu)于多元判別分析方法；Tam 和Kiang 還將人工神經(jīng)網(wǎng)絡(luò)模型運(yùn)用于銀行破產(chǎn)的研究中，為了提高模型預(yù)測(cè)的準(zhǔn)確性，他們對(duì)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程的權(quán)值進(jìn)行了修改，效果十分顯著；此外，Boritz、Chris Charalambous 等眾多學(xué)者在前人的研究基礎(chǔ)上，又不斷完善、深化了人工神經(jīng)網(wǎng)絡(luò)在信用風(fēng)險(xiǎn)評(píng)估方向的運(yùn)用研究。 近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)也深受?chē)?guó)內(nèi)學(xué)者的青睞，楊保安等人針對(duì)統(tǒng)計(jì)方法中判別分析方法在企業(yè)信用風(fēng)險(xiǎn)評(píng)估研究中存在的問(wèn)題，提出了神經(jīng)網(wǎng)絡(luò)在該研究方向的優(yōu)勢(shì)與潛力；吳德勝等人通過(guò)研究不同模型在衡量企業(yè)風(fēng)險(xiǎn)情況中的實(shí)際使用效果，構(gòu)建了符合我國(guó)企業(yè)財(cái)務(wù)狀況的評(píng)價(jià)指標(biāo)體系，同時(shí)驗(yàn)證了BP 神經(jīng)網(wǎng)絡(luò)的可行性和有效性；何欣等人將徑向基神經(jīng)網(wǎng)絡(luò)和BP 神經(jīng)網(wǎng)絡(luò)模型分別應(yīng)用于中小上市公司信用風(fēng)險(xiǎn)研究，對(duì)比結(jié)果發(fā)現(xiàn)BP 神經(jīng)網(wǎng)絡(luò)相較于徑向基神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果高出11 個(gè)百分點(diǎn)。

在上述方法中，BP 神經(jīng)網(wǎng)絡(luò)是應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型，且它的預(yù)測(cè)效果較佳，所以選擇BP 神經(jīng)網(wǎng)絡(luò)對(duì)上市公司的信用風(fēng)險(xiǎn)進(jìn)行評(píng)估，并結(jié)合L-M 算法對(duì)網(wǎng)絡(luò)進(jìn)行優(yōu)化以提高收斂速度。

一、 數(shù)據(jù)來(lái)源和指標(biāo)篩選

(一)數(shù)據(jù)來(lái)源

將上市公司作為研究對(duì)象，遵循指標(biāo)選取的系統(tǒng)性、科學(xué)性、客觀性、可比性及可操作性等原則，從盈利能力、償債能力、成長(zhǎng)能力、營(yíng)運(yùn)能力這四個(gè)方面構(gòu)建信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系。 現(xiàn)從網(wǎng)易股票網(wǎng)站中的數(shù)據(jù)欄目①http：/ /quotes.money.163.com/old/＃query＝Y(jié)LNL＆DataType＝y(tǒng)ynl＆sort＝MGSY＿T＆order＝desc＆count＝25＆page＝0.隨機(jī)截取了滬、深兩市100 家上市公司2018 年的年報(bào)數(shù)據(jù)，其中包含了22個(gè)財(cái)務(wù)指標(biāo)數(shù)據(jù)，如表1 所示。 這100 家上市公司中包含50家“非ST”企業(yè)，50 家“ST”或“?ST”企業(yè)，滿(mǎn)足數(shù)據(jù)選擇的平衡性。 其中，“非ST”企業(yè)表示其財(cái)務(wù)狀況良好，且信用評(píng)級(jí)較高，違約可能性較低，所以把這類(lèi)企業(yè)劃分為“低風(fēng)險(xiǎn)企業(yè)”；“ST”或“?ST”企業(yè)表示其財(cái)務(wù)狀況較差，且信用評(píng)級(jí)較低，違約可能性較高，所以又把這類(lèi)企業(yè)劃分為“高風(fēng)險(xiǎn)企業(yè)”。

表1 財(cái)務(wù)指標(biāo)體系

(二)指標(biāo)篩選

由于上市公司的各個(gè)財(cái)務(wù)指標(biāo)之間可能存在相關(guān)關(guān)系，導(dǎo)致信息重疊或冗余，不利于對(duì)研究問(wèn)題的分析與開(kāi)展，因此決定對(duì)22 個(gè)財(cái)務(wù)指標(biāo)進(jìn)行篩選，選擇最能綜合反映各公司財(cái)務(wù)狀況的指標(biāo)。

首先觀察獲取的22 個(gè)財(cái)務(wù)指標(biāo)數(shù)據(jù)，發(fā)現(xiàn)每股凈資產(chǎn)這項(xiàng)指標(biāo)數(shù)據(jù)缺失過(guò)多，故刪除該項(xiàng)指標(biāo)，剩余21 個(gè)指標(biāo)；隨后利用SPSS 軟件對(duì)缺失的數(shù)據(jù)進(jìn)行補(bǔ)充，由于剩余的21個(gè)指標(biāo)數(shù)據(jù)大部分完整或只存在少量缺失，故SPSS 中的5種替換缺失值的方法區(qū)別不大，此處選擇“臨近點(diǎn)的平均值”進(jìn)行替換；最后可采用統(tǒng)計(jì)學(xué)中常用的因子分析法，將相同本質(zhì)的變量歸入一個(gè)因子，從而減少變量數(shù)目，以達(dá)到篩選指標(biāo)的目的。

在進(jìn)行因子分析前先利用SPSS 對(duì)100 家公司的21 個(gè)指標(biāo)數(shù)據(jù)進(jìn)行相關(guān)性分析，將相關(guān)度高的財(cái)務(wù)指標(biāo)聚為一個(gè)大類(lèi)，于是產(chǎn)生了13 個(gè)分類(lèi)，分類(lèi)結(jié)果如表2 所示。 每一個(gè)大類(lèi)的指標(biāo)都具備獨(dú)立的代表意義，遵循指標(biāo)選取的全面性原則，每個(gè)大類(lèi)中的指標(biāo)至少需要保留一個(gè)，故隨后只需再利用SPSS 對(duì)前面5 個(gè)大類(lèi)的指標(biāo)數(shù)據(jù)進(jìn)行因子分析，根據(jù)KMO 檢驗(yàn)值大于0.6 且Bartlett 球體檢驗(yàn)的顯著性P值小于0.05 判斷是否適合做因子分析，對(duì)于以上兩個(gè)檢驗(yàn)均通過(guò)的大類(lèi)選擇保留主因子載荷量最大的指標(biāo)，剔除其余指標(biāo)。 結(jié)果表明只有第一類(lèi)和第二類(lèi)指標(biāo)數(shù)據(jù)適合做因子分析，檢驗(yàn)結(jié)果如表3所示，這兩類(lèi)分別篩選出的兩個(gè)指標(biāo)為：息稅前利潤(rùn)率、每股銷(xiāo)售收入，其因子載荷矩陣分別如表4 和表5 所示。

表2 財(cái)務(wù)指標(biāo)分類(lèi)結(jié)果

表3 KMO 與Bartlett 檢驗(yàn)

表4 第一類(lèi)指標(biāo)的因子載荷矩陣

表5 第二類(lèi)指標(biāo)的因子載荷矩陣

因此，經(jīng)過(guò)因子分析進(jìn)行篩選后，最終保留16 個(gè)指標(biāo)，分別為：息稅前利潤(rùn)率、每股銷(xiāo)售收入、流動(dòng)比率、速動(dòng)比率、主營(yíng)業(yè)務(wù)增長(zhǎng)率、主營(yíng)利潤(rùn)增長(zhǎng)率、凈利潤(rùn)增長(zhǎng)率、每股收益增長(zhǎng)率、主營(yíng)業(yè)務(wù)利潤(rùn)率、利息保障數(shù)、資產(chǎn)負(fù)債率、應(yīng)收賬款周轉(zhuǎn)率、存貨周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率、凈資產(chǎn)周轉(zhuǎn)率。

二、 模型介紹

(一)BP 神經(jīng)網(wǎng)絡(luò)模型

BP 神經(jīng)網(wǎng)絡(luò)是1986 年由Rumelhart 和McClelland 為首的科學(xué)家提出的概念，它是一種多層前饋神經(jīng)網(wǎng)絡(luò)，主要特點(diǎn)為信息前向傳遞，誤差反向傳播，是目前應(yīng)用較為廣泛的神經(jīng)網(wǎng)絡(luò)之一。 由于BP 神經(jīng)網(wǎng)絡(luò)連接權(quán)值的調(diào)整是利用實(shí)際輸出與期望輸出的誤差，對(duì)網(wǎng)絡(luò)的各層連接權(quán)值由后向前逐層進(jìn)行校正的計(jì)算方法，故將它稱(chēng)為反向傳播學(xué)習(xí)算法，也簡(jiǎn)稱(chēng)BP 算法。 BP 神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1 所示。

圖1 BP 神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖

由于目前并沒(méi)有確切的文獻(xiàn)研究說(shuō)明BP 神經(jīng)網(wǎng)絡(luò)的層數(shù)越多擬合效果越好，故優(yōu)先考慮三層網(wǎng)絡(luò)，即含有一個(gè)輸入層、一個(gè)隱含層、一個(gè)輸出層。 對(duì)于簡(jiǎn)單的三層BP 神經(jīng)網(wǎng)絡(luò)模型，設(shè)網(wǎng)絡(luò)的輸入為X ＝ (x1，x2，…，xn)和期望輸出為D ＝ (d1，d2，…，dl)，初始化各層神經(jīng)元之間的連接權(quán)值為vij、wjk，初始化隱含層閾值為a，輸出層閾值為b。 具體的學(xué)習(xí)算法及公式如下：

(1)隱含層輸出計(jì)算

隱含層中第i 個(gè)神經(jīng)元的輸出為：

其中，m 為隱含層節(jié)點(diǎn)數(shù)，f ·( )為隱含層的傳遞函數(shù)，以下推導(dǎo)采用最為常見(jiàn)的Sigmoid 傳遞函數(shù)，即

(2)輸出層的輸出計(jì)算

輸出層中第k 個(gè)神經(jīng)元的輸出可推導(dǎo)為：

(3)誤差計(jì)算

根據(jù)網(wǎng)絡(luò)實(shí)際輸出O 與期望輸出D，計(jì)算網(wǎng)絡(luò)總體誤差E 為：

其中，期望輸出D ＝(d1，d2，…，dl)，實(shí)際輸出O ＝(O1，O2，…，Ol)。

(4)權(quán)值更新

根據(jù)網(wǎng)絡(luò)總體誤差E，更新網(wǎng)絡(luò)連接權(quán)值vij、wjk的公式為：

通過(guò)上述的BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法就可以對(duì)訓(xùn)練樣本數(shù)據(jù)進(jìn)行訓(xùn)練，通過(guò)誤差反向傳播，根據(jù)網(wǎng)絡(luò)總誤差是否達(dá)到精度要求來(lái)決定當(dāng)前學(xué)習(xí)是否結(jié)束。

(二)L-M 算法優(yōu)化模型

BP 神經(jīng)網(wǎng)絡(luò)無(wú)論在網(wǎng)絡(luò)理論還是在性能方面都已比較成熟，由于其具有很強(qiáng)的非線(xiàn)性映射能力和柔性網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)點(diǎn)讓它被廣泛運(yùn)用。 但是傳統(tǒng)的BP 算法是一種有監(jiān)督的學(xué)習(xí)算法，采用的是負(fù)梯度下降算法，這種算法有兩個(gè)明顯的缺點(diǎn)，一個(gè)是收斂速度較慢，另一個(gè)是容易陷入局部極小值。針對(duì)這兩個(gè)缺陷，出現(xiàn)了多種改進(jìn)的BP 算法，如：動(dòng)量反傳的梯度下降法、動(dòng)態(tài)自適應(yīng)學(xué)習(xí)率的梯度下降法、彈性梯度下降法、L-M(Levenberg-Marquardt)法，在MATLAB 中的相應(yīng)訓(xùn)練函數(shù)分別為：traingdm、traingda、trainrp、trainlm。 對(duì)于不同的實(shí)際問(wèn)題，算法的選擇也不同，主要取決于以下因素：訓(xùn)練樣本的數(shù)量、網(wǎng)絡(luò)權(quán)值和閾值的數(shù)量、網(wǎng)絡(luò)的用途、誤差目標(biāo)要求等。 由于L-M 算法結(jié)合了梯度下降法和高斯-牛頓法，其收斂速度較快，均方誤差較小，適合中小型網(wǎng)絡(luò)的設(shè)計(jì)，故選擇L-M 算法對(duì)傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)。

L-M 算法允許在迭代的過(guò)程中沿著誤差?lèi)夯姆较蛩阉?，并且能夠自適應(yīng)地調(diào)整來(lái)改變權(quán)值，從而使網(wǎng)絡(luò)更加有效。 L-M 算法的改進(jìn)公式為：

其中，比例系數(shù)μ>0 且μ 為常數(shù)，J 是誤差對(duì)權(quán)值微分的雅克比矩陣，I 為單位矩陣，e 為迭代過(guò)程中的誤差向量。

三、 實(shí)證分析

(一)劃分?jǐn)?shù)據(jù)集

參考尤璞等的研究成果，將選取的100 家上市公司作為樣本，以3∶1 的比例劃分為75 個(gè)訓(xùn)練樣本(非ST 公司38 家，ST 或?ST 公司37 家)，25 個(gè)測(cè)試樣本(非ST 公司12 家，ST或?ST 公司13 家)。

(二)歸一化處理

由于不同的指標(biāo)數(shù)據(jù)具有不同的單位尺度，如果直接輸入模型會(huì)影響后續(xù)評(píng)估的準(zhǔn)確性，故需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理。 上述經(jīng)篩選后的16 個(gè)指標(biāo)中大部分為正向指標(biāo)，中性指標(biāo)有3 個(gè)，分別為：流動(dòng)比率、速動(dòng)比率、資產(chǎn)負(fù)債率，但由于選擇的上市公司來(lái)源于各個(gè)行業(yè)，這3 個(gè)指標(biāo)的適中值也會(huì)根據(jù)行業(yè)不同而有所區(qū)別，所以并不好統(tǒng)一一個(gè)適中值進(jìn)行處理，并且在BP 神經(jīng)網(wǎng)絡(luò)中，為有效避開(kāi)激勵(lì)函數(shù)的飽和區(qū)以提高訓(xùn)練速度，一般要求輸入數(shù)據(jù)的值在 -1，1[ ]之中，因此，此處選擇如下的線(xiàn)性函數(shù)轉(zhuǎn)換法：

其中，xt代表原始樣本數(shù)據(jù)，xmin和xmax分別代表樣本數(shù)據(jù)中的最小值和最大值，代表歸一化后的值。

(三)參數(shù)設(shè)計(jì)

現(xiàn)將建立一個(gè)三層的BP 神經(jīng)網(wǎng)絡(luò)模型，由于所選樣本包含16 個(gè)指標(biāo)，故輸入層的節(jié)點(diǎn)數(shù)為16；輸出層為所評(píng)估的上市公司的風(fēng)險(xiǎn)狀態(tài)，可設(shè)置節(jié)點(diǎn)數(shù)為1，用二分類(lèi)變量0-1表示，0 表示高風(fēng)險(xiǎn)的企業(yè)，即ST 或?ST 的上市公司，1 表示低風(fēng)險(xiǎn)的企業(yè)，即非ST 的上市公司，實(shí)際操作中可將輸出值與0.5 做比較，大于或等于0.5 的判定為低風(fēng)險(xiǎn)企業(yè)，其取值為1，小于0.5 的判定為高風(fēng)險(xiǎn)企業(yè)，其取值為0；隱含層的節(jié)點(diǎn)數(shù)可根據(jù)公式來(lái)確定，其中s 為隱含層的節(jié)點(diǎn)數(shù)，m 和n 分別為輸入輸出層的節(jié)點(diǎn)數(shù)，a 為1～10 之間的常數(shù)，故隱含層節(jié)點(diǎn)數(shù)范圍在6～15 之間，經(jīng)過(guò)多次嘗試最終選擇設(shè)置為10 的擬合效果最佳。 最大訓(xùn)練次數(shù)設(shè)置為1000，隱含層的激勵(lì)函數(shù)設(shè)置為tansig 函數(shù)，輸出層的激勵(lì)函數(shù)設(shè)置為purelin 函數(shù)，訓(xùn)練函數(shù)設(shè)置為trainlm 函數(shù)，學(xué)習(xí)函數(shù)設(shè)置為learngdm 函數(shù)，誤差函數(shù)設(shè)置為均方誤差MSE，目標(biāo)值設(shè)定為1×10-4，其余參數(shù)取默認(rèn)值。

(四)結(jié)果分析

首先利用MATLAB 軟件編寫(xiě)基于傳統(tǒng)BP 算法的神經(jīng)網(wǎng)絡(luò)程序，將訓(xùn)練函數(shù)設(shè)置為traingd，其余參數(shù)設(shè)置如上所述值，運(yùn)行后發(fā)現(xiàn)在設(shè)定的1000 次訓(xùn)練后無(wú)法達(dá)到收斂要求，于是逐漸增減訓(xùn)練次數(shù)，直至5000 次依舊無(wú)法達(dá)到收斂要求。 由于隨著訓(xùn)練次數(shù)的增加，網(wǎng)絡(luò)的收斂速度會(huì)越來(lái)越慢，故停止繼續(xù)增加訓(xùn)練次數(shù)，嘗試改變網(wǎng)絡(luò)的誤差值，經(jīng)過(guò)多次運(yùn)行發(fā)現(xiàn)誤差設(shè)置為1×10-1時(shí)才終于完成收斂要求，此時(shí)的訓(xùn)練次數(shù)為2284 次，訓(xùn)練過(guò)程如圖2 所示，該模型對(duì)于訓(xùn)練樣本與測(cè)試樣本的判定與預(yù)測(cè)結(jié)果分別如圖3 和圖4所示，為更加直觀地分析模型的準(zhǔn)確率，將上述結(jié)果總結(jié)如表6 所示。 觀察圖表，分析可知該模型的收斂速度較慢，預(yù)測(cè)準(zhǔn)確率亦不高，為更好地評(píng)估對(duì)上市公司的信用風(fēng)險(xiǎn)，下面嘗試對(duì)此模型進(jìn)行改進(jìn)。

圖2 traingd 函數(shù)訓(xùn)練過(guò)程

圖3 traingd 函數(shù)下訓(xùn)練樣本預(yù)測(cè)結(jié)果圖

圖4 traingd 函數(shù)下測(cè)試樣本預(yù)測(cè)結(jié)果圖

表6 傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)模型判定及預(yù)測(cè)結(jié)果表

再次利用MATLAB 軟件編寫(xiě)優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)程序，將訓(xùn)練函數(shù)依次設(shè)置為traingdm、traingda、trainrp 和trainlm，其余參數(shù)值均按上述參數(shù)設(shè)計(jì)所述設(shè)置，訓(xùn)練過(guò)程分別如圖5、圖6、圖7 和圖8 所示，可以發(fā)現(xiàn)前三個(gè)訓(xùn)練函數(shù)下的網(wǎng)絡(luò)經(jīng)過(guò)1000 次訓(xùn)練后也沒(méi)有達(dá)到收斂要求，只有trainlm函數(shù)下的網(wǎng)絡(luò)經(jīng)過(guò)了48 次訓(xùn)練就完成了所設(shè)定的誤差目標(biāo)值，收斂速度比較快，初步體現(xiàn)了基于L-M 算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)對(duì)于上市公司風(fēng)險(xiǎn)評(píng)估研究的可行性。

圖5 traingdm 函數(shù)訓(xùn)練過(guò)程

圖6 traingda 函數(shù)訓(xùn)練過(guò)程

圖7 trainrp 函數(shù)訓(xùn)練過(guò)程

圖8 trainlm 函數(shù)訓(xùn)練過(guò)程

接下來(lái)利用建立好的基于L-M 算法優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練樣本進(jìn)行仿真模擬，隨后再運(yùn)用該網(wǎng)絡(luò)對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)，從而綜合分析檢驗(yàn)此模型的應(yīng)用準(zhǔn)確性。 經(jīng)過(guò)MATLAB 軟件運(yùn)行上述程序后，模型對(duì)于訓(xùn)練樣本與測(cè)試樣本的判定與預(yù)測(cè)結(jié)果分別如圖9 和圖10 所示，為更好地評(píng)判模型性能，將以上結(jié)果總結(jié)如表7 所示。

圖9 trainlm 函數(shù)下訓(xùn)練樣本預(yù)測(cè)結(jié)果圖

圖10 trainlm 函數(shù)下測(cè)試樣本預(yù)測(cè)結(jié)果圖

表7 L-M 算法優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)模型判定及預(yù)測(cè)結(jié)果表

觀察上述結(jié)果，可以發(fā)現(xiàn)基于L-M 算法優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練樣本的預(yù)測(cè)準(zhǔn)確率無(wú)論是對(duì)高風(fēng)險(xiǎn)企業(yè)還是低風(fēng)險(xiǎn)企業(yè)都是100%，進(jìn)一步說(shuō)明了其判斷能力較好且準(zhǔn)確率高，非常適合評(píng)估上市公司的風(fēng)險(xiǎn)狀況；對(duì)測(cè)試樣本而言，預(yù)測(cè)準(zhǔn)確率為84%，也尚可接受。 與前文的傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)算法相比較，發(fā)現(xiàn)L-M 算法優(yōu)化后的模型在收斂速度和預(yù)測(cè)準(zhǔn)確率上均有明顯的提升，充分體現(xiàn)了改進(jìn)后模型的優(yōu)勢(shì)。

四、 結(jié)語(yǔ)

信用風(fēng)險(xiǎn)評(píng)估對(duì)于上市公司而言一直是一個(gè)重要的研究問(wèn)題，可靠有效的評(píng)估結(jié)果不僅有助于投資者進(jìn)行投資決策，同時(shí)也有助于企業(yè)內(nèi)部的管理與改善，但目前依舊沒(méi)有一個(gè)統(tǒng)一的評(píng)估方法供大家使用。 因此，可以運(yùn)用人工智能中的BP 神經(jīng)網(wǎng)絡(luò)模型，并通過(guò)L-M 算法對(duì)它進(jìn)行優(yōu)化，建立一個(gè)合理且有效的信用風(fēng)險(xiǎn)評(píng)估模型。

但文章也存在一些不足，其一，由于所獲取的數(shù)據(jù)必須真實(shí)可靠，評(píng)估結(jié)果才具備參考價(jià)值，但在實(shí)際操作中不能排除上市公司有做假賬的可能性，這必定會(huì)對(duì)預(yù)測(cè)結(jié)果產(chǎn)生一定的影響；其二，在信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)的選取上不夠全面，上述所建立的模型僅僅是根據(jù)定量指標(biāo)進(jìn)行研究分析，而忽略了定性指標(biāo)對(duì)于上市公司信用風(fēng)險(xiǎn)的考量也存在或多或少的影響。