李莎 陳暄

摘 ?要：針對當(dāng)前財(cái)務(wù)預(yù)警模型存在預(yù)測精度低、預(yù)測滿意度低的問題，提出了基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警模型。該模型構(gòu)建了6個(gè)一級指標(biāo)和12個(gè)二級指標(biāo)預(yù)警指標(biāo)，模型由兩個(gè)RBM和1個(gè)BP神經(jīng)網(wǎng)絡(luò)構(gòu)成，使用鯨魚算法進(jìn)行模型參數(shù)的優(yōu)化。在仿真實(shí)驗(yàn)中，通過上市企業(yè)的財(cái)務(wù)數(shù)據(jù)進(jìn)行驗(yàn)證，此模型相比于LSSVM模型有更好的預(yù)測效果，為當(dāng)前的財(cái)務(wù)危機(jī)預(yù)警提供了一種有益的參考。

關(guān)鍵詞：財(cái)務(wù)危機(jī);預(yù)警模型;鯨魚算法

中圖分類號：TP18 ? ? ? 文獻(xiàn)標(biāo)識碼：A文章編號：2096-4706（2021）24-0101-04

Abstract： In view of the problems of low prediction accuracy and low satisfaction of current financial early warning models， a financial crisis early warning model based on deep learning neural network is proposed. The model constructs 6 first-level indicators and 12 second-level indicators for early warning. The model is composed of two RBMs and one BP neural network， and uses whale optimization algorithm to optimize model parameters. In the simulation experiment， carries out the verification through the financial data of listed companies， this model in this paper has a better predictive effect than the LSSVM model， which provides a useful reference for the current financial crisis early warning.

Keywords： financial crisis; early warning model; WOA

0 ?引 ?言

眾所周知，上市企業(yè)是我國國民經(jīng)濟(jì)的重要組成部分，對于國家經(jīng)濟(jì)有著舉足輕重的作用，當(dāng)上市企業(yè)陷入財(cái)務(wù)危機(jī)的時(shí)候，一方面容易導(dǎo)致企業(yè)的資金鏈面臨中斷，導(dǎo)致生產(chǎn)的產(chǎn)品在市場上降低占有率，逐漸喪失市場競爭力;另一方面，上市企業(yè)的投資人、債權(quán)人的收益無法得到保障，可能會出現(xiàn)大量拋售持有股票對股市造成不利影響，使得投資者喪失信息心，嚴(yán)重阻礙國民經(jīng)濟(jì)有序穩(wěn)定的向前發(fā)展。尤其2020年初爆發(fā)的新冠疫情一直持續(xù)到今天，全球經(jīng)濟(jì)都受到了嚴(yán)重影響，導(dǎo)致有些上市企業(yè)由于財(cái)務(wù)問題而瀕臨退出股市、企業(yè)破產(chǎn)的窘境。因此研究財(cái)務(wù)危機(jī)預(yù)警成為學(xué)者們的研究方向之一。文獻(xiàn)[1]從反映企業(yè)營運(yùn)能力、償債能力和盈利能力三個(gè)角度選用了營運(yùn)資本/資產(chǎn)、流動比率、凈資產(chǎn)收益率等財(cái)務(wù)指標(biāo)作為預(yù)警變量進(jìn)行財(cái)務(wù)危機(jī)預(yù)測;文獻(xiàn)[2]選取伊斯坦布爾的食物和煙草行業(yè)上市公司2005—2012年財(cái)務(wù)報(bào)告數(shù)據(jù)作為預(yù)警變量進(jìn)行財(cái)務(wù)危機(jī)預(yù)測;文獻(xiàn)[3]選取總資產(chǎn)利潤率、負(fù)債比率、營運(yùn)資本/資產(chǎn)、留存收益/資產(chǎn)4個(gè)財(cái)務(wù)指標(biāo)構(gòu)建Fisher線性判別模型進(jìn)行財(cái)務(wù)危機(jī)預(yù)警研究;文獻(xiàn)[4]對33個(gè)財(cái)務(wù)變量進(jìn)行篩選，最終得到9個(gè)能反映企業(yè)財(cái)務(wù)狀況的財(cái)務(wù)指標(biāo)建立決策樹模型進(jìn)行財(cái)務(wù)預(yù)警研究。

通過以上的研究發(fā)現(xiàn)，財(cái)務(wù)危機(jī)的預(yù)警模型已經(jīng)成為影響企業(yè)發(fā)展的重要組成部分。如何幫助上市企業(yè)從披露的財(cái)務(wù)與非財(cái)務(wù)數(shù)據(jù)中分析得到有用信息具有重要的意義。本文借助人工智能技術(shù)篩選出有效反應(yīng)財(cái)務(wù)危機(jī)預(yù)警指標(biāo)，建立一套適合上市企業(yè)的財(cái)務(wù)危機(jī)預(yù)警模型。

1 ?財(cái)務(wù)指標(biāo)選擇

本文選擇了30家制造業(yè)上市公司作為研究樣本，分為財(cái)務(wù)危機(jī)組和財(cái)務(wù)正常組。前者具備如下條件：該企業(yè)是持續(xù)經(jīng)營4年以上，同時(shí)是深滬兩個(gè)交易所的A股上市公司和制造業(yè)上市公司，公司有一次出現(xiàn)過財(cái)務(wù)狀況而被進(jìn)行處理;后者滿足與財(cái)務(wù)危機(jī)組的公司所屬會計(jì)年度相同且資產(chǎn)規(guī)模相近，也是A股上市公司和制造型上市公司。

為了更好地反映上市企業(yè)的財(cái)務(wù)危機(jī)預(yù)警的指標(biāo)，本文結(jié)合現(xiàn)有的財(cái)務(wù)危機(jī)預(yù)警模型中的相關(guān)指標(biāo)分析結(jié)果，選取50個(gè)指標(biāo)，對其中的財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)采用SPSS軟件對這些指標(biāo)進(jìn)行正態(tài)分布檢驗(yàn)，從這些指標(biāo)中挑選出能夠反映財(cái)務(wù)危機(jī)的指標(biāo)，本文選擇6個(gè)一級指標(biāo)和15個(gè)二級指標(biāo)作為反映企業(yè)財(cái)務(wù)危機(jī)的指標(biāo)項(xiàng)。如表1所示。

表1中的指標(biāo)數(shù)據(jù)存在相互重合的情況，為了能夠保證財(cái)務(wù)信息的完整性，本文使用主成分分析法對這些預(yù)警指標(biāo)進(jìn)行相關(guān)的取舍，對于篩選后的財(cái)務(wù)指標(biāo)進(jìn)行正向轉(zhuǎn)換和標(biāo)準(zhǔn)化，其次通過KMO和Bartlett球形度對這些變量之間的存在的關(guān)系進(jìn)行相關(guān)性檢驗(yàn)，最后在確保累積貢獻(xiàn)率大于80%的條件下挑選符合預(yù)警要求的二級指標(biāo)。

2 ?基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)預(yù)警模型

2.1 ?深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)

為了更好地對財(cái)務(wù)數(shù)據(jù)進(jìn)行分析，做好更加準(zhǔn)確的預(yù)測，本文提出了雙疊加RBM-BP深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型，該模型的優(yōu)點(diǎn)在于通過兩個(gè)RBM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和一個(gè)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，使得只需要少量的網(wǎng)絡(luò)層就可以達(dá)到降低一般的神經(jīng)網(wǎng)絡(luò)所需要的訓(xùn)練次數(shù)，這樣能夠降低訓(xùn)練的難度，縮短訓(xùn)練時(shí)間，提高神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確率。大致的將其訓(xùn)練過程分為兩個(gè)步驟：

步驟1：將訓(xùn)練數(shù)據(jù)通過無監(jiān)督訓(xùn)練模式進(jìn)行深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和學(xué)習(xí)，通過這種訓(xùn)練方式計(jì)算得到每一層RBM的網(wǎng)絡(luò)權(quán)值參數(shù)，這樣能夠最大程度保證特征向量映射到不同特征空間的時(shí)候保留更多的特征向量信息，得到兩個(gè)不同層次RBM網(wǎng)絡(luò)權(quán)值參數(shù)W0和W1。

步驟2：在雙RBM最后一層加入一個(gè)BP神經(jīng)網(wǎng)絡(luò)，通過BP網(wǎng)絡(luò)接收雙疊加RBM網(wǎng)絡(luò)隱藏層的輸出特征向量作為輸入特征向量，以監(jiān)督方式進(jìn)行BP網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)。

在雙疊加RBM-BP深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)中，影響雙疊加的RBM-BP深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法性能的主要參數(shù)為學(xué)習(xí)速率ε，可見層v數(shù)量，隱含層h數(shù)量以及RBM的θ，為了更好地發(fā)揮神經(jīng)網(wǎng)絡(luò)的預(yù)測能力，使用元啟發(fā)式的鯨魚算法對其參數(shù)進(jìn)行優(yōu)化。經(jīng)過優(yōu)化雙疊加RBM-BP深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)參數(shù)后，可以得到如下的兩組RBM模型及其對應(yīng)的學(xué)習(xí)規(guī)則。

式（1）和（3）表示了第一個(gè)疊加RBM的模型和學(xué)習(xí)規(guī)則，主要用于輸入一級指標(biāo)對應(yīng)的二級指標(biāo)的財(cái)務(wù)數(shù)據(jù)指標(biāo)進(jìn)行數(shù)據(jù)的特征提取，并對這些數(shù)據(jù)進(jìn)行訓(xùn)練;式（2）和（4）表示另一個(gè)疊加RBM模型和學(xué)習(xí)規(guī)則，針對這些二級指標(biāo)的財(cái)務(wù)數(shù)據(jù)可能存在很多條無關(guān)數(shù)據(jù)特征的記錄，因此需要對這些特征數(shù)據(jù)的相似性進(jìn)行分析。通過雙疊加RBM做出的最優(yōu)的決策和實(shí)際結(jié)果的接近程度作為反饋給BP神經(jīng)網(wǎng)絡(luò)。而BP神經(jīng)網(wǎng)絡(luò)的輸出層的神經(jīng)元設(shè)置為1，即輸出結(jié)果為有和無，有表示公司存在較大的財(cái)務(wù)風(fēng)險(xiǎn)，發(fā)生財(cái)務(wù)危機(jī)的概率比較大，反之則表示財(cái)務(wù)危機(jī)概率較小。

2.2 ?鯨魚算法

鯨魚算法（whale optimization algorithm， WOA）是一種模仿大自然中鯨魚捕食過程的元啟發(fā)式算法，該算法將座頭鯨當(dāng)作算法中的候選解，通過算法的不斷迭代來確定最優(yōu)的候選解。鯨魚算法包圍捕食，氣泡攻擊和尋覓食物三個(gè)階段。

2.2.1 ?包圍捕食

在算法的初始階段中，座頭鯨并不知道具體食物的位置，設(shè)定距離最近的座頭鯨為算法的候選解，其他座頭鯨都向該座頭鯨靠近，逐步接近食物。使用公式表達(dá)為：

2.2.2 ?氣泡攻擊

在捕食過程中，座頭鯨通過大量的氣泡攻擊，并不斷地通過收縮包圍和螺旋更新來達(dá)到捕食的過程，達(dá)到算法在局部尋優(yōu)的目的。在式（6）中，當(dāng)∣A∣<1時(shí)，鯨魚個(gè)體向著當(dāng)前位置最優(yōu)的鯨魚個(gè)體靠近，隨著∣A∣逐漸增大，則鯨魚游走的步伐就越大，反之則游走步伐就越小。因此，為了能夠鯨魚個(gè)體一方面保持收縮，另一方面又能夠沿著螺旋形路徑向食物方向靠近，設(shè)定概率p來決定如上兩種行為，建立了以下位置更新方程：

2.2.3 ?尋覓食物階段

座頭鯨通過概率來獲得游走和螺旋，使用∣A∣向量來獲取食物。當(dāng)向量∣A∣>1時(shí)，鯨魚個(gè)體向著參考座頭鯨的位置靠近，參考座頭鯨會隨機(jī)選擇個(gè)體座頭鯨進(jìn)行位置的更新，這樣的方式保證了座頭鯨能夠進(jìn)行全局的搜索，表達(dá)為：

式中，是隨機(jī)獲得的參考座頭鯨的位置向量。

2.3 ?預(yù)測步驟

輸入：RBM-BP相關(guān)參數(shù)，鯨魚算法相關(guān)參數(shù)，算法迭代次數(shù)，符合條件的二級指標(biāo)的財(cái)務(wù)指標(biāo)數(shù)據(jù)。

輸出：是否會發(fā)生財(cái)務(wù)危機(jī)。

步驟1：初始化鯨魚種群，將RBM-BP相關(guān)參數(shù)對應(yīng)鯨魚個(gè)體。

=[ε1，v1，h1，{ai，bj，wij}1，ε2，v2，h2，{ai，bj，wij}2]

步驟2：計(jì)算每一個(gè)鯨魚個(gè)體的對應(yīng)的適應(yīng)度值。

fobj=f（）=f（ε1，v1，h1，{ai，bj，wij}1，ε2，v2，h2，{ai，bj，wij}2）

步驟3：保存X*作為最好的鯨魚。

=[ε1，v1，h1，{ai，bj，wij}1，ε2，v2，h2，{ai，bj，wij}2]*

步驟4：For對于每一個(gè)鯨魚個(gè)體。

步驟5：計(jì)算對應(yīng)的適應(yīng)度值fitness，即孿生RBM的訓(xùn)練誤差。

fobj=f（）=f（ε1，v1，h1，{ai，bj，wij}1，ε2，v2，h2，{ai，bj，wij}2）

步驟6：If新計(jì)算的適應(yīng)度值fitness<當(dāng)前最小值。

fobj，new步驟7：替換最好的鯨魚。

X=Xnew

End if

End for

步驟8：產(chǎn)生新的個(gè)體。

步驟9：進(jìn)行包圍捕食、氣泡攻擊和尋覓食物行為。

步驟10：迭代次數(shù)加1。

步驟11：鯨魚算法優(yōu)化之后，得到參數(shù)優(yōu)化后的孿生RBM神經(jīng)網(wǎng)絡(luò)模型最優(yōu)的參數(shù)v1，opt，h1，opt，ε1，opt以及θ={ai，bj，wij}1，opt和v2，opt，h2，opt，ε2，opt以及θ={ai，bj，wij}2，opt。

步驟12：將N個(gè)二級指標(biāo)的對應(yīng)的數(shù)據(jù)輸入到雙疊加的RBM-BP神經(jīng)網(wǎng)絡(luò)中，最后在BP神經(jīng)模型的輸出的結(jié)果為1表示有危機(jī)，如果為0表示無危機(jī)。

3 ?財(cái)務(wù)預(yù)警模型實(shí)證分析

為了更好地說明本文提出的財(cái)務(wù)危機(jī)預(yù)警模型的效果。將本文模型和基于LSSVM的預(yù)測模型在訓(xùn)練樣本檢驗(yàn)和測試樣本檢驗(yàn)兩個(gè)方面進(jìn)行對比。設(shè)定算法的迭代次數(shù)為100，在模型中輸入6個(gè)節(jié)點(diǎn)，分別對應(yīng)6個(gè)主成分指標(biāo)，得到如圖1所示的適應(yīng)度曲線。從圖中發(fā)現(xiàn)本文模型的最佳適應(yīng)度值明顯高于平均適應(yīng)度值，這說明模型具備較高的預(yù)測能力。圖2～3展示了本文模型和基于LSSVM的預(yù)測模型在訓(xùn)練樣本和測試樣本的準(zhǔn)確率，從圖2中發(fā)現(xiàn)訓(xùn)練樣本的準(zhǔn)確率主要是體現(xiàn)模型根據(jù)建立的數(shù)據(jù)對預(yù)測值和實(shí)際值之前差異進(jìn)行比較，該準(zhǔn)確率通常用于樣本內(nèi)檢測的效果，本次訓(xùn)練樣本包括了32家非制造業(yè)危機(jī)上市公司和與之配對的16家制造業(yè)危機(jī)公司，本文模型相比于LSSVM模型的曲線穩(wěn)定，本文模型的總體準(zhǔn)確率93.27%;圖4展示了28家非制造業(yè)危機(jī)公司和與之配對的14家制造業(yè)危機(jī)公司，其本文模型的總體判別準(zhǔn)確率為92.13%。

通過以上的驗(yàn)證結(jié)果得到本文模型用于制造業(yè)公司的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型是可行的，從數(shù)據(jù)中發(fā)現(xiàn)對制造業(yè)公司財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行的較為準(zhǔn)確的預(yù)測。

4 ?結(jié) ?論

本文通過主成分分析法對我國的制造業(yè)的財(cái)務(wù)數(shù)據(jù)樣本進(jìn)行分析，建立了基于雙疊加的RBM-BP網(wǎng)絡(luò)的制造業(yè)公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。模型使用了6個(gè)主成分關(guān)鍵指標(biāo)能夠符合制造業(yè)公司的特點(diǎn)，通過實(shí)證分析得到制造業(yè)公司的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型是有效的，樣本內(nèi)檢驗(yàn)準(zhǔn)確率和樣本外檢驗(yàn)準(zhǔn)確率分別達(dá)到93.27%和92.13%，具有較好的預(yù)測效果。

參考文獻(xiàn)：

[1] WILLIAM B H. Financial Ratios as Predictors of Failure [J].Journal of Accounting Research，1966，4（3）：71-111.

[2] ALMAN E I. Financial Ratios，Discriminate Analysis and the Prediction of Corporate Bankruptcy [J].Journal of Finance，1968，23（4）：586-609.

[3] OHLSON J A. Financial Ratios and the Probabilistic Bankruptcy [J].Journal of Accounting Research，1980，18（1）：109-131.

[4] CIAMPI F，GORDINI N. Small Enterprise Default Prediction Modeling through Artificial Neural Networks：An Empirical Analysis of Italian Small Enterprises [J].Journal of Small Business Management，2013，51（1）：23-45.

[5] CHOUHAN V，CHANDRA B，GOSWAMI S. Predicting financial stability of select BSE companies revisiting Altman Z score [J].International Letters of Social and Hu manistic Sciences，2014，15（2）：92-105.

[6] ALTMAN E I，SABATO G，WILSON N. The value of non-financial information in small and medium-sized enterprise risk management [J/OL].The Journal of Credit Risk，2010，6（2）：1-33.http：//citeseerx.ist.psu.edu/viewdoc/download;jsessionid=150B67EE51074453D2C4264AB9C996A7？doi=10.1.1.222.5940&rep=rep1&type=pdf.

作者簡介：李莎（1981.08—），女，漢族，湖南邵陽人，副教授，碩士，研究方向：財(cái)務(wù)管理、會計(jì);陳暄（1979.03—），男，漢族，江西南昌人，副教授，碩士，研究方向：人工智能、算法設(shè)計(jì)。