林丹楠,李珊珊,肖世龍,張德育

(福建商學(xué)院 1.信息工程學(xué)院;2.財務(wù)與會計學(xué)院,福建 福州,350012; 3.沈陽理工大學(xué) 藝術(shù)設(shè)計學(xué)院;4.信息科學(xué)與工程學(xué)院,遼寧 沈陽,110159)

企業(yè)財務(wù)風(fēng)險預(yù)警分析可以對企業(yè)經(jīng)營過程中的經(jīng)營情況進(jìn)行預(yù)警提示,以便企業(yè)能夠及時采取相應(yīng)策略扭轉(zhuǎn)企業(yè)經(jīng)營情況。對上市企業(yè)的財務(wù)風(fēng)險預(yù)警可以有效反映上市公司經(jīng)營情況,以便給投資者合理的投資建議,而且方便管理層對上市公司的運(yùn)營監(jiān)管。但是企業(yè)財務(wù)數(shù)據(jù)量龐大,而且隨時間變化迅速,企業(yè)財務(wù)數(shù)據(jù)分析并不容易。近年來,由于大數(shù)據(jù)平臺的廣泛使用,通過大數(shù)據(jù)分析技術(shù)來解決復(fù)雜問題的方法在企業(yè)財務(wù)分析中得到了深入應(yīng)用[1],能夠完成高維度財務(wù)數(shù)據(jù)的訓(xùn)練與分析,并獲得有效的訓(xùn)練結(jié)果[2]。更重要的是,采用大數(shù)據(jù)學(xué)習(xí)算法,一方面可以解決預(yù)警時效性問題,另一方面可以保留歷史時間序列財務(wù)數(shù)據(jù)對當(dāng)前財務(wù)指標(biāo)影響的關(guān)系,從而獲得更準(zhǔn)確的財務(wù)風(fēng)險預(yù)警結(jié)果。

當(dāng)前,關(guān)于企業(yè)財務(wù)風(fēng)險預(yù)警分析的方法較多。宋歌等[3]將深度學(xué)習(xí)引入企業(yè)財務(wù)風(fēng)險預(yù)警模型建立過程,借助深度學(xué)習(xí)算法解決復(fù)雜問題的優(yōu)勢來提高財務(wù)風(fēng)險預(yù)警的精確度,但是該文獻(xiàn)主要側(cè)重于該方法可行性,并未對算法深入展開研究。李光榮等[4]采用反向傳播(Back propagation,BP)神經(jīng)網(wǎng)絡(luò)算法解決企業(yè)財務(wù)預(yù)測問題,但預(yù)測精度并不高。王玉冬等[5]在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上引入了粒子群優(yōu)化(Particle swarm optimization,PSO)和果蠅優(yōu)化算法(Fruit fly optimization algorithm,FOA),在財務(wù)風(fēng)險預(yù)警中的精度有所提升,然而算法存在執(zhí)行效率不高的問題。上述研究均采用了BP神經(jīng)網(wǎng)絡(luò)。由于BP神經(jīng)網(wǎng)絡(luò)本質(zhì)上是線性權(quán)函數(shù)的逼近算法,在處理前后沒有關(guān)聯(lián)的數(shù)據(jù)時效果較好,但是處理具有時間序列屬性的有關(guān)聯(lián)的數(shù)據(jù)時性能較弱,例如財務(wù)歷史序列數(shù)據(jù)。長短期記憶(Long-short term memory,LSTM)人工神經(jīng)網(wǎng)絡(luò)是一種時間遞歸神經(jīng)網(wǎng)絡(luò),適合于處理和預(yù)測時間序列數(shù)據(jù)的內(nèi)部模式。因此,本文采用LSTM神經(jīng)網(wǎng)絡(luò)算法對企業(yè)財務(wù)風(fēng)險預(yù)警進(jìn)行分析,充分利用LSTM對歷史時間序列的處理優(yōu)勢,將企業(yè)財務(wù)歷史時間序列數(shù)據(jù)和當(dāng)前輸入數(shù)據(jù)樣本共同作為本次激活運(yùn)算的輸入,提高企業(yè)財務(wù)風(fēng)險預(yù)警精度。

1 企業(yè)財務(wù)風(fēng)險預(yù)警模型

企業(yè)財務(wù)的預(yù)警模型必須基于財務(wù)指標(biāo)的真實預(yù)測。在對1個企業(yè)進(jìn)行財務(wù)風(fēng)險預(yù)警之前,需要全面評估該企業(yè)的財務(wù)運(yùn)行情況,因此需要對影響財務(wù)狀況的主要因素進(jìn)行指標(biāo)提取,主要預(yù)警指標(biāo)見表1[6]。在選取財務(wù)分析指標(biāo)時,結(jié)合表1所列的20個財務(wù)指標(biāo),然后進(jìn)行去耦合分析,對于相關(guān)度較高的指標(biāo)進(jìn)行去耦合操作[7],減少耦合性強(qiáng)的指標(biāo)所帶來的無效運(yùn)算降低預(yù)警效率的情況。

表1 財務(wù)風(fēng)險預(yù)警指標(biāo)表

財務(wù)風(fēng)險預(yù)警模型的建立首先要解決預(yù)警指標(biāo)的選擇及篩選問題,其次要充分考慮預(yù)警模型的時間效應(yīng)[8],利用歷史財務(wù)數(shù)據(jù)來分析未來財務(wù)的運(yùn)營狀況,從而確定財務(wù)風(fēng)險等級。在對歷史財務(wù)數(shù)據(jù)分析時,需要考慮到歷史數(shù)據(jù)的時間序列長度,同時也要考慮到歷史數(shù)據(jù)中的干擾數(shù)據(jù)或者誤差數(shù)據(jù)對預(yù)警模型的影響,因此在預(yù)警模型建立時,需要選擇擅長處理時間序列的算法來建立企業(yè)財務(wù)風(fēng)險預(yù)警模型。本文選擇了LSTM神經(jīng)網(wǎng)絡(luò)算法,利用循環(huán)神經(jīng)網(wǎng)絡(luò)算法的特點,能夠充分挖掘歷史財務(wù)數(shù)據(jù)的影響,又能夠通過LSTM的遺忘門操作來過濾歷史干擾數(shù)據(jù)。

2 LSTM神經(jīng)網(wǎng)絡(luò)

2.1 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是基于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent neural network,RNN)結(jié)構(gòu)演變而來的,循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。圖1中,U、V和W均表示各層神經(jīng)元的連接權(quán)重。從圖1可以看出,t時刻的輸出與t-1和t-2時刻的隱藏層輸出及當(dāng)前t時刻的輸入有關(guān),每個時刻的輸出都考慮了歷史時間序列的影響。在循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行改進(jìn),生成LSTM神經(jīng)網(wǎng)絡(luò),LSTM神經(jīng)網(wǎng)絡(luò)相比于RNN,在進(jìn)行循環(huán)操作時更加復(fù)雜,引入了記憶節(jié)點及遺忘門相關(guān)操作[9]。

圖1 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖2為LSTM神經(jīng)網(wǎng)絡(luò)核心結(jié)構(gòu)圖。圖2中,σ表示sigmoid函數(shù),ht-1和Ct-1分別表示t-1時刻的隱藏層輸出和記憶節(jié)點值,ht和Ct分別表示t時刻的隱藏層輸出和記憶節(jié)點輸出值。

圖2 LSTM神經(jīng)網(wǎng)絡(luò)核心結(jié)構(gòu)圖

遺忘門(Forget gate)ft的表示方法[10]為

ft=σ(Wf·[ht-1,xt]+bf)

(1)

式中:Wf和bf分別表示遺忘門權(quán)重矩陣和偏置。

輸入門(Input gate)it的表達(dá)方式為

it=σ(Wi·[ht-1,xt]+bi)

(2)

式中:Wi和bi分別表示輸入門的權(quán)重和偏置。

(3)

式中:WC和bC分別為記憶節(jié)點的權(quán)重和偏置。

通過上一時刻Ct-1經(jīng)過遺忘門的結(jié)果和候選記憶節(jié)點之和來獲取新的記憶節(jié)點Ct,表示方法[12]為

(4)

輸出門(Output gate)ot的表示方法為

ot=σ(Wo·[ht-1,xt]+bo)

(5)

式中:Wo和bo分別為輸出門的權(quán)重和偏置。

ht=ot*tanh(Ct)

(6)

然后根據(jù)反向傳播方法,不斷優(yōu)化求解各權(quán)重及偏置,獲得穩(wěn)定的LSTM神經(jīng)網(wǎng)絡(luò)模型。

2.2 基于LSTM的企業(yè)財務(wù)風(fēng)險預(yù)警流程

根據(jù)企業(yè)財務(wù)指標(biāo)數(shù)據(jù)獲取企業(yè)財務(wù)風(fēng)險預(yù)警樣本,然后通過降噪處理初始化企業(yè)財務(wù)風(fēng)險預(yù)警樣本,然后經(jīng)過LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練獲得企業(yè)財務(wù)風(fēng)險預(yù)警模型,具體流程如圖3所示。

圖3 LSTM神經(jīng)網(wǎng)絡(luò)企業(yè)財務(wù)風(fēng)險預(yù)警流程圖

3 實例仿真

為了驗證LSTM神經(jīng)網(wǎng)絡(luò)對企業(yè)財務(wù)風(fēng)險預(yù)警的性能,在東方財富網(wǎng)上統(tǒng)計了20家公司自2018年來3 a的運(yùn)營情況。為了檢驗LSTM神經(jīng)網(wǎng)絡(luò)算法對企業(yè)財務(wù)風(fēng)險預(yù)警的適用度,選取的20家企業(yè)既包含ST公司,也包含非ST公司,兩者比例為2∶3。在模型建立時,選擇2018年度的20家公司企業(yè)財務(wù)運(yùn)營情況作為訓(xùn)練樣本,2019年度數(shù)據(jù)為測試樣本,通過2019年度財務(wù)運(yùn)營情況實際值進(jìn)行對比,驗證企業(yè)財務(wù)核心指標(biāo)的預(yù)測值。同時通過爬蟲技術(shù)從東方財富網(wǎng)上抓取了100家企業(yè)的近5 a財務(wù)運(yùn)行情況,采用常用的財務(wù)風(fēng)險預(yù)警算法和本文算法分別預(yù)警分析2019年度企業(yè)財務(wù)情況。LSTM神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置為:時間步長為12,每一個時間布上的緯度為4,記憶節(jié)點的權(quán)重和偏置分別為0.3和0.1,3個門(Gate)的權(quán)重矩陣和偏置均為0.2。實驗環(huán)境配置為：Ubuntu14.4操作系統(tǒng)、Tensorflow深度學(xué)習(xí)框架、16G內(nèi)存、Python、C++編程語言。

3.1 速動比率和固定資產(chǎn)周轉(zhuǎn)率預(yù)測性能

財務(wù)風(fēng)險預(yù)警主要是根據(jù)歷史財務(wù)數(shù)據(jù)進(jìn)行預(yù)測,通過重要財務(wù)指標(biāo)的預(yù)測結(jié)果來判定企業(yè)財務(wù)運(yùn)行情況并預(yù)警。本文隨機(jī)對2019年度20家企業(yè)財務(wù)的2個重要指標(biāo),速動比率和固定資產(chǎn)周轉(zhuǎn)率進(jìn)行對比,其預(yù)測結(jié)果如圖4所示。

由圖4得,采用LSTM神經(jīng)網(wǎng)絡(luò)算法的預(yù)警模型訓(xùn)練,20家企業(yè)的速動比率和固定資產(chǎn)周轉(zhuǎn)率2個指標(biāo)的預(yù)測性能較好。對比發(fā)現(xiàn),固定資產(chǎn)周轉(zhuǎn)率的預(yù)測效果比速動比率預(yù)測效果更好。在圖4(a)的速動比率預(yù)測中,企業(yè)編號為5、10和11的速動比率預(yù)測出現(xiàn)的偏差較為明顯,其他企業(yè)誤差較小;而在圖4(b)的固定資產(chǎn)周轉(zhuǎn)率方面,預(yù)測與實際偏差非常小。

圖4 LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測企業(yè)財務(wù)指標(biāo)結(jié)果圖

在預(yù)警模型中,可以分別設(shè)置速動比率和固定資產(chǎn)周轉(zhuǎn)率閾值。本文將速動比率閾值設(shè)為0.6,資產(chǎn)周轉(zhuǎn)率閾值設(shè)為5,根據(jù)LSTM神經(jīng)網(wǎng)絡(luò)算法獲取企業(yè)的財務(wù)速動比率和固定資產(chǎn)周轉(zhuǎn)率,結(jié)合閾值,給出預(yù)警提示。速動比率小于0.6的企業(yè)應(yīng)注意債務(wù)風(fēng)險,而固定資產(chǎn)周轉(zhuǎn)率低于5的企業(yè)應(yīng)注重設(shè)備利用率風(fēng)險,提高企業(yè)設(shè)備使用效率。

3.2 企業(yè)財務(wù)狀況預(yù)測準(zhǔn)確率

下文采用LSTM神經(jīng)網(wǎng)絡(luò)算法對2018年度20家上市企業(yè)的財務(wù)樣本進(jìn)行仿真,預(yù)測20家企業(yè)2019年度企業(yè)財務(wù)情況。根據(jù)重要指標(biāo)預(yù)測值和設(shè)定閾值獲得相應(yīng)的預(yù)警輸出,根據(jù)預(yù)警輸出與財務(wù)指標(biāo)行業(yè)規(guī)范值對比判定預(yù)警準(zhǔn)確率如表2所示。

表2 企業(yè)財務(wù)風(fēng)險預(yù)警結(jié)果表

由表2通過2019年度20家企業(yè)的實際預(yù)警數(shù)量和LSTM神經(jīng)網(wǎng)絡(luò)算法預(yù)警的結(jié)果對比得出:最低和最高預(yù)警準(zhǔn)確率分別達(dá)到了85.71%和100%,對第13家企業(yè)的預(yù)警性能最差,而LSTM算法能夠?qū)λ酗L(fēng)險都提出預(yù)警的企業(yè)達(dá)到了8家;從RMSE方面來看,LSTM神經(jīng)網(wǎng)絡(luò)算法的企業(yè)財務(wù)風(fēng)險預(yù)警穩(wěn)定性較高。財務(wù)指標(biāo)行業(yè)規(guī)范值引自證券公司的行業(yè)分析年報,具體就是預(yù)測值超過設(shè)定閾值,即判定存在風(fēng)險。

3.3 不同算法的預(yù)警準(zhǔn)確率性能

為了進(jìn)一步驗證LSTM神經(jīng)網(wǎng)絡(luò)在大規(guī)模企業(yè)財務(wù)風(fēng)險預(yù)警中的性能,采用支持向量機(jī)(Support vector machine,SVM)[13]、BP神經(jīng)網(wǎng)絡(luò)[14],卷積神經(jīng)網(wǎng)絡(luò)[15]和LSTM神經(jīng)網(wǎng)絡(luò)算法分別對100個上市企業(yè)的1318個警報數(shù)據(jù)進(jìn)行財務(wù)風(fēng)險預(yù)警分析,其仿真結(jié)果如圖5所示。

圖5 不同算法的企業(yè)財務(wù)風(fēng)險預(yù)警性能曲線圖

從圖5得:LSTM神經(jīng)網(wǎng)絡(luò)算法的預(yù)警準(zhǔn)確率最高,卷積神經(jīng)網(wǎng)絡(luò)次之,SVM最差;而從預(yù)警時間性能方面看,SVM算法最好,BP和LSTM神經(jīng)網(wǎng)絡(luò)次之,卷積神經(jīng)網(wǎng)絡(luò)最差。綜合對比可見,本文算法處理大規(guī)模企業(yè)樣本預(yù)警性能更優(yōu)。

4 結(jié)束語

采用LSTM神經(jīng)網(wǎng)絡(luò)算法對財務(wù)數(shù)據(jù)樣本進(jìn)行訓(xùn)練,可以獲得各財務(wù)風(fēng)險預(yù)警指標(biāo)的預(yù)測結(jié)果,根據(jù)預(yù)測值與閾值對比,實現(xiàn)企業(yè)財務(wù)風(fēng)險預(yù)警。后續(xù)研究將進(jìn)一步優(yōu)化LSTM神經(jīng)網(wǎng)絡(luò)算法的節(jié)點數(shù)和參與運(yùn)算的歷史時間序列數(shù)目,以優(yōu)化LSTM神經(jīng)網(wǎng)絡(luò)算法的預(yù)警效率,提高LSTM神經(jīng)網(wǎng)絡(luò)算法在企業(yè)財務(wù)風(fēng)險預(yù)警中的適用度。