摘? 要：針對(duì)現(xiàn)有財(cái)務(wù)危機(jī)模型在預(yù)測(cè)方面存在效果弱、精度低的問(wèn)題，提出采用布谷鳥(niǎo)算法（Cuckoo Search， CS）優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警模型。選擇紡織類上市企業(yè)為研究對(duì)象，篩選出能夠反映財(cái)務(wù)危機(jī)的指標(biāo)；使用布谷鳥(niǎo)算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的卷積層和池化層的權(quán)重，以提高神經(jīng)網(wǎng)絡(luò)的性能。仿真實(shí)驗(yàn)結(jié)果表明，相比于其他經(jīng)元啟發(fā)式算法優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)，所提算法在財(cái)務(wù)預(yù)警方面具有較好的效果。

關(guān)鍵詞：布谷鳥(niǎo)算法；卷積神經(jīng)網(wǎng)絡(luò)；財(cái)務(wù)分析

中圖分類號(hào)：TP391.9；TP183? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）20-0111-05

Research on Financial Risk Prediction of Listed Companies Based on Improved Convolutional Neural Networks

LI Sha

（Zhejiang Industry Polytechnic College， Shaoxing? 312000， China）

Abstract： In response to the problems of weak prediction effectiveness and low prediction accuracy in existing financial crisis predicting models， a financial crisis early warning model that it's convolutional neural network is optimized by Cuckoo Search （CS） is proposed. Select textile listed enterprises as the research object and select indicators that can reflect financial crises; use the Cuckoo Search to optimize the weights of the convolutional and pooling layers of the convolutional neural network， in order to improve the performance of the neural network. The simulation experimental results show that compared to other convolutional neural networks optimized by meta heuristic algorithms， the proposed algorithm has better performance in financial early warning.

Keywords： Cuckoo Search; convolutional neural networks; financial analysis

0? 引? 言

一直以來(lái)，企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)是金融領(lǐng)域中的重要研究方向，在新冠疫情剛剛得到有效控制，國(guó)際金融環(huán)境還存在不穩(wěn)定性的背景下，研究如何利用人工智能技術(shù)來(lái)有效避免和防止財(cái)務(wù)風(fēng)險(xiǎn)的發(fā)生具有重要研究?jī)r(jià)值。各個(gè)國(guó)家的學(xué)者們已進(jìn)行了不同方面的研究，目前有關(guān)財(cái)務(wù)預(yù)警模型的研究主要包括多元邏輯回顧分析和神經(jīng)網(wǎng)絡(luò)應(yīng)用分析兩個(gè)方面。在多元邏輯回顧分析中，文獻(xiàn)[1]提出了基于Logistic和SVM混合的邏輯財(cái)務(wù)危機(jī)預(yù)測(cè)模型，實(shí)踐效果說(shuō)明預(yù)測(cè)精度上有了一定的提高；文獻(xiàn)[2]將LSSVM用于企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)中，相比于SVM來(lái)說(shuō)，LSSVM具有較好的預(yù)測(cè)效果；文獻(xiàn)[3]對(duì)邏輯回歸和多元判別方法分別進(jìn)行了分析，從實(shí)際情況的角度出發(fā)說(shuō)明了他們分別在財(cái)務(wù)危機(jī)中的適用范圍；文獻(xiàn)[4]通過(guò)邏輯回歸模型能夠有效地降低企業(yè)財(cái)務(wù)的風(fēng)險(xiǎn)；在神經(jīng)網(wǎng)絡(luò)應(yīng)用分析中，文獻(xiàn)[5]發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型更適合財(cái)務(wù)預(yù)警；文獻(xiàn)[6]提出了神經(jīng)網(wǎng)絡(luò)用于財(cái)務(wù)危機(jī)預(yù)測(cè)，實(shí)踐說(shuō)明神經(jīng)網(wǎng)絡(luò)確實(shí)具有更好的預(yù)測(cè)精度和準(zhǔn)確率；文獻(xiàn)[7]闡述了在不同企業(yè)中建立神經(jīng)網(wǎng)絡(luò)的預(yù)警模型對(duì)于企業(yè)的財(cái)務(wù)管理起到了很好的效果；文獻(xiàn)[8]分別提出了基于BP神經(jīng)網(wǎng)絡(luò)在不同的公司中的財(cái)務(wù)危機(jī)方面的預(yù)測(cè)，實(shí)踐說(shuō)明了能夠有效地避免財(cái)務(wù)危機(jī)的發(fā)生。文獻(xiàn)[1]使用LSTM神經(jīng)網(wǎng)絡(luò)對(duì)短時(shí)間的股市資金進(jìn)行分析，實(shí)驗(yàn)說(shuō)明在股市的資金預(yù)警方面具有一定的效果；文獻(xiàn)[9]提出了基于SOM-BP神經(jīng)網(wǎng)絡(luò)的股市上市公司的財(cái)務(wù)預(yù)警模型，實(shí)驗(yàn)說(shuō)明該財(cái)務(wù)模型的預(yù)警精度具有明顯的提高。文獻(xiàn)[10]提出了基于深度學(xué)習(xí)和反向傳播神經(jīng)網(wǎng)絡(luò)的模型，通過(guò)中國(guó)上海2006—2020年的數(shù)據(jù)預(yù)測(cè)了上海2021年的金融風(fēng)險(xiǎn)，實(shí)踐證明該方法具有一定的效果；文獻(xiàn)[11]設(shè)計(jì)了一種基于改進(jìn)遺傳和BP混合算法和神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)預(yù)警系統(tǒng)，該算法深入分析了BP神經(jīng)網(wǎng)絡(luò)和自適應(yīng)變異遺傳算法的理論方法，探討了BP神經(jīng)網(wǎng)絡(luò)和自適應(yīng)變異遺傳算法實(shí)現(xiàn)宏觀經(jīng)濟(jì)預(yù)警的可行性，建立了改進(jìn)的遺傳與BP混合算法和神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)警模型，結(jié)果表明，預(yù)警系統(tǒng)是有效的、可行的。文獻(xiàn)[12]通過(guò)LSTM神經(jīng)網(wǎng)絡(luò)模型對(duì)飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)展開(kāi)預(yù)警。研究表明，LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)警精準(zhǔn)度較高、穩(wěn)定性良好，能夠精準(zhǔn)預(yù)測(cè)飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)。

從這些研究結(jié)果中發(fā)現(xiàn)尋找反映財(cái)務(wù)危機(jī)指標(biāo)的方法越來(lái)越多，反映財(cái)務(wù)危機(jī)的指標(biāo)的手段越來(lái)越豐富，保證了財(cái)務(wù)危機(jī)預(yù)測(cè)結(jié)果的有效性，并從大量的研究中發(fā)現(xiàn)將神經(jīng)網(wǎng)絡(luò)等信息技術(shù)手段的方法應(yīng)用到財(cái)務(wù)危機(jī)的預(yù)測(cè)中越來(lái)越受到人們的重視，而利用人工智能技術(shù)用于財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)研究成為新的方向。

1? 基本算法

1.1? 財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)應(yīng)用模型常用算法

目前，財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)應(yīng)用模型常用算法主要包括以下幾種：

1）邏輯回歸方法。在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)中，可以將其應(yīng)用于二分類問(wèn)題，如預(yù)測(cè)企業(yè)是否會(huì)遭遇財(cái)務(wù)困境。

2）決策樹(shù)方法。它可以通過(guò)對(duì)財(cái)務(wù)指標(biāo)進(jìn)行特征選擇和分裂來(lái)判斷企業(yè)的風(fēng)險(xiǎn)等級(jí)。

3）隨機(jī)森林方法。它在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)中通過(guò)對(duì)大量決策樹(shù)的預(yù)測(cè)結(jié)果進(jìn)行平均來(lái)提高模型的預(yù)測(cè)準(zhǔn)確性，并降低過(guò)擬合風(fēng)險(xiǎn)。

4）支持向量機(jī)方法。它可以根據(jù)已知的財(cái)務(wù)數(shù)據(jù)對(duì)不同類別進(jìn)行分類，例如判斷企業(yè)是否具有違約風(fēng)險(xiǎn)。

5）人工神經(jīng)網(wǎng)絡(luò)方法。它在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)中，可以使用ANN進(jìn)行深度學(xué)習(xí)，通過(guò)多層神經(jīng)元的聯(lián)合學(xué)習(xí)來(lái)預(yù)測(cè)風(fēng)險(xiǎn)。

6）XGBoost方法。它在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)中常用于處理高維度、復(fù)雜的財(cái)務(wù)數(shù)據(jù)，可以提供更準(zhǔn)確的預(yù)測(cè)和特征重要性分析。

1.2? 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中最具有代表性的模型之一，結(jié)構(gòu)如圖1所示。它主要由卷積層、池化層和全連接層構(gòu)成。

1）卷積層。該層在整個(gè)CNN中的主要作用是充當(dāng)特征提取器，通過(guò)卷積核去處理輸入圖像或者其他特征的對(duì)應(yīng)區(qū)域，從圖像上提取的特征經(jīng)過(guò)激活函數(shù)映射到數(shù)學(xué)空間中形成特征圖，在該層中，可以設(shè)置多個(gè)不同的卷積核，通過(guò)增加模型的深度來(lái)獲得多個(gè)特征圖，以便獲得更高級(jí)的特征。在卷積層中，使用非線性的映射函數(shù)將網(wǎng)絡(luò)中的輸入信號(hào)有線性轉(zhuǎn)換為非線性輸出信號(hào)。

2）池化層。該層在CNN中主要是對(duì)特征進(jìn)行壓縮降維，減少參數(shù)數(shù)量，從而降低網(wǎng)絡(luò)復(fù)雜度。該層并不涉及權(quán)值參數(shù)的更新。通常來(lái)說(shuō)包括最大池化和平均池化兩種。

3）全連接層。該層在CNN中的任務(wù)是進(jìn)行分類預(yù)測(cè)，將經(jīng)過(guò)以上兩層的特征圖像壓縮為一維向量，在該層中，每一個(gè)神經(jīng)元與上一層所有的神經(jīng)元進(jìn)行相互連接，每一個(gè)神經(jīng)元通過(guò)激勵(lì)函數(shù)RelU函數(shù)進(jìn)行處理，最后在輸出的時(shí)采用Softmax函數(shù)，并將輸出向量通過(guò)歸一化處理獲得每一個(gè)類別的預(yù)測(cè)概率值。

其中，式（1）表示卷積層，式（2）表示池化層，式（3）表示全連接層，式（4）表示Softmax函數(shù)。d表示第l層輸出，?表示卷積操作，pool表示池化操作，W l和bl分別表示第l層的權(quán)重和偏置。

1.3? 布谷鳥(niǎo)算法

布谷鳥(niǎo)算法（CS）是一種元啟發(fā)式的算法。該算法模擬布谷鳥(niǎo)的巢寄生行為和Levy行為。具體算法描述如下：

1）算法隨機(jī)產(chǎn)生N個(gè)鳥(niǎo)窩的位置表達(dá)為 ，任意選擇其中一個(gè)最佳的鳥(niǎo)窩傳遞給下一代。

2）算法的位置更新主要依靠Levy飛行進(jìn)行迭代，將新獲得鳥(niǎo)窩中下一代個(gè)體位置對(duì)比上一代的鳥(niǎo)窩位置，從中尋找位置最好的個(gè)體。

3）將隨機(jī)數(shù)r ∈ [0，1]對(duì)比宿主鳥(niǎo)發(fā)現(xiàn)外來(lái)鳥(niǎo)蛋概率Pa。當(dāng)r＞Pa，則將該鳥(niǎo)窩的位置進(jìn)行改變，否則不變，然后對(duì)比上一代鳥(niǎo)窩的位置，從中選擇出位置更好的鳥(niǎo)窩即 。

4）計(jì)算獲得最新的鳥(niǎo)窩位置是否達(dá)到精度或者迭代條件，則該鳥(niǎo)窩為算法的全局最優(yōu)解，否則繼續(xù)轉(zhuǎn)（2）執(zhí)行。

布谷鳥(niǎo)算法中每一個(gè)巢中的卵代表算法的解，表達(dá)式如下：

式中， 表示第t代中的第i個(gè)鳥(niǎo)窩位置；?表示點(diǎn)對(duì)點(diǎn)乘法，α表示步長(zhǎng)，L（λ）表示隨機(jī)搜索路徑。

2? 企業(yè)財(cái)務(wù)預(yù)警模型

2.1? 研究樣本對(duì)象

每個(gè)行業(yè)都有自己的特點(diǎn)，這些特點(diǎn)表現(xiàn)在生產(chǎn)模式、銷售渠道、業(yè)務(wù)對(duì)象等各個(gè)方面，因此，他們?cè)诜从池?cái)務(wù)危機(jī)的財(cái)務(wù)指標(biāo)的內(nèi)容中肯定不同。為了使得我們研究的模型具有有效性，我們選擇了中國(guó)上海、深圳兩個(gè)最大股市的紡織行業(yè)的ST公司的樣本作為對(duì)象進(jìn)行分析。這是因?yàn)椋?/p>

1）紡織行業(yè)上市公司的數(shù)據(jù)比較容易通過(guò)相應(yīng)的途徑獲得，這些數(shù)據(jù)的真實(shí)性、可信度比較高，有助于預(yù)測(cè)模型的精準(zhǔn)性。

2）浙江紹興地區(qū)紡織業(yè)上市公司數(shù)量較多，其龐大的產(chǎn)業(yè)鏈涉及中國(guó)的很多方面，這些足夠的樣本數(shù)量可用來(lái)保證研究結(jié)果的可靠性。

2.2? 財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)選擇

為了更好地反映紡織業(yè)上市企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的指標(biāo)，本文在現(xiàn)有財(cái)務(wù)風(fēng)險(xiǎn)模型的相關(guān)指標(biāo)分析結(jié)果中選取50個(gè)指標(biāo)，對(duì)其中的財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)采用SPSS軟件進(jìn)行正態(tài)分布檢驗(yàn)，從檢驗(yàn)合格的指標(biāo)中挑選財(cái)務(wù)指標(biāo)，將償債能力、營(yíng)運(yùn)能力、盈利能力、發(fā)展能力、現(xiàn)金流量5個(gè)一級(jí)指標(biāo)和14個(gè)二級(jí)指標(biāo)作為反映企業(yè)財(cái)務(wù)危機(jī)的指標(biāo)項(xiàng)。而在5個(gè)一級(jí)指標(biāo)中，償債能力包括了流動(dòng)比率、速動(dòng)比例、資產(chǎn)負(fù)債率3個(gè)二級(jí)指標(biāo)；營(yíng)運(yùn)能力包括存貨周轉(zhuǎn)率、流動(dòng)資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率3個(gè)二級(jí)指標(biāo)；盈利能力包括資產(chǎn)報(bào)酬率、凈資產(chǎn)收益率、營(yíng)業(yè)利潤(rùn)率3個(gè)二級(jí)指標(biāo)；現(xiàn)金流量包括現(xiàn)金與利潤(rùn)總額比、營(yíng)業(yè)收入現(xiàn)金凈含量2個(gè)二級(jí)指標(biāo)。

2.3? 財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)數(shù)據(jù)預(yù)處理

2.3.1? 數(shù)據(jù)收集

本文數(shù)據(jù)主要來(lái)自同花順、巨潮資訊網(wǎng)和國(guó)泰安CSMAR數(shù)據(jù)中的上市公司已公布的財(cái)務(wù)報(bào)表。根據(jù)紡織行業(yè)的業(yè)務(wù)特點(diǎn)，按照企業(yè)經(jīng)營(yíng)范圍及主營(yíng)業(yè)務(wù)從上市公司數(shù)據(jù)庫(kù)中選擇了36家相似公司。在卷積神經(jīng)網(wǎng)絡(luò)模型中，樣本數(shù)據(jù)的規(guī)模與準(zhǔn)確性決定了訓(xùn)練模型的泛化能力，36家公司的單年度財(cái)務(wù)數(shù)據(jù)并不能滿足后續(xù)訓(xùn)練的需求，為了提高后續(xù)模型的精度，選取36家公司2018—2022的財(cái)務(wù)數(shù)據(jù)作為樣本數(shù)據(jù)，共200份。

2.3.2? 數(shù)據(jù)處理

本文對(duì)36家公司共200份財(cái)務(wù)樣本數(shù)據(jù)進(jìn)行填充、降維、PCA主成分分析等。首先對(duì)于丟失的指標(biāo)數(shù)據(jù)進(jìn)行填充處理，對(duì)于高維度的指標(biāo)數(shù)據(jù)采用歸一化的方法進(jìn)行處理。對(duì)數(shù)據(jù)指標(biāo)選取使用主成分分析法，對(duì)檢驗(yàn)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(guò)KMO和Bartlett球形度對(duì)這些變量之間存在的關(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(jí)指標(biāo)。

2.3.3? 財(cái)務(wù)風(fēng)險(xiǎn)標(biāo)識(shí)

本文的200份樣本數(shù)據(jù)代表了與企業(yè)經(jīng)營(yíng)范圍及主營(yíng)業(yè)務(wù)類似的36家企業(yè)5年的財(cái)務(wù)數(shù)據(jù)。通過(guò)聚類分析操作，設(shè)定結(jié)果數(shù)據(jù)按照數(shù)值1～5打標(biāo)簽，1表示企業(yè)財(cái)務(wù)狀況最好，2表示較為良好，3表示一般，4表示風(fēng)險(xiǎn)高，5表示有嚴(yán)重風(fēng)險(xiǎn)。

3? 基于CSO-CNN模型的財(cái)務(wù)預(yù)測(cè)

3.1? 布谷鳥(niǎo)算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)

由于卷積神經(jīng)網(wǎng)絡(luò)中對(duì)于初始權(quán)重不夠敏感，不同參數(shù)也會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)出現(xiàn)不同的性能，有可能導(dǎo)致網(wǎng)絡(luò)震蕩不收斂或者收斂速度慢，從而使得訓(xùn)練時(shí)間過(guò)長(zhǎng)。因此優(yōu)化權(quán)重成為一個(gè)改進(jìn)的方向。由于元啟發(fā)式優(yōu)化算法不需要梯度信息，需要調(diào)整的參數(shù)數(shù)目少，而自身收斂速度快，因此，我們提出基于布谷鳥(niǎo)算法的卷積神經(jīng)網(wǎng)絡(luò)的策略（CSO-CNN）。其核心思想是利用布谷鳥(niǎo)算法訓(xùn)練調(diào)整卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重時(shí)，將等待訓(xùn)練的權(quán)重進(jìn)行向量編碼方式，采用結(jié)構(gòu)化分析方法分析參數(shù)的特點(diǎn)，輸入到卷積層和池化層的模型。在向量編碼方式中，每一個(gè)布谷鳥(niǎo)個(gè)體被看成一個(gè)向量，每一個(gè)向量代表一組卷積神經(jīng)網(wǎng)絡(luò)需要訓(xùn)練調(diào)整的權(quán)重，具體編碼方式[13]如下：

在式（6）中，i表示每一個(gè)鳥(niǎo)群個(gè)體， 和? 分別表示第n個(gè)卷積層中和第n個(gè)池化層的第K個(gè)輸入神經(jīng)元連接到第L個(gè)輸出神經(jīng)元的卷積核的權(quán)值。

3.2? 財(cái)務(wù)數(shù)據(jù)預(yù)測(cè)過(guò)程

財(cái)務(wù)數(shù)據(jù)預(yù)測(cè)步驟如下：

1）收集t-5到t-1年的財(cái)務(wù)樣本指標(biāo)數(shù)據(jù)，設(shè)定CSO算法和卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)的初始值、最大迭代次數(shù)。

2）選擇反映財(cái)務(wù)預(yù)警模型的指標(biāo)。

3）將布谷鳥(niǎo)個(gè)體通過(guò)對(duì)應(yīng)原則映射到卷積層和池化層對(duì)應(yīng)的權(quán)重，通過(guò)解碼賦值給每一層中的向量，并將均方差公式作為布谷鳥(niǎo)算法的適應(yīng)度函數(shù)，獲得最優(yōu)的布谷鳥(niǎo)個(gè)體，即最佳的權(quán)重。

4）將具體財(cái)務(wù)指標(biāo)數(shù)據(jù)進(jìn)行歸一化預(yù)處理后輸入到調(diào)整后的卷積神經(jīng)網(wǎng)絡(luò)中。

5）根據(jù)卷積、池化和全連接操作，輸出結(jié)果。

4? 仿真實(shí)驗(yàn)

為了說(shuō)明本文提出的財(cái)務(wù)危機(jī)預(yù)警模型預(yù)測(cè)的效果，我們?cè)趯?shí)驗(yàn)平臺(tái)中選擇：CPU為酷睿I7，內(nèi)存為DDR4的16 GB，硬盤容量為1 TB，仿真軟件為MATLAB 2021a，操作系統(tǒng)為Win 10。數(shù)據(jù)來(lái)源為紹興地區(qū)紡織業(yè)上市公司的財(cái)務(wù)報(bào)表數(shù)據(jù)。

4.1? 本文模型預(yù)測(cè)效果

我們將一組樣本指標(biāo)分別輸入到基于CSO優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)模型和沒(méi)有算法優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)模型中，對(duì)比結(jié)果如圖2所示。從預(yù)測(cè)準(zhǔn)確性的結(jié)果來(lái)看，本文算法相比于卷積神經(jīng)網(wǎng)絡(luò)具有較大的優(yōu)勢(shì)，這是因?yàn)楫?dāng)一組樣本指標(biāo)輸入到卷積神經(jīng)網(wǎng)絡(luò)的時(shí)候，該神經(jīng)網(wǎng)絡(luò)由于自身參數(shù)缺乏優(yōu)化導(dǎo)致挑選出財(cái)務(wù)預(yù)警模型的指標(biāo)并不完全合適，因此在很大的程度上造成了卷積神經(jīng)網(wǎng)絡(luò)的效率低，精度差，因此降低了預(yù)測(cè)效果的準(zhǔn)確性。而本文采用的CSO算法優(yōu)化了卷積神經(jīng)網(wǎng)絡(luò)模型，由于對(duì)樣本指標(biāo)進(jìn)行了篩選，使得預(yù)測(cè)準(zhǔn)確率具有明顯的提高。

4.2? 與基于元啟發(fā)式算法的模型對(duì)比

我們選擇ACO、PSO、FOA三種元啟發(fā)式算法作為對(duì)比算法，并選擇10組測(cè)試樣本分別輸入到ACO-CNN、PSO-CNN、FOA-CNN中進(jìn)行對(duì)比，通過(guò)與實(shí)際值預(yù)測(cè)率進(jìn)行對(duì)比，預(yù)測(cè)風(fēng)險(xiǎn)判斷結(jié)果，如圖3至圖6所示。從圖中可以發(fā)現(xiàn)，四種算法在預(yù)測(cè)值與實(shí)際值的對(duì)比方面都具有不同的效果。圖3的ACO-CNN的預(yù)測(cè)結(jié)果中，樣本1、4、5、6、7、8、9、10與實(shí)際值具有一定的差距，尤其是樣本3、5、6和9，預(yù)測(cè)值和實(shí)際值出現(xiàn)了較大的差距。圖4的PSO-CNN的預(yù)測(cè)結(jié)果中，樣本1、2、3、4、6、7、8、9、10與實(shí)際值具有一定的差距，尤其是樣本2、4和6，預(yù)測(cè)值和實(shí)際值出現(xiàn)了較大的差距，而在樣本1、7、8、9中距離真實(shí)值有一定的差距，而樣本編號(hào)10完全超過(guò)了真實(shí)值。圖5的FOA-CNN的預(yù)測(cè)結(jié)果中，樣本編號(hào)2、3、5、6、7、8、9、10與真實(shí)值都具有一定差距，只有樣本2出現(xiàn)了較大的差距，其他的樣本與真實(shí)值的差距不大，說(shuō)明FOA-CNN在預(yù)測(cè)方面具有一定的優(yōu)勢(shì)。圖6中的CSO-CNN的預(yù)測(cè)效果是最好的，都比較接近實(shí)際數(shù)值，雖然樣本3—7與真實(shí)值具有一定的差距，但這些預(yù)測(cè)的結(jié)果與真實(shí)數(shù)值相差不大。綜合以上的算法預(yù)測(cè)結(jié)果，說(shuō)明本文提出的CSO-CNN具有較好的預(yù)測(cè)效果，能夠有效地提高財(cái)務(wù)數(shù)據(jù)的預(yù)測(cè)精度。

5? 結(jié)? 論

文章提出了基于布谷鳥(niǎo)算法優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警模型，并選擇紡織類上市企業(yè)為研究對(duì)象，篩選出能夠反映財(cái)務(wù)危機(jī)的指標(biāo)，通過(guò)布谷鳥(niǎo)算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的卷積層和池化層的權(quán)重，提高神經(jīng)網(wǎng)絡(luò)性能，仿真實(shí)驗(yàn)說(shuō)明本文算法在財(cái)務(wù)預(yù)警方面具有較好的效果。

參考文獻(xiàn)：

[1] XUE Y，WANG W H，MIAO C. Research on financial assets transaction prediction model based on LSTM neural network [J].Neural Computing and Applications，2021，33：257-270.

[2] JABEUR S B. Bankruptcy prediction using Partial Least Squares Logistic Regression [J].Journal of Retailing and Consumer Services，2017，36：197-202.

[3] HASSAN E，ZAINUDDIN Z，NORDIN S. A review of financial distress prediction models： logistic regression and multivariate discriminant analysis [J].Indian-Pacific Journal of Accounting and Finance，2017，1（3）：13-23.

[4] ZIZI Y，OUDGOU M，MOUDDEN A E. Determinants and Predictors of SMEs Financial Failure： A Logistic Regression Approach [J/OL].Risks，2020，8（4）：[2023-06-07].https：//doi.org/10.3390/risks8040107.

[5] ODOM M D，SHARDA R. A neural network model for bankruptcy prediction [C]//1990 IJCNN International Joint Conference on neural networks.San Diego：IEEE，1990：163-168.

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

[7] KOROL T. Early warning models against bankruptcy risk for Central European and Latin American enterprises [J].Economic Modelling，2013，31：22-30.

[8] TUO Z ，WANG L Y. Improved BP Neural Network's Application in the Bank Early Warning [J].Procedia Engineering，2011，23：216-221.

[9] YU H，WEI S，BAI Q L，et al. SOM-BP Neural Network-Based Financial Early-Warning for Listed Companies [J].Journal of Computational and Theoretical Nanoscience，2016，13（10）：6860-6866.

[10] LIU Z X，DU G S，ZHOU S，et al. Analysis of Internet Financial Risks Based on Deep Learning and BP Neural Network [J].Computational Economics，2022，59：1481-1499.

[11] YIN X Z，LI J H，HUANG S J. The improved genetic and BP hybrid algorithm and neural network economic early warning system [J].Neural Computing and Applications，2022，34（5）：3365-3374.

[12] 嚴(yán)莉紅.基于LSTM神經(jīng)網(wǎng)絡(luò)的飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型構(gòu)建 [J].飼料研究，2023，46（3）：130-134.

[13] 趙毅.基于改進(jìn)量子粒子群卷積神經(jīng)網(wǎng)絡(luò)雷達(dá)信號(hào)識(shí)別 [D].南京：江蘇科技大學(xué)，2019.

作者簡(jiǎn)介：李莎（1981.09—），女，漢族，湖南邵陽(yáng)人，教師，副教授，碩士，研究方向：企業(yè)財(cái)務(wù)、風(fēng)險(xiǎn)控制。

收稿日期：2023-07-07

基金項(xiàng)目：紹興市哲學(xué)社會(huì)科學(xué)研究“十四五”規(guī)劃2023年度重點(diǎn)課題—基地智庫(kù)專項(xiàng)課題（145J068）