陳超飛 劉浩然

一、研究背景

在實(shí)體經(jīng)濟(jì)的發(fā)展和市場的競爭日趨激烈的現(xiàn)實(shí)下，制造型企業(yè)面臨的財(cái)務(wù)風(fēng)險(xiǎn)挑戰(zhàn)越來越多，這些風(fēng)險(xiǎn)對(duì)于制造業(yè)企業(yè)的生產(chǎn)與發(fā)展十分重要。財(cái)務(wù)危機(jī)的出現(xiàn)將給企業(yè)帶來巨大的損失，極端情況下甚至造成企業(yè)的破產(chǎn)。財(cái)務(wù)風(fēng)險(xiǎn)與公司經(jīng)營狀況惡化、股價(jià)下跌及投資者信心喪失等問題的發(fā)生存在著千絲萬縷的聯(lián)系?；谝陨蠁栴}，企業(yè)應(yīng)具有更高的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警及管理的能力。

隨著數(shù)據(jù)挖掘技術(shù)的發(fā)展，對(duì)于企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的方法從數(shù)學(xué)模型演變到深度學(xué)習(xí)方法。深度學(xué)習(xí)在工程領(lǐng)域已得到廣泛應(yīng)用，特別在圖像識(shí)別、預(yù)測性維護(hù)等方面成果顯著。

基于數(shù)據(jù)驅(qū)動(dòng)的財(cái)務(wù)預(yù)警方法得益于人工智能技術(shù)與信號(hào)處理技術(shù)的發(fā)展，已成為未來發(fā)展趨勢。與傳統(tǒng)方法不同，此類方法通過采集、篩選及建立財(cái)務(wù)風(fēng)險(xiǎn)關(guān)鍵指標(biāo)體系，通過深度學(xué)習(xí)算法建立模型對(duì)真實(shí)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)數(shù)據(jù)進(jìn)行自學(xué)習(xí)，找到企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)中各參數(shù)與財(cái)務(wù)風(fēng)險(xiǎn)的耦合關(guān)系（劉浩然和廖俊林，2023），從而建立財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，實(shí)現(xiàn)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)警。

二、財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警理論

財(cái)務(wù)風(fēng)險(xiǎn)就是企業(yè)在財(cái)務(wù)活動(dòng)中，由于未來的不確定性可能導(dǎo)致的經(jīng)濟(jì)損失。這個(gè)風(fēng)險(xiǎn)跟資產(chǎn)管理、資金管理、融資管理和費(fèi)用管理有關(guān)，企業(yè)在做財(cái)務(wù)決策時(shí)，需要預(yù)測未來的財(cái)務(wù)狀況和可能的風(fēng)險(xiǎn)。一方面，財(cái)務(wù)風(fēng)險(xiǎn)可能來自市場風(fēng)險(xiǎn)，比如利率、匯率、證券價(jià)格等因素變化導(dǎo)致的資本損失或收益減少。另一方面，財(cái)務(wù)風(fēng)險(xiǎn)也可能是因?yàn)楣緝?nèi)部管理的問題，比如財(cái)務(wù)政策不合適、資產(chǎn)結(jié)構(gòu)不合理、資本預(yù)算不合理，這些問題可能導(dǎo)致企業(yè)經(jīng)濟(jì)狀況惡化，降低公司財(cái)務(wù)穩(wěn)健性。

（一）財(cái)務(wù)風(fēng)險(xiǎn)成因

財(cái)務(wù)風(fēng)險(xiǎn)是所有企業(yè)在運(yùn)營過程中難以避免的一大挑戰(zhàn)。通過深入研究，我們發(fā)現(xiàn)財(cái)務(wù)風(fēng)險(xiǎn)的形成源于多種主客觀因素的共同影響。因此，了解財(cái)務(wù)風(fēng)險(xiǎn)的成因具有重要意義，有助于管理者尋求最有效的防范和解決方案，降低企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)。財(cái)務(wù)風(fēng)險(xiǎn)成因主要有：

1.市場波動(dòng)。任何企業(yè)都離不開市場的博弈，市場波動(dòng)，特別是其中包含的各種風(fēng)險(xiǎn)因素，如通脹危機(jī)、市場需求的劇變以及競爭對(duì)手的異動(dòng)等，這些都是企業(yè)必須面對(duì)并承擔(dān)的財(cái)務(wù)風(fēng)險(xiǎn)。

2.金融市場的不確定性。金融市場發(fā)展中的不確定性也是引發(fā)財(cái)務(wù)風(fēng)險(xiǎn)的關(guān)鍵所在。市場利率與匯率漲跌均可成為財(cái)務(wù)風(fēng)險(xiǎn)提升的催化劑。尤其在利率升高的情況下，企業(yè)償還貸款的壓力增大，從而面臨更加嚴(yán)峻的財(cái)務(wù)風(fēng)險(xiǎn)。

3.宏觀經(jīng)濟(jì)環(huán)境。宏觀經(jīng)濟(jì)環(huán)境的劇變同樣會(huì)給公司財(cái)務(wù)帶來沖擊。政策的調(diào)整、貨幣的走勢等無一不牽涉到企業(yè)財(cái)務(wù)的穩(wěn)定發(fā)展。

4.財(cái)務(wù)結(jié)構(gòu)的不合理性。企業(yè)的財(cái)務(wù)結(jié)構(gòu)若存在嚴(yán)重缺陷，包括高負(fù)債比例或債務(wù)還款期限結(jié)構(gòu)不佳等問題，都將直接威脅到企業(yè)償還債務(wù)的能力，從而加劇了企業(yè)所承受的財(cái)務(wù)壓力。

5.管理不當(dāng)。如果企業(yè)內(nèi)部的管理工作出現(xiàn)疏漏，諸如做出錯(cuò)誤的決策、資金管理欠妥、投資者風(fēng)險(xiǎn)意識(shí)渙散等現(xiàn)象發(fā)生，就會(huì)為企業(yè)埋下巨大財(cái)務(wù)風(fēng)險(xiǎn)隱患。

6.自然災(zāi)害。自然界的各種災(zāi)害，如地震、洪災(zāi)、火災(zāi)等，亦有可能給企業(yè)帶來巨大的資產(chǎn)損失，進(jìn)而加大了企業(yè)應(yīng)付財(cái)務(wù)風(fēng)險(xiǎn)的難度。

7.行業(yè)背景。行業(yè)背景作為導(dǎo)致企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)產(chǎn)生的一大外因，涉及到了行業(yè)衰退、科技進(jìn)步、政策轉(zhuǎn)變等各個(gè)方面。每個(gè)領(lǐng)域的變化，都有可能給相關(guān)企業(yè)帶來財(cái)務(wù)風(fēng)險(xiǎn)。

（二）財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警原理

財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警是指一種通過對(duì)財(cái)務(wù)數(shù)據(jù)的全面分析，對(duì)可能出現(xiàn)的財(cái)務(wù)危機(jī)進(jìn)行預(yù)先識(shí)別和控制的手段。其主要目的在于及時(shí)發(fā)現(xiàn)財(cái)務(wù)異?，F(xiàn)象，并提供相應(yīng)的對(duì)策措施，以避免類似的財(cái)務(wù)危機(jī)再度發(fā)生。通常，財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)能夠協(xié)助企業(yè)監(jiān)控財(cái)務(wù)風(fēng)險(xiǎn)、提升管理水平、防范經(jīng)營失敗，對(duì)企業(yè)的長遠(yuǎn)發(fā)展具有重要意義。

在實(shí)際應(yīng)用中，企業(yè)財(cái)務(wù)管理所涉及的范圍廣泛，包括生產(chǎn)、供應(yīng)、銷售等多個(gè)環(huán)節(jié)，同時(shí)為企業(yè)的生產(chǎn)管理、市場營銷、質(zhì)量管理、人力資源管理等提供了基礎(chǔ)信息支持。財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警方法包括傳統(tǒng)方法和基于計(jì)量方法的預(yù)警模型。其中，傳統(tǒng)方法主要通過財(cái)務(wù)比率分析來預(yù)警企業(yè)是否處于財(cái)務(wù)危機(jī)狀態(tài)；而基于計(jì)量方法的預(yù)警模型則包括單變量預(yù)測模型和多元預(yù)測模型等。

企業(yè)建立財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)的具體方法和步驟包括：明確預(yù)警指標(biāo)、制定預(yù)警標(biāo)準(zhǔn)、建立數(shù)據(jù)采集和處理系統(tǒng)、建立預(yù)警機(jī)制及應(yīng)對(duì)措施、持續(xù)優(yōu)化和改進(jìn)等。在選擇預(yù)警指標(biāo)時(shí)，需要依據(jù)企業(yè)實(shí)際情況進(jìn)行；建立數(shù)據(jù)采集和處理系統(tǒng)，以便獲取財(cái)務(wù)數(shù)據(jù)；預(yù)警機(jī)制的制定需要根據(jù)預(yù)警等級(jí)采取相應(yīng)的應(yīng)對(duì)措施。財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警作為企業(yè)財(cái)務(wù)管理中的重要技術(shù)手段，通過對(duì)財(cái)務(wù)風(fēng)險(xiǎn)的監(jiān)測和控制，有助于提高企業(yè)財(cái)務(wù)穩(wěn)定性，確保企業(yè)的可持續(xù)發(fā)展。

三、制造業(yè)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)構(gòu)建

本文以制造業(yè)上市公司作為研究對(duì)象，通過嚴(yán)格篩選和定義，確定了狀態(tài)為ST 的制造業(yè)上市企業(yè)和正常經(jīng)營制造業(yè)上市企業(yè)的概念，并在限定其行業(yè)類型、資產(chǎn)規(guī)模的條件下，構(gòu)建了一套完整的研究樣本。同時(shí)，對(duì)制造業(yè)行業(yè)發(fā)展現(xiàn)狀及財(cái)務(wù)風(fēng)險(xiǎn)特征進(jìn)行了深入研究，結(jié)合適當(dāng)?shù)闹笜?biāo)選取原則，構(gòu)建了一套財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)。指標(biāo)充分考慮了財(cái)務(wù)要素和非財(cái)務(wù)要素，可以更加全面地反映企業(yè)的財(cái)務(wù)狀況和經(jīng)營風(fēng)險(xiǎn)，進(jìn)一步提高財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的準(zhǔn)確性和可靠性。

（一）樣本選擇

本文樣本數(shù)據(jù)來源于中國經(jīng)濟(jì)金融研究數(shù)據(jù)庫（CSMAR），該數(shù)據(jù)庫涵蓋中國證券、期貨、外匯、宏觀、行業(yè)等經(jīng)濟(jì)金融主要領(lǐng)域的高精準(zhǔn)研究型數(shù)據(jù)庫，是投資和實(shí)證研究的基礎(chǔ)工具。本文選取228家制造業(yè)上市公司作為研究對(duì)象，其中69家狀態(tài)為ST，其余為正常。

（二）預(yù)警指標(biāo)選擇

財(cái)務(wù)預(yù)警指標(biāo)應(yīng)能揭示和規(guī)避企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)。財(cái)務(wù)要素中一般通過償債能力、經(jīng)營能力、盈利能力、發(fā)展能力、比率結(jié)構(gòu)和現(xiàn)金流分析六方面內(nèi)容來闡述企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)。非財(cái)務(wù)要素中則通過股東、管理層指標(biāo)來闡述企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)。財(cái)務(wù)預(yù)警指標(biāo)如表1所示。

表1 財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)

由于指標(biāo)較多，為找出關(guān)鍵指標(biāo)，保證指標(biāo)的有效性，需對(duì)表1中的指標(biāo)進(jìn)一步進(jìn)行篩選。本文使用PCA分析對(duì)指標(biāo)進(jìn)行變量篩選，得到財(cái)務(wù)預(yù)警關(guān)鍵指標(biāo)，如表2所示。

表2 財(cái)務(wù)預(yù)警關(guān)鍵指標(biāo)

（三）數(shù)據(jù)處理

由于每家企業(yè)公布的財(cái)務(wù)指標(biāo)存在差異，存在缺失值是一種常見的問題，因此需要對(duì)樣本中缺失的數(shù)據(jù)進(jìn)行數(shù)據(jù)補(bǔ)值。插補(bǔ)方法有許多，但大多數(shù)方法都不能處理多項(xiàng)特征之間的復(fù)雜關(guān)系。常見的數(shù)據(jù)補(bǔ)值方法，包括對(duì)空值的特殊處理、使用平均值或眾數(shù)填充、回歸填充等。隨機(jī)森林插補(bǔ)法不僅能夠處理多項(xiàng)特征之間的復(fù)雜關(guān)系，而且能夠處理非線性關(guān)系和異常值，為解決缺失值問題提供了一種有效的解決方案。

隨機(jī)森林模型由多棵決策樹構(gòu)成，每棵樹從原始數(shù)據(jù)集里進(jìn)行重復(fù)的有放回抽樣來獲得訓(xùn)練樣本，再根據(jù)這些樣本進(jìn)行獨(dú)立的決策規(guī)則建模。就像每一棵樹抗風(fēng)能力有限，但是一片樹林的抗風(fēng)能力卻可以非常強(qiáng)大，因此確保預(yù)測性能穩(wěn)定可靠。每次決策樹的構(gòu)建，當(dāng)我們調(diào)用draw（）函數(shù)后，它都會(huì)隨機(jī)從中選擇一行或幾行作為新的樣本來更新這個(gè)節(jié)點(diǎn)。模型的核心思想在于通過反復(fù)地細(xì)化每一棵決策樹來提高模型的泛化能力。這樣，不僅每一棵樹上任何一次抽樣的樣本都是不同的，同時(shí)也保證了模型對(duì)特征選擇的多樣性，有助于提升模型精確度。接著對(duì)每棵決策樹實(shí)現(xiàn)充分分裂，到無法繼續(xù)進(jìn)行小區(qū)分的深度點(diǎn)才停止分裂，確保每個(gè)葉節(jié)點(diǎn)之間保持一定的差異性。利用機(jī)器學(xué)習(xí)工具包scikit-learn 實(shí)現(xiàn)了多個(gè)高維度分類問題的隨機(jī)森林模型訓(xùn)練，結(jié)果表明在大多數(shù)情況下，隨機(jī)森林模型能比其他同類模型更好地處理高維度的復(fù)雜問題。這種模型精度不受過高參數(shù)數(shù)量或復(fù)雜特征空間影響，無需進(jìn)行手動(dòng)的離群點(diǎn)檢測和修剪等操作，實(shí)現(xiàn)了在不引入額外誤差和復(fù)雜性的情況下獲得較高的準(zhǔn)確率。構(gòu)建步驟如下：

由于數(shù)據(jù)集中存在不同單位及量級(jí)，為方便進(jìn)行比較和加權(quán)組合，需對(duì)數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理。常見的數(shù)據(jù)標(biāo)準(zhǔn)化方法，包括Z-score 方法、Minmax 方法、中心化方法和Decimal scaling方法。本文使用Min-max方法，將原始數(shù)據(jù)線性映射到[0，1]區(qū)間內(nèi)。這種方法通過將每個(gè)數(shù)據(jù)點(diǎn)減去最小值，再除以最大值與最小值之差，將數(shù)據(jù)轉(zhuǎn)化為[0，1]區(qū)間內(nèi)的數(shù)。這種方法適用于對(duì)數(shù)據(jù)進(jìn)行離散化處理，從而更好地進(jìn)行數(shù)據(jù)分析，計(jì)算見公式（1）。其中xmin為各指標(biāo)中的最小值，xmax為各指標(biāo)中的最大值。

四、基于LSTM的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型

LSTM 是一種遞歸神經(jīng)網(wǎng)絡(luò)，可以處理和預(yù)測時(shí)間序列數(shù)據(jù)。在財(cái)務(wù)預(yù)警中，LSTM 可以用來分析公司的歷史財(cái)務(wù)數(shù)據(jù)，以預(yù)測未來的財(cái)務(wù)狀況。通過對(duì)歷史數(shù)據(jù)的學(xué)習(xí)，LSTM 可以捕捉到數(shù)據(jù)中的長期依賴關(guān)系，從而更準(zhǔn)確地預(yù)測未來的趨勢。

在基于LSTM 的財(cái)務(wù)預(yù)警中，需要選擇合適的財(cái)務(wù)指標(biāo)作為輸入數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理和歸一化。然后，使用LSTM 模型對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測。最后，根據(jù)預(yù)測結(jié)果進(jìn)行財(cái)務(wù)預(yù)警和投資決策。LSTM算法的數(shù)學(xué)表達(dá)式如公式（2）所示：

公式（2）中，xt為模型輸出，ht為隱含層輸入狀態(tài)，ct為神經(jīng)元，通過輸入門it、輸出門ot及遺忘門ft保存并控制輸入的歷史信息流向，并將其累積在ct，且傳遞到下一個(gè)神經(jīng)元。通過門向ct傳遞信息，通過sigmoid 層控制輸出于區(qū)間[0，1]。當(dāng)輸出為“0”時(shí)，該信息遺忘。當(dāng)輸出為“1”時(shí)信息將被保留。在計(jì)算過程中權(quán)值W及偏置b被優(yōu)化（劉浩然和廖俊林，2023）。

本文模型輸出節(jié)點(diǎn)為2，即正常和異常（ST）。由于本文模型是處理序列數(shù)據(jù)的深度學(xué)習(xí)模型，通過使用門限機(jī)制來處理長期依賴關(guān)系。在訓(xùn)練模型時(shí)，需要判斷實(shí)際值與預(yù)測值之間的差異，所以需引入損失函數(shù)。本文使用LSTM 模型算法中常用的Hinge loss 函數(shù)作為模型的損失函數(shù)。模型在學(xué)習(xí)的過程中需進(jìn)行迭代，在考慮數(shù)據(jù)集的大小和復(fù)雜性、模型的復(fù)雜性和規(guī)模、運(yùn)行硬件的限值及模型參數(shù)調(diào)優(yōu)過程，確定本文模型迭代次數(shù)為543，學(xué)習(xí)率為0.002。使用Adam 函數(shù)提高模型的收斂速度和學(xué)習(xí)效率。Adam 函數(shù)計(jì)算公式如式（3）所示：

公式（3）中，gt為t的損失函數(shù)對(duì)θ的梯度，mt、vt為一階動(dòng)量的平均移動(dòng)和二階動(dòng)量的平均移動(dòng)，α為學(xué)習(xí)率，而θt的變化影響模型的優(yōu)化。

模型建立完成后，使用驗(yàn)證樣本數(shù)據(jù)對(duì)模型性能進(jìn)行驗(yàn)證，計(jì)算得到的模型準(zhǔn)確率為0.80，精準(zhǔn)率為0.85，召回率為0.75。為對(duì)結(jié)果進(jìn)一步分析，作混淆矩陣，結(jié)果見表3。

表3 測試數(shù)據(jù)混淆矩陣（LSTM）

五、基于GRU的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型

GRU 神經(jīng)網(wǎng)絡(luò)屬于一種時(shí)間遞歸式的神經(jīng)網(wǎng)絡(luò)模型，屬于LSTM 的變體。在其神經(jīng)網(wǎng)絡(luò)的輸入層以及隱藏層中間新增設(shè)了一個(gè)專有的GRU 單元，此單元內(nèi)含一個(gè)被稱為“更新門”及一個(gè)“重置門”的獨(dú)特模塊，責(zé)任在于有效控制序列信息在整個(gè)儲(chǔ)存與更新的過程中的表現(xiàn)。詳細(xì)來講，GRU神經(jīng)網(wǎng)絡(luò)的運(yùn)作原理是首先對(duì)來自輸入數(shù)據(jù)和隱藏狀態(tài)之間的相關(guān)性進(jìn)行計(jì)算，然后利用“更新門”和“重置門”來更新隱藏狀態(tài)，隨后便產(chǎn)生隱藏層的輸出。透過這樣的方式，使得可以在序列數(shù)據(jù)中執(zhí)行時(shí)間遞歸操作，在各種時(shí)間段中建立緊密的關(guān)聯(lián)性，深入挖掘出其中所隱含的寶貴信息，并且盡享序列的局部信息記憶功能。

重置門：設(shè)定xt代表了在某個(gè)特定時(shí)刻t 時(shí)所觀測到的輸入向量，而ht-1所記錄的則是從時(shí)間點(diǎn)t-1 開始至今都保留下來的有用歷史信息。接下來，我們需要先將這兩個(gè)向量進(jìn)行線性映射操作（即將其與一組相應(yīng)的權(quán)重矩陣相乘），然后再對(duì)它們的和進(jìn)行處理，這個(gè)過程中引入了Sigmoid 激活函數(shù)來獲取一個(gè)介于0至1區(qū)間之間的輸出值。最終，這個(gè)輸出結(jié)果就體現(xiàn)了重置門控的開放或者關(guān)閉程度，也就是記憶點(diǎn)的權(quán)重，當(dāng)輸出值等于1 的時(shí)候，說明此時(shí)記憶被充分加載；而當(dāng)輸出值為0的時(shí)候，則意味著記憶已經(jīng)被完全遺忘干凈，如公式（4）所示。

更新門：其根本功能在于確定需要從歷史記錄中進(jìn)行遺忘的數(shù)據(jù)量。同樣，這一表達(dá)式與“重置門”的表達(dá)式在邏輯上是吻合的，所不同的僅僅在于應(yīng)用于線性轉(zhuǎn)換的不同參數(shù)以及使用方式上存在微妙差異。如公式（5）所示：

待選隱藏狀態(tài)：首先通過重置門的功能，實(shí)現(xiàn)對(duì)Uht-1的選擇性記憶。根據(jù)公式4推導(dǎo)得出，重置門所產(chǎn)生的結(jié)果在數(shù)值區(qū)間0至1之間顯示了記憶程度的權(quán)重，其中數(shù)字1 代表著完全記憶，而數(shù)字0 則意味著完全忘記該信息。緊接著，將重置門rt與遷移狀態(tài)實(shí)施線性相乘操作，之后再把實(shí)際狀態(tài)的輸入量Wxt加入計(jì)算，最終獲得的結(jié)果需要進(jìn)行雙曲正切變化處理，當(dāng)最終結(jié)果處于-1至1的范圍內(nèi)時(shí)，即可定義為候選隱藏狀態(tài)的ht'值。公式見式（6）：

更新門結(jié)果輸出：利用更新門來處理前一狀態(tài)的信息以及經(jīng)過重置門重置之后的候選隱藏狀態(tài)。具體操作是將更新門分別用于這兩個(gè)狀態(tài)，然后通過線性變換選擇并遺忘特定部分的信息，最終獲得本次運(yùn)行后的輸出結(jié)果。公式見式（7）：

基于GRU 的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型建立完成后，經(jīng)過檢驗(yàn)，模型準(zhǔn)確率為0.84，精準(zhǔn)率為0.89，召回率為0.80。為對(duì)結(jié)果進(jìn)一步分析，作混淆矩陣，結(jié)果見表4。

表4 測試數(shù)據(jù)混淆矩陣（GRU）

由上述模型驗(yàn)證結(jié)果可以看出，在本文選取的數(shù)據(jù)集訓(xùn)練下，基于GRU 所構(gòu)建的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型性能優(yōu)于LSTM所構(gòu)建的財(cái)務(wù)預(yù)警模型性能。

六、總結(jié)

本論文旨在探索制造業(yè)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)影響因素，以及如何利用GRU和LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測制造業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)。本文深入分析了導(dǎo)致制造業(yè)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的多方面因素，其中包含財(cái)務(wù)因素及非財(cái)務(wù)因素，然后根據(jù)這些信息挑選出100項(xiàng)財(cái)務(wù)指標(biāo)進(jìn)行深度解析。通過運(yùn)用主成分分析法對(duì)這這些指標(biāo)進(jìn)行壓縮處理，最終得到25 個(gè)主成分的財(cái)務(wù)風(fēng)險(xiǎn)影響指標(biāo)。在此基礎(chǔ)上，綜合228家制造業(yè)企業(yè)樣本，依照基準(zhǔn)模型進(jìn)行訓(xùn)練，從而建立起專門針對(duì)制造業(yè)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。

在當(dāng)前的市場環(huán)境下，正確把握企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)趨勢已成為各類企業(yè)得以生存和發(fā)展的重要前提。借助深度學(xué)習(xí)的優(yōu)越能力和財(cái)務(wù)數(shù)據(jù)的支撐，可以建立起更為精準(zhǔn)高效的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，助力企業(yè)實(shí)現(xiàn)更好的經(jīng)營效益和可持續(xù)發(fā)展。但是，我們必須認(rèn)識(shí)到，將深度學(xué)習(xí)運(yùn)用于財(cái)務(wù)風(fēng)險(xiǎn)監(jiān)測依舊面臨諸多挑戰(zhàn)。如何解決這些問題、優(yōu)化模型性能及提高準(zhǔn)確度，仍需更多深入的理論研究和實(shí)踐驗(yàn)證。