導語：神經(jīng)網(wǎng)絡下的企業(yè)財務預警論文一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

1引言

公司財務預警系統(tǒng)是一種具有預測性與針對性的警報系統(tǒng)，其目的就是為了防止企業(yè)的財務系統(tǒng)在項目運行過程中偏離了原來目標后給企業(yè)造成重大經(jīng)濟損失現(xiàn)象的發(fā)生。一般來說，它主要是利用一定的數(shù)學模型對企業(yè)的財務、運行等各項指標進行綜合評價，根據(jù)模型預測的結果給出一定的理論結果供企業(yè)決策者參考。它具有監(jiān)測、診斷、冶療及健身功能［1］。一些研究人員對財務預警系統(tǒng)進行了分析。文獻［2］采用邏輯回歸法對公司財務預警系統(tǒng)進行了分析；文獻［3］運用主成分分析法建立了公司財務的通用預警模型并給出了一些意見與建議。文獻［4］采用GA算法對BP神經(jīng)網(wǎng)絡進行優(yōu)化，建立了優(yōu)化后的基于BP神經(jīng)網(wǎng)絡的上市公司財務危機預警模型。本文采用BP神經(jīng)網(wǎng)絡預測與Adaboost算法相合的分析方法，對采集的樣本數(shù)據(jù)建立強分類器并進行分類誤差研究，完成公司財務預警系統(tǒng)的分析，并取得較好的效果。

2預警系統(tǒng)的體系指標及數(shù)學模型

2．1預警系統(tǒng)的體系指標的篩選

公司財務系統(tǒng)涉到公司運營的各個環(huán)節(jié)，對于其風險防范的內(nèi)容也涉及很多體系指標。從經(jīng)營過程及內(nèi)容來看，這些指標一般可以歸納為以下幾個方面：財務報表內(nèi)的各項信息指標，企業(yè)盈利及償還能力指標、企業(yè)發(fā)展與成長能力指標，企業(yè)的線性流量指標和財務報表外信息指標。在每一個指標內(nèi)，又可以找到很多小項的評價指標，如果將這些都納入公司財務預警系統(tǒng)的綜合評價指標范疇，則預警模型會相當龐大且復雜，不利于得到正確的預警結論。因此，在進行財務預警系統(tǒng)的分析前，應先對這些相關性較強的評價指標進行理論性的篩選，然后才能將這些篩選后的指標納入至預警的數(shù)學模型中，從而使該預測模型能較快較全面地真實反應企業(yè)財務狀況并能實現(xiàn)預警功能。

2．2BP神經(jīng)網(wǎng)絡預測模型的實現(xiàn)

BP神經(jīng)網(wǎng)絡預測方法是近些年來應用較為廣泛的一種預測方法，對于離散性的數(shù)據(jù)預測具有良好的自適應性及容錯性。它一般分為輸入層、中間隱含層及輸出層三層，各層之間通過神經(jīng)元相互連接。而Adaboost算法的核心思想就是將多個弱的分類器的輸出值進行合并，再利用每個分類函數(shù)的權重及迭代計算加權得到強分類函數(shù)，從而產(chǎn)生有效分類，形成一個強分類器。其基本實現(xiàn)過程如圖1所示。首先，對采集的數(shù)據(jù)樣本進行歸一化的預處理并進行分組劃分，然后對每組預處理的樣本使用BP神經(jīng)網(wǎng)絡進行預測，每個預測都會形成一個迭代誤差，這些不同組的弱分類組成一個大的弱分類器。根據(jù)預測分類序列的預測誤差值來計算預測序列權重，然后根據(jù)這個序列權重來調整下一次迭代的訓練樣本的權重。當網(wǎng)絡訓練多次后，通過各組的弱分類函數(shù)組合就可以得到強分類函數(shù)，形成一個強分類器，提高預測的精度，然后這些較高精度的理論計算結果再提交給決策者進行相關決策。

3具體算例

根據(jù)調研，選擇十項參數(shù)指標來描述某公司財務狀況，這十項能較為全面地反映了企業(yè)的財務狀況。表2為預測序列權重at和迭代計算的誤差et的計算結果表。表中，在各個弱分類器的迭代中，預測序列權重at的分布不均衡，第一個弱分類器的序列權重最大，其余的依次呈交替變化。而迭代計算的誤差et都控制在0．35以下，說明本計算的精度較高。圖2為A，B和J體系指標的計算數(shù)據(jù)的序列權重分布，從圖中可以看出：三個體系指標的序列權重都是呈波動跳躍變化，但波動范圍不大。相對而言，在20個數(shù)據(jù)樣本中，體系指標A的權重最大，其次為體系指標B，最后是體系指標J。表3為兩種分類器的誤差率值。其中，強分類器分類誤差率為4％，而弱分類器分類平均誤差率為5．57％，前者比后者低，這說明采用BP＿Adaboost算法取得了較好的效果。4結語根據(jù)前述分析與討論，可以得到如下結論：（1）用BP＿Adaboost分類算法建立的強分類器的分類誤差率低于僅用BP算法建立的弱分類器的分類誤差率，這說明采用BP＿Adaboost算法具有較好的效果，利用組合算法對企業(yè)財務進行預警具有可行性和一定的計算精度，這些能為企業(yè)財務預警提供一定的理論指導。（2）企業(yè)應該充分利用現(xiàn)有的一些預測方法，加強自身財務體系的預警研究，建立其內(nèi)部的預警控制體系及配套措施，從而對可能產(chǎn)生的對企業(yè)造成重大損失的財務風險進行防范。（3）本方所采用的方法簡單易行，對于同類的預警分類方法都具有較強的適用性與推廣性。

作者:肖嵐單位:武漢船舶職業(yè)技術學院經(jīng)濟與管理學院