论文部分内容阅读
[摘要] 本文在企业投资风险分析基础上，提出了一种基于BP神经网络的企业投资风险分析预警方法，构建了投资风险分析模型的BP网络。
[关键词] 投资风险风险预警BP神经网络
BP神经网络是一种基于误差反向传播算法（Back Propagation，简称BP算法）的多层前馈神经网络。作为一种并行分散处理模式，BP神经网络具有非线性映射、自适应学习和较强容错性的特点，可以对复杂多变的企业投资运作环境进行模拟。利用BP神经网络，进行投资风险分析，将能够在企业的投资出现异常时，向人们发出警报，引起人们的关注并集中力量进行解决，从而达到保护企业投资安全性的目的。
一、预警系统神经网络的结构设计
本文采用了三层BP网络结构来构建企业投资风险分析模型，其中输入为预警指标，输出为警报程度，网络隐层激发函数采用常用的双曲正切S型函数（Sigmoid函数），学习算法采用有教师的学习算法——δ学习律。本网络学习的指导思想是通过网络权值的修正与阈值的修正，使误差函数沿梯度方向下降。网络的构建和训练可利用Matlab 6.5来完成，可利用该软件中的Newff函数来构造网络，用Train函数来训练。
二、预警系统神经网络输入矢量的筛选与准备
1.建模指标的筛选
结合实际的运用，企业投资风险预警模型的指标主要包括六大模块：投资管理、投资盈利能力、投资运营效率、投资结构、投资发展潜力和投资安全性。在具体预警指标的选取方面，考虑到各指标间要既能相互补充，又不重复，尽可能全面综合地反映投资项目的运营状况，故每个预警模块各取多个具代表性的指标，综合起来共同构成投资预警指标体系，详见下表。
表企业投资风险预警指标
2.输入数据的准备
为减少靠近边界处噪声造成网络的错误判断，在设计训练组时要选用较多的训练样本。考虑到经验公式和实践操作的问题，建议训练样本数不少于120个，再准备20个左右未参加训练的样本用于测试模型的应用准确性。按照预警的要求，可将全部输入样本数据按“安全”、“警报”和“危机”分为三个表示投资项目可能出现的运营状态训练组，输入到网络中进行训练。
人工神经网络只能处理成数值的输入数据，因此在原始数据输入网络前要将那些模糊、混沌的信息进行变换，将数值限定在[0,1]范围之内。此外，由于预警指标数据的量纲上存在差异，因此在原始数据输入网络之前还要进行归一化处理，使其标准化成为无量纲变量。
三、预警系统神经网络节点数的设计
输入层节点数取决于数据源的维数，由于BP神经网络是一种非线性的平行处理结构模式，变量之间的相关性对于数据处理的影响不大，在进行指标选择时可尽量包括较多的信息。考虑到投资运营的实际状况，及系统学习时间和网络的复杂性，选取了上述17个指标作为输入矢量，本预警模型的输入节点数相应的确定为17。
输出层的节点数可根据使用者的要求来设计。根据投资风险的实际状况和研究的需要，按两个个不同的警情等级（即“安全”、“警报”和“危机”三个等级），网络的输出节点数可取为3。
网络隐含层节点数的选取是一个复杂的问题，太少的隐含层节点会造成局部极小值过多或不鲁棒，而太多的节点数又会使学习时间过长且误差也不一定最佳。鉴于隐含层节点数与输入层、输出层节点数的多少密切相关，可参考经验公式:2X>N（其中：X为隐含层节点数，N为样本数）来确定。在此基础上，再运用“凑试法”，首先确定一个较小的隐含层节点数进行训练，如训练次数太多或在规定训练次数内没有收敛，则停止训练，逐步增加隱含层节点数，重新训练。
四、预警系统神经网络报警信号与输出矢量的设计
预警系统的预警信号拟采用一组类似于交通管制信号的红、黄、绿三种信号，分别表示“危机”、“警报”和“安全”三种状态。将网络设计加入单输入单输出的神经门，使其在完成训练后能输出布尔离散变量的报警信号，逻辑关系为：ify＜y′then 0 else 1，其中y′为预警阈值，0＜y′＜1。在训练完成后，将新的报警原始变量提交给输入层节点，按BP网络和神经门处理器结构依次处理，最后输出报警状态。
五、企业投资风险分析模型BP神经网络训练
企业投资风险分析模型BP神经网络的输入矢量为 ;第二层为隐含层，有n个节点，;最后输出矢量为。
输入学习样本数为N个，分别记为 ，已知与其对应的教师值为，学习算法的输出值为 。输入层与隐含层之间的权为wij，阈值为;隐含层与输出层的权为wjk，阈值为k，各层的神经元满足： ①
其中函数f为Sigmoid函数，即 。
整个网络训练过程分为两个阶段。第一个阶段是信息的正向传播阶段，从网络的底部向上计算每一层的神经元输出；第二个阶段是误差反向修正阶段，该阶段是对权和阈值的修改，此时从最高层向下进行计算和修改，从已知最高层的误差修正与最高层相联的权，两个过程反复交替，直到达到收敛为止。
六、结论
对于复杂的企业投资运作而言，BP神经网络解决了传统模式难以处理高度非线性模型、容错性差、不具备时变性、缺少自学习能力等缺陷，有较好的预测效果。由于缺乏大量的实践数据，在此仅给出了企业投资风险分析模型的函数结构，而没有给出函数具体参数值，但对此类问题的研究仍具有一定的参考价值。
本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。
[关键词] 投资风险风险预警BP神经网络
BP神经网络是一种基于误差反向传播算法（Back Propagation，简称BP算法）的多层前馈神经网络。作为一种并行分散处理模式，BP神经网络具有非线性映射、自适应学习和较强容错性的特点，可以对复杂多变的企业投资运作环境进行模拟。利用BP神经网络，进行投资风险分析，将能够在企业的投资出现异常时，向人们发出警报，引起人们的关注并集中力量进行解决，从而达到保护企业投资安全性的目的。
一、预警系统神经网络的结构设计
本文采用了三层BP网络结构来构建企业投资风险分析模型，其中输入为预警指标，输出为警报程度，网络隐层激发函数采用常用的双曲正切S型函数（Sigmoid函数），学习算法采用有教师的学习算法——δ学习律。本网络学习的指导思想是通过网络权值的修正与阈值的修正，使误差函数沿梯度方向下降。网络的构建和训练可利用Matlab 6.5来完成，可利用该软件中的Newff函数来构造网络，用Train函数来训练。
二、预警系统神经网络输入矢量的筛选与准备
1.建模指标的筛选
结合实际的运用，企业投资风险预警模型的指标主要包括六大模块：投资管理、投资盈利能力、投资运营效率、投资结构、投资发展潜力和投资安全性。在具体预警指标的选取方面，考虑到各指标间要既能相互补充，又不重复，尽可能全面综合地反映投资项目的运营状况，故每个预警模块各取多个具代表性的指标，综合起来共同构成投资预警指标体系，详见下表。
表企业投资风险预警指标
2.输入数据的准备
为减少靠近边界处噪声造成网络的错误判断，在设计训练组时要选用较多的训练样本。考虑到经验公式和实践操作的问题，建议训练样本数不少于120个，再准备20个左右未参加训练的样本用于测试模型的应用准确性。按照预警的要求，可将全部输入样本数据按“安全”、“警报”和“危机”分为三个表示投资项目可能出现的运营状态训练组，输入到网络中进行训练。
人工神经网络只能处理成数值的输入数据，因此在原始数据输入网络前要将那些模糊、混沌的信息进行变换，将数值限定在[0,1]范围之内。此外，由于预警指标数据的量纲上存在差异，因此在原始数据输入网络之前还要进行归一化处理，使其标准化成为无量纲变量。
三、预警系统神经网络节点数的设计
输入层节点数取决于数据源的维数，由于BP神经网络是一种非线性的平行处理结构模式，变量之间的相关性对于数据处理的影响不大，在进行指标选择时可尽量包括较多的信息。考虑到投资运营的实际状况，及系统学习时间和网络的复杂性，选取了上述17个指标作为输入矢量，本预警模型的输入节点数相应的确定为17。
输出层的节点数可根据使用者的要求来设计。根据投资风险的实际状况和研究的需要，按两个个不同的警情等级（即“安全”、“警报”和“危机”三个等级），网络的输出节点数可取为3。
网络隐含层节点数的选取是一个复杂的问题，太少的隐含层节点会造成局部极小值过多或不鲁棒，而太多的节点数又会使学习时间过长且误差也不一定最佳。鉴于隐含层节点数与输入层、输出层节点数的多少密切相关，可参考经验公式:2X>N（其中：X为隐含层节点数，N为样本数）来确定。在此基础上，再运用“凑试法”，首先确定一个较小的隐含层节点数进行训练，如训练次数太多或在规定训练次数内没有收敛，则停止训练，逐步增加隱含层节点数，重新训练。
四、预警系统神经网络报警信号与输出矢量的设计
预警系统的预警信号拟采用一组类似于交通管制信号的红、黄、绿三种信号，分别表示“危机”、“警报”和“安全”三种状态。将网络设计加入单输入单输出的神经门，使其在完成训练后能输出布尔离散变量的报警信号，逻辑关系为：ify＜y′then 0 else 1，其中y′为预警阈值，0＜y′＜1。在训练完成后，将新的报警原始变量提交给输入层节点，按BP网络和神经门处理器结构依次处理，最后输出报警状态。
五、企业投资风险分析模型BP神经网络训练
企业投资风险分析模型BP神经网络的输入矢量为 ;第二层为隐含层，有n个节点，;最后输出矢量为。
输入学习样本数为N个，分别记为 ，已知与其对应的教师值为，学习算法的输出值为 。输入层与隐含层之间的权为wij，阈值为;隐含层与输出层的权为wjk，阈值为k，各层的神经元满足： ①
其中函数f为Sigmoid函数，即 。
整个网络训练过程分为两个阶段。第一个阶段是信息的正向传播阶段，从网络的底部向上计算每一层的神经元输出；第二个阶段是误差反向修正阶段，该阶段是对权和阈值的修改，此时从最高层向下进行计算和修改，从已知最高层的误差修正与最高层相联的权，两个过程反复交替，直到达到收敛为止。
六、结论
对于复杂的企业投资运作而言，BP神经网络解决了传统模式难以处理高度非线性模型、容错性差、不具备时变性、缺少自学习能力等缺陷，有较好的预测效果。由于缺乏大量的实践数据，在此仅给出了企业投资风险分析模型的函数结构，而没有给出函数具体参数值，但对此类问题的研究仍具有一定的参考价值。
本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。