企業(yè)經(jīng)營(yíng)的不確定性風(fēng)險(xiǎn)隨日益復(fù)雜的市場(chǎng)環(huán)境加劇,財(cái)務(wù)危機(jī)頻發(fā)。企業(yè)發(fā)生財(cái)務(wù)危機(jī)常常表明企業(yè)可能存在綜合危機(jī),一旦企業(yè)深陷財(cái)務(wù)危機(jī),可能無法保證企業(yè)正常的資金鏈,嚴(yán)重時(shí)可能影響企業(yè)持續(xù)經(jīng)營(yíng)甚至使企業(yè)破產(chǎn)清算。信息技術(shù)業(yè)高成長(zhǎng)、高風(fēng)險(xiǎn)、高收益的特征使得該行業(yè)發(fā)生財(cái)務(wù)危機(jī)可能性更高,并且財(cái)務(wù)危機(jī)的發(fā)生會(huì)使行業(yè)內(nèi)公司更迭更為頻繁,危害性更大。因而就必須建立有效財(cái)務(wù)危機(jī)預(yù)警模型,防控財(cái)務(wù)危機(jī)風(fēng)險(xiǎn)發(fā)生。BP神經(jīng)網(wǎng)絡(luò)可以高度擬合非線性函數(shù)關(guān)系、具有良好的學(xué)習(xí)適應(yīng)能力、高度并行計(jì)算及處理信息能力,將BP神經(jīng)網(wǎng)絡(luò)運(yùn)用于預(yù)警財(cái)務(wù)危機(jī)可以快速適應(yīng)經(jīng)濟(jì)環(huán)境變化的影響,預(yù)測(cè)結(jié)果準(zhǔn)確度較高。本文選擇中國(guó)信息技術(shù)業(yè)的全部上市公司為研究對(duì)象,借鑒國(guó)內(nèi)外學(xué)者研究及信息技術(shù)行業(yè)特征,建立行業(yè)特征顯著的財(cái)務(wù)預(yù)警指標(biāo)體系。反映財(cái)務(wù)危機(jī)的指標(biāo)多,指標(biāo)間的關(guān)系復(fù)雜,財(cái)務(wù)危機(jī)預(yù)警工作開展難度大,應(yīng)該對(duì)其進(jìn)行初步篩選和優(yōu)化。而BP神經(jīng)網(wǎng)絡(luò)方法具有分類準(zhǔn)確度高、學(xué)習(xí)能力強(qiáng)的特點(diǎn),使得其在財(cái)務(wù)預(yù)警方面具有一定的潛力。通過運(yùn)用BP神經(jīng)網(wǎng)絡(luò),以此構(gòu)建信息產(chǎn)業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型,并對(duì)其進(jìn)行仿真檢驗(yàn),以驗(yàn)證BP神經(jīng)網(wǎng)絡(luò)在預(yù)警財(cái)務(wù)危機(jī)的精確... 

【文章來源】：河北工程大學(xué)河北省

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)模型

第5章信息技術(shù)業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警模型構(gòu)建438x7x1、7x4x1的BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。t-3年BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸出：圖5-2t-3年神經(jīng)網(wǎng)絡(luò)訓(xùn)練性能Fig.5-2t-3neuralnetworktrainingperformance圖5-2中t-3年的神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果顯示：t-3年的7x5x1的神經(jīng)網(wǎng)絡(luò)訓(xùn)練在訓(xùn)練284次后停止訓(xùn)練，隨著均方誤差的不斷下降，在訓(xùn)練次數(shù)達(dá)到284次后，訓(xùn)練誤差下降至9.9205*10-6，小于目標(biāo)誤差0.00001，訓(xùn)練達(dá)到要求。圖5-3t-3年神經(jīng)網(wǎng)絡(luò)訓(xùn)練擬合結(jié)果Fig.5-3Neuralnetworktrainingfittingresultsint-3years圖5-3表示t-3年的樣本數(shù)據(jù)經(jīng)過網(wǎng)絡(luò)訓(xùn)練284次后，樣本的擬合系數(shù)

第5章信息技術(shù)業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警模型構(gòu)建438x7x1、7x4x1的BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。t-3年BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸出：圖5-2t-3年神經(jīng)網(wǎng)絡(luò)訓(xùn)練性能Fig.5-2t-3neuralnetworktrainingperformance圖5-2中t-3年的神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果顯示：t-3年的7x5x1的神經(jīng)網(wǎng)絡(luò)訓(xùn)練在訓(xùn)練284次后停止訓(xùn)練，隨著均方誤差的不斷下降，在訓(xùn)練次數(shù)達(dá)到284次后，訓(xùn)練誤差下降至9.9205*10-6，小于目標(biāo)誤差0.00001，訓(xùn)練達(dá)到要求。圖5-3t-3年神經(jīng)網(wǎng)絡(luò)訓(xùn)練擬合結(jié)果Fig.5-3Neuralnetworktrainingfittingresultsint-3years圖5-3表示t-3年的樣本數(shù)據(jù)經(jīng)過網(wǎng)絡(luò)訓(xùn)練284次后，樣本的擬合系數(shù)

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)粒子群算法的模糊聚類-概率神經(jīng)網(wǎng)絡(luò)模型的企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型研究[J]. 吳沖,劉佳明,郭志達(dá).  運(yùn)籌與管理. 2018(02)
[2]基于合并報(bào)表與母公司報(bào)表的財(cái)務(wù)危機(jī)預(yù)警效果比較研究[J]. 王秀麗,張龍?zhí)?賀曉霞.  會(huì)計(jì)研究. 2017(06)
[3]基于PCA-PSO-SVM的上市公司財(cái)務(wù)危機(jī)預(yù)警[J]. 劉玉敏,申李瑩,任廣乾.  管理現(xiàn)代化. 2017(03)
[4]基于幾種神經(jīng)網(wǎng)絡(luò)方法的公司財(cái)務(wù)風(fēng)險(xiǎn)判別研究[J]. 李光榮,李風(fēng)強(qiáng).  經(jīng)濟(jì)經(jīng)緯. 2017(02)
[5]信息技術(shù)業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警定位研究[J]. 張友棠,李思呈.  會(huì)計(jì)之友. 2015(20)
[6]粗集-遺傳支持向量機(jī)在制造業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警中的應(yīng)用[J]. 葛新旗,周虹.  商業(yè)研究. 2015(06)
[7]基于灰色神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)上市公司財(cái)務(wù)預(yù)警實(shí)證研究[J]. 張國(guó)政,陳維煌,周潔紅.  武漢金融. 2015(03)
[8]基于雙正交小波混合核KPCA-SVM財(cái)務(wù)危機(jī)預(yù)警研究[J]. 黃超,韓婷婷,吳芃,仲偉俊.  系統(tǒng)管理學(xué)報(bào). 2015(01)
[9]高新技術(shù)制造企業(yè)的財(cái)務(wù)危機(jī)預(yù)警研究[J]. 耿東,付亭,曹文彬.  會(huì)計(jì)之友. 2014(18)
[10]引入財(cái)務(wù)重述的財(cái)務(wù)預(yù)警模型效率的實(shí)證研究——來自滬深兩市A股制造業(yè)2009—2010年的經(jīng)驗(yàn)證據(jù)[J]. 王曉光,陳潔.  會(huì)計(jì)之友. 2014(07)



本文編號(hào)：3569505