以我國中小企業(yè)板上市公司退市風(fēng)險預(yù)警為例,利用彈性反向傳播算法（resilient back propagation,Rprop）和因子分析法相結(jié)合,建立一種基于因子分析的Rprop神經(jīng)網(wǎng)絡(luò)模型。首先利用因子分析法構(gòu)建包含財務(wù)變量和非財務(wù)變量的預(yù)警體系;其次運用Rprop神經(jīng)網(wǎng)絡(luò)模型對我國160家中小企業(yè)板上市公司進(jìn)行退市風(fēng)險預(yù)警實證分析;最后對該模型的有效性進(jìn)行實證分析,結(jié)果表明,該模型對上市公司退市風(fēng)險預(yù)警的準(zhǔn)確性比標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)模型和支持向量機模型分別提高2.91%和6.09%。因此,該模型可為投資者決策提供較好的參考依據(jù)。 

【文章來源】：齊齊哈爾大學(xué)學(xué)報(自然科學(xué)版). 2020,36(04)

【文章頁數(shù)】：5 頁

【部分圖文】：

BP神經(jīng)網(wǎng)絡(luò)的回歸擬合

·72·齊齊哈爾大學(xué)學(xué)報（自然科學(xué)版）2020年&,;!"0-;!$00;%&"（2）其中，&代表第次訓(xùn)練過程中第個神經(jīng)元與第個神經(jīng)元之間的權(quán)重值。2.2模型的求解對中小企業(yè)板上市公司的退市風(fēng)險進(jìn)行預(yù)測時，將因子分析得到的3個公因子作為輸入層，中小企業(yè)板上市公司是否被ST作為輸出層，網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖2所示。由通過圖3可知：Rprop神經(jīng)網(wǎng)絡(luò)經(jīng)過9次迭代后，均方誤差達(dá)到預(yù)精度13.2765，表明神經(jīng)網(wǎng)絡(luò)模型經(jīng)過訓(xùn)練達(dá)到收斂狀態(tài)。圖2Rprop神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖通過圖4可以知：Rprop神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集擬合度高達(dá)92.35%，且絕大部分的數(shù)據(jù)點都圍繞在理想擬合線左右；測試集擬合度達(dá)到82.43%；160家中小企業(yè)板上市公司退市風(fēng)險綜合分類的正確率達(dá)到88.34%。該實證結(jié)果表明，Rprop神經(jīng)網(wǎng)絡(luò)在退市風(fēng)險預(yù)警方面具有良好的預(yù)測效果。圖4Rprop神經(jīng)網(wǎng)絡(luò)的回歸擬合2.3不同預(yù)測模型的預(yù)測效果對比基于因子分析的BP神經(jīng)網(wǎng)絡(luò)模型[9]與Rprop神經(jīng)網(wǎng)絡(luò)模型的對比。圖5為BP神經(jīng)網(wǎng)絡(luò)的回歸擬合圖。通過對比圖4和圖5可知，Rprop神經(jīng)網(wǎng)絡(luò)的擬合效果明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)的擬合效果，且對160家中小企業(yè)板上市公司退市風(fēng)險預(yù)測的準(zhǔn)確率提高2.91%。圖5BP神經(jīng)網(wǎng)絡(luò)的回歸擬合圖3Rprop神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程圖

·72·齊齊哈爾大學(xué)學(xué)報（自然科學(xué)版）2020年&,;!"0-;!$00;%&"（2）其中，&代表第次訓(xùn)練過程中第個神經(jīng)元與第個神經(jīng)元之間的權(quán)重值。2.2模型的求解對中小企業(yè)板上市公司的退市風(fēng)險進(jìn)行預(yù)測時，將因子分析得到的3個公因子作為輸入層，中小企業(yè)板上市公司是否被ST作為輸出層，網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖2所示。由通過圖3可知：Rprop神經(jīng)網(wǎng)絡(luò)經(jīng)過9次迭代后，均方誤差達(dá)到預(yù)精度13.2765，表明神經(jīng)網(wǎng)絡(luò)模型經(jīng)過訓(xùn)練達(dá)到收斂狀態(tài)。圖2Rprop神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖通過圖4可以知：Rprop神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集擬合度高達(dá)92.35%，且絕大部分的數(shù)據(jù)點都圍繞在理想擬合線左右；測試集擬合度達(dá)到82.43%；160家中小企業(yè)板上市公司退市風(fēng)險綜合分類的正確率達(dá)到88.34%。該實證結(jié)果表明，Rprop神經(jīng)網(wǎng)絡(luò)在退市風(fēng)險預(yù)警方面具有良好的預(yù)測效果。圖4Rprop神經(jīng)網(wǎng)絡(luò)的回歸擬合2.3不同預(yù)測模型的預(yù)測效果對比基于因子分析的BP神經(jīng)網(wǎng)絡(luò)模型[9]與Rprop神經(jīng)網(wǎng)絡(luò)模型的對比。圖5為BP神經(jīng)網(wǎng)絡(luò)的回歸擬合圖。通過對比圖4和圖5可知，Rprop神經(jīng)網(wǎng)絡(luò)的擬合效果明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)的擬合效果，且對160家中小企業(yè)板上市公司退市風(fēng)險預(yù)測的準(zhǔn)確率提高2.91%。圖5BP神經(jīng)網(wǎng)絡(luò)的回歸擬合圖3Rprop神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程圖

【參考文獻(xiàn)】：
期刊論文
[1]基于神經(jīng)網(wǎng)絡(luò)模型的安徽省土壤pH預(yù)測[J]. 盧宏亮,趙明松.  江蘇農(nóng)業(yè)學(xué)報. 2019(05)
[2]基于BP神經(jīng)網(wǎng)絡(luò)的脫氧合金化配料問題分析[J]. 劉芃麥,朱家明,高正帥,何雅寧.  齊魯工業(yè)大學(xué)學(xué)報. 2019(05)
[3]基于改進(jìn)FOA算法的上市公司Z-Score模型財務(wù)預(yù)警[J]. 康彩紅,王秋萍,肖燕婷.  計算機系統(tǒng)應(yīng)用. 2018(11)
[4]公司治理視角下企業(yè)信用風(fēng)險評估研究——基于BP-Adaboost模型[J]. 李佳佳,李田.  財會通訊. 2018(05)
[5]基于因子分析的有導(dǎo)師監(jiān)督型Kohonen神經(jīng)網(wǎng)絡(luò)在公司財務(wù)預(yù)警中的應(yīng)用研究——以2015年24家上市公司為例[J]. 黃宏運,朱家明,趙云,黃華繼.  延邊大學(xué)學(xué)報(自然科學(xué)版). 2017(02)
[6]基于RPROP算法的模糊系統(tǒng)優(yōu)化[J]. 韓璞,毛新靜,周黎輝,孫海蓉.  儀器儀表學(xué)報. 2006(S3)

碩士論文
[1]基于BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)業(yè)板上市公司財務(wù)預(yù)警研究[D]. 秦秀秀.安徽理工大學(xué) 2015
[2]基于SVM的上市公司退市風(fēng)險預(yù)警方法研究[D]. 潘央迪.浙江工業(yè)大學(xué) 2013



本文編號：3372349