針對上市公司的信用風險評估問題進行研究,以100家上市公司的信用風險情況作為研究對象。首先運用因子分析方法篩選評價指標,隨后基于優(yōu)化后的指標體系構(gòu)建基于L-M算法的三層BP神經(jīng)網(wǎng)絡(luò)模型,最后隨機選取75家公司作為訓(xùn)練樣本,25家公司作為測試樣本,利用上述樣本數(shù)據(jù)分別對模型進行訓(xùn)練和測試,實驗結(jié)果表明基于L-M算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型對訓(xùn)練樣本的評估準確率高達100%,對測試樣本的評估準確率為84%。 

【文章來源】：市場周刊. 2020,33(09)

【文章頁數(shù)】：5 頁

【部分圖文】：

traingda函數(shù)訓(xùn)練過程

trainrp函數(shù)訓(xùn)練過程

BP神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McClelland為首的科學(xué)家提出的概念,它是一種多層前饋神經(jīng)網(wǎng)絡(luò),主要特點為信息前向傳遞,誤差反向傳播,是目前應(yīng)用較為廣泛的神經(jīng)網(wǎng)絡(luò)之一。由于BP神經(jīng)網(wǎng)絡(luò)連接權(quán)值的調(diào)整是利用實際輸出與期望輸出的誤差,對網(wǎng)絡(luò)的各層連接權(quán)值由后向前逐層進行校正的計算方法,故將它稱為反向傳播學(xué)習(xí)算法,也簡稱BP算法。BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)如圖1所示。由于目前并沒有確切的文獻研究說明BP神經(jīng)網(wǎng)絡(luò)的層數(shù)越多擬合效果越好,故優(yōu)先考慮三層網(wǎng)絡(luò),即含有一個輸入層、一個隱含層、一個輸出層。對于簡單的三層BP神經(jīng)網(wǎng)絡(luò)模型,設(shè)網(wǎng)絡(luò)的輸入為 X=( x 1 ,x 2 ,?,x n ) 和期望輸出為 D=( d 1 ,d 2 ,?,d l ) ,初始化各層神經(jīng)元之間的連接權(quán)值為vij、wjk,初始化隱含層閾值為a,輸出層閾值為b。具體的學(xué)習(xí)算法及公式如下:

【參考文獻】：
期刊論文
[1]中小上市公司信用風險評估比較研究——基于徑向基神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)模型[J]. 何欣,張紅梅.  科技創(chuàng)業(yè)月刊. 2018(05)
[2]基于PCA-BP神經(jīng)網(wǎng)絡(luò)的上市公司財務(wù)預(yù)警策略[J]. 尤璞,武戈.  統(tǒng)計與決策. 2012(22)
[3]基于因子分析的目標極性模型研究——針對上市電子企業(yè)的實證分析[J]. 范坤,馮長煥.  井岡山大學(xué)學(xué)報(自然科學(xué)版). 2012(06)
[4]不同模型在財務(wù)預(yù)警實證中的比較研究[J]. 吳德勝,梁樑,殷尹.  管理工程學(xué)報. 2004(02)
[5]BP神經(jīng)網(wǎng)絡(luò)在企業(yè)財務(wù)危機預(yù)警之應(yīng)用[J]. 楊保安,季海,徐晶,溫金祥.  預(yù)測. 2001(02)

碩士論文
[1]基于BP神經(jīng)網(wǎng)絡(luò)的小額信貸信用風險評估研究[D]. 董文奎.云南財經(jīng)大學(xué) 2017
[2]基于Fisher判別分析及BP神經(jīng)網(wǎng)絡(luò)下信用風險度量應(yīng)用研究[D]. 雷晨念.湖南大學(xué) 2016



本文編號：3544191