基于优化BP神经网络的上市公司财务预警的研究

张 琦

（海南大学经济与管理学院，海口 570100）

引言

当今社会，市场经济快速发展，资本市场也不断完善，使得上市公司面临着更多的危机与挑战，如果上市公司对财务状况没有进行预警，可能使公司陷入经营困境，其实是龙头企业也难逃资金链断裂的结果。公司陷入财务危机并不是毫无规律的，财务预警财是我国上市公司发现危机并采取相应措施的重要手段。因此，借助现代科技手段构建合理有效的财务危机预警体系具有相当重要的价值与意义。

一、预警指标确定

本文选取了2015年28家上市公司（ST公司与非ST公司各14家）和2016年42家上市公司（ST公司与非ST公司各21家）。共70家上市公司，收集了上市公司被“ST”的前三年（即t-3年）的数据作为样本选取的时间。

本文充分考虑了大量研究文献的研究结果，分别从偿债能力、经营能力、发展能力、现金流能力、每股指标五个方面构建上市公司财务指标体系，共包含18个预警指标。并去掉对财务状况影响不大和含有无效数据的指标，最终确定15个预警指标。

上市公司财务指标体系

二、BP神经网络预警模型

BP神经网络是反向传播学习算法（Back-Propogation），利用输入、输出对训练样本进行训练，形成固定的输入输出的映射关系。这个过程包含了两个算法，分别是样本数据的正向传播与误差的反向传播。

在本文中，使用BP神经网络输入层的节点数m为 15，输出层n是1，综合考虑以上三个公式，得出了隐含层节点数分别为 8、24、31。

本文选用Matlab2014a进行神经网络的设计，首先建立训练样本数据库及目标输出数据库，并建立新的网络模型，本文随机选取50个样本为学习组，20个样本为验证组。由于隐含层的节点数将影响模型的收敛速度及准确率，本文通过对不同节点数的实验，确定最合适的节点数，保证模型的准确率。

当隐含层节点数为31时，样本训练结果及误差曲线图（如图1所示）。

图1 隐含层节点数L=31时样本训练误差曲线图

由图1可知，该模型是合理的，且隐含层层数的改变对结果准确率没有影响，但是影响了收敛速度和精确度。

三、LM优化模型

根据前文理论，本文采用LM优化BP神经网络的方法进行训练及验证，与前文同理，得出结论：在L=31时，收敛速度最快，准确率最高，实验结果（如图2所示）。

未优化前的神经网络在隐含层节点数为24时，训练次数最少，收敛速度最快，精确度最高。然而最终结果准确率却没有发生变化，即改变隐含层层数对最终结果的准确率几乎没有影响。当LM优化BP神经网络时，在隐含层层数为31时，训练次数最少，收敛速度最快，结果准确率最高，但精确度却没有提高。因此，LM改进BP神经网络可以有效改进训练次数、收敛速度和结果准确率，不能改进精确度，不过将其应用到企业财务危机预警的问题上是可行的。

结语

本文基于改进的神经网络构建了上市公司的财务危机预警模型，并选取了70家上市公司作为样本进行研究。结果表明，通过训练、仿真与测试，利用神经网络构建的财务危机预警模型能够有效地预测财务危机，可以成功地应用到财务危机预警的实例中。通过实验表明，利用LM优化BP神经网络之后，与未优化前对比，发现模型不论是其收敛速度还是结果准确率都得到了很大的提高。