基于人工神经网络BP算法的公司债券财务质量评级

基于人工神经网络!"算法的公司债券

财务质量评级

!

朱顺泉$，

$

李一智!

（湖南大学北校区信息管理系，长沙)$""0(）

!（中南大学管理学院，长沙)$""12）

34-.56：78/9:;<=;>7?#@>-

摘要在建立公司债券财务质量指标体系的基础上，提出了用神经网络对公司债券财务质量的综合评价方法，并利用

数据进行了实证，得到了较好的评价结果。关键词

公司债券财务质量指标体系

人工神经网络AB算法

文献标识码C

应用实例中图分类号DB$1!

文章编号$""!4122$4（!""!）$"4"!)24"2

!"（!#$%"&’(#)#*+’,）-./&#0-.*1’&%2’3.0+45((0+.3*’67#0/#*.

6,*.&(&+4.4!’,38+,#$+#09/#0+*:67#0/#*+’,;&#3+,)

A

<=/>=/,?/#,@，B+C+D=+A

$（D7EFEG.HI-EJI>KLJK>H-.I5>J，M?J.JNJ5OEH;5IP，Q7.J9;7.)$""0(）!（D7ER.J.9E-EJIQ>66E9E，QEJIH.6S>?I7NJ5OEH;5IP，Q7.J9;7.)$""12）

5E4*&#$*：LJI75;G.GEH，I7EAB（A.@TGH>G.9.I5>J）JE?H.6JEIU>HT->8E65;.GG65E8I>EO.6?.IEEJIEHGH5;E;V>J8K5J.@5.6

<?.65IP9H.85J9，U75@78E.6;U5I7E6EOEJT5J8;>KK.@I>H;>KEJIEHGH5;E;V>J8K5J.@5.6<?.65IP#S5-?6.I5>JHE;?6I;7>U;I7.II7E->8E6JEE8J>I8EK5J5J9UE597IJ?-VEH，.J85;VEIIEHI7.J>I7EH-EI7>8;#

F.:1’&34：WE9>I5.V6E;E@?H5I5E;.J8@HE85IEO.6?.I5>J9H.85J95J8E/;P;IE-，AB（A.@TGH>G.9.I5>J）JE?H.6JEIU>HT->8XE6，CGG65@.I5>JE/.-G6E

$引言

在公司债券财务质量等级的评价当中，如何避免计算各指

表$公司债券财务质量指标体系表

单位

参照标准值

指标名称资金实力全部资产自有率流动比率经营管理销售收入增长率产成品销售率全部流动资金加速率

标的权重，尽可能排除人为因素的影响呢？就此问题笔者提出一种基于神经网络算法的综合评价方法，它不需要计算各指标的权重，克服了人为确定权重的困难，通过学习和训练的自组织功能，达到评价的目的，避免了确定权数的主观色彩，使公司债券财务质量评价结果更接近客观实际。

%%%%%%%%%%%

&"%以上$!"%以上’%以上(’%以上)%以上$""%以上(’%以上(’%以上’%以上$’%以上$’%以上

!公司债券财务质量指标体系的建立*$+

!#$设置指标体系

根据评价指标体系的客观性、科学性、整体性和可比性等原则，给出公司债券财务质量的评级指标体系如表$。

资金信用

流动资金贷款偿还率贷款承付率贷款回收率经济效益实现利润增长率销售利税率资金利税率

!#!公司债券财务质量评价指标的标准化

对于表$四类指标值，在一般情况下，可通过财务报表的

有关数据取得。一般而言，指标体系中各指标均有不同的量纲，给评价带来许多困难，将不同量纲的评价指标，通过适当的变换（如向量归一化、线性比例变换、极差变换等方法），转化为无量纲的标准化指标，称为评价指标的标准化。

评价指标根据评价方向，可分为效益（正向）型指标和成本（逆向）型指标。效益型指标具有越大越优的性质，成本型指标具有越小越优的性质。

则"，

设有若干个财务评价指标!"（，待$!"!#）$个评价方案（，评公司）%&（$!&!$）$个方案#个指标构成的矩阵’(（)&"）$*#称为评价矩阵。

对于效益型指标，取)"+,-./)&""在评价矩阵’(（)&"）$*#中，（,&"()&"，$!&!$，$!"!#）

"

作者简介：朱顺泉，系中南大学管理学院(1级博士生，湖南大学信息管理系副教授。主要研究方向：信息系统与神经网络。李一智，系中$(&’年生，

计算机工程与应用!""!#$"!)2

对于成本型指标，取!"#,-./!$"，则（%$"&!"，$!$!’，$!"!(）

$"

#

初始化网络及学习参数：初始的权值?和阀值#、学（$）

习因子!、动量项2。

在已知1个学习（训练）样本中输入按顺序抽取学习样（!）

本!，…，!/$输入到网络输入层。

$$

矩阵)&（%$"）’*(称为线性比例标准化矩阵，经过线性化的指标满足"!%$"!$。并且效益、成本型指标均转化为正向指标，最差值为"。最好值为$，

按下式计算0"，（+）),。

0"&3（!4$"5$6#"）

$&$7

(

（+）（(）

+人工神经网络的01算法的确定2!3

它是01网络是当前应用最为广泛的一种人工神经网络，

),&3（!4",0"6#,）

"&$

典型的多层网络，有输入层、隐含层和输出层，层间多为全互连方式，同层单元之间不存在相互连接。前人研究与应用经验表明，合理确定网络层数与各层的神经元数，是成功应用01的具有一个隐含层的网络模型的关键之一；4#567896:等人证明，神经网络能够以任意精度表示任何连续函数，实践表明采用二层以上的隐含层并没有任何益处。因此，对公司债券财务质量其中神经元数取$$个，分别表示某评价，作者确定：输入层;，只设置一公司债券的全部资产自有率、流动比率等；隐含层<，层，其中神经元数只能通过具体的试算；输出层=，其中只一个神经元，表示综合评价结果。

式中，(为输入的样本元数，该问题为$$种样本数据；#"

为输入层与隐含层之间阀值；#,为隐含层到输出层的阀值；7为隐含层的神经元数。

求出各层的误差，对已知样本的教师8，有（(）

/

/

/

/

/

"",,（876%7）%7（$@%7）"$",0"（$60"）!"",4",

/

/

/

/

,&"’

（&）（%）

式中，该问题取’&$。’为输出层的神经元数，

记下学习过的样本次数，即计数为1$>$，看1$>$是否（&）

达到了设定的学习样本数1，如果没有达到1，返回步骤（继!）进行下续运算；如果达到了，再从第一个学习样本开始让1$,$，一步骤。

按上列（与（式修改各层的权值和阀值。（%）$）!）（按新的权值计算0"，*）),和9。

01网络的学习程序为两大步，第一步是网络的输入层逐

步向输出层进行计算；第二步对连接权和阀值的修改，即从输出层反向输入层进行计算，根据输出层的误差，修改与输出层相连接的权值，按照下式

/

+",（->$）,+",（-）.!!"",0"

/

/&$/

/

（$）（!）

计算网络的均方根方差9（，（)）+）

+$"（->$）,+$"（-）>!!"""0"

/

/&$

/

9（+）&

式中+",，+$"分别为输入层与隐含层之间、隐含层与输出层之间的连接权；-为迭代次数；"为层间误差，1为输入的学习样本个数。

修改各层的连接权值，直到满足要求为止。具体的学习流程步骤如下：

表!

公司名称公司$公司!公司+公司(公司&公司%公司*公司)公司’公司$"公司$$公司$!公司$+公司$(公司$&公司$%公司$*公司$)公司$’公司!"

全部资产自有率

流动比率

销售收入增长率

产成品销售率

"

/&$,&$

8!!（

/,

6)/,）

!

(应用实例

下面以!"个公司，上述指标体系中的$$个指标为例，来

说明人工神经网络01算法的应用。

原始数据

流金贷款偿还率

贷款承付率

贷款回收率

利润增长率

销售利税率

资金利税率

流动资金加速率

%"#""()#""("#!"&&#!"&!#!"()#""("#!"(+#!"+%#""!)#!"!(#""$%#!"$!#""(#!"()#""&&#!"("#!"$’#!"+$#!"&!#!"

$!"#""$"(#""$$$#""’%#""$$$#"")*#"")*#""’%#""*!#""&%#""()#""+’#""!(#"")#""$$$#"")*#""*!#""()#""’%#"")*#""

&#""(#(&$#$"(#(&&#""(#(&+#+&+#’"!#)"!#!"$#%&$#%&$#$""#&&!#)"+#+&(#(&+#+&+#+&(#(&

’&#""*)#""*$#"")*#""’&#""*)#""%+#""*$#""&&#""+’#""+$#""!+#""$%#""*#"")*#""%+#""*)#""+$#""*)#"")*#""

(#""+#$!(#""+#&%(#""+#&%!#%)+#$!!#!($#*%$#+!"#))"#(("#+%+#&%!#!((#""$#+!+#$!+#&%

$""#"")"#"")"#"")"#""$""#"")"#""%"#"")"#""%"#""("#""("#""!"#""!"#""$!#""%"#"")"#"")"#"")"#""%"#""("#""

’&#""*$#""(*#""’&#""’&#""*$#""(*#""*$#""(*#""(*#""(*#""!+#""$’#""&#""!+#""*$#""*$#""*$#""(*#""(*#""

’&#""+$#""%+#""’&#""’&#""’&#""%+#""%+#""%+#""+$#""++#""+$#""$’#""$"#""+$#""%%#""!)#""++#""*)#""!)#""

&#""+#*&&#""+#*&(#%"+#*&+#*&+#*&!#&"!#&"!#&"$#!&$#"""#%"$#!&+#*&+#*&!#&"+#*&!#&"

$&#""*#&"$$#!&$$#!&$&#""$!#""$$#!&$$#!&*#&"*#&"*#&"+#*&+#""$#&"+#*&$&#""$$#!&*#&"*#&"$$#!&

$&#""(#’&$"#"&$&#""$&#""$+#!"$"#"&’#*&$"#"&(#’&&#!&(#’&!#&&$#&"(#’&$!#*&(#’&(#&"$"#&"&#!&

!((!""!#$"计算机工程与应用

表%

公司名称公司$公司!公司%公司U公司&公司Z公司\公司]公司[公司$"公司$$公司$!公司$%公司$U公司$&公司$Z公司$\公司$]公司$[公司!"

全部资产自有率

流动比率

销售收入增长率

产成品销售率

标准后数据

流金贷款偿还率

贷款承付率

贷款回收率

利润增长率

销售利税率

资金利税率

流动资金加速率

$#"""#]""#Z\"#[!"#]\"#]""#Z\"#\!"#Z""#U\"#U""#!\"#!""#"\"#]""#[!"#Z\"#%!"#&!"#]\

$#"""#]\"#[%"#]""#[%"#\!"#\!"#]""#Z""#U\"#U""#%%"#!""#"\"#[%"#\!"#Z""#U""#]""#\!

$#"""#]["#!!"#][$#"""#]["#Z\"#\]"#&Z"#UU"#%%"#%%"#!!"#$$"#&Z"#Z\"#]["#Z\"#Z\"#][

$#"""#]!"#\&"#[!$#"""#]!"#ZZ"#\&"#&]"#U$"#%%"#!U"#$\"#"\"#[!"#ZZ"#]!"#%%"#]!"#[!

$#"""#\]$#"""#][$#"""#]["#Z\"#\]"#&Z"#UU"#%%"#!!"#$$"#"["#]["#&Z$#"""#%%"#\]"#][

$#"""#]""#]""#]"$#"""#]""#Z""#]""#Z""#U""#U""#!""#!""#$!"#Z""#]""#]""#]""#Z""#U"

$#"""#\&"#U[$#""$#"""#\&"#U["#\&"#U["#U["#U["#!U"#!""#"&"#!U"#\&"#\&"#\&"#U["#U[

$#"""#%%"#ZZ$#""$#""$#"""#ZZ"#ZZ"#ZZ"#%%"#%&"#%%"#!""#$$"#%%"#Z["#!["#%&"#]!"#![

$#"""#\&$#"""#\&"#[!"#\&"#\&"#\&"#&""#&""#&""#!&"#!""#$!"#!&"#\&"#\&"#&""#\&"#&"

$#"""#&""#\&"#\&$#"""#]""#\&"#\&"#&""#&""#&""#!&"#!""#$""#!&$#"""#\&"#&""#&""#\&

$#"""#%%"#Z\$#""$#"""#]]"#Z\"#Z&"#Z\"#%%"#%&"#%%"#$\"#$""#%%"#]&"#%%"#%""#\""#%&

通过对!"个公司财务数据的调查，作者收集的原始数据如表!。

首先用线性比例变换法，将评价矩阵!"（#$%）!"^$$标准化，得到表%。

借利用人工神经网络模型，构造$!J&J$神经网络模型，助于计算机实验，可得各公司债券财务质量人工神经网络模型评价结果，对照专家的评价结果，给出表U。

表U

神经网络训练结果名次

评价结果

公司名称公司$公司!公司%公司U公司&公司Z公司\公司]公司[公司$"

名次

经验知识，因而具有自适应功能，这对于弱化权重确定中的人实际综合评价往往是非常复杂的，各为因素是十分有益的；（!）个因素之间互相影响，呈现出复杂的非线性关系，人工神经网络为处理这类非线性问题提供了强有力的工具。因此，与其他综合评价相比，基于人工神经网络的综合评价方法已越来越显示出它的优越性。（收稿日期：!""$年U月）

表&

公司名称公司$$公司$!公司$%公司$U公司$&公司$Z公司$\公司$]公司$[公司!"

网络评价结果

评价结果

级别

训练结果

专家评价结果评价结果

公司名称公司$公司!公司%公司U公司&公司Z公司\公司]公司[公司$"

"#U]U]"#%[[$"#%%U\"#!%]$"#Z%%""#\Z$""#\U!&"#&Z!!"#\!\\"#Z]U"

\][$"&$!Z%U

$\Z%!U]&[$"

"#["%""#\%Z!"#\U\""#]U[U"#]]$&"#]!$&"#Z[]Z"#\Z]$"#Z%\!"#&$%Z

$&]U!%\Z[$"

$#"""#\["#\U"#]$"#[Z"#]%"#Z["#\&"#&]"#&$

参考文献

$#张训苏等#资产评估与证券等级评估W’X#中国统计出版社，$[[Z：%Z]J%Z[

李一智#应用人工神经网络分析期货价格W.X#中南工业大学学!#侯晓鸿，

报，专辑!：$[[[；$%ZY$%\

附录：AF’神经网络_2算法‘17:*4_*71<Z#"程序略。

&结束语

从上可见，基于神经网络算法的公司债券财务质量评价具

它主要根据所提供的数据，通过学习和训练，有下述特点：（$）找出输入与输出的内在联系，从而求取问题的解，而不是根据（上接%&页）

$#’()*++,-./*01#2*3*44,4*5-6178319:8,-;77(<1*81(5’1515=：;>:3?,@#A,7,*3<)B5-,CD),EFGB><1,581H1<I18,3*8:3,61=18*4I1J93*3@，)88K：LL<18,7,,3#5M#5,<#<(+L

!#/)1):*N1*(#;77(<1*81(5A:4,7’1515=;4=(318)+#A,7,*3<)B5-,CD),EFGB><1,581H1<I18,3*8:3,61=18*4I193*3@，)88K：LL<18,7,,3#5M#5,<#<(+L%#.1*O,1P*5，.1*52,1，Q1O,5Q15#’1515=R3,S:,582*88,357O18)(:8G*5-1-*8,T,5,3*81(5#A,7,*3<)B5-,CD),EFGB><1,581H1<I18,3*8:3,，LU#.1*O,1P*5，’1<),415,V*+93#6*8*’1515=G(5<,K87*5-D,<)51S:,7W’X#’(3=*5V*:H+*552:9417),37，!""$：!!&Y!U!

王泉德，黄浩等#关联规则挖掘技术及发展动向W.X#计算机工&#朱绍文，

程，：!"""；!Z（[）UYZ

陈亚萍，魏恒义等#挖掘关联规则中;K31(31算法的研究W.X#小Z#陆丽娜，

型微型计算机系统，：!"""；!$（[）[U"Y[U%

陈奇，俞瑞钊#采掘关联规则的高效并行算法W.X#计算机研究\#铁治欣，

与发展，：$[[[；%Z（]）[U]Y[&!

计算机工程与应用!""!#$"!U&

本文来源：https://www.bwwdw.com/article/fuxi.html