基于非参数检验结合深度学习的财务风险预警研究.pdf
《基于非参数检验结合深度学习的财务风险预警研究.pdf》由会员分享,可在线阅读,更多相关《基于非参数检验结合深度学习的财务风险预警研究.pdf(7页珍藏版)》请在咨信网上搜索。
1、 第 41 卷 第 1 期 2024 年 2 月 张晓丹 基于非参数检验结合深度学习的财务风险预警研究 187 基于非参数检验结合深度学习的财务风险预警研究 张晓丹(东营银行,山东东营 257091)摘 要 传统财务风险预警存在数据处理困难、数据单一等问题。研究为了解决这些问题,提出了一种基于符号秩和检验的多层的前馈神经网络(Back Propagation,BP)财务风险预警系统模型。该模型采用 BP 神经网络对财务数据进行预测,并采用符号秩和检验方法来识别财务风险的类型和大小。通过模型算法与循环神经网络(Recurrent Neural Network,RNN)、卷积神经网络(Convol
2、utional Neural Networks,CNN)进行对比。结果表明,模型算法的受试者特征曲线(Receiver Operating Characteristic Curve,ROC)曲线线下面积为 0.86、平均绝对误差平均值和检测率平均值分别为 2.67%、86.13%,均为最优值,且模式算法在训练集中的预警能力为 80.7%。证实了研究提出的模型算法能够提高财务风险预警的准确性和可靠性,有效的对财务风险进行预测,为财务风险管理和决策提供重要的参考。关键词 符号秩和;BP 神经网络;财务数据;风险预警 中图分类号 S127 文献标识码 A Research on financial
3、risk early warning based on nonparametric test combined with deep learning Zhang Xiaodan(DONGYING BANK,Dongying,Shandong 257091)Abstract Traditional financial risk early warning has problems such as data processing difficulties and single data.In order to solve these problems,the study proposes a mu
4、ltilayer feed-forward neural network(Back Propagation,BP)financial risk early warning system model based on the symbolic rank sum test.The model uses BP neural network to predict financial data and symbolic rank sum test to identify the type and size of financial risks.The model algorithm was compar
5、ed with Recurrent Neural Network(RNN)and Convolutional Neural Networks(CNN).The results show that the area under the line of the Receiver Operating Characteristic Curve(ROC)curve of the model algorithm is 0.86,the mean absolute error average and the detection rate average are 2.67%and 86.13%,respect
6、ively,which are the optimal values,and the model algorithms early warning capacity in the training set is 80.7%.It is confirmed that the model algorithm proposed in the study can improve the accuracy and reliability of financial risk early warning,effectively predict financial risks,and provide an i
7、mportant reference for financial risk management and decision-making.Key words Symbolic rank sum;BP Neural Network;Financial Data;Risk Warning 随着现代经济的发展,财务风险预警在企业管理中的地位越来越重要。传统的财务风险预警方法通常依靠人工判断和经验,但是传统方法存在着主观性和不确定性,难以实现对财务风险的准确预测1-2,这表明在传统财务风险预警中主观性误差和数据收集、处理等是风险预警中的不足之处,这使得有关人工智能的财务风险预警系统成为了财务风险预警研
8、究中的热点3。为了解决这些问题,研究通过对非参数检 收稿日期:2023-05-18 作者简介:张晓丹(1991),女,山东东营人,本科,东营银行,中级,研究方向:金融学,邮箱: Modern Scientific Instruments Vol.41 No.1 Feb.2024 188 验的改进,并结合前馈神经网络(Back Propagation,BP),提出了基于符号秩和检验的 BP 财务风险预警系统模型。通过仿真实验,将财务数据分为训练集和测试集,并对训练集进行排序,得到不同的秩和矩阵,然后使用 BP 神经网络对训练集中的样本进行预测,并用检验方法来评估预测结果。实验结果表明研究提出的模
9、型在财务风险预警方面具有较高的准确性和可靠性,降低了财务风险预警中的主观干扰因素,提升了数据的处理能力。研究旨在通过对财务数据的风险预警进行研究,为企业的正常发展提供坚实的基础。1 基于非参数检验结合深度学习的财务风险预警模型构建 1.1 基于非参数检验的财务风险预警优化 非参数检验是一种统计方法,它可以用来对数据的分布进行衡量和判断,而不需要了解数据的具体参数信息。它是一种比较简单、实用性强的统计方法,可以帮助实验人员更好地理解和解释数据,并且减少计算复杂度,主要作用有判断分析、预测模型、因果识别等4-5。其中判别分析是指通过对两组数据进行比较,来判断数据是否具有一致性和重复性,以及是否存在
10、差异等情况;预测模型是指通过对历史数据进行分析,建立模型来预测未来数据的趋势和分类情况;特征提取是指通过对数据进行特征分析,提取数据中的有用信息和特征,以便进一步进行分析和应用;因果识别是指通过对两组数据进行比较,来识别哪组数据更可能导致特定结果的产生,或者哪组数据更可能导致结果的不确定。财务风险预警是指通过对企业财务数据的分析,来识别出可能存在的风险,并采取措施进行防范和应对。它是财务管理中非常重要的一环,能够帮助企业及时采取措施,降低财务风险的发生概率。财务风险预警的第一步是对企业的财务数据进行收集和整理,这包括对企业的财务报表、财务数据、经济数据等进行收集和整理,以便后续的分析和应用。在
11、收集和整理数据时,需要注意数据的准确性和可靠性,避免因为数据来源不可靠或者数据处理方法错误而导致的偏差。接着,需要对企业的财务状况进行分析,这包括对企业的负债情况、资产情况、现金流量等方面进行分析,同时也包括对企业的行业环境、经营策略等因素进行分析。通过对企业的财务状况进行全面分析,可以了解企业的财务风险所在,并根据情况制定相应的应对措施。最后,需要对系统进行测试和评估,测试包括对系统性能和准确性进行评估,评估结果应该能够满足实际应用需求6-8。但目前财务风险预警还存在数据质量和准确性和预警系统的适用性,以及灵活性和运行复杂程度等问题。研究将非参数检验中的符号秩检验引入到财务风险预警中,符号秩
12、检验可以对财务数据进行排序和分类。通过对财务数据进行排序,然后再进行统计检验来判断数据是否具有一致性和稳定性,从而识别出不同样本之间的相似程度。在财务风险预警中,可以通过使用符号秩检验来识别不同企业之间的相似程度,即通过对企业的财务数据进行排序,然后再进行统计检验来判断不同企业之间的相似程度。如果相关系数大于 1,则表示两个企业之间存在一定的相似性;如果相关系数小于 1,则表示两个企业之间存在一定的差异。目前财务数据风险预警的流程如图 1 所示。财务数据源财务数据采集财务数据预处理财务数据分析财务预警结果可视化展示财务预警需求分析财务数据管理数据预处理数据建模分析分析结果汇总 图 1 目前财务
13、数据风险预警流程 用秩号代替原始数据后,所得到的秩号的总和就是秩号和,用秩和进行假设检验即为秩和检验。其检验原理是假设在两组比较(成对或不成对)时,即两总体的分布函数相等。在检验时会对部分数据的大小进行考虑,因此检验效力较符号检验有大大提高9-10。它不仅可用于成对和两组计量数据的比较,还可用于两个按等级分组的计数数据的比较,检验效率高于符号检验,使得其具有更加广泛的应用。至于其方法、步骤,不论是查表法或计算法,都相当简便;假设数据是关于坐标原点对称,那么对称中心两侧的数据疏密程度应一致,取正值数据在绝对值样本中的秩和与 第 41 卷 第 1 期 2024 年 2 月 张晓丹 基于非参数检验结
14、合深度学习的财务风险预警研究 189取负值在绝对值样本中的秩和相近。此时符号秩和的统计量可分为正秩总和和负秩总和,正秩总和可用公式(1)表示。1(0)njjjWR I X (1)公式(1)中,j 表示样本数;Xj表示样本值;R+j表示 Xj在绝对值样本中的秩;I 表示统计量系数。负秩总和可用公式(2)表示。1(0)njjjWR I X (2)公式(2)中,Rj表示 Xj在样本中的秩。1.2 基于符号秩和检验的 BP 神经网络财务风险预警模型构建 BP 神经网络是一种基于梯度下降的前馈神经网络,它由输入层、输出层和隐含层组成。其中,输入层接收来自其他神经网络的输入,并将输出层的输出转换为相应的权
15、重和偏置;中间层隐含层和输出层之间使用 BP 神经网络进行连接。BP 神经网络的核心思想是通过不断调整权重和偏置来训练神经网络,从而使得网络能够按照期望输出值输出。在训练过程中,网络会利用前面训练集数据来评估当前数据和目标数据之间的差距,并使用梯度下降算法来计算权重和偏置的值11-13。一旦网络达到训练状态,就会输出期望的输出值,BP 神经网络的检测流程如图 2 所示。开始获取历史数据数据预处理构建BP神经网络模型模型的训练与测试输出数据结束 图 2 BP 神经网络检测流程 基于 BP 神经网络的财务风险预警系统首先需要收集相关数据,BP 神经网络需要收集大量的财务数据,包括盈利能力、偿债能力
16、、发展能力等方面的指标,这些数据可以作为 BP 神经网络模型的训练数据。其次是预处理数据,在训练过程中,需要对收集到的财务数据进行预处理,以确保数据的准确性和完整性。预处理方法可以使用平均值、中位数或者最小值等方式进行,再建立 BP 神经网络模型。在财务风险预警中,需要将准备好的训练数据分成训练集和测试集,并使用适当的方法将数据映射到 BP 神经网络中14-15。在训练过程中,需要不断调整权重和偏置来训练神经网络,使得网络能够按照期望输出值输出。最后,使用测试数据对神经网络进行训练。虽然 BP 神经网络在财务风险预警中具有很多优势,但也存在一些问题。首先,BP 神经网络模型需要大量的数据支持,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 参数 检验 结合 深度 学习 财务 风险 预警 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。