神经网络在财务的应用.pptVIP

神经网络 (Neural Network，NNet) BP算法基本步骤 神经网络在财务方面的应用 神经网络研究方向 主要内容 神经网络(Neural network，NNet) 是人工智能中研究比较成熟的技术。 神经网络最早是由心理学家和神经生物学家提出的，旨在寻求和测试神经的计算模拟。 神经网络是一组连接的输入/输出单元，其中每个连接都与一个权值相连。在学习阶段，通过不断调整神经网络的相连权值，使得能够正确预测输入样本的正确类标号。 神经网络系统是由大量的、同时也是很简单的处理单元( 或称神经元) 广泛的相互连接而形成的复杂网络系统,在研究方法上强调综合而非分解。一般认为, 神经网络系统是一个高度复杂的非线性动力学系统, 除了具备非线性系统共性以外, 更主要的是具备其自身的特点, 即高维性、神经元之间的广泛互连性、自适应性、自组织性等等。 NNet 神经网络通常由输入层、输出层和隐藏层组成，输入层的神经元个数等于样本的特征数， 输出层就是分类判决层，它的神经元个数等于样本的类别数。 特点：对噪声数据具有较高的承受能力，但训练需要花费较长的时间。 至今为止, 学者们已经提出了多种神经网络模型, 如自适应共振理论模型(ART ) 、雪崩模型( AVA) 、反向传播模型(BP, 一种多层结构的映射网络, 是目前应用最广泛的一种神经网络模型之一) 、重复传播模型(CPN) 、感知机模型(PTR) 、自组织映射模型(SOM) 等等 NNet 目前最流行的神经网络学习算法是：后向传播算法（Back-propagation, BP）。 它通过迭代地处理一组训练样本，将每个样本的网络预测与实际知道的类标号比较，进行学习。对于每个训练样本，修改连接权值，使得网络预测与实际类之间的均方误差最小。 这种修改“后向”地进行,即由输出层，经由每个隐藏层，到第一个隐藏层。 BP算法基本步骤 1．初始化网络各层的权值及神经元阈值。（一个小的随机数） 2. 向前传播输入：对每一样本，计算隐藏层和输出层每个单元的净输入和输出。 BP算法基本步骤 3. 后向传播误差 通过更新权值和偏置以反映网络的预测误差。 BP算法基本步骤 终止条件： 更新权值较小 正确分类的样本百分比 超过预先指定的训练周期（实践中，权收敛可能需要数十万个周期） 神经网络在财务方向的应用 在财务管理理论方面,应用神经网络的典型例子有: IPOs( Jain 和Nag, 1995) 以及IPO 定价、衍生证券的定价与保值(Hutchinson, Lo 和Poggio, 1994) , 预测银行破产( Tam 和Kiang, 1992) , 证券评级(Dudda 和Shekhar , 1988) , 对人工神经网络绩效进行比较判别分析(Yoon, Swales 和 Margavio, 1993) , 破产预测(Fletcher 和Goss, 1993) 等等[9] 。简而言之, 该方法逐渐产生的普遍适应性归结于其模式识别( patternr ecognition) 的基本技术。 神经网络在财务方向的应用 神经网络的预测功能使得其首先应用于财务危机预警 将T-i年的财务指标输入模型进行训练，提取样本特征；首先将ST公司和非ST以及各自对应的财务比率输入神经网络， 神经网络能够接收这些财务比率的特征，并将其作为输入单元，通过特定的权值，连接到输出单元，也就是通过这些财务比率进行分类。神经网络的训练就是调整权值，使其变大或变小，以达到更高的分类准确性。所以神经网络模型需要经过反复的训练，花费时间较长。神经网络的训练结果就是财务比率对分类结果的重要性，也就是哪些财务比率能够显著区分ST公司和非ST公司，而且还可以得到变量重要性的权值。这样，就可以利用神经网络去预测其他公司的分类。本文将展示神经网络在财务预警分析中的分类能力，我们可以看到神经网络模型在数据分类挖掘中的确具有较高的精度。 现有文献的研究一般认为神经网络的预测正确率更好 神经网络在财务方向的应用 神经网络模型从本质上来说, 是通过所给出的一系列输入变量( 独立变量) 对输出变量的系统的模式识别方法, 该方法独立于数据的生成过程。进一步来说, 神经网络模型能够处理大量的输入变量, 即使这些数据是有噪声的( noisy) 或是具有强相关性的。神经网络模型的这些优势是经典线性统计方法( 以多元线性回归模型为代表) 所不具备的。因此，现在也逐渐应用到财务数据的分析和挖掘上。 神经网络在财务方向的应用 Clementine中的神经网络 神经网络在财务方向的应用 在财务危机预警的基础上，相关论文仍然借鉴了神经网络在判别和预测上的功用 《基于BP神经网络的上市公司审计意见预测模型》——财会月刊 文章将审计意见分为标准和非标准，基于BP神