本文樣本的財務指標數據均來自于審計后的財務報表,定性指標則通過實地調查或監管部門的官網信息所得,因而所有的信用信息真實可靠。
由于信用評價指標體系中的各個指標計量單位不同,在分析之前必須通過歸一化處理,化為無量綱的表達式,即為純量。指標歸一化的方法有很多,本文使用如下算子(即matlab中的mapminmax)進行歸一化處理:
其中:ymax默認取為1,ymin默認取為?1,這樣把原始數據歸一化到?1至1之間,以便于后續的運算處理。
三、模糊神經網絡構建
(一) 模糊神經網絡的輸入與輸出
本文構建三層神經網絡,模型的第一層為輸入層,因為有48個輸入參數指標,所以輸入層設置了48個神經元;第二層為隱含層,隱含層神經元個數要依據網絡學習的擬合速度選取,此處設置為100個;第三層為輸出層,由于輸出參數為一個,即為家具企業的信用等級,故輸出層設置1個神經元。
(二) 基于模糊神經網絡的家具企業信用風險評價的流程
家具企業信用風險評價要將輸入樣本數據歸一化后求隸屬度,旨在將數據模糊化,再采用連乘算子作為模糊算子,計算模糊模型輸出值,其結果為逆模糊化的輸出。通過誤差計算矯正隸屬度參數,訓練模糊神經網絡,將訓練好的網絡對測試數據進行信用評價。該過程如圖1所示。
(三) 模糊神經網絡的學習算法
1. 誤差計算
2. 系數修正
3. 參數修正
四、實證研究結果
本文采用MATLAB 2010a編程,實現模糊神經網絡過程對該網絡進行訓練。經過訓練得到模糊神經網絡的真實結構。該結構由48個神經元的輸入層,1個神經元的輸出層和100個神經元的隱含層構成,經過大量次數的訓練,得到訓練結果。
(一) 誤差分析
從圖2到圖5可知,經過9 000次訓練,個別點的誤差仍然較大,沒有趨于穩定。在經過10 000次訓練后,所有點的誤差非常小,訓練好的模型能夠用于測試數據的信用評價。
在不同訓練次數下誤差波動不大,說明經過10 000次訓練以后的誤差已經趨于穩定。從圖6和圖7中可以看出,需要較大的訓練次數誤差才能趨于穩定,主要原因在于訓練樣本中等級的不連續性,例如一個家具企業的數據理論上應該化分為等級2.4,但是在實踐應用中的等級卻只有2和3,按照接近原則劃分到2,這樣的誤差出現在訓練樣本中將會對訓練結果的好壞、預測結果的好壞有著較大的影響。
由于反歸一化后結果不一定是整數,這與信用等級不一致,所以有必要對結果取整,當輸出結果小于1.5,其等級為AAA(圖上為1),輸出結果為1.5~2.5,其等級為AA(圖上為2),輸出結果為2.5~3.5,其等級為A(圖上為3),輸出結果大于3.5,其等級為BBB(圖上為4)。
測試樣本評價結果如圖8,等級1代表AAA,2代表AA,3代表A,4代表BBB。即:
五、結語
(1) 本文根據浙江省家具企業信用評價指導性標準和規范的要求確立了家具企業信用風險評估的指標體系, 構建了家具企業信用風險評估的模糊神經網絡模型。通過MATLAB 2010a編程,實現模糊神經網絡過程對該網絡進行訓練。實證研究表明, 模糊神經網絡適用于家具企業信用風險評價,且網絡預測誤差小。
(2) 利用模糊神經網絡得到的家具企業信用評價結果與杭州資信評估家具企業的評價結果基本一致。經對比,有4個家具企業的評價結果發生了一個等級的差異。
參考文獻:
[1] 張瑛. 新興技術家具企業信用風險評估方法研究[D]. 成都: 電了科技大學, 2009.
[2] Beaver W H. financial ratios as predictors of failure[J]. Journal of Accounting Research, 1966: 71?111.
[3] Altman E I. Financial Ratios Discriminant Analysis and the Prediction of Corporate Bankruptcy[J]. Journal of Finance, 1968, 23: 4?7.
[4] J S. Ohlson. Financial Ratios and the Probabilitistic Prediction of Bankruptcy [J]. Journal of Accounting Research, 1980, 4: 123?133.
[5] Singleton. And Surkan. D. Simulating Correlated Defaults [J]. Paper presented at the Bank of England Conference on Credit Risk Modeling and Regulatory Implications, 2003, 9: 21?36.
[6] Altman, E. I. and A. Macro. Credit Risk Measurement: Developments over the Last Twenty Years [J]. Journal of Banking and Finance, 2004, 11: 1721?1742.
[7] 浙江省信用浙江建設領導小組辦公室文件(浙信用辦【2011】4號).
[編輯: 汪曉]
[1]
由于信用評價指標體系中的各個指標計量單位不同,在分析之前必須通過歸一化處理,化為無量綱的表達式,即為純量。指標歸一化的方法有很多,本文使用如下算子(即matlab中的mapminmax)進行歸一化處理:
其中:ymax默認取為1,ymin默認取為?1,這樣把原始數據歸一化到?1至1之間,以便于后續的運算處理。
三、模糊神經網絡構建
(一) 模糊神經網絡的輸入與輸出
本文構建三層神經網絡,模型的第一層為輸入層,因為有48個輸入參數指標,所以輸入層設置了48個神經元;第二層為隱含層,隱含層神經元個數要依據網絡學習的擬合速度選取,此處設置為100個;第三層為輸出層,由于輸出參數為一個,即為家具企業的信用等級,故輸出層設置1個神經元。
(二) 基于模糊神經網絡的家具企業信用風險評價的流程
家具企業信用風險評價要將輸入樣本數據歸一化后求隸屬度,旨在將數據模糊化,再采用連乘算子作為模糊算子,計算模糊模型輸出值,其結果為逆模糊化的輸出。通過誤差計算矯正隸屬度參數,訓練模糊神經網絡,將訓練好的網絡對測試數據進行信用評價。該過程如圖1所示。
(三) 模糊神經網絡的學習算法
1. 誤差計算
2. 系數修正
3. 參數修正
四、實證研究結果
本文采用MATLAB 2010a編程,實現模糊神經網絡過程對該網絡進行訓練。經過訓練得到模糊神經網絡的真實結構。該結構由48個神經元的輸入層,1個神經元的輸出層和100個神經元的隱含層構成,經過大量次數的訓練,得到訓練結果。
(一) 誤差分析
從圖2到圖5可知,經過9 000次訓練,個別點的誤差仍然較大,沒有趨于穩定。在經過10 000次訓練后,所有點的誤差非常小,訓練好的模型能夠用于測試數據的信用評價。
在不同訓練次數下誤差波動不大,說明經過10 000次訓練以后的誤差已經趨于穩定。從圖6和圖7中可以看出,需要較大的訓練次數誤差才能趨于穩定,主要原因在于訓練樣本中等級的不連續性,例如一個家具企業的數據理論上應該化分為等級2.4,但是在實踐應用中的等級卻只有2和3,按照接近原則劃分到2,這樣的誤差出現在訓練樣本中將會對訓練結果的好壞、預測結果的好壞有著較大的影響。
由于反歸一化后結果不一定是整數,這與信用等級不一致,所以有必要對結果取整,當輸出結果小于1.5,其等級為AAA(圖上為1),輸出結果為1.5~2.5,其等級為AA(圖上為2),輸出結果為2.5~3.5,其等級為A(圖上為3),輸出結果大于3.5,其等級為BBB(圖上為4)。
測試樣本評價結果如圖8,等級1代表AAA,2代表AA,3代表A,4代表BBB。即:
五、結語
(1) 本文根據浙江省家具企業信用評價指導性標準和規范的要求確立了家具企業信用風險評估的指標體系, 構建了家具企業信用風險評估的模糊神經網絡模型。通過MATLAB 2010a編程,實現模糊神經網絡過程對該網絡進行訓練。實證研究表明, 模糊神經網絡適用于家具企業信用風險評價,且網絡預測誤差小。
(2) 利用模糊神經網絡得到的家具企業信用評價結果與杭州資信評估家具企業的評價結果基本一致。經對比,有4個家具企業的評價結果發生了一個等級的差異。
參考文獻:
[1] 張瑛. 新興技術家具企業信用風險評估方法研究[D]. 成都: 電了科技大學, 2009.
[2] Beaver W H. financial ratios as predictors of failure[J]. Journal of Accounting Research, 1966: 71?111.
[3] Altman E I. Financial Ratios Discriminant Analysis and the Prediction of Corporate Bankruptcy[J]. Journal of Finance, 1968, 23: 4?7.
[4] J S. Ohlson. Financial Ratios and the Probabilitistic Prediction of Bankruptcy [J]. Journal of Accounting Research, 1980, 4: 123?133.
[5] Singleton. And Surkan. D. Simulating Correlated Defaults [J]. Paper presented at the Bank of England Conference on Credit Risk Modeling and Regulatory Implications, 2003, 9: 21?36.
[6] Altman, E. I. and A. Macro. Credit Risk Measurement: Developments over the Last Twenty Years [J]. Journal of Banking and Finance, 2004, 11: 1721?1742.
[7] 浙江省信用浙江建設領導小組辦公室文件(浙信用辦【2011】4號).
[編輯: 汪曉]
本文為全文原貌 未安裝PDF瀏覽器用戶請先下載安裝 原版全文