神经网络在财务的应用.ppt

神经网络在财务的应用
第1页，本讲稿共21页
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）
第9页，本讲稿共21页
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。
第10页，本讲稿共21页
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
第11页，本讲稿共21页
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。
第12页，本讲稿共21页
神经网络在财务方向的应用
Clementine中的神经网络
第13页，本讲稿共21页
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神经网络对审计意见进行预测，并认为神经网络具有较好的预测效果
输出层阈值由网络训练自行确定，对网络隐含层神经元的数目通过试错法，通过不断的尝试增加神经元的数目来提高网络的收敛速度和拟合能力，直到网络的收敛速度达到最快，网络输出误差满足要求为止。通常确定隐含层神经元数目所使用的经验公式为：（2p1+p2）1/2<p3<2p1+1，其中：p1 为输入节点数，p2 为输出节点数，p3 为隐含层的神经元数目。
第14页，本讲稿共21页
神经网络在财务方向的应用
《基于现金流信息结构的企业组织循环效率评价的神经网络模型》——会计研究
提出对企业组织循环效率具有显著表征能力的现金流类财务指标, 并据此构建基于现金流信息结构的企业组织循环效率评价的神经网络模型
多层BP神经网络模型可以实现任意可实现的线性和非线性函数的映射,克服了Logistic回归模型要求变量个数尽可能简约及变量相互独立的局限性, 解决了现金流类指标具有高度相关性及非线性性的问题, 因而, 更适合作为企业组织循环效率的评价模型。
第15页，本讲稿共21页
神经网络在财务方向的应用
《基于BP 神经网络的公允价值有用性评价》——中国管理信息化
公允价值在上市公司的财务报表开始启用，文章利用问卷调查，选取样本对公允价值的相关性和可靠性进行评价。借助BP 神经网络工具对搜集的公允价值的相关性和可靠性评分进行训练，得到各样本的综合结果
第16页，本讲稿共21页
神经网络在财务方向的应用
《基于神经网络的企业可持续发展力评价》
建立一个包含7个因子的可持续发展能力评价指标体系，基于BP 神经网络建立企业可持续发展力评价模型
第17页，本讲稿共21页
神经网络在财务方向的应用
《企