基于BP神经网络的互联网金融上市公司绩效评价研究
发布时间：2021-02-01 17:19
由于我国互联网金融尚处于快速发展阶段,目前学者们对互联网金融的研究多为定性分析,主要从互联网金融的概念与模式、互联网金融对传统金融的影响、互联网金融的风险与监管建议等方面进行研究,仅有少量文献对互联网金融公司的绩效评价进行定量分析。本文以从WIND数据库中选取44家互联网金融上市公司为研究对象,根据上市企业披露的2015-2018年的数据,通过指标筛选和评分模型来探究互联网金融公司的绩效评价体系,通过筛选确定了财务指标和非财务指标总计14个,构建上市互联网金融公司绩效评价指标体系;选取44家上市互联网金融公司的数据,对其进行归一化处理和相关性检验,利用层次分析法得到各级指标权重,得出BP神经网络的期望输出。最后利用构建的BP神经网络绩效评价模型进行网络训练和仿真分析,其中选取38家企业近四年的152个数据作为训练样本,6家公司近四年数据作为测试样本,对仿真输出结果进行分析。评价结果显示,东方财富的综合绩效水平最高,拉卡拉和二三四五次之,中科金财的综合绩效水平最低。几家互联网金融公司综合绩效水平形成明显的梯队差别。五家互联网金融公司的综合绩效评价值自2015年以来逐年下降,下降幅度较大,...
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
互联网金融企业综合绩效评价模型的网络结构图
浙江大学硕士学位论文对互联网金融企业绩效评价的实证检验305.4运行BP神经网络模型根据上文所述的步骤，选取38家互联网金融公司2015-2018年的152组数据为训练样本，编号分别为：7-44、51-88、95-132、139-176，对网络模型进行训练。如下图所示，将数据输入参数设定好的BP神经网络，经过3323次的反馈和训练，网络达到了预先设置的精确度，误差也控制在了目标范围内，训练的成效显著，样本数据通过该BP神经网络输出的结果跟期望输出的结果相似度高，该BP神经网络能够完成自主学习找到数据之间的非线性联系，通过复杂的学习计算过程做到仿真模拟。图5-2BP神经网络训练结果通过3323次的训练，该BP神经网络能够对输入的数据进行仿真处理，利用已经包含相对稳定的比重阈值的结构，得到互联网金融上市公司的绩效评价综合得分。5.4.1输入测试样本将6家互联网金融公司2015-2018年的24组测试样本数据输入BP神经网络模型后得出测试样本仿真输出结果。
浙江大学硕士学位论文对互联网金融企业绩效评价的实证检验32图5-3BP神经网络实际输出与仿真输出的线性回归分析5.5评价结果分析基于上文构建的绩效评价模型，本文将对六家测试样本公司分别从财务绩效角度和非财务绩效角度对评价结果进行综合性比较分析。下图是6家公司2015-2018年的24个样本经过BP神经网络处理后得到的仿真输出结果图。
【参考文献】：
期刊论文
[1]国有上市公司的财务绩效评价——基于TOPSIS-灰色关联度分析法[J]. 徐洪波. 中国商论. 2017(27)
[2]互联网金融中的信用风险形成机理研究[J]. 李国义. 哈尔滨商业大学学报(社会科学版). 2017(03)
[3]基于因子分析法的我国房地产上市公司绩效分析[J]. 商玮冬. 新疆社科论坛. 2016(06)
[4]基于改进熵值法的制造业上市公司财务绩效测评[J]. 郭宝林. 山西农经. 2016(10)
[5]基于因子分析法的中国农业上市公司绩效评价[J]. 王蕾,刘慧萍. 经济研究参考. 2016(56)
[6]基于主成分分析法与DEA方法的金融业上市公司绩效评价[J]. 王春晨. 吉林工商学院学报. 2016(03)
[7]基于随机森林的P2P网贷信用风险评价、预警与实证研究[J]. 于晓虹,楼文高. 金融理论与实践. 2016(02)
[8]基于Credit Risk+模型的互联网金融信用风险估计[J]. 李琦,曹国华. 统计与决策. 2015(19)
[9]美国互联网金融的发展及中美互联网金融的比较——基于网络经济学视角的研究与思考[J]. 王达. 国际金融研究. 2014(12)
[10]互联网金融对商业银行运行效率影响与对策研究[J]. 管仁荣,张文松,杨朋君. 云南师范大学学报(哲学社会科学版). 2014(06)
硕士论文
[1]基于熵值法的我国上市房地产开发企业财务绩效评价研究[D]. 雷天歌.山西财经大学 2017
[2]我国互联网金融上市公司信用评价研究[D]. 郑小珊.安徽大学 2017
[3]基于DEA的我国财务公司绩效评价改进研究[D]. 陈临潇.长安大学 2017
[4]基于层次分析法的Q公司供应商绩效评价研究[D]. 许玉婷.重庆理工大学 2017
[5]基于主成分分析的A财产保险公司财务绩效评价研究[D]. 朱冠南.大连海事大学 2017
[6]互联网金融风险影响因素及其防范机制研究[D]. 唐正伟.浙江财经大学 2015
[7]基于因子熵值法的上市公司绩效评价研究[D]. 吴琦.大连交通大学 2013
[8]基于PCA-DEA模型的高速公路运营绩效评价研究[D]. 曾晓慧.长沙理工大学 2013
本文编号：3013143
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
互联网金融企业综合绩效评价模型的网络结构图
浙江大学硕士学位论文对互联网金融企业绩效评价的实证检验305.4运行BP神经网络模型根据上文所述的步骤，选取38家互联网金融公司2015-2018年的152组数据为训练样本，编号分别为：7-44、51-88、95-132、139-176，对网络模型进行训练。如下图所示，将数据输入参数设定好的BP神经网络，经过3323次的反馈和训练，网络达到了预先设置的精确度，误差也控制在了目标范围内，训练的成效显著，样本数据通过该BP神经网络输出的结果跟期望输出的结果相似度高，该BP神经网络能够完成自主学习找到数据之间的非线性联系，通过复杂的学习计算过程做到仿真模拟。图5-2BP神经网络训练结果通过3323次的训练，该BP神经网络能够对输入的数据进行仿真处理，利用已经包含相对稳定的比重阈值的结构，得到互联网金融上市公司的绩效评价综合得分。5.4.1输入测试样本将6家互联网金融公司2015-2018年的24组测试样本数据输入BP神经网络模型后得出测试样本仿真输出结果。
浙江大学硕士学位论文对互联网金融企业绩效评价的实证检验32图5-3BP神经网络实际输出与仿真输出的线性回归分析5.5评价结果分析基于上文构建的绩效评价模型，本文将对六家测试样本公司分别从财务绩效角度和非财务绩效角度对评价结果进行综合性比较分析。下图是6家公司2015-2018年的24个样本经过BP神经网络处理后得到的仿真输出结果图。
【参考文献】：
期刊论文
[1]国有上市公司的财务绩效评价——基于TOPSIS-灰色关联度分析法[J]. 徐洪波. 中国商论. 2017(27)
[2]互联网金融中的信用风险形成机理研究[J]. 李国义. 哈尔滨商业大学学报(社会科学版). 2017(03)
[3]基于因子分析法的我国房地产上市公司绩效分析[J]. 商玮冬. 新疆社科论坛. 2016(06)
[4]基于改进熵值法的制造业上市公司财务绩效测评[J]. 郭宝林. 山西农经. 2016(10)
[5]基于因子分析法的中国农业上市公司绩效评价[J]. 王蕾,刘慧萍. 经济研究参考. 2016(56)
[6]基于主成分分析法与DEA方法的金融业上市公司绩效评价[J]. 王春晨. 吉林工商学院学报. 2016(03)
[7]基于随机森林的P2P网贷信用风险评价、预警与实证研究[J]. 于晓虹,楼文高. 金融理论与实践. 2016(02)
[8]基于Credit Risk+模型的互联网金融信用风险估计[J]. 李琦,曹国华. 统计与决策. 2015(19)
[9]美国互联网金融的发展及中美互联网金融的比较——基于网络经济学视角的研究与思考[J]. 王达. 国际金融研究. 2014(12)
[10]互联网金融对商业银行运行效率影响与对策研究[J]. 管仁荣,张文松,杨朋君. 云南师范大学学报(哲学社会科学版). 2014(06)
硕士论文
[1]基于熵值法的我国上市房地产开发企业财务绩效评价研究[D]. 雷天歌.山西财经大学 2017
[2]我国互联网金融上市公司信用评价研究[D]. 郑小珊.安徽大学 2017
[3]基于DEA的我国财务公司绩效评价改进研究[D]. 陈临潇.长安大学 2017
[4]基于层次分析法的Q公司供应商绩效评价研究[D]. 许玉婷.重庆理工大学 2017
[5]基于主成分分析的A财产保险公司财务绩效评价研究[D]. 朱冠南.大连海事大学 2017
[6]互联网金融风险影响因素及其防范机制研究[D]. 唐正伟.浙江财经大学 2015
[7]基于因子熵值法的上市公司绩效评价研究[D]. 吴琦.大连交通大学 2013
[8]基于PCA-DEA模型的高速公路运营绩效评价研究[D]. 曾晓慧.长沙理工大学 2013
本文编号：3013143
本文链接：https://www.wllwen.com/guanlilunwen/jixiaoguanli/3013143.html
