基于模糊神经网络的信用评价模型研究

发布时间：2020-04-18 10:04

【摘要】： 信用评价是上市公司财务困境预警研究的重要手段之一。精确地量化信用风险，有助于银行进行有效的信用分析和风险管理，从而增加利润规避风险。本文以深沪两地上市公司为研究对象，分别进行了两类和三类模式识别。在两类识别中，共统计了106家上市公司2000年的相关数据，其中有53家ST及亏损公司作为一类经营“差”的企业，另有53家不亏损公司作为一类经营“好”的企业。把样本随机分为63个训练样本和43个测试样本，排除了异常样本后分别输入模糊神经网络、BP网络、Elman网络进行训练和测试。结果显示，模糊神经网络和Elman网络的分类预测结果最优，都错判了一个样本，Elman网络把风险低的企业错判成风险高的企业，ANFIS则相反；而BP网络错判了4个企业。模糊神经网络的训练误差达到0.072，分类精确度达到97.3％，对上市公司的信用分类效果较好，优于传统的BP网络。而在三类识别中，采用的是我国深、沪两交易所2000年96家上市公司，按照其经营关况分为“好”、“中等”、“差”三个小组，利用ANFIS训练网络并对测试样本作分类预测，得到网络的分类精确度为74.2％；而通过增加隶属度函数的个数，发现网络的判别精确度有明显提高，达到87.01％。然后把分类结果与传统的判别分析方法作对比，发现模糊神经网络的分类准确度比判别分析方法高，但判别分析在分类信用“差”的样本时有明显的优势。文章共分四个部分，，在绪论部分介绍了国内外信用评价研究的现状及问题、并着重概述了模糊神经网络信用评价的发展；第二章是五层模糊神经网络的构建。首先描述了模糊推理系统，再逐层介绍ANFIS模糊神经网络。第三章着重说明ANFIS的混合训练算法，包括前向传递过程中的最小二乘估计法和反馈过程中的梯度下降法。第四章以深沪两地上市公司数据为样本作实证分析，解释了指标体系的选择，并把ANFIS的分类结果与传统的信用评价系统作比较后得出本文的结论。
【图文】：

高斯曲线,模糊推理机,加权平均值,条规

模模糊化接日日反模糊化接日泣二决策推理单儿图2.1一1模糊推理系统各模块的功能如下:(1)模糊化过程l‘4]:将以数字表示形式的输入量转化为对某一语言变量值的隶属度。通常每个语言变量都对应一个隶属度函数，三角形、梯形和高斯曲线在实际运用中使用较多。(2)知识库[l’l:包括规则库和数据库。数据库提供必要的定义，包含了语言控制规则论域的离散化、量化和正则化以及输入空间的分区、隶属度函数的定义等。规则库包含了一组if一then规则，它是根据控制目的和控制策略给出了一套由语言变量描述的并由专家或自学习产生的控制规则的集合，在建立控制规则时，首先要解决诸如状态变量的选择、控制变量的选择、规则类型的选择和规则数目的确定等事项。(3)推理决策逻辑l‘4】:是模糊控制的核心，它利用知识库的信息模拟人类的推理决策过程，给出合适的控制量。(4)反模糊化接口l‘4]:通过模糊推理得到的结果是一个模糊集合。但在实际应用中，特别是在模糊控制中

训练样本,箱形,百分位点,变量值

图4.1:21训练样本各变量的箱形图图2中*号表示该变量的极值点，而。表示异常值。异常值为变量值超过第75百分位点和第25百分位点上变量值之差的1.5倍(箱体上方)，或者变量值小于第75个百分位点与第25百分位点上变量之差的1.5倍(箱体下方)的点所对应的值。根据上图在训练时我们可以排除掉一O个训练样本:编号分别为2，6，20，25，26，33，45，46，56，63。经过过滤后的训练样本剩下53个，其中有26个训练样本是信用风险高的，27个训练样本是信用相对比较安全的。同样道理，排除测试样本的异常值。
【学位授予单位】：暨南大学
【学位级别】：硕士
【学位授予年份】：2007
【分类号】：F830.9;F224

【相似文献】