中小企业板上市公司退市风险预警研究——基于因子分析的Rprop神经网络模型分析
发布时间：2021-08-30 07:28
以我国中小企业板上市公司退市风险预警为例,利用弹性反向传播算法（resilient back propagation,Rprop）和因子分析法相结合,建立一种基于因子分析的Rprop神经网络模型。首先利用因子分析法构建包含财务变量和非财务变量的预警体系;其次运用Rprop神经网络模型对我国160家中小企业板上市公司进行退市风险预警实证分析;最后对该模型的有效性进行实证分析,结果表明,该模型对上市公司退市风险预警的准确性比标准的BP神经网络模型和支持向量机模型分别提高2.91%和6.09%。因此,该模型可为投资者决策提供较好的参考依据。
【文章来源】：齐齐哈尔大学学报(自然科学版). 2020,36(04)
【文章页数】：5 页
【部分图文】：
BP神经网络的回归拟合
·72·齐齐哈尔大学学报（自然科学版）2020年&,;!"0-;!$00;%&"（2）其中，&代表第次训练过程中第个神经元与第个神经元之间的权重值。2.2模型的求解对中小企业板上市公司的退市风险进行预测时，将因子分析得到的3个公因子作为输入层，中小企业板上市公司是否被ST作为输出层，网络结构示意图如图2所示。由通过图3可知：Rprop神经网络经过9次迭代后，均方误差达到预精度13.2765，表明神经网络模型经过训练达到收敛状态。图2Rprop神经网络结构图通过图4可以知：Rprop神经网络的训练集拟合度高达92.35%，且绝大部分的数据点都围绕在理想拟合线左右；测试集拟合度达到82.43%；160家中小企业板上市公司退市风险综合分类的正确率达到88.34%。该实证结果表明，Rprop神经网络在退市风险预警方面具有良好的预测效果。图4Rprop神经网络的回归拟合2.3不同预测模型的预测效果对比基于因子分析的BP神经网络模型[9]与Rprop神经网络模型的对比。图5为BP神经网络的回归拟合图。通过对比图4和图5可知，Rprop神经网络的拟合效果明显优于BP神经网络的拟合效果，且对160家中小企业板上市公司退市风险预测的准确率提高2.91%。图5BP神经网络的回归拟合图3Rprop神经网络训练过程图
·72·齐齐哈尔大学学报（自然科学版）2020年&,;!"0-;!$00;%&"（2）其中，&代表第次训练过程中第个神经元与第个神经元之间的权重值。2.2模型的求解对中小企业板上市公司的退市风险进行预测时，将因子分析得到的3个公因子作为输入层，中小企业板上市公司是否被ST作为输出层，网络结构示意图如图2所示。由通过图3可知：Rprop神经网络经过9次迭代后，均方误差达到预精度13.2765，表明神经网络模型经过训练达到收敛状态。图2Rprop神经网络结构图通过图4可以知：Rprop神经网络的训练集拟合度高达92.35%，且绝大部分的数据点都围绕在理想拟合线左右；测试集拟合度达到82.43%；160家中小企业板上市公司退市风险综合分类的正确率达到88.34%。该实证结果表明，Rprop神经网络在退市风险预警方面具有良好的预测效果。图4Rprop神经网络的回归拟合2.3不同预测模型的预测效果对比基于因子分析的BP神经网络模型[9]与Rprop神经网络模型的对比。图5为BP神经网络的回归拟合图。通过对比图4和图5可知，Rprop神经网络的拟合效果明显优于BP神经网络的拟合效果，且对160家中小企业板上市公司退市风险预测的准确率提高2.91%。图5BP神经网络的回归拟合图3Rprop神经网络训练过程图
【参考文献】：
期刊论文
[1]基于神经网络模型的安徽省土壤pH预测[J]. 卢宏亮,赵明松. 江苏农业学报. 2019(05)
[2]基于BP神经网络的脱氧合金化配料问题分析[J]. 刘芃麦,朱家明,高正帅,何雅宁. 齐鲁工业大学学报. 2019(05)
[3]基于改进FOA算法的上市公司Z-Score模型财务预警[J]. 康彩红,王秋萍,肖燕婷. 计算机系统应用. 2018(11)
[4]公司治理视角下企业信用风险评估研究——基于BP-Adaboost模型[J]. 李佳佳,李田. 财会通讯. 2018(05)
[5]基于因子分析的有导师监督型Kohonen神经网络在公司财务预警中的应用研究——以2015年24家上市公司为例[J]. 黄宏运,朱家明,赵云,黄华继. 延边大学学报(自然科学版). 2017(02)
[6]基于RPROP算法的模糊系统优化[J]. 韩璞,毛新静,周黎辉,孙海蓉. 仪器仪表学报. 2006(S3)
硕士论文
[1]基于BP神经网络的创业板上市公司财务预警研究[D]. 秦秀秀.安徽理工大学 2015
[2]基于SVM的上市公司退市风险预警方法研究[D]. 潘央迪.浙江工业大学 2013
本文编号：3372349
【文章来源】：齐齐哈尔大学学报(自然科学版). 2020,36(04)
【文章页数】：5 页
【部分图文】：
BP神经网络的回归拟合
·72·齐齐哈尔大学学报（自然科学版）2020年&,;!"0-;!$00;%&"（2）其中，&代表第次训练过程中第个神经元与第个神经元之间的权重值。2.2模型的求解对中小企业板上市公司的退市风险进行预测时，将因子分析得到的3个公因子作为输入层，中小企业板上市公司是否被ST作为输出层，网络结构示意图如图2所示。由通过图3可知：Rprop神经网络经过9次迭代后，均方误差达到预精度13.2765，表明神经网络模型经过训练达到收敛状态。图2Rprop神经网络结构图通过图4可以知：Rprop神经网络的训练集拟合度高达92.35%，且绝大部分的数据点都围绕在理想拟合线左右；测试集拟合度达到82.43%；160家中小企业板上市公司退市风险综合分类的正确率达到88.34%。该实证结果表明，Rprop神经网络在退市风险预警方面具有良好的预测效果。图4Rprop神经网络的回归拟合2.3不同预测模型的预测效果对比基于因子分析的BP神经网络模型[9]与Rprop神经网络模型的对比。图5为BP神经网络的回归拟合图。通过对比图4和图5可知，Rprop神经网络的拟合效果明显优于BP神经网络的拟合效果，且对160家中小企业板上市公司退市风险预测的准确率提高2.91%。图5BP神经网络的回归拟合图3Rprop神经网络训练过程图
·72·齐齐哈尔大学学报（自然科学版）2020年&,;!"0-;!$00;%&"（2）其中，&代表第次训练过程中第个神经元与第个神经元之间的权重值。2.2模型的求解对中小企业板上市公司的退市风险进行预测时，将因子分析得到的3个公因子作为输入层，中小企业板上市公司是否被ST作为输出层，网络结构示意图如图2所示。由通过图3可知：Rprop神经网络经过9次迭代后，均方误差达到预精度13.2765，表明神经网络模型经过训练达到收敛状态。图2Rprop神经网络结构图通过图4可以知：Rprop神经网络的训练集拟合度高达92.35%，且绝大部分的数据点都围绕在理想拟合线左右；测试集拟合度达到82.43%；160家中小企业板上市公司退市风险综合分类的正确率达到88.34%。该实证结果表明，Rprop神经网络在退市风险预警方面具有良好的预测效果。图4Rprop神经网络的回归拟合2.3不同预测模型的预测效果对比基于因子分析的BP神经网络模型[9]与Rprop神经网络模型的对比。图5为BP神经网络的回归拟合图。通过对比图4和图5可知，Rprop神经网络的拟合效果明显优于BP神经网络的拟合效果，且对160家中小企业板上市公司退市风险预测的准确率提高2.91%。图5BP神经网络的回归拟合图3Rprop神经网络训练过程图
【参考文献】：
期刊论文
[1]基于神经网络模型的安徽省土壤pH预测[J]. 卢宏亮,赵明松. 江苏农业学报. 2019(05)
[2]基于BP神经网络的脱氧合金化配料问题分析[J]. 刘芃麦,朱家明,高正帅,何雅宁. 齐鲁工业大学学报. 2019(05)
[3]基于改进FOA算法的上市公司Z-Score模型财务预警[J]. 康彩红,王秋萍,肖燕婷. 计算机系统应用. 2018(11)
[4]公司治理视角下企业信用风险评估研究——基于BP-Adaboost模型[J]. 李佳佳,李田. 财会通讯. 2018(05)
[5]基于因子分析的有导师监督型Kohonen神经网络在公司财务预警中的应用研究——以2015年24家上市公司为例[J]. 黄宏运,朱家明,赵云,黄华继. 延边大学学报(自然科学版). 2017(02)
[6]基于RPROP算法的模糊系统优化[J]. 韩璞,毛新静,周黎辉,孙海蓉. 仪器仪表学报. 2006(S3)
硕士论文
[1]基于BP神经网络的创业板上市公司财务预警研究[D]. 秦秀秀.安徽理工大学 2015
[2]基于SVM的上市公司退市风险预警方法研究[D]. 潘央迪.浙江工业大学 2013
本文编号：3372349
本文链接：https://www.wllwen.com/guanlilunwen/zhqtouz/3372349.html
最近更新
教材专著
