基于L-M算法优化BP神经网络的上市公司信用风险评估研究

发布时间：2021-12-19 09:41

　　针对上市公司的信用风险评估问题进行研究,以100家上市公司的信用风险情况作为研究对象。首先运用因子分析方法筛选评价指标,随后基于优化后的指标体系构建基于L-M算法的三层BP神经网络模型,最后随机选取75家公司作为训练样本,25家公司作为测试样本,利用上述样本数据分别对模型进行训练和测试,实验结果表明基于L-M算法优化的BP神经网络模型对训练样本的评估准确率高达100%,对测试样本的评估准确率为84%。 

【文章来源】：市场周刊. 2020,33(09)

【文章页数】：5 页

【部分图文】：

traingda函数训练过程

trainrp函数训练过程

BP神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念,它是一种多层前馈神经网络,主要特点为信息前向传递,误差反向传播,是目前应用较为广泛的神经网络之一。由于BP神经网络连接权值的调整是利用实际输出与期望输出的误差,对网络的各层连接权值由后向前逐层进行校正的计算方法,故将它称为反向传播学习算法,也简称BP算法。BP神经网络的拓扑结构如图1所示。由于目前并没有确切的文献研究说明BP神经网络的层数越多拟合效果越好,故优先考虑三层网络,即含有一个输入层、一个隐含层、一个输出层。对于简单的三层BP神经网络模型,设网络的输入为 X=( x 1 ,x 2 ,?,x n ) 和期望输出为 D=( d 1 ,d 2 ,?,d l ) ,初始化各层神经元之间的连接权值为vij、wjk,初始化隐含层阈值为a,输出层阈值为b。具体的学习算法及公式如下:

【参考文献】：
期刊论文
[1]中小上市公司信用风险评估比较研究——基于径向基神经网络和BP神经网络模型[J]. 何欣,张红梅.  科技创业月刊. 2018(05)
[2]基于PCA-BP神经网络的上市公司财务预警策略[J]. 尤璞,武戈.  统计与决策. 2012(22)
[3]基于因子分析的目标极性模型研究——针对上市电子企业的实证分析[J]. 范坤,冯长焕.  井冈山大学学报(自然科学版). 2012(06)
[4]不同模型在财务预警实证中的比较研究[J]. 吴德胜,梁樑,殷尹.  管理工程学报. 2004(02)
[5]BP神经网络在企业财务危机预警之应用[J]. 杨保安,季海,徐晶,温金祥.  预测. 2001(02)

硕士论文
[1]基于BP神经网络的小额信贷信用风险评估研究[D]. 董文奎.云南财经大学 2017
[2]基于Fisher判别分析及BP神经网络下信用风险度量应用研究[D]. 雷晨念.湖南大学 2016



本文编号：3544191