论文网
财务风险相关论文范本,与基于BP神经网络的超市财务风险预警相关论文查重软件
本论文是一篇财务风险相关论文查重软件,关于基于BP神经网络的超市财务风险预警相关毕业论文参考文献格式范文。免费优秀的关于财务风险及超市及财务管理方面论文范文资料,适合财务风险论文写作的大学硕士及本科毕业论文开题报告范文和学术职称论文参考文献下载。
行了系统的分析.在基于神经网络设计超市财务风险评价模型时,网络输入应为全面描述超市财务风险的指标.因此,不同的超市财务风险的指标体系对应不同的网络模型,也形成不同的输入节点数,输入节点数等于风险指标数.由超市财务风险指标体系可知,超市财务风险包括总资产、主营业务收入、股东权益(不含少数股东权益)等11个指标.所以,确定输入节点数为11个.
（2）输出节点确定
输出节点确定对应于评价结果,输出为[-1]表示财务存在风险；为[1]表示财务风险问题不明显；为[0]表示财务不存在风险.因此,输出节点数为3个.
（3）隐层节点确定
理论上已经证明,对于任何闭区间内的一个连续函数都可以用一个隐含层的BP网络来逼近,因而一个二层的BP网络可以完成任意的n维到m维的影射.为了避免因为隐含层的增加而导致的训练时间的急剧增加和局部最小误差的增加,本文选择采用隐含层数为一层.
就BP网络而言,当隐含层神经元数目过多时,优点是表现能力强,缺点是网络结构庞大,在训练时效率不高,学习时间长,泛化能力下降,误差不一定最佳,学习后网络结构复杂,物理意义不明确.当隐含层神经元数目过少时,优点是学习时间短,学习后网络结构简单.缺点是表现力不足,网络不具备必要的学习能力和信息处理能力,容错性差,出现学习误差下降缓慢甚至不收敛的现象.由于神经网络的巨量并行分布结构和非线性动态特性,要想从理论上得到一个简单通用的隐含层单元确定公式是十分困难的.然而,通过广泛和长期的应用过程所得的一些定性结论会有助于合理安排隐含层的单元数,因此结合文中实际情况,可参考下面公式来确定隐含层单元个数.
其中,n1为隐层节点数,m为输入层节点数目,n为输出层节点数目,a为1-10之间的常数.因此,隐层节点数确定为6.
3.面向MATLAB的BP网络财务风险预测模型仿真
（1）BP网络的训练
已经对超市的财务建立起合适的BP网络风险预测模型,下面对网络进行训练.在批处理模式中,网络训练所用的样本需要进行一次性输入,然后再调整网络权值和域值,梯度的计算也是由所有的样本数据参与的.
BP算法的主要缺点是：收敛速度慢、局部极值、难以确定隐层和隐层节点数.在实际中BP算法很难胜任,所以本文采用改进的BP算法:自适应lr的梯度下降法.对于梯度下降法,学习速率对于整个网络训练过程有很大的影响,训练成功与否与学习率的选取关系很大.如果在训练过程中合理地改变学习率,会避免很多缺陷.有自适应lr的学习算法能够自适应调整学习率,从而增加稳定性,提高速度和精度.
有自适应lr梯度下降法的训练函数为traingda,与函数traingda有关的训练参数有：epochs、goal、lr、max_fail、min_grad、show、time、lr_inc、lr_dec、max_perf_inc.
.trainParam.epochs最大训练次数（缺省为10）
.trainParam.goal训练要求精度（缺省为0）
.trainParam.lr学习率（缺省为0.01）
.trainParam.max_fail最大失败次数（缺省为5）
.trainParam.min_grad最小梯度要求（缺省为1e-10）
.trainParam.show显示训练迭代过程（缺省为25）
.trainParam.time最大训练时间（缺省为inf）
.trainParam.lr_inc学习率lr增长比（缺省为1.05）
.trainParam.lr_dec学习率lr下降比（缺省为0.7）
.trainParam.max_perf_inc表现函数增加最大比（缺省1.04）
设超市2003年为无风险[0]、2004年为风险不确定[1]、2005年为风险存[-1]训练该网络.
利用Matlab平台对风险预测模型进行训练时,在确定输入值和期望输出后,可以直接调用traingda函数进行训练.建立一个M文件,根据超市财务指标数据,在界面输入：
p等于[1370518362.531640751155.191525961728.59,
4014089223.763836481696.242945931106.78,
369411872.731003965481.61928812204.30,
61986561.3934629345.85-40158466.41,
64771918.2735294602.11-36198401.28,
0.4020.158-0.153,
2.3944.5873.537,
2.214.5103.467,
16.783.45-4.32,
-0.8991.6740.422,
17.6312.33-1.69],
t等于[01-1],
等于newff(minmax(p),[6,1],{'tansig','purelin'},'traingda'),
.trainParam.show等于25,
.trainParam.lr等于0.01,
.trainParam.lr_inc等于1.05
.trainParam.epochs等于10000,
.trainParam.goal等于1e-10,
[,tr]等于train(,p,t),
然后运行,在Matlab的显示界面出现：
TRAINGDA,Performancegoalmet.
当得到上面的目标已经达到的提示语句,并且训练的动态图像如下图所示时,
图网络训练的误差变化曲线
说明网络已经训练成功,然后输入
>>a等于sim(,p)
检测得到结果
a等于
0.00001.0000-1.0000
该输出与期望输出（超市2003年为无风险[0]、2004年为风险不确定[1]、2005年为风险存[-1]）一致,证明网络训练成功.
（2）BP网络的仿真
通过上面的操作,网络已经训练完毕.下面采用超市的指标数据来预测其财务风险.
建立M文件：
p等于[1370518362.531640751155.191525961728.59,
4014089223.763836481696.242945931106.78,
369411872.731003965481.61928812204.30,
61986561.3934629345.85-40158466.41,
64771918.2735294602.11-36198401.28,
0.4020.158-0.153,
2.3944.5873.537,
2.214.5103.467,
16.783.45-4.32,
-0.8991.6740.422,
17.6312.33-1.69],
t等于[01-1],
等于newff(minmax(p),[6,1],{'tansig','purelin'},'traingda'),
.trainParam.show等于25,
.trainParam.lr等于0.01,
.trainParam.lr_inc等于1.05
.trainParam.epochs等于10000,
.trainParam.goal等于1e-10,
[,tr]等于train(,p,t),
p1等于[1136396053.741239715404.881409789929.12,
3247882437.113666443133.781375289142.14,
244339457.08311421437.68909325535.98,
50070042.7566925122.63-16970171.41,
51290204.4968041237.90-11084934.90,
0.3250.434-0.065,
20.4921.49-1.87,
-0.4031.617-0.55,
1.5842.0193.462,
1.0121.1933.385,
22.9624.4816.35],
运行后,在界面输入
>>a等于sim(,p1)
得结果,2001年和2002年的财务风险存在[-1],而2006年则显示出财务风险不明确[1].
四、结束语
统计资料显示,近三年来,我国限额以上连锁零售集团(企业)以年均33.6%的速度递增,截至2006年末,已达到1055家,连锁门店数达54891个,营业面积和年销售额都比2004年有了成倍的增长.连锁零售集团(企业)总体规模迅速扩张的同时,单体规模也在增大.2006年门店在14个以上的连锁零售集团(企业)有507家,比2005年多60家.其中超过100个的由2004年末的55家、2005年末的73家增至2006年末的97家.但伴随着快速扩张、我国连锁零售企业的财务风险也逐渐暴露出来,据统计近一年半以来,我国已有150多家大型连锁超市倒闭.
为了减少超市财务的风险,提高超市的竞争能力,超市企业可以从以下几个方面着手：加强结算资金管理；加强存货控制；健全内部规章制度；实行全面预算管理；建立计算机分析和管理系统.
参考文献：
财务风险相关论文范本,与基于BP神经网络的超市财务风险预警相关论文查重软件参考文献资料：