基于非参数检验结合深度学习的财务风险预警研究.pdf

第 41 卷 第 1 期 2024 年 2 月 张晓丹 基于非参数检验结合深度学习的财务风险预警研究 187 基于非参数检验结合深度学习的财务风险预警研究 张晓丹（东营银行，山东东营 257091）摘 要 传统财务风险预警存在数据处理困难、数据单一等问题。研究为了解决这些问题，提出了一种基于符号秩和检验的多层的前馈神经网络（Back Propagation，BP）财务风险预警系统模型。该模型采用 BP 神经网络对财务数据进行预测，并采用符号秩和检验方法来识别财务风险的类型和大小。通过模型算法与循环神经网络（Recurrent Neural Network，RNN）、卷积神经网络（Convolutional Neural Networks，CNN）进行对比。结果表明，模型算法的受试者特征曲线（Receiver Operating Characteristic Curve,ROC）曲线线下面积为 0.86、平均绝对误差平均值和检测率平均值分别为 2.67%、86.13%，均为最优值，且模式算法在训练集中的预警能力为 80.7%。证实了研究提出的模型算法能够提高财务风险预警的准确性和可靠性，有效的对财务风险进行预测，为财务风险管理和决策提供重要的参考。关键词 符号秩和；BP 神经网络；财务数据；风险预警 中图分类号 S127 文献标识码 A Research on financial risk early warning based on nonparametric test combined with deep learning Zhang Xiaodan（DONGYING BANK，Dongying,Shandong 257091）Abstract Traditional financial risk early warning has problems such as data processing difficulties and single data.In order to solve these problems,the study proposes a multilayer feed-forward neural network(Back Propagation,BP)financial risk early warning system model based on the symbolic rank sum test.The model uses BP neural network to predict financial data and symbolic rank sum test to identify the type and size of financial risks.The model algorithm was compared with Recurrent Neural Network(RNN)and Convolutional Neural Networks(CNN).The results show that the area under the line of the Receiver Operating Characteristic Curve(ROC)curve of the model algorithm is 0.86,the mean absolute error average and the detection rate average are 2.67%and 86.13%,respectively,which are the optimal values,and the model algorithms early warning capacity in the training set is 80.7%.It is confirmed that the model algorithm proposed in the study can improve the accuracy and reliability of financial risk early warning,effectively predict financial risks,and provide an important reference for financial risk management and decision-making.Key words Symbolic rank sum;BP Neural Network;Financial Data;Risk Warning 随着现代经济的发展，财务风险预警在企业管理中的地位越来越重要。传统的财务风险预警方法通常依靠人工判断和经验，但是传统方法存在着主观性和不确定性，难以实现对财务风险的准确预测1-2，这表明在传统财务风险预警中主观性误差和数据收集、处理等是风险预警中的不足之处，这使得有关人工智能的财务风险预警系统成为了财务风险预警研究中的热点3。为了解决这些问题，研究通过对非参数检 收稿日期：2023-05-18 作者简介：张晓丹（1991），女，山东东营人，本科，东营银行，中级，研究方向：金融学，邮箱： Modern Scientific Instruments Vol.41 No.1 Feb.2024 188 验的改进，并结合前馈神经网络（Back Propagation,BP），提出了基于符号秩和检验的 BP 财务风险预警系统模型。通过仿真实验，将财务数据分为训练集和测试集，并对训练集进行排序，得到不同的秩和矩阵，然后使用 BP 神经网络对训练集中的样本进行预测，并用检验方法来评估预测结果。实验结果表明研究提出的模型在财务风险预警方面具有较高的准确性和可靠性，降低了财务风险预警中的主观干扰因素，提升了数据的处理能力。研究旨在通过对财务数据的风险预警进行研究，为企业的正常发展提供坚实的基础。1 基于非参数检验结合深度学习的财务风险预警模型构建 1.1 基于非参数检验的财务风险预警优化 非参数检验是一种统计方法，它可以用来对数据的分布进行衡量和判断，而不需要了解数据的具体参数信息。它是一种比较简单、实用性强的统计方法，可以帮助实验人员更好地理解和解释数据，并且减少计算复杂度，主要作用有判断分析、预测模型、因果识别等4-5。其中判别分析是指通过对两组数据进行比较，来判断数据是否具有一致性和重复性，以及是否存在差异等情况；预测模型是指通过对历史数据进行分析，建立模型来预测未来数据的趋势和分类情况；特征提取是指通过对数据进行特征分析，提取数据中的有用信息和特征，以便进一步进行分析和应用；因果识别是指通过对两组数据进行比较，来识别哪组数据更可能导致特定结果的产生，或者哪组数据更可能导致结果的不确定。财务风险预警是指通过对企业财务数据的分析，来识别出可能存在的风险，并采取措施进行防范和应对。它是财务管理中非常重要的一环，能够帮助企业及时采取措施，降低财务风险的发生概率。财务风险预警的第一步是对企业的财务数据进行收集和整理，这包括对企业的财务报表、财务数据、经济数据等进行收集和整理，以便后续的分析和应用。在收集和整理数据时，需要注意数据的准确性和可靠性，避免因为数据来源不可靠或者数据处理方法错误而导致的偏差。接着，需要对企业的财务状况进行分析，这包括对企业的负债情况、资产情况、现金流量等方面进行分析，同时也包括对企业的行业环境、经营策略等因素进行分析。通过对企业的财务状况进行全面分析，可以了解企业的财务风险所在，并根据情况制定相应的应对措施。最后，需要对系统进行测试和评估，测试包括对系统性能和准确性进行评估，评估结果应该能够满足实际应用需求6-8。但目前财务风险预警还存在数据质量和准确性和预警系统的适用性，以及灵活性和运行复杂程度等问题。研究将非参数检验中的符号秩检验引入到财务风险预警中，符号秩检验可以对财务数据进行排序和分类。通过对财务数据进行排序，然后再进行统计检验来判断数据是否具有一致性和稳定性，从而识别出不同样本之间的相似程度。在财务风险预警中，可以通过使用符号秩检验来识别不同企业之间的相似程度，即通过对企业的财务数据进行排序，然后再进行统计检验来判断不同企业之间的相似程度。如果相关系数大于 1，则表示两个企业之间存在一定的相似性；如果相关系数小于 1，则表示两个企业之间存在一定的差异。目前财务数据风险预警的流程如图 1 所示。财务数据源财务数据采集财务数据预处理财务数据分析财务预警结果可视化展示财务预警需求分析财务数据管理数据预处理数据建模分析分析结果汇总 图 1 目前财务数据风险预警流程 用秩号代替原始数据后，所得到的秩号的总和就是秩号和，用秩和进行假设检验即为秩和检验。其检验原理是假设在两组比较（成对或不成对）时，即两总体的分布函数相等。在检验时会对部分数据的大小进行考虑，因此检验效力较符号检验有大大提高9-10。它不仅可用于成对和两组计量数据的比较，还可用于两个按等级分组的计数数据的比较，检验效率高于符号检验，使得其具有更加广泛的应用。至于其方法、步骤，不论是查表法或计算法，都相当简便；假设数据是关于坐标原点对称，那么对称中心两侧的数据疏密程度应一致，取正值数据在绝对值样本中的秩和与 第 41 卷 第 1 期 2024 年 2 月 张晓丹 基于非参数检验结合深度学习的财务风险预警研究 189取负值在绝对值样本中的秩和相近。此时符号秩和的统计量可分为正秩总和和负秩总和，正秩总和可用公式（1）表示。1(0)njjjWR I X （1）公式（1）中，j 表示样本数；Xj表示样本值；R+j表示 Xj在绝对值样本中的秩；I 表示统计量系数。负秩总和可用公式（2）表示。1(0)njjjWR I X （2）公式（2）中，Rj表示 Xj在样本中的秩。1.2 基于符号秩和检验的 BP 神经网络财务风险预警模型构建 BP 神经网络是一种基于梯度下降的前馈神经网络，它由输入层、输出层和隐含层组成。其中，输入层接收来自其他神经网络的输入，并将输出层的输出转换为相应的权重和偏置；中间层隐含层和输出层之间使用 BP 神经网络进行连接。BP 神经网络的核心思想是通过不断调整权重和偏置来训练神经网络，从而使得网络能够按照期望输出值输出。在训练过程中，网络会利用前面训练集数据来评估当前数据和目标数据之间的差距，并使用梯度下降算法来计算权重和偏置的值11-13。一旦网络达到训练状态，就会输出期望的输出值，BP 神经网络的检测流程如图 2 所示。开始获取历史数据数据预处理构建BP神经网络模型模型的训练与测试输出数据结束 图 2 BP 神经网络检测流程 基于 BP 神经网络的财务风险预警系统首先需要收集相关数据，BP 神经网络需要收集大量的财务数据，包括盈利能力、偿债能力、发展能力等方面的指标，这些数据可以作为 BP 神经网络模型的训练数据。其次是预处理数据，在训练过程中，需要对收集到的财务数据进行预处理，以确保数据的准确性和完整性。预处理方法可以使用平均值、中位数或者最小值等方式进行，再建立 BP 神经网络模型。在财务风险预警中，需要将准备好的训练数据分成训练集和测试集，并使用适当的方法将数据映射到 BP 神经网络中14-15。在训练过程中，需要不断调整权重和偏置来训练神经网络，使得网络能够按照期望输出值输出。最后，使用测试数据对神经网络进行训练。虽然 BP 神经网络在财务风险预警中具有很多优势，但也存在一些问题。首先，BP 神经网络模型需要大量的数据支持，这些数据可能不够准确，而不准确的数据会影响系统的准确性。其次需要不断训练才能达到最佳状态，这可能会导致训练时间过长或过快，从而影响模型的准确性16-17。因此，研究提出了一种基于符号秩和检验的 BP 神经网络财务风险预警系统模型，该模型使用一个四层 BP 神经网络，其中输入层收集财务数据，中间层使用秩和检验方法进行排序，输出层则使用 BP 神经网络预测企业的财务风险，即将正常数据指示中得到的信息作为正向传播，将风险误差作为反向传播。将相关的财务数据，如经营管理能力、债务偿还能力、盈利能力及成长能力等各项指标数据，作为输入项，输入到模型中，从输入层引入样本数据；在隐含层，经过大量的模糊规则运算，识别出各个指标数据中的风险项，并由输出层推导出来，使网络输出值趋近于期望的输出值，这样的循环反复，直至达到期望的输出值。将一个指数矢量集作为一个指数矢量集，并将其作为一个指数矢量集合为X。X=（x1，x2，xn）T （3）公式（3）中，（x1，x 2，xn）表示输入向量集；T表示修正值。输出向量可用公式（4）表示。Modern Scientific Instruments Vol.41 No.1 Feb.2024 190 Y=（y1，y2，yn）T （4）公式（4）中，（y1，y2，yn）表示输出向量集。此时以作为指标数据输入到中间隐含层的权值，为中间隐含层中所包含的神经元数量，为中间隐含层的阈值，则隐含层包括的各个神经元输入值可用公式（5）表示。11,2,nji jjikwxjk （5）公式（5）中，wij表示从神经元 j 到神经元 i 的连接权值；kj表示隐藏层到输出层的学习因子。此时财务风险预警模型中的传递函数可用公式（6）表示。1()1xf xe （6）公式（6）中，e-x表示自变量函数。基于上述完整的模型计算，按照要求识别出输入层、隐含层、输出层的风险指标权值和阈值，完成一次训练。基于符号秩和检验的 BP 神经网络财务风险预警系统模型如图 3。输入样本数据预测值作为输入向量计算输出状态计算隐含层单元状态计算训练误差计算神经网络预测模型精度判断财务风险预警样本迭代NY计算结果 图 3 基于符号秩和检验的 BP 神经网络财务风险预警流程图 2 基于研究构建的财务风险预警模型性能 分析 2.1 财务风险预警模型性能分析 为了验证模型方法的性能，研究利用收集到的财务数据构建了一个数据集，这些财务指标主要有资产负债比率、流动比率、利润率、资本周转率、现金流量覆盖率、偿还能力以及盈利能力。其中所涉及到的财务数据均来源于某平台公开的财务报表，同时还参考了国资委发布的企业绩效评价标准值用于数据集的构建。将财务数据集作为仿真实验的训练对象，分别将研究所构建的模型算法、循环神经网络(Recurrent Neural Network,RNN)、卷积神经网络(Convolutional Neural Networks,CNN)三种算法应用到数据集中测试，将受试者特征曲线（Receiver Operating Characteristic Curve,ROC）、适应度和检测率作为评价指标。图 4 表示三种算法在相同数据集下的 ROC 曲线和适应度对比结果。第 41 卷 第 1 期 2024 年 2 月 张晓丹 基于非参数检验结合深度学习的财务风险预警研究 1911.00.800.60.40.2特异度灵敏度1.00.80.60.40.20.0参考线模式方法RNNCNN0.70.50.30.10.9(a)三种算法的ROC曲线对比02040608010迭代次数051015平均绝对误差（%）(b)三种算法适应度对比模型算法RNNCNN 图 4 三种算法的 ROC 曲线和适应度对比 由图 4（a）可知，模型算法在三种算法中的 ROC曲线线下面积为 0.86，高于 RNN 算法的 0.71，CNN算法的 0.65。这说明模型算法在三种算法中的准确性最高。由图 4（b）可知，随着迭代次数的增加，三种算法的平均绝对误差都呈下降趋势，其中模型算法的平均绝对误差平均值为 2.67%，RNN 算法的平均绝对误差平均值为 5.13%，CNN 算法的平均绝对误差值为 7.49%。由平均绝对误差和 ROC 曲线维度来看，模型算法的性能优于两种对比算法。验证了模式算法的预测性能显著优于对比算法。为了验证模型算法对数据的降噪能力和虚警检测能力，研究在相同条件下进行仿真实验，结果如图 5 所示。0-2-4-6-8-10-12-14-16-18-2000.10.20.30.40.50.60.70.80.91.0信噪比（dB）检测率（%）(a)三种算法检测性能对比1.00.90.80.70.60.50.40.30.20.1000.10.20.30.40.50.60.70.80.91.0虚警概率(%)检测率（%）(b)三种算法检测性能对比模型算法RNNCNN模型算法RNNCNN 图 5 三种算法的降噪检测和虚警检测对比 由图 5（a）可知，三种算法在相同信噪比情况下，模型算法的检测率为最高，检测率平均值为 86.13%，RNN 的检测率为 56.41%，CNN 的检测率为 39.79%。这说明模型算法对数据的降噪能力优于对比的两种算法。由图 5（b）可知，随着虚警概率的增加，三种算数对虚警的检测率也在增加，其中模型算法的增加更明显，其次是 RNN 算法，CNN 算法是三种算法中效果最差的，验证模型算法对虚警具有很高的识别能力。2.2 财务风险预警模型实际应用效果分析 为了验证模型算法的应用效果，研究利用训练集对模型算法进行训练，得到预测模型。然后利用测试集对得到的预测模型的精度进行验证，验证结果如图6 所示。Modern Scientific Instruments Vol.41 No.1 Feb.2024 192 4145.3%128.2%79.6%21.4%106.2%4340.3%86.9%13.1%85.1%14.9%76.9%23.1%85.6%14.4%分类输出值(a)训练组输出准确率矩阵图2139.5%88.1%70.63%29.37%711.2%2941.2%76.2%23.8%75.6%24.4%66.5%33.5%80.7%19.3%分类输出值(b)测试组输出准确率矩阵图 图 6 训练集和测试集结果 由图 6（a）可知，在训练集中，模式算法对财务风险的预警能力为 85.6%，能够预测 84 个样本。由图 6（b）可知，在测试集中，模型算法对财务风险的预警能力为 80.7%，能够预测出 50 个样本，这说明模型算法对财务风险预警具有很好的效果，能够有效识别风险。为了验证模型算法在具体财务数据风险预警中的效果，将模式算法与财务增益、利润和回报率结合，结果如图 7 所示。010020406080020406080100百分数位(a)模型算法的风险模型增益图增益性（%）最优模型模型算法01002040608001020304050百分数位(b)模型算法的利润变化图利润（%）最优模型模型算法010020406080020406080100百分数位(c)模型算法的投资回报率投资回报率（%）最优模型模型算法 图 7 模式算法在具体财务数据中的响应 由图 7（a）可知，与最优模型相比，模型算法虽然走势不同，但在最后与最优模型的增益率差距不大，其中最优模型的增益率平均值为 95.37%，而模型算法的增益率为 88.73%，二者的增益率相差6.64%，在设计要求范围内。由图 7（b）可知，最优模型的利润率平均值为 35.19%，模型算法的利润平均值为 30.23%，二者相差 4.96%。由图 7（c）可知，最优模型的投资回报率平均值为 79.86%，模型算法的投资回报率平均值为 63.95%。上述结果说明基于符号秩和检验结合 BP 神经网络的财务风险预警系统 第 41 卷 第 1 期 2024 年 2 月 张晓丹 基于非参数检验结合深度学习的财务风险预警研究 193模型符合一个有效模型所应具备的全部条件，能够实现对于财务管理风险预警的准确预测和识别。3 结论 研究为了解决传统财务风险预警中的问题，首先对非参数检验方法进行选择，然后将符号秩和与 BP神经网络进行融合，将其用于构建财务风险预警模型。最后利用数据集对模型的性能进行验证。结果表明，模式算法的 ROC 曲线线下面积为 0.86，比 RNN和 CNN 高出 0.15 和 0.21，且在实际应用中模型算法的增益率、利润平均值和投资回报率分别为 88.73%、30.23%和 63.95%，同时在与最优模型比较的过程中发现，与最优模型的增益、利润和投资回报相差均不明，这验证了所构建模型具有一个有效模型的全部条件，同时还具有很高的准确性和可靠性。通过对结果的分析，证明了研究构建的模型算法在预测财务风险方面具有较好的性能，能够及时、准确地预警出存在财务风险的公司，并为决策者提供参考依据，以采取相应的风险管理措施。在节省人力成本的同时，还能够减少企业的财务风险，这对企业的发展具有重要的意义。但研究还存在不足之处，在研究中样本的选取包含了部分人工设定的数据，这使得深度学习的性能并没有完全的发挥出来，下一步研究可将人工设定的数据进行剥离，增加样本数量，以提高深度学习的应用价值。参考文献 1 王小燕,张中艳.带网络结构的自适应 Lasso 财务风险预警模型J.数理统计与管理,2021,40(5):888-900.2 寿程琤.基于风险评估优化财务安全管理评 企业财务风险识别和评价研究J.中国安全科学学报,2022,32(11):221-222.3 王素珍.基于数据挖掘的财务管理预警模型J.信息技术,2022(2):156-160+166.4 赖茂涛.基于BP神经网络算法的企业财务风险预测方法研究J.微型电脑应用,2021,37(12):155-157.5 Cao Y,Shao Y,Zhang H.Study on early warning of E-commerce enterprise financial risk based on deep learning algorithmJ.Electronic Commerce Research,2022,22(1):21-36.6 赵 雪 峰,吴 伟 伟,吴 德 林,等.面 向 特 征 因 果 分 析 的CFW-Boost 企业财务风险预警模型J.系统管理学报,2022,31(2):317-328.7 徐欣欣.基于SVM与ANN的上市企业财务预警模型构建J.自动化技术与应用,2021,40(5):171-174.8 吕雪梅.基于多 Agent 的财务风险预警信息辅助决策系统设计J.微型电脑应用,2021,37(10):150-153.9 刘琰,李仕明,张三国.基于符号秩的高维均值检验J.中国科学院大学学报,2022,39(5):586-592.10 张福光,张涵.基于秩和的性能退化数据与故障数据的一致性检验方法J.舰船电子工程,2021,41(2):113-116.11 Feng R,Qu X.Analyzing the Internet financial market risk management using data mining and deep learning methodsJ.Journal of Enterprise Information Management,2022,35(4/5):1129-1147.12 徐娟.基于 ERP 视角下的医院财务管理系统风险评价估研究J.现代科学仪器,2020(1):156-160,166.13 吴静.基于人工神经网络的财务管理预警模型J.微型电脑应用,2021,37(8):157-160.14 谭媛元,陈建英,孙健.基于CNN的上市公司财务危机预警研究J.西南师范大学学报（自然科学版）,2021,46(5):73-80.15 杨贵军,杜飞,贾晓磊.基于首末位质量因子的BP神经网络财务风险预警模型J.统计与决策,2022,38(3):166-171.16 颜铤.基于改进随机森林算法的财务风险预警模型构建研究J.现代科学仪器,2023,40(1):20-24.17 唐颖.基于改进SDAE网络的财务风险预测算法J.微型电脑应用,2022,38(2):202-204+208.