基于RBF神经网络的上市公司系统风险评价研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于RBF神经网络的上市公司系统风险评价研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
【摘要】 通过建立财务指标评价体系,将系统风险分为两类:相对高风险和相对低风险。应用RBF神经网络对上市公司的财务风险做出评价。以期通过对上市公司系统风险的研究,期望找到评价系统风险的有效方法。
【关键词】 财务指标;系统风险;RBF神经网络
一、引言
系统风险又称为 系数,它是反映投资资产不可分散的系统风险的重要指标,金融信息预测对于防范风险具有重要意义,国内外许多专家对系统风险做出了有效的研究,研究表明系统风险与部分财务指标显著相关。同时,由于股票市场具有数据丰富、不确定的特点,因此需要运用统计技术、模糊技术和神经网络等非线性动态建模技术对股票市场的系统风险进行研究,期望能够取得良好的效果。
本文基于前人的研究成果,将系统风险分类为相对高系统风险和相对低系统风险两类,然后利用上市公司定期公布的财务信息对股票风险程度进行识别。通过对系统风险的研究,能够为投资者控制投资风险提供有效的控制。基于此,本文通过rbf神经网络模型对系统风险识别进行检验。
二、RBF神经网络模型
径向基函数(RBF)神经网络是一种性能良好的前向神经网络。已经证明它具有全局逼近的性质,且不存在局部最小问题。RBF网络不仅具有良好的泛化能力,而且计算量小,学习速度也比其它一般算法快得多,已广泛地应用于系统辨识和参数估计。
RBF神经网络的典型结构如图1所示,不失一般性。假设输出层只有一个结点,这种结构很容易扩展到多输出结点的情形。输入层到隐层为权值1的固定连接。隐含层由一组径向基函数构成,其中对应的中心向量和宽度是RBF的参数。一般隐含层各结点都采用相同的径向基函数,径向基函数有多种形式,通常取高斯函数。隐层的输出在输出层线性加权组合,形成神经网络的输出。
三、评价分析
(一)数据采集和标准化处理
本文的研究数据从沪市采集。首先随机选取20支股票的每日收盘价及对相应的上证指数作为研究总体。然后采集2006年8月共计10个工作日的数据研究对象。根据以往的经验研究表明,在使用模型进行评价之前,必须先对样本数据进行归一化处理,将其转换为区间[0,1]之间的数据。具体的归一化公式如下:
(二)指标体系的构建
本文选取了8个财务指标作为RBF神经网络模型的输入向量,具体的指标见表2,同时,根据指标的性质界定属性值的大小。
表2 指标体系
(三) RBF网络训练
如下所示建立一个单隐含层的RBF神经网络:
goal = 0.01;spread = 1.0;MN = 20;DF = 10;net = newrb ( P, T, goal, spread,MN,DF) ;运行上述代码得到一个有10个隐含层神经元的网络模型。
P组输入向量组成的10×20维矩阵; T组目标分类向量组成的2×20维矩阵; goal-均方误差; spread-径向基函数的扩展速度; MN-神经元的最大数目;DF-两次显示之间所添加的神经元数目; net-返回值,一个径向基网络。
径向基函数的扩展速度spread越大,函数的拟合就越平滑。但是,过大的spread意味着需要非常多的神经元以适应函数的快速变化。如果spread设定过小,则意味着需要许多神经元来适应函数的缓慢变化,这样一来,设计的网络性能就不会很好。
3.4 测试数据和分类结果
本文采用MATLAB软件径向基函数神经网络工具箱中的newrb网络设计函数和sim仿真函数,进行RBF神经网络的训练,根据RBF神经网络训练的分类结果来判断系统风险的大小。具体分类结果见表3。
由表1可以较为清楚地看到随机抽取的样本数据的系统风险的分类结果,进而能够判断系统风险的高低。
四、结论
根据我国上市公司的财务数据,利用RBF神经网络模型对上市公司系统风险的高低进行评价研究,结论表明,此模型在系统风险评价应用中是有效可行的,尤其是对高风险样本具有极强的识别能力,这为投资者通过上市公司的财务状况判断投资风险提供了有利的依据。结论同时表明,基于RBF神经网络模型具有较高的评价效果。
【参考文献】
[1] 成思危,吴世农.中国股票市场风险研究[M].中国人民大学出版社,2002.
[2] 李云翼.中国股市β系数研究的展望[J]. 科技信息2008(26):12-13.
[3] 高隽.人工神经网络原理及仿真实例[M ]. 北京:机械工业出版社, 2003.
[4] 薛定宇.控制系统计算机辅助设计―MATLAB语言及应用[M]. 北京:清华大学出版社, 1996.
[5] Beaver, W. H and Manegold, J.(1975)The association between market-determined and accounting-determined measures of systematic risk: some further evidence. Journal of Financial and Quantitative Analysis 10, 231-84.