【正文】 ........................24 參考文獻(xiàn) ............................................................................................................................................25 附錄 ....................................................................................................................................................27 附錄一：原始數(shù)據(jù) ........................................................................................................................27 附錄二：程序 ................................................................................................................................31 致謝 ....................................................................................................................................................35 誠(chéng)信聲明 ............................................................................................................................................36 西安 **大學(xué)本科畢業(yè)設(shè)計(jì) (論文 ) 1 前 言 人 工神經(jīng)網(wǎng)絡(luò)在 80 年代中期得到了飛速的發(fā)展。如何用定量的方法準(zhǔn)確的評(píng)價(jià)企業(yè)是人們一直在研究的問(wèn)題， 對(duì)企業(yè)的正確評(píng)價(jià)可以指導(dǎo)我們的投資決策 。 最后，對(duì)訓(xùn)練樣本和測(cè)試樣本進(jìn)行了仿真，仿真結(jié)果表明：利用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行企業(yè)分類評(píng)價(jià)的是一種非常有效的方法。但由于當(dāng)時(shí)神經(jīng)計(jì)算技術(shù)的理論準(zhǔn)備不足，技術(shù)也不成熟。 1985 年， Powell 提出了多變量差值的徑向基函數(shù)（ Radical Basis ）方法。過(guò)去的競(jìng)爭(zhēng)集中于如何有效管理實(shí)物資產(chǎn)及如何將新科技快速轉(zhuǎn) 化為實(shí)際生產(chǎn)力，此時(shí)，財(cái)務(wù)性評(píng)價(jià)是企業(yè)評(píng)價(jià)的主要方式，并在評(píng)價(jià)企業(yè)績(jī)效方面發(fā)揮了積極的作用。 主成分分析法 主成分分析法也稱主分量分析，旨在利用降維的思想，把多指標(biāo)轉(zhuǎn)化為少數(shù)幾個(gè)綜 西安 **大學(xué)本科畢業(yè)設(shè)計(jì) (論文 ) 3 合指標(biāo)。 其中 iL 為 p 維正交化向量 ? ?1iiLL??， iZ 之間互不相關(guān)且按照方差由大到小排列，則稱 iZ 為x 的第 i個(gè)主成分。其基本的模型如下： 西安 **大學(xué)本科畢業(yè)設(shè)計(jì) (論文 ) 4 設(shè) 評(píng)判對(duì)象為 P: 其因素集 ? ?12, mU u u u? ， … ， ,評(píng)判等級(jí)級(jí) ? ?12, mV ? ? ?? … 。 第 2 步，列出所有參評(píng)對(duì)象及其所有的評(píng)價(jià)指標(biāo)?；蛘哒f(shuō)，平移不改變絕對(duì)關(guān)聯(lián)度的值。 TOPSIS 法是多目標(biāo)決策分析中一種常用的有效方法，又稱為優(yōu)劣解距離法 ， 其基本原理，是通過(guò)檢測(cè)評(píng)價(jià)對(duì)象與最優(yōu)解、最劣解的距離來(lái)進(jìn)行排序，若評(píng)價(jià)對(duì)象最靠近最優(yōu)解 ， 同時(shí)又最遠(yuǎn)離最劣解，則為最好，否則為最差。從生產(chǎn)函數(shù)角度看，這一模型是用來(lái)研究具有多個(gè)輸入、特別是具有多個(gè)輸出的 “生產(chǎn)部門 ”，同時(shí)又被視為 “規(guī)模有效 ”與“技術(shù)有效 ”的十分理想且卓有成效的方法?？梢宰C明， DEA 有效性與相應(yīng)的多目標(biāo)規(guī)劃問(wèn)題的 pareto有效解（或非支配解）是等價(jià)的。 功效系數(shù)法 [10] 功效系數(shù)法又叫功效函數(shù)法，它是根據(jù)多目標(biāo)規(guī)劃原理，對(duì)每一項(xiàng)評(píng)價(jià)指標(biāo)確定一個(gè)滿意值和不允許值，以滿意值為上限，以不允許值為下限。 線性加權(quán)綜合法 [11] 綜合評(píng)價(jià)的問(wèn)題：對(duì)被評(píng)價(jià)對(duì)象所進(jìn)行的客觀、公正、合理的全面評(píng)價(jià)。 極大型指標(biāo)：總是期望指標(biāo)的取值越大越好； 極小型指標(biāo)：總是期望指標(biāo)的取值越 小 越好；中間型指標(biāo)：總是期望指標(biāo)的取值既不要太大，也不要太小為最好。 （ 3） 區(qū)間型指標(biāo) 。 BP 神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)法 [13] BP（ Back Propagation）網(wǎng)絡(luò)是 1986 年由 Rumelhart 和 McCelland 為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的 神經(jīng)網(wǎng)絡(luò)模型 之一。運(yùn)用 BP 神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)企業(yè)的優(yōu)點(diǎn)表現(xiàn)在 以下幾個(gè)方面： ① 不需要過(guò)程非常復(fù)雜的人工演算，減少出錯(cuò)率； ② 只需要輸入已有的參考數(shù)值，計(jì)算機(jī)便能很快算出數(shù)值結(jié)果，節(jié)省時(shí)間。 通用方法如反向傳播，使用探試法獲得基礎(chǔ)的類別統(tǒng)計(jì)量。 西安 **大學(xué)本科畢業(yè)設(shè)計(jì) (論文 ) 13 概率神經(jīng)網(wǎng)絡(luò)（ PNN）原理 模式分類的貝葉斯判定策略 [1618] 用于模式分類的判定規(guī)則或策略的公認(rèn)標(biāo)準(zhǔn)是：在某種意義上，使 “預(yù)期風(fēng)險(xiǎn) ”最小。 在 Parzen的經(jīng)典論文中，他指出，只要基礎(chǔ)的 總 體 的概率 密度 函數(shù) 是連續(xù)的，類別的 PDF估計(jì)器可以漸進(jìn)地逼近基礎(chǔ)的 總 體 的概率 密度 函數(shù) 。 Cacoullos 指明 了 如何擴(kuò) 展 Parzen的結(jié)果，在這種特殊情況下 ， 估計(jì)出多變量核為單變量核之積。 假設(shè)輸入期望值樣本向量的數(shù)目為 Q，期望值為 K 維向量，表示類別只有一個(gè)元素為 1，其余為 0。任選其中 30 家經(jīng)營(yíng) “好 ”和 30 家經(jīng)營(yíng) “差 ”的企業(yè)組成 訓(xùn)練樣本集，即 訓(xùn)練 樣本有 60 個(gè) ， 余下 10 家經(jīng)營(yíng) “好 ”和 10 家經(jīng)營(yíng) “差 ”的企業(yè) 組成測(cè)試樣本集，即測(cè)試樣本有 20 個(gè)。 b. 預(yù)測(cè)變量 : (常量 ), 主營(yíng)收入同比 , 每股凈資產(chǎn)。 由于是 兩類模式分類， 所以 用 “1”代表 經(jīng)營(yíng) “好 ”的 企業(yè)，用 “2”代表經(jīng)營(yíng) “差 ”的 企業(yè)， 而 概率神經(jīng)網(wǎng)絡(luò) 輸出層 神經(jīng)元個(gè)數(shù)等 于訓(xùn)練樣本數(shù)據(jù)的種類數(shù)，輸出形式是單值矢量組，所以 選取 2 個(gè)結(jié)點(diǎn)。 表 32訓(xùn)練樣本 的 網(wǎng)絡(luò)輸出值 序號(hào) 網(wǎng)絡(luò)輸出值 序號(hào) 網(wǎng)絡(luò)輸出值 序號(hào) 網(wǎng)絡(luò)輸出值 1 1 21 1 41 2 2 1 22 1 42 2 3 1 23 1 43 2 4 1 24 1 44 2 5 1 25 1 45 2 6 1 26 1 46 2 7 1 27 1 47 2 8 1 28 1 48 2 9 1 29 1 49 2 10 1 30 1 50 2 11 1 31 2 51 2 12 1 32 2 52 2 13 1 33 2 53 2 14 1 34 2 54 2 15 1 35 2 55 2 16 1 36 2 56 2 17 1 37 2 57 2 18 1 38 2 58 2 19 1 39 2 59 2 20 1 40 2 60 2 表 33：訓(xùn)練樣本的識(shí)別率 經(jīng)營(yíng)“好” 的企業(yè) 經(jīng)營(yíng)“差” 的企業(yè) 總計(jì) 訓(xùn)練樣本 30 30 60 正確識(shí)別數(shù) 30 30 60 正確識(shí)別率 100% 100% 100% 西安 **大學(xué)本科畢業(yè)設(shè)計(jì) (論文 ) 22 測(cè)試樣本的網(wǎng)絡(luò)仿真 為了檢驗(yàn)網(wǎng)絡(luò)的推廣能力，下面我們將 2020 年第二季度滬市交易所 20 家 上市 企業(yè) 作為測(cè)試 樣本，（原始數(shù)據(jù)的 測(cè)試 樣本見附錄二， 經(jīng)營(yíng)“好” 的企業(yè) 10 個(gè)， 經(jīng)營(yíng)“差” 的企業(yè) 10個(gè)），利用上述訓(xùn)練好的 PNN 網(wǎng)絡(luò)對(duì) 測(cè)試 樣本進(jìn)行兩類模式分類 。首先，利用逐步回歸方法從 60 家上市公司的 12 個(gè)財(cái)務(wù)指標(biāo)進(jìn)行篩選得到與企業(yè)收益率顯著相關(guān)的 4 個(gè)指 標(biāo)。因此，后面的研究可以嘗試與其他方法相結(jié)合來(lái)達(dá)到更省時(shí)、更精 確的目的。 西安 **大學(xué)本科畢業(yè)設(shè)計(jì) (論文 ) 24 第四章 結(jié)論 對(duì)企業(yè)的正確評(píng)價(jià)可以為我們的投資決策起指導(dǎo)作用，還可以為我們提前預(yù)警可能的風(fēng)險(xiǎn)。 在表 32 中， 序號(hào) 130 的網(wǎng)絡(luò)輸出值是 經(jīng)營(yíng)“好” 的企業(yè) 的 網(wǎng)絡(luò)輸出 ，即類 1 所對(duì)應(yīng)的網(wǎng)絡(luò)輸出，從網(wǎng)絡(luò)輸出值上看， 序號(hào) 130 的網(wǎng)絡(luò)輸出值等于 1； 序號(hào) 3160 的網(wǎng)絡(luò)輸出值是是 經(jīng)營(yíng)“差” 的企業(yè) 的 網(wǎng)絡(luò)輸出 ,即類 2 所對(duì)應(yīng)的網(wǎng)絡(luò)輸出，從網(wǎng)絡(luò)輸出值上看， 序號(hào) 31601234xxxx y t （期望輸出 ） e 西安 **大學(xué)本科畢業(yè)設(shè)計(jì) (論文 ) 21 的網(wǎng)絡(luò)輸出值都等于 2。 PNN 網(wǎng)絡(luò)模型仿真 網(wǎng)絡(luò)層數(shù)的確定 構(gòu)造一個(gè)具有輸入層，隱層，輸出層的 3 層 PNN 網(wǎng)絡(luò) 來(lái)解決 兩類模式分類問(wèn)題，一類為 經(jīng)營(yíng) “好 ”的 企業(yè)，一類為 經(jīng)營(yíng) “差 ”的 企業(yè)。將以上 12 個(gè)指標(biāo)數(shù)據(jù)和相應(yīng)的 每股 收益率輸入 SPSS，進(jìn)入線性回歸界面，并將它們選入相應(yīng)的變量框，然后在 “方法 ”對(duì)話框中點(diǎn) 擊 逐步回歸，選取顯著性水平 ?進(jìn) ， ?出 。至此 PNN 網(wǎng)絡(luò)就能夠完成對(duì)輸入向量的分類。 第 1 層為輸入層，計(jì)算輸入向量與訓(xùn)練樣本之間的距離，第一層的輸出向量表示輸出向量與訓(xùn)練樣本之間的接近程度。 Murthy 放寬了分布 ??fx絕對(duì)連續(xù)的假定，并指明，類別估計(jì)器仍然一致地估計(jì)連續(xù)分布 ? ?fX所有點(diǎn)的密度，這里密度 ??fx也是連續(xù)的。通常，先驗(yàn)概率為己知，或者可以準(zhǔn)確地加以估計(jì)，損失函數(shù)需要主觀估計(jì)。當(dāng)訓(xùn)練樣本數(shù)據(jù)足夠多時(shí)，概率神經(jīng)網(wǎng)絡(luò)收斂于一個(gè)貝葉斯分類器，而且推廣性良好。 神經(jīng)網(wǎng)絡(luò)常用來(lái)依據(jù) 向?qū)嵗龑W(xué)習(xí)進(jìn)行模式分類。當(dāng)一對(duì)學(xué)習(xí)模式提供給網(wǎng)絡(luò)后，各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)產(chǎn)生連接權(quán)值，然后按減小希望輸出與實(shí)際輸出誤差的方向，從輸出層經(jīng)各中間層逐層修正各連接權(quán)，回到輸入層。 層次分析法 (AHP 法 ) 是一種解決多目標(biāo)的復(fù)雜問(wèn)題的定性與定量相結(jié)合的決策分析方法。對(duì)于某個(gè)中間 型指標(biāo)，則通過(guò)變換，公式如下： ? ? ? ?? ? ? ?2 1,.239。 綜合評(píng)價(jià)的一般步驟：明確評(píng)價(jià)目的；確定被評(píng)價(jià)對(duì)象；建立評(píng)價(jià)指標(biāo)體系（包括評(píng)價(jià)指的原始值、評(píng)價(jià)指標(biāo)的若干預(yù)處理等）；確定與各項(xiàng)評(píng)價(jià)指標(biāo)相對(duì)應(yīng)的權(quán)重系數(shù)；選擇或構(gòu)造綜合評(píng)價(jià)模型；計(jì)算各系統(tǒng)的綜合評(píng)價(jià)值，并給出綜合評(píng)價(jià)結(jié)果。 功效系數(shù)法雖然與我國(guó)當(dāng)前企業(yè)狀況和評(píng)價(jià)對(duì)象的復(fù)雜性相適應(yīng)，能夠較為合理評(píng)價(jià)我國(guó)目前企業(yè)的財(cái)務(wù)狀況和經(jīng)營(yíng)成果，但是功效系數(shù)法也存在一些不足 ： 首先，單項(xiàng)得分的兩個(gè)評(píng)價(jià)標(biāo)準(zhǔn) —— 滿意值和不容許值的確定難度大，不容易操作，理論上就沒(méi)有明確的滿意值和不容許值。并且， DEA 方法不僅可以用線性規(guī)劃來(lái)判斷決策單元對(duì)應(yīng)的 點(diǎn)是否位于有效生產(chǎn)前沿面上，同時(shí)又可獲得許多有用的管理信息。這些模型以及新的模型正在被不斷地進(jìn)行完善和進(jìn)一步發(fā)展。 數(shù)據(jù)包絡(luò)分析法 [9] 1978 年由 著名的運(yùn)籌學(xué)家 , 和 首先提出了一個(gè)被稱為數(shù)據(jù)包絡(luò)分析（ Data Envelopment Analysis，簡(jiǎn)稱 DEA）的方法，去評(píng)價(jià)部門間的相對(duì)有效性（因此被稱為 DEA 有效）。 TOPSIS 法 [8] TOPSIS（ Technique for Order Preference by Similarity to an Ideal Solution ）法是 和 于 1981 年首次提出， TOPSIS 法 是 根據(jù)有限個(gè)評(píng)價(jià)對(duì)象與理想化目標(biāo)的接近程度進(jìn)行排序的方法，是在現(xiàn)有的對(duì)象中進(jìn)行相對(duì)優(yōu)劣的評(píng)價(jià)。 第 7 步，排出綜合指數(shù) (或加權(quán)綜合指數(shù) )序，按其大小進(jìn)行排序，對(duì)參評(píng)對(duì)象做出評(píng)價(jià)。具體步驟如下 : 第 l 步，確定評(píng)價(jià)指標(biāo)體系。在對(duì)某一事 物 進(jìn)行評(píng)價(jià)時(shí)常會(huì)遇到這樣一類問(wèn)題，由于評(píng)價(jià)事 物 是由多方面的因素所決定的，因而要對(duì)每一因素進(jìn)行評(píng)價(jià)；在每一因素作出 一個(gè)單獨(dú)評(píng)語(yǔ)的基礎(chǔ)上，如何考慮所有因素而作出一個(gè)綜合評(píng)語(yǔ)，這就是一個(gè)綜合評(píng)價(jià)問(wèn)題。在數(shù)學(xué)變換中保持變量的總方差不變，使第一變量具有最大的方差，稱為第一主成分，第二變量的方差次大，并且和第一變量不相關(guān)，稱為第二主成分。定性評(píng)價(jià)是利用專家的知識(shí)、經(jīng)驗(yàn)和判斷通過(guò)記名表決進(jìn)行評(píng)審和比較的評(píng)標(biāo)方法。近二十年來(lái)，企業(yè)所處的經(jīng)營(yíng)環(huán)境經(jīng)歷了很巨大的變化，今天的競(jìng)爭(zhēng)焦點(diǎn)不再限于品質(zhì)、成本，靈活性和創(chuàng)新 。在此基礎(chǔ)上，許多學(xué)者提出了軟計(jì)算 (Soft Computing)、計(jì)算智能 (Computational Intelligence) 等新的計(jì)算概念，形成新的 計(jì)算領(lǐng)域，在某種程度上，極大地促進(jìn)神經(jīng)網(wǎng)絡(luò)計(jì)算技術(shù)的發(fā)展。人工神經(jīng)網(wǎng)絡(luò)理論的應(yīng)用已經(jīng)滲透到多個(gè)領(lǐng)域，在計(jì)算機(jī)視覺(jué)、模式識(shí)別、智能控制、非線性優(yōu)化、自適應(yīng)濾波相信息處理、機(jī)器人等方面取得了可喜的進(jìn)展 [1]。 首先，利用逐步回歸方法從 60 家上市公司的 12 個(gè)財(cái)務(wù)指標(biāo)進(jìn)行篩選得到與企業(yè)