企業(yè)的信用評價方法-資料下載頁
2025-04-19 02:19本頁面
【正文】 表明，許多指標不成正態(tài)分布。 因此，傳統(tǒng)的分類方法不能很好地解決這些問題。作為研究復雜性的有力工具，神經網絡技術近年來在模式識別與分類、識別濾波、自動控制、預測等方面已展示了其非凡的優(yōu)越性，特別是能處理任意類型的數據，這是許多傳統(tǒng)方法所無法比擬的。通過不斷學習，能夠從未知模式的大量的復雜數據中發(fā)現(xiàn)其規(guī)律。神經網絡方法克服了傳統(tǒng)分析過程的復雜性及選擇適當模型函數形式的困難，它是一種自然的非線性建模過程，毋需分清存在何種非線性關系，給建模與分析帶來極大的方便．該方法用于企業(yè)財務狀況研究時，一方面利用其映射能力，另一方面主要利用其泛化能力，即在經過一定數量的帶噪聲的樣本的訓練之后，網絡可以抽取樣本所隱含的特征關系，并對新情況下的數據進行內插和外推以推斷其屬性。它在分類問題中的出現(xiàn)，最早是用于對銀行破產的預估。 神經網絡的應用最初是由Tam(1991)、Tam和Kiang(1992)、Dutta和Shekhar(1992)建議用于銀行破產預測 。Tam和Kiang(1992)是利用三層BP神經網絡（如下圖所示）來訓練網絡，根據輸入到網絡的一些樣本提供一套權重，在網絡訓練之后，可以將任何新輸入（公司）劃分為破產或非破產。 神經網絡模型是分布自由的，而且對實際問題是適用的，特別是當變量是從未知分布取出和協(xié)方差結構不相等（在企業(yè)失敗樣本中的常態(tài)）時，神經網絡能夠提供良好的分類準確性。Altman等人(1994)利用神經網絡對意大利公司進行了失敗預測，與多元判別分析模型相比，給出了令人鼓舞結果。此外，神經網絡的非線性形態(tài)較通用和較靈活。但它也有一些問題，如：模型的拓撲定義、比其他方法計算量較大和表述判別能力較難。Altman等人(1994)提到，神經網絡在決策方法中表現(xiàn)得像一個“黑匣子”，使得它的應用和接受都較困難。 雖然神經網絡作為一種分類工具似乎比其他方法較具吸引力，在財務領域解決實際問題的應用到目前為止還不多。Wilson和Sharda (1992)參考神經網絡的應用做過企業(yè)失敗預測，Salchenberger 等人(1992)利用神經網絡預測過慈善機構的失敗，Dutta和Shekhar(1992)提出用神經網絡預測企業(yè)債券等級，此外還有SerranoCinca (1996)用它作過破產預測。 神經網絡（ANN）人工智能方法能處理一系列的信息輸入如比率等，并能產生相應的輸出，而其運算分析能生成一個成功反映所有輸入輸出變量相應關系的模式。除此之外，神經網絡并不依賴于變量之間必須線性相關或是相互獨立的假設。變量之間存有微妙聯(lián)系，如同數據不連續(xù)或不完全一樣，均可被系統(tǒng)辨識并生成定性評估（如信用等級）。簡而言之，除了部分不明確的結果之外，神經網絡能夠在相似點和類似點方面給出有根據的結論，在很大程度上，神經網絡方法在企業(yè)信用的判別上有相似的作用。8 /
公司管理相關推薦
鄂ICP備17016276號-1