【正文】 （）（4）判斷實際輸出和期望輸出（真實值）之間的誤差是否達(dá)到精度要求。判斷標(biāo)準(zhǔn)：所有樣本誤差 （）其中，N為訓(xùn)練樣本個數(shù)，是誤差精度要求。（5）修正權(quán)值。根據(jù)誤差信號先后修正隱層和輸出層之間、輸入層和隱層之間的權(quán)值。輸出節(jié)點輸出的誤差為： （）權(quán)值修正： （）其中k為迭代次數(shù)閾值修正： （）隱層節(jié)點輸出的誤差為： （）權(quán)值修正： （）閾值修正： （）如果誤差達(dá)到精度要求或者循環(huán)次數(shù)足夠大，則結(jié)束網(wǎng)絡(luò)訓(xùn)練，否則則繼續(xù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)的輸入層與隱層之間通常采用S型的傳遞函數(shù)（如對數(shù)函數(shù)、正切函數(shù)），而隱層和輸出層之間則采用線性傳遞函數(shù)。由于正切函數(shù)關(guān)于原點對稱，學(xué)習(xí)速度較快，因而在本文中，輸入層和隱層之間的傳遞函數(shù)取正切函數(shù)： （）。隱層節(jié)點個數(shù)的選擇比較復(fù)雜，通常認(rèn)為隱層節(jié)點個數(shù)應(yīng)介于輸入和輸出節(jié)點個數(shù)之間，而且與樣本大小有關(guān)。本文采用Jain et al.（1997）的做法，隱層的節(jié)點個數(shù)＝樣本個數(shù)/（10（輸入層節(jié)點個數(shù)＋輸出層節(jié)點個數(shù)））。由于在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中，訓(xùn)練次數(shù)過多往往會出現(xiàn)對數(shù)據(jù)的過度擬和，為了提高網(wǎng)絡(luò)的泛化能力，本文采取了下列兩個解決辦法：（1） 對輸入數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，即均值為0、標(biāo)準(zhǔn)差為1。（2） 規(guī)則化調(diào)整，即通過調(diào)整網(wǎng)絡(luò)的性能函數(shù)來增強(qiáng)網(wǎng)絡(luò)泛化能力。普通的BP神經(jīng)網(wǎng)絡(luò)一般采用網(wǎng)絡(luò)誤差的均方根之和作為性能函數(shù)，如 （）而調(diào)整后的網(wǎng)絡(luò)性能函數(shù)如下： （）其中，是性能函數(shù)，在Matlab中可以進(jìn)行自動設(shè)置。使用該性能函數(shù)可以減少網(wǎng)絡(luò)的有效權(quán)值和閾值，并且使網(wǎng)絡(luò)的訓(xùn)練輸出更加平滑，從而增強(qiáng)網(wǎng)絡(luò)的泛化性能。第三章 實證結(jié)果分析比較本文的多元判別分析和Logistic回歸分析采用SPSS軟件進(jìn)行，而神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建則采用Matlab進(jìn)行，結(jié)果如下:第一節(jié) 多元判別分析 假設(shè)組合0為財務(wù)困境公司，組合1為財務(wù)健康公司，可得： 非標(biāo)準(zhǔn)化的典則判別系數(shù)表 組重心函數(shù)值表Function 1X5X7X18X28X32X34X45.008(Constant)FunctionSIGN1101.627從非標(biāo)準(zhǔn)化的典則判別系數(shù)表（）我們可以得到線性判別函數(shù)：（） 從組重心函數(shù)值表（）可以看出，兩個組合的平均Z分值分別為－。因此根據(jù)對稱分類原則，判別點＝0。當(dāng)把每一家上市公司的財務(wù)指標(biāo)代入判別函數(shù)得到的Z分值大于0時，則判定為財務(wù)健康公司；反之則判定為財務(wù)困境公司，判別結(jié)果如下： 多元判別分析的判別結(jié)果原始值估計樣本 預(yù)測樣本預(yù)測值合計綜合準(zhǔn)確率%預(yù)測值合計綜合準(zhǔn)確率0101計數(shù)0661581%20727%121608162127百分比081. 5%%100%%%100%1%%100%%%100%如前所述，本文將全部樣本分為估計樣本和預(yù)測樣本，估計樣本162家，其中財務(wù)困境公司81家，財務(wù)健康公司81家；預(yù)測樣本54家，其中財務(wù)困境公司27家，財務(wù)健康公司27家。將財務(wù)困境公司（0）誤判為財務(wù)健康公司（1）的比例用I類錯誤率表示，將財務(wù)健康公司（1）誤判為財務(wù)困境公司（0）的比例用II類錯誤率表示，我們可以看出，%，%，%；%，%，%。第二節(jié) LOGISTIC回歸模型從最終模型的擬和優(yōu)度檢驗（）可以看出，－，此值偏大，說明擬和效果一般，Cox amp。 Snell R2和Nagelkerke R2統(tǒng)計量偏小，也說明擬和效果一般。 and ，只能勉強(qiáng)接受觀測數(shù)據(jù)和預(yù)測數(shù)據(jù)之間沒有顯著差異的原假設(shè)。 最終模型的擬和優(yōu)度檢驗Step2 Log likelihoodCox amp。 Snell R SquareNagelkerke R Square1.317.423 Hosmer and Lemeshow 檢驗StepChisquaredfSig.18.085，該圖反映了上市公司陷入財務(wù)困境的概率的頻數(shù)分布。，因此如果模型成功地區(qū)分了兩組觀測量，，兩組中的觀測量越是分布在兩端，說明分組效果越好。，模型的預(yù)測效果尚可。 估計概率的直方圖 16 244。 244。 243。 243。 243。 243。F 243。 243。R 12 244。 244。E 243。 243。Q 243。 243。U 243。 1 1 243。E 8 244。 1 0 244。N 243。 1 1 0 1243。C 243。 0 0 0 1 1 1243。Y 243。 0 0 0 1 1 1 1 1243。 4 244。0 1 0 00 0 1 01 1 11 1 1244。 243。0 0 01 00 0 0 1 0 01 1 1 10 1 11 1 1 11 11243。 243。0 0 00 01 10000001011 10001 11 11 10111111 11 1011 11 11243。 243。000000 00000000000000010000000000001110001110 1011011111011243。Predicted 242。242。242。242。242。242。242。242。242。242。242。242。242。242。244。242。242。242。242。242。242。242。242。242。242。242。242。242。242。244。242。242。242。242。242。242。242。242。242。242。242。242。242。242。244。242。242。242。242。242。242。242。242。242。242。242。242。242。242。242。 Prob: 0 .25 .5 .75 1 Group: 000000000000000000000000000000111111111111111111111111111111 最終模型的統(tǒng)計量 系數(shù)標(biāo)準(zhǔn)差Wald統(tǒng)計量自由度顯著性概率X5.3021.008X71.001X18.0071.045X28.8021.035X321.044X341.000X45.013.0081.111Constant.4931.005： （），根據(jù)式（），，判別結(jié)果如下： Logistic回歸模型的判別結(jié)果原始值估計樣本 預(yù)測樣本預(yù)測值合計綜合準(zhǔn)確率%預(yù)測值合計綜合準(zhǔn)確率0101計數(shù)0661581%20727%122598152227百分比081. 5%%100%%%100%1%%100%%%100%，%，%，%；%，%，%。第三節(jié) 神經(jīng)網(wǎng)絡(luò)模型本文將所有樣本分成訓(xùn)練集和預(yù)測集，其中訓(xùn)練集有162個樣本，其中財務(wù)困境公司81家，財務(wù)健康公司81家；預(yù)測集有54個樣本，其中財務(wù)困境公司27家，財務(wù)健康公司27家。采用單隱層的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，輸入層的輸入變量為多元判別分析和Logistic回歸使用的預(yù)測變量XXX1X2X3X34和X45，共有7個節(jié)點；輸出層有一個節(jié)點，輸出的導(dǎo)師信號為－1代表財務(wù)困境公司，1代表財務(wù)健康公司；隱層的節(jié)點個數(shù)為208/（10*（7+1））≈3。迭代次數(shù)為80000次。，當(dāng)mse＝,msw=，BP神經(jīng)網(wǎng)絡(luò)自動結(jié)束訓(xùn)練。 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果 神經(jīng)網(wǎng)絡(luò)的判別結(jié)果如下： BP神經(jīng)網(wǎng)絡(luò)的判別結(jié)果原始值訓(xùn)練集 預(yù)測集預(yù)測值合計綜合準(zhǔn)確率%預(yù)測值合計綜合準(zhǔn)確率0101計數(shù)0681381%23427%122598132427百分比0%%100%%%100%1%%100%%%100%，%，%，%；%，%，%。第四節(jié) 判別結(jié)果比較預(yù)測樣本準(zhǔn)確率是指利用從估計樣本中得到的判別函數(shù)（或網(wǎng)絡(luò)）對新樣本進(jìn)行判別得到的結(jié)果。由于預(yù)測準(zhǔn)確率不包括任何先驗信息，所以我們以預(yù)測樣本準(zhǔn)確率為準(zhǔn)進(jìn)行比較。 預(yù)測結(jié)果比較模型誤判個數(shù)預(yù)測準(zhǔn)確率I類II類合計I類II類綜合MDA7613%%%Logistic7512%%%神經(jīng)網(wǎng)絡(luò)437%%%，多元判別分析和Logistic回歸的預(yù)測效果比較接近，Logistic回歸略優(yōu)于多元判別分析；而神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果則是最好的，其I類、%，%、%%。由此可見，BP神經(jīng)網(wǎng)絡(luò)作為一種非參數(shù)統(tǒng)計方法更適合用于財務(wù)困境預(yù)測。 第四章 研究結(jié)論和未來的研究方向 第一節(jié) 研究結(jié)論本文以滬深兩市A股上市公司作為研究對象，將公司因財務(wù)狀況異常而被特別處理（ST）作為企業(yè)陷入財務(wù)困境的標(biāo)志，進(jìn)行企業(yè)財務(wù)困境預(yù)測。通過以上分析，得到以下結(jié)論：為了真實反映模型的預(yù)測能力，應(yīng)采用預(yù)測樣本（即新樣本）對模型的泛化能力進(jìn)行檢驗。此外，由于中國證監(jiān)會是根據(jù)上市公司前兩年的年報所公布的業(yè)績判斷其是否出現(xiàn)財務(wù)狀況異常并決定是否要對其進(jìn)行特別處理的，所以為了不夸大模型的預(yù)測能力，應(yīng)至少在上市公司被ST的前三年進(jìn)行預(yù)測，判斷其最終是否會被ST。本文采用逐步判別分析對52個財務(wù)指標(biāo)進(jìn)行篩選，發(fā)現(xiàn)X5（速動比率）、X7（營運資本/流動資產(chǎn)）、X18（利息保障倍數(shù)）、X28（總資產(chǎn)周轉(zhuǎn)率）、X32（營業(yè)收入凈利潤率）、X34（流動資產(chǎn)凈利潤率）和X45（主營業(yè)務(wù)利潤/利潤總額）等7個財務(wù)指標(biāo)在企業(yè)財務(wù)困境預(yù)測中具有顯著的判別作用。特別需要指出的是，短期償債能力指標(biāo)和盈利能力指標(biāo)在企業(yè)財務(wù)困境預(yù)測中作用最為明顯，這說明在進(jìn)行企業(yè)財務(wù)分析時，我們對上述指標(biāo)應(yīng)給予更多的關(guān)注。在這7個指標(biāo)中，大部分指標(biāo)在財務(wù)困境組和財務(wù)健康組