基于貝葉斯正則化BP神經(jīng)網(wǎng)絡的上市公司財務困境預警模型.pdf

1、本文針對在財務預警中廣泛應用的BP(Back．propagation)神經(jīng)網(wǎng)絡，介紹了BP神經(jīng)網(wǎng)絡的基本原理及其改進算法。針對BP算法及其改進算法中出現(xiàn)的過擬合(over-fitting)問題，探討了提高BP神經(jīng)網(wǎng)絡泛化能力的方法，提出了基于貝葉斯正規(guī)化(Bayesian regularization)的算法，在網(wǎng)絡目標函數(shù)中引入表示網(wǎng)絡結構復雜性的懲罰項，使得在訓練優(yōu)化的過程中降低網(wǎng)絡結構的復雜性，并通過貝葉斯推理得出目標函數(shù)的最優(yōu)化

2、參數(shù)，達到避免網(wǎng)絡過擬合的目的。 本研究在介紹神經(jīng)網(wǎng)絡基本理論和實現(xiàn)方法的基礎上，運用貝葉斯正則化BP神經(jīng)網(wǎng)絡模型(BBP)對上市公司的財務困境進行預測。結果表明，網(wǎng)絡檢驗集的預測擬合相關性系數(shù)R=0.849，預測精度為79.3％。在相同的網(wǎng)絡規(guī)模和訓練誤差條件下，BBP模型的泛化能力優(yōu)于基本的BP算法，表明該網(wǎng)絡模型不僅能準確地擬合訓練值，而且能更合理的預測未知樣本，具有較好的泛化能力。 研究結果表明，貝葉斯正規(guī)化BP