一种基于LASSO-PSO-ELM的财务困境预警方法

一种基于lasso-pso-elm的财务困境预警方法
技术领域
1.本发明涉及一种上市公司财务困境预警的技术，具体涉及一种基 于lasso-pso-elm财务困境预警方法，属于财务特征预测领域。


背景技术：

2.企业整体经营情况好坏最直观的表现就是财务状况。由于企业财 务困境预警只需要从财务报表数据出发，可以在低人力、低财力的情 况下进行，而且企业财务困境预警在建立了合理的财务指标体系后， 利用合理的方法建模即可输出一定的财务危机可能性，预测非常方 便，所以企业财务危机的研究非常有意义。随着高速高性能计算机的 问世和发展，科学界从财务、金融、计算机等多个学科对财务困境预 警进行了研究。目前，许多研究者在财务困境预警方面做了大量的研 究，提出了许多实用的识别方法，主要包括：
3.(1)专利《一种财务困境预警系统》(公开号cn112036992a)公 开了一种财务困境预警系统，它涉及财务技术领域；财务预算系统、 财务备用资金系统、补充资金系统均与财务计算系统的输入端电连接， 财务计算系统的输出端与处理器的输入端电连接，处理器的存储端与 存储器电连接，处理器的输出端与报警器电连接，财务预算系统、财 务备用资金系统、补充资金系统分别接受输入的信息，根据输入的信 息通过财务计算系统进行计算周期以及资金的剩余，同时处理器将信 息存储在存储器内，并且设置最低值报警信息，当低于最低值时发出 报警信息；本发明能够实现快速计算与分析，且能够实现快速操作， 稳定性高，提高了效率；能够实现及时报警与计算，且便于及时补充 资金，使用方便，操作简便。
4.(2)缺点：由于该方法是对现有财务数据进行计算和分析，并且可 以实时计算，判定是否在最低报警值。但是该方法并没有利用已有财 务数据对未来可能出现的财务危机进行一定预测。
5.(2)专利《一种上市公司财务安全状况评价方法》(公开号 cn104063767a)涉及公司财务风险研究领域，特别是涉及一种上市公 司财务安全状况评价方法。定义了一种上市公司财务危机指数，简称 w-指数，设计了w-指数中各参数的确定方法。计算待评估目标公司的 w-指数，根据w-指数的计算值判断其财务状况，若w-指数落入区间(a1， b1)，判断公司财务状况为“相对稳健”，若w-指数落入区间(a2，b2)， 判断公司财务状况为“早期预警”，若w-指数落入区间(a3，b3)，判 断公司财务状况为“财务困境”。
6.上述技术的缺点：该方法对于企业提出了一种财务状况的评价流 程，但是该方法只是根据已有财务数据进行一定打分判定，并没有根 据已有数据对未来进行预测，为决策提供一定的参考。


技术实现要素：

7.本发明的目的是提供一种上市公司财务困境预警中基于 lasso-pso-elm的方法。首先利用lasso回归对于构建的财务指标 体系进行降维处理，去除冗余的数据，得到有效数据，然后将数据作 为输入，十折交叉验证寻找最优隐层节点数后，用pso算法对elm模 型
进行优化，最后用优化后的elm进行财务困境预警的预测。
8.为了实现上述目的，本发明提供了如下的技术方案：
9.本发明提供一种基于lasso-pso-elm的财务困境预警方法，该 方法包括如下步骤：
10.步骤一：财务指标体系降维
11.(1.1)将所有的财务指标数据作为输入，记为x，在lasso回归中， y为是否存在危机，在n次抽取样本中得到的观测数据的标准化数值为 (x，y)，其中x为n*p的矩阵，其中n》p。lasso本质上是一种有偏 估计方法，是通过缩减变量集的正则化技术，通过惩罚函数来构造一 个更为精炼的模型，更好的去压缩模型的系数，核心是利用l1范数的 稀疏性来处理回归相关的惩罚优化问题。
12.(1.2)lasso回归通过不断调整t的值，来降低模型数据的整体回 归系数，不断压缩不显著的变量系数，直至为零。变量系数不为零的 就是所需的财务指标，这样就获得了降维后的财务指标。
13.步骤二：十折交叉验证选取最优隐藏层节点数
14.(2.1)利用十折交叉验证法将财务指标数据集分为十份，轮流将 其中9份作为训练数据，1份作为测试数据进行试验。
15.(2.2)调整隐层节点数通过交叉验证实验每次都会得到相应测试 集的准确率。10次的结果的准确率的平均值作为对隐层节点数优劣的 判断。本文进行多次十折交叉验证来寻找最优的隐藏层节点数。
16.步骤三：pso-elm财务困境预警模型构建
17.(3.1)将降维后的财务指标数据作为输入样本，设定个隐藏层 神经元elm学习算法可以以零误差逼近这n个样本。设定好elm的 隐层偏差和权值的区间范围，设定好sigmoid激活函数等初始参数。
18.(3.2)将输入层的ωj和bj作为粒子群算法中寻优的速度和位置。 设定在n维的搜寻空间，初始化种群数m，随机数rand()，w是调 节粒子速度的惯性权值，c1和c2是调节粒子速度的加速度常数，以寻 找个体最优位置pi和全局最优位置pg。
19.(3.3)确定好每个粒子的个体极值和群体极值后，每个粒子的位 置和速度自动更新寻找最优极值，并同时利用适应度函数计算每个粒 子的适应度值进行位置、速度的更新，一直更新至终止条件后输出最 优的速度和位置，即elm中的最优输入权重ωj和隐层偏差bj，将输出 后的ωj和bj带入寻优后的elm模型中训练数据。
20.步骤四：实证预测
21.(4.1)模型构建好之后，利用lasso降维后的数据和十折交叉验证 寻优后的最优隐层节点数，代入pso-elm模型训练分类。
22.所述的步骤一(1.1)中：在lasso回归中，设x为自变量，y为因变 量，在n次抽取样本中得到的观测数据的标准化数值为(x，y)，其 中x为n*p的矩阵，其中n》p，y为n*1的矩阵，x的第i个观测值为xi＝(x
i1
，x
i2
，...，x
ip
)
t
，其中i∈[1，2，...，n]，并且各个观测的数值均相互 独立，y＝(y1，y2，...，yn)
t
。其中y与x的回归模型为：
[0023]yi＝α1+
∑βjx
ij
+εi[0024]
所述的步骤一(1.2)中具体的压缩变量系数过程为：y与x的回归模 型为：
[0025]yi＝α1+
∑βjx
ij
+εi[0026]
上式中εi∈n(0，σ2)，定义标准化的数据中将公 式整理后得到
[0027]
y＝βx+ε
[0028]
其中ε∈n(0，σ2)，如果要筛选出影响显著的变量，则需要 对公式附加一个条件，约束条件表达式如下公式：
[0029][0030]
其中，s的取值范围为[0，1]，t为一个调和参数，t≥0， lasso回归通过不断调整t的值，来降低模型数据的整体回归系数，不 断压缩不显著的变量系数，直至为零。
[0031]
所述的步骤二(2.1)中十折交叉验证在给定的建模样本中，拿出大 部分样本进行建模型，留小部分样本用刚建立的模型进行预报，并求 这小部分样本的预报误差，记录它们的平方加和。这个过程一直进行， 直到所有的样本都被预报了一次而且仅被预报一次。
[0032]
所述的步骤三(3.1)中elm模型可表示为：
[0033][0034]
其中g()是对应的激活函数，ωj是连接第j个隐藏神经元和输 入神经元的权重向量，bj是第j个隐藏神经元的偏差。等式可以简化为：
[0035]
hβ＝t
[0036]
β、t可以表示为：
[0037][0038]
其中
[0039]
这里h是隐藏层的输出矩阵。β是输出权重矩阵，t是elm的目 标矩阵。
[0040]
elm通过随即设置隐藏层节点数的参数，可以唯一地确定输出矩 阵h，并可以通过等式获得权重β。
[0041]
β＝h
+
t这里h
+
表示矩阵h的moore-penrose矩阵。
[0042]
所述的步骤三(3.2)中n维搜寻空间中，首先初始化m个体的种群 数记为p＝(x1，x2，...，xi，...，xm)
t
，其中粒子i在种群中的位置可 表示为：xi＝(x
i1
，x
i2
，...，x
in
)
t
，速度信
息可表示为：vi＝(v
i1
，v
i2
，...，v
in
)
t
，其中i＝1，2，...，m。然后计算所有粒子的适应度，以找 到群体的最优解，并根据公式来更新当前粒子的位置信息和速度信息。
[0043][0044][0045]
其中rand()是介于0和1之间的随机数。w是调节粒子速度的惯 性权值，c1和c2是调节粒子速度的加速度常数，以寻找个体最优位置 pi和全局最优位置pg。其中c1和c2动态调整公式如下：
[0046][0047][0048]
其中iteration表示当前迭代的次数。max_iteration表示算法中最大 的迭代次数。
[0049]
为了保证粒子群算法在迭代初级具有很好的搜寻能力，在迭代后 期加快了算法的收敛速度，动态惯性权重w定义如下：
[0050]
w(t)＝w
max-iteration*[(w
max-w
min
)/(max-iteration)]
[0051]
其中w
max
和w
min
分别表示迭代过程中惯性权值的初始值和终端值。
[0052]
所述的步骤三(3.3)中计算每个粒子的适应度值，以寻找各自的极 值和群体极值。优化算法中需要计算种群m中单个粒子的输入权重ωj和隐层偏差bj，elm算法可以计算出输出权值矩阵。这里利用训练样 本计算出的初始化种群的单个粒子的均方根误差(rmse)作为粒子的 适应度函数计算，来寻找所有粒子的最优极值。令粒子群算法适应度 为f＝fitness，在同次迭代中优先比较f和个体极值的大小，当f》pi(个 体极值)时，则用f代替pi，否则就保持现状。而后比较f与pg(群体 极值)的大小，当f》pg，则用f代替pg，否则维持现状。适应度函数 如公式所示：n为测量次数，di为一组测量值与平均值的偏差。
[0053][0054]
利用适应度函数计算每个粒子的适应度值进行位置、速度的更新， 一直更新至满足运行次数大于或等于最大迭代次数、运行时间大于或 等于最长运行时间、适应度值小于或等于规定值时终止条件后输出最 优的速度和位置。
[0055]
所述的步骤四(4.1)中以lasso降维后的财务指标数据划分为训练 集80％，测试集20％作为输入，而后十折交叉验证后的最优隐含层节 点数带入elm中，利用pso算法寻优后的ωj和bj作为elm的固定参 数带入训练，构建一个合理的分类器，即可得到一个合理且高效的财 务困境预警模型，从而实现企业财务危机的有效预警。
[0056]
与现有技术相比，本发明的有益效果在于：
[0057]
1、本发明允许在已知现有财务指标数据的基础上，对未来可能出 现的财务危机
进行高效的预测。
[0058]
2、相对于已有的财务困境预警方法相比具有准确率高、速度快的 优点。
附图说明
[0059]
图1为本发明的流程示意图；
[0060]
图2为lasso压缩后落在边界的特征；
[0061]
图3为十折交叉验证实验图及输出获取的最优节点数；
[0062]
图4为pso-elm模型6次实验评价指标：准确率、精确率、召 回率和f1值。
具体实施方式
[0063]
下面结合实施例对本发明进行进一步说明。
[0064]
一种基于lasso-pso-elm的财务困境预警方法，包括如下步骤：
[0065]
步骤一：财务指标体系降维
[0066]
(1.1)将所有的财务指标数据作为输入，记为x，在lasso回归中， y为是否存在危机，在n次抽取样本中得到的观测数据的标准化数值为 (x，y)，其中x为n*p的矩阵，其中n》p。lasso本质上是一种有偏 估计方法，是通过缩减变量集的正则化技术，通过惩罚函数来构造一 个更为精炼的模型，更好的去压缩模型的系数，核心是利用l1范数的 稀疏性来处理回归相关的惩罚优化问题。
[0067]
(1.2)lasso回归通过不断调整t的值，来降低模型数据的整体回 归系数，不断压缩不显著的变量系数，直至为零。变量系数不为零的 就是所需的财务指标，这样就获得了降维后的财务指标。
[0068]
步骤二：十折交叉验证选取最优隐藏层节点数
[0069]
(2.1)利用十折交叉验证法将财务指标数据集分为十份，轮流将 其中9份作为训练数据，1份作为测试数据进行试验。
[0070]
(2.2)调整隐层节点数通过交叉验证实验每次都会得到相应测试 集的准确率。10次的结果的准确率的平均值作为对隐层节点数优劣的 判断。本文进行多次十折交叉验证来寻找最优的隐藏层节点数。
[0071]
步骤三：pso-elm财务困境预警模型构建
[0072]
(3.1)将降维后的财务指标数据作为输入样本，设定个隐藏层 神经元elm学习算法可以以零误差逼近这n个样本。设定好elm的 隐层偏差和权值的区间范围，设定好sigmoid激活函数等初始参数。
[0073]
(3.2)将输入层的ωj和bj作为粒子群算法中寻优的速度和位置。 设定在n维的搜寻空间，初始化种群数m，随机数rand()，w是调 节粒子速度的惯性权值，c1和c2是调节粒子速度的加速度常数，以寻 找个体最优位置pi和全局最优位置pg。
[0074]
(3.3)确定好每个粒子的个体极值和群体极值后，每个粒子的位 置和速度自动更新寻找最优极值，并同时利用适应度函数计算每个粒 子的适应度值进行位置、速度的更新，一直更新至终止条件后输出最 优的速度和位置，即elm中的最优输入权重ωj和隐层偏差bj，将输出 后的ωj和bj带入寻优后的elm模型中训练数据。
[0075]
步骤四：实证预测
[0076]
(4.1)模型构建好之后，利用lasso降维后的数据和十折交叉验证 寻优后的最优隐层节点数，代入pso-elm模型训练分类。