遺傳BP神經(jīng)網(wǎng)絡(luò)在大宗商品市場(chǎng)風(fēng)險(xiǎn)預(yù)警中的應(yīng)用①

陳晴光, 陳宇哲

1(浙江萬(wàn)里學(xué)院 物流與電子商務(wù)學(xué)院, 寧波 315100)

2(敏實(shí)集團(tuán)研發(fā)中心, 寧波 315800)

遺傳BP神經(jīng)網(wǎng)絡(luò)在大宗商品市場(chǎng)風(fēng)險(xiǎn)預(yù)警中的應(yīng)用①

陳晴光1, 陳宇哲2

1(浙江萬(wàn)里學(xué)院 物流與電子商務(wù)學(xué)院, 寧波 315100)

2(敏實(shí)集團(tuán)研發(fā)中心, 寧波 315800)

研究利用遺傳BP神經(jīng)網(wǎng)絡(luò)預(yù)警大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)的應(yīng)用方法, 將定量分析的思維方式引入大宗商品市場(chǎng)風(fēng)險(xiǎn)評(píng)價(jià)管理中. 為此目的, 建構(gòu)了一個(gè)基于遺傳BP神經(jīng)網(wǎng)絡(luò)的預(yù)警模型(GA-BPNNM), 在市場(chǎng)調(diào)研的基礎(chǔ)上建立了大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系, 并通過(guò)實(shí)驗(yàn)確定了預(yù)警模型的最佳訓(xùn)練函數(shù)和隱層的最佳節(jié)點(diǎn)數(shù). GA-BPNNM借助BP神經(jīng)網(wǎng)絡(luò)強(qiáng)大的自學(xué)習(xí)能力和非線性映射能力, 克服傳統(tǒng)手段在分析大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)時(shí)因其定義的模糊性和誘發(fā)因素的多樣性所帶來(lái)的困難; 同時(shí)通過(guò)遺傳算法與BP網(wǎng)絡(luò)兩者相互融合優(yōu)化, 解決BP神經(jīng)網(wǎng)絡(luò)易落入局部最優(yōu)、收斂速度慢以及遺傳算法易早熟等問(wèn)題. 仿真測(cè)試實(shí)驗(yàn)表明, GA-BPNNM預(yù)測(cè)結(jié)果優(yōu)于標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法, 用于大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)損失程度預(yù)警是有效可行的.

大宗商品; 電子交易市場(chǎng); 風(fēng)險(xiǎn); 遺傳BP神經(jīng)網(wǎng)絡(luò); 預(yù)警模型

大宗商品電子交易市場(chǎng)是一種利用網(wǎng)絡(luò)平臺(tái)對(duì)能源商品、基礎(chǔ)原材料等大宗商品進(jìn)行批量交易的特殊B2B電子商務(wù)市場(chǎng), 其風(fēng)險(xiǎn)狀況既不同于從事普通現(xiàn)貨交易的第三方B2B電子市場(chǎng), 也不同于期貨市場(chǎng), 而是介于現(xiàn)貨商品交易市場(chǎng)與期貨市場(chǎng)之間. 傳統(tǒng)的以定性為主的市場(chǎng)風(fēng)險(xiǎn)管理方法, 已越來(lái)越不能適應(yīng)新形勢(shì)下大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)管理的需要, 而基于神經(jīng)網(wǎng)絡(luò)等數(shù)據(jù)挖掘技術(shù)建立有效的風(fēng)險(xiǎn)預(yù)警機(jī)制在防控大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)方面卻顯示出其獨(dú)特的優(yōu)越性.

國(guó)外將市場(chǎng)風(fēng)險(xiǎn)管理與預(yù)警結(jié)合起來(lái)研究的主要代表是James.P.Forkan的營(yíng)銷(xiāo)風(fēng)險(xiǎn)預(yù)警研究和Robert Allio的市場(chǎng)安全預(yù)警研究, 并建立了各自的指標(biāo)體系.從國(guó)外的相關(guān)研究成果看, 神經(jīng)網(wǎng)絡(luò)方法主要用于金融市場(chǎng)風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)等的預(yù)測(cè)管理中, 如進(jìn)行破產(chǎn)預(yù)測(cè)[1]、利率預(yù)測(cè)[2]、信用評(píng)價(jià)[3,4]等. 國(guó)外的研究從實(shí)踐應(yīng)用的角度, 說(shuō)明了神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型是可以用于市場(chǎng)風(fēng)險(xiǎn)預(yù)警的. 國(guó)內(nèi)相關(guān)研究近年來(lái)主要集中在對(duì)神經(jīng)網(wǎng)絡(luò)算法的優(yōu)化以及神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型在一些領(lǐng)域的應(yīng)用探討方面. 例如, 基于BP神經(jīng)網(wǎng)絡(luò)對(duì)農(nóng)產(chǎn)品市場(chǎng)風(fēng)險(xiǎn)[5]、商業(yè)銀行操作風(fēng)險(xiǎn)[6]、工程項(xiàng)目知識(shí)管理風(fēng)險(xiǎn)預(yù)警等[7]; 基于遺傳算法與BP神經(jīng)網(wǎng)絡(luò)的混沌時(shí)間序列預(yù)測(cè)[8]、短期風(fēng)速預(yù)測(cè)[9]、煤體瓦斯?jié)B透率預(yù)測(cè)[10]、產(chǎn)品造型設(shè)計(jì)評(píng)價(jià)[11]、主軸熱誤差建模[12]和礦山煤層注水效果預(yù)測(cè)[13]等, 涉及的領(lǐng)域十分廣泛, 但尚未見(jiàn)在大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)預(yù)警領(lǐng)域有影響的應(yīng)用成果. 國(guó)內(nèi)外的相關(guān)研究在一定程度上表明, 應(yīng)用神經(jīng)網(wǎng)絡(luò)模型預(yù)警大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)具有理論和實(shí)踐基礎(chǔ).

對(duì)于遺傳BP神經(jīng)網(wǎng)絡(luò)模型在不同領(lǐng)域的預(yù)測(cè)或預(yù)警應(yīng)用, 目前要解決的關(guān)鍵問(wèn)題: 一是如何針對(duì)不同領(lǐng)域的樣本數(shù)據(jù)確定合適的權(quán)值與閾值, 二是如何確定神經(jīng)網(wǎng)絡(luò)模型的最佳訓(xùn)練函數(shù)和隱層的最佳節(jié)點(diǎn)數(shù),以保證預(yù)測(cè)或預(yù)警結(jié)果的有效性. 為此, 本文嘗試進(jìn)行遺傳BP神經(jīng)網(wǎng)絡(luò)拓展應(yīng)用于大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)預(yù)警的方法研究, 找出神經(jīng)網(wǎng)絡(luò)模型針對(duì)大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)特征的合適的權(quán)閾值以及的最佳訓(xùn)練函數(shù)和隱層最佳節(jié)點(diǎn)數(shù).

1 大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)預(yù)警原理

大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)包括交易商面臨的風(fēng)險(xiǎn)和交易中心面臨的風(fēng)險(xiǎn)兩大類(lèi), 由于種種原因, 能采集到的風(fēng)險(xiǎn)事件樣本數(shù)據(jù)十分有限; 而B(niǎo)P神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的學(xué)習(xí)功能, 可用于支持少量數(shù)據(jù)進(jìn)行訓(xùn)練, 比較適合在風(fēng)險(xiǎn)樣本數(shù)據(jù)稀疏情況下的預(yù)測(cè)分析. 因此,本文借助BP神經(jīng)網(wǎng)絡(luò)建立預(yù)警模型實(shí)現(xiàn)對(duì)大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)的預(yù)警.

基本思想: 首先收集有關(guān)大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)數(shù)據(jù), 經(jīng)過(guò)數(shù)據(jù)清洗、篩選等預(yù)處理后, 建立大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)信息數(shù)據(jù)倉(cāng)庫(kù); 同時(shí)創(chuàng)建BP神經(jīng)網(wǎng)絡(luò), 采用遺傳算法對(duì)其進(jìn)行優(yōu)化, 確定BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)閾值, 并建立大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系; 然后提取數(shù)據(jù)倉(cāng)庫(kù)中的大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)數(shù)據(jù), 運(yùn)用所構(gòu)建的遺傳BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分析; 參照之前確定的風(fēng)險(xiǎn)預(yù)警指標(biāo), 對(duì)分析結(jié)果可視化處理后, 輸出大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)等級(jí)的預(yù)警信號(hào). 大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)預(yù)警的基本流程如圖1所示.

圖1 大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)預(yù)警基本流程

關(guān)于建立大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)信息數(shù)據(jù)倉(cāng)庫(kù)的關(guān)鍵技術(shù), 如異構(gòu)數(shù)據(jù)的集成轉(zhuǎn)換等技術(shù)實(shí)現(xiàn), 采用XML作為中間數(shù)據(jù)模型屏蔽電子交易平臺(tái)訪問(wèn)信息的異構(gòu)性, 并與Web上原有的XML文檔集成, 再經(jīng)清洗過(guò)濾后轉(zhuǎn)換為關(guān)系數(shù)據(jù), 然后用遺傳BP神經(jīng)網(wǎng)絡(luò)等數(shù)據(jù)挖掘方法對(duì)其進(jìn)行深層次的分析處理. 電子交易網(wǎng)站平臺(tái)數(shù)據(jù)的動(dòng)態(tài)采集、異構(gòu)數(shù)據(jù)的集成轉(zhuǎn)換等技術(shù)的具體實(shí)現(xiàn)方法, 筆者在文獻(xiàn)[14]、[15]等論文中已有較詳細(xì)的表述, 本文不再討論.

2 遺傳BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型的構(gòu)建

本文選用Matlab7.5軟件自帶的神經(jīng)網(wǎng)絡(luò)工具箱,借助BP神經(jīng)網(wǎng)絡(luò)和遺傳算法(Genetic Algorithm,GA)創(chuàng)建大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)的遺傳BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型(GA-BPNNM). 首先創(chuàng)建BP神經(jīng)網(wǎng)絡(luò), 然后采用遺傳算法優(yōu)化, 使二者優(yōu)勢(shì)互補(bǔ). GA-BPNNM的實(shí)現(xiàn)涉及到BP網(wǎng)絡(luò)和遺傳算法中的各類(lèi)參數(shù)設(shè)計(jì), 主要包括BP網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)參數(shù)、市場(chǎng)風(fēng)險(xiǎn)指標(biāo)權(quán)值及預(yù)警閾值、輸出報(bào)警信號(hào)等.

2.1 創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)模型的建模步驟: (1) 收集大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)損失樣本數(shù)據(jù), 按比例把樣本分為訓(xùn)練樣本數(shù)據(jù)和預(yù)測(cè)樣本數(shù)據(jù)兩部分. (2) 調(diào)用newff函數(shù)創(chuàng)建BP神經(jīng)網(wǎng)絡(luò), 并選擇合適的神經(jīng)元數(shù)目.

創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)的關(guān)鍵代碼:

net=newff(minmax(xx), [PR, SI], {tansig, purelin},BT, BL);

net為生成的BP網(wǎng)絡(luò)對(duì)象; PR為輸入層神經(jīng)元節(jié)點(diǎn)數(shù); SI為隱含層節(jié)點(diǎn)數(shù), 隱層的最佳節(jié)點(diǎn)數(shù)需通過(guò)仿真實(shí)驗(yàn)測(cè)試后選定; tansig與purelin分別為隱層及輸出層的傳遞函數(shù); BT為BP網(wǎng)絡(luò)的訓(xùn)練函數(shù); BL為權(quán)值和閾值的BP學(xué)習(xí)算法.

為增強(qiáng)預(yù)警模型的適應(yīng)性和可操作性, 本文創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)模型時(shí), 在傳統(tǒng)BP算法的基礎(chǔ)上增設(shè)了一個(gè)任務(wù)控制與轉(zhuǎn)換模塊. 用戶可以通過(guò)該模塊, 根據(jù)市場(chǎng)風(fēng)險(xiǎn)預(yù)警任務(wù)選擇不同的輸入層節(jié)點(diǎn)數(shù)和合適的數(shù)據(jù)源. 例如, 當(dāng)預(yù)警交易商面臨的風(fēng)險(xiǎn)時(shí), 輸入層節(jié)點(diǎn)數(shù)PR取值20, 對(duì)應(yīng)本文表1“大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)指標(biāo)體系”中交易商面臨的20個(gè)二級(jí)風(fēng)險(xiǎn)指標(biāo); 當(dāng)預(yù)警交易中心面臨的風(fēng)險(xiǎn)時(shí), PR取值10, 對(duì)應(yīng)表1中交易中心面臨的10個(gè)二級(jí)風(fēng)險(xiǎn)指標(biāo).

表1 大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)指標(biāo)體系

2.2 建立大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)指標(biāo)體系

在調(diào)研識(shí)別出大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)類(lèi)型及其影響因素的基礎(chǔ)上, 分別針對(duì)大宗商品交易商面臨的6個(gè)一級(jí)風(fēng)險(xiǎn)指標(biāo)下的23個(gè)二級(jí)指標(biāo)和交易中心面臨的4個(gè)一級(jí)風(fēng)險(xiǎn)指標(biāo)下的12個(gè)二級(jí)指標(biāo), 通過(guò)綜合判定分析樣本數(shù)據(jù)得到各二級(jí)指標(biāo)的權(quán)重因子, 剔除5個(gè)權(quán)重極小的二極指標(biāo), 最后確定了大宗商品電子交易市場(chǎng)各類(lèi)風(fēng)險(xiǎn)的指標(biāo)及其權(quán)重(如表1所示).

大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系包含了定性指標(biāo)與定量指標(biāo), 可以全面反映大宗商品電子交易市場(chǎng)運(yùn)作狀況. 關(guān)于表1中各二級(jí)指標(biāo)具體評(píng)價(jià)標(biāo)準(zhǔn)的設(shè)計(jì)以及權(quán)重確定的詳細(xì)過(guò)程在另文討論, 本文不作累述.

2.3 遺傳算法對(duì)BP網(wǎng)絡(luò)的優(yōu)化訓(xùn)練

遺傳算法是一種模擬自然界生物進(jìn)化過(guò)程中遺傳復(fù)制、交叉和變異等現(xiàn)象的全局優(yōu)化隨機(jī)搜索算法,能對(duì)種群個(gè)體逐代擇優(yōu), 最終獲得適應(yīng)環(huán)境的最優(yōu)個(gè)體(問(wèn)題的最優(yōu)解). BP神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)值和閾值通常是隨機(jī)選取的, 而初始權(quán)閾值的優(yōu)劣將直接影響到最終預(yù)警模型的性能. 本文采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)閾值(其基本原理參見(jiàn)圖1), 先創(chuàng)建一個(gè)BP神經(jīng)網(wǎng)絡(luò)模型, 再將遺傳算法與BP算法融合,尋找并擇優(yōu)確定BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值, 代替一般BP網(wǎng)絡(luò)隨機(jī)生成的初始權(quán)閾值; 然后對(duì)神經(jīng)網(wǎng)絡(luò)采用改進(jìn)后的BP算法反復(fù)進(jìn)行自學(xué)習(xí)、訓(xùn)練, 并不斷調(diào)整BP網(wǎng)絡(luò)的權(quán)閾值參數(shù), 直至最終收斂, 找出滿足預(yù)期的最優(yōu)解或者近似最優(yōu)解.

2.4 預(yù)警信號(hào)的可視化輸出

大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)預(yù)警模型(GA -BPNNM)采用綜合預(yù)警信號(hào)輸出方式, 隱層和輸出層神經(jīng)元傳輸函數(shù)都選用Sigmoid函數(shù). 輸出結(jié)果在(0, 1)之間, 警情等級(jí)依目標(biāo)值的輸出分為五級(jí):無(wú)警(輸出結(jié)果＞0.1)、微警(0.1-0.08)、輕警(0.08-0.06)、中警(0.06-0.03)和重警(<0.03).

GA-BPNNM可在一定周期內(nèi)對(duì)大宗商品電子交易市場(chǎng)整體風(fēng)險(xiǎn)進(jìn)行實(shí)時(shí)監(jiān)控并輸出綜合評(píng)價(jià)結(jié)果,同時(shí)將其與風(fēng)險(xiǎn)等級(jí)匹配, 發(fā)出相應(yīng)的警報(bào)信號(hào).

實(shí)際應(yīng)用中通常要求直觀地顯示大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)的實(shí)時(shí)變化趨勢(shì), 實(shí)現(xiàn)動(dòng)態(tài)數(shù)據(jù)圖表. 為此,GA-BPNNM借鑒文獻(xiàn)[14]的方法將Java Applet嵌入到電子交易平臺(tái)的網(wǎng)頁(yè)中實(shí)現(xiàn)與用戶動(dòng)態(tài)交互的功能,并根據(jù)預(yù)警模型輸出的警情結(jié)果, 通過(guò)繪制綜合風(fēng)險(xiǎn)趨勢(shì)信號(hào)圖, 更清晰直觀地展示大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)的變化及走勢(shì). GA-BPNNM提供的警情結(jié)果可視化圖表包括柱圖、餅圖、曲線圖三類(lèi), 其實(shí)現(xiàn)技術(shù)的關(guān)鍵代碼示例請(qǐng)參閱文獻(xiàn)[14]中“3.2 數(shù)據(jù)挖掘結(jié)果可視化圖表的實(shí)現(xiàn)”部分相關(guān)內(nèi)容.

3 GA-BPNNM仿真實(shí)驗(yàn)

在整個(gè)模型的實(shí)現(xiàn)過(guò)程中對(duì)于關(guān)鍵參數(shù)采用了自適應(yīng)策略, 分別對(duì)BP網(wǎng)絡(luò)模型和優(yōu)化后形成的GABPNNM選擇不同的訓(xùn)練算法進(jìn)行測(cè)試實(shí)驗(yàn), 并分析測(cè)試結(jié)果, 初步檢驗(yàn)預(yù)警模型的有效性.

3.1 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備

3.1.1 原始實(shí)驗(yàn)數(shù)據(jù)描述

本次實(shí)驗(yàn)所用原始數(shù)據(jù)是描述大宗商品交易商在電子交易市場(chǎng)所面臨的6大類(lèi)風(fēng)險(xiǎn)(即表1中的一級(jí)風(fēng)險(xiǎn)指標(biāo))的損失程度數(shù)據(jù). 鑒于大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)數(shù)據(jù)媒體很少公開(kāi), 所收集到的數(shù)據(jù)量較少且有缺項(xiàng), 達(dá)不到訓(xùn)練樣本數(shù)據(jù)要求, 于是填補(bǔ)了一些模擬數(shù)據(jù)以便實(shí)驗(yàn)順利進(jìn)行. 表2展示的是實(shí)驗(yàn)中用到的部分?jǐn)?shù)據(jù), 模擬數(shù)據(jù)用下劃線標(biāo)示.

表2 交易商面臨的市場(chǎng)風(fēng)險(xiǎn)損失程度分布矩陣(單位: 千萬(wàn)元)

3.1.2 數(shù)據(jù)歸一化處理

由于原始樣本數(shù)據(jù)是不規(guī)則的, 測(cè)試前需先對(duì)其進(jìn)行歸一化處理. 數(shù)據(jù)歸一化的函數(shù)接口如下:

3.2 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和仿真

3.2.1 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)設(shè)置

net.trainParam.show=10; %定義訓(xùn)練步長(zhǎng)

net.trainParam.lr=1; %學(xué)習(xí)率

net.trainParam.epochs=200; %定義最大訓(xùn)練次數(shù)

net.trainParam.goal=0.00001; %訓(xùn)練目標(biāo)

3.2.2 BP神經(jīng)網(wǎng)絡(luò)不同算法的收斂速度比較

GA-BPNNM的核心是基于BP算法的三層式BP神經(jīng)網(wǎng)絡(luò)模型, 由于BP神經(jīng)網(wǎng)絡(luò)的收斂曲線與訓(xùn)練參數(shù)的設(shè)置有很大關(guān)系, 采用不同的訓(xùn)練函數(shù)對(duì)網(wǎng)絡(luò)的收斂速度等性能也有影響, 因此, 實(shí)驗(yàn)選擇Traingd、traingdm、traingdx、trainlm訓(xùn)練算法進(jìn)行了對(duì)比測(cè)試.為便于分析比較, 實(shí)驗(yàn)中都設(shè)定訓(xùn)練次數(shù)為200、隱含層節(jié)點(diǎn)數(shù)為10. 圖2給出了基于traingdx和trainlm訓(xùn)練算法的訓(xùn)練曲線, 其中橫坐標(biāo)表示訓(xùn)練步長(zhǎng), 縱坐標(biāo)表示工作性能.

圖2 BP神經(jīng)網(wǎng)絡(luò)不同訓(xùn)練算法的訓(xùn)練曲線

用traingd訓(xùn)練算法時(shí)工作性能為0, 網(wǎng)絡(luò)訓(xùn)練過(guò)程在120的時(shí)候停止訓(xùn)練了, 根本就未能對(duì)大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)進(jìn)行預(yù)警; traingdm訓(xùn)練算法的預(yù)測(cè)結(jié)果為1.5782, 絕對(duì)誤差為1.2782, 相對(duì)誤差為4.2607, 經(jīng)過(guò)200次訓(xùn)練后, 網(wǎng)絡(luò)的訓(xùn)練過(guò)程曲線收斂得依然非常緩慢, 預(yù)測(cè)結(jié)果和誤差都太大; 圖2(a)所示traingdx訓(xùn)練算法的預(yù)測(cè)結(jié)果為0.2980, 絕對(duì)誤差為-0.0020, 相對(duì)誤差為-0.0068, 經(jīng)過(guò)200次訓(xùn)練后, 網(wǎng)絡(luò)的訓(xùn)練過(guò)程收斂得還是非常緩慢, 但是與traingdm收斂曲線相比已有一定程度的改善; 圖2(b)所示trainlm訓(xùn)練算法的預(yù)測(cè)結(jié)果為0.3231, 絕對(duì)誤差為0.0231, 相對(duì)誤差為0.0769, 經(jīng)過(guò)5次訓(xùn)練后, 網(wǎng)絡(luò)的目標(biāo)預(yù)測(cè)就達(dá)到了要求. 此時(shí)的預(yù)測(cè)結(jié)果為0.3231, 而且該網(wǎng)絡(luò)的收斂速度非?？?

上述BP神經(jīng)網(wǎng)絡(luò)測(cè)試實(shí)驗(yàn)表明: (1) BP算法模型的訓(xùn)練速度是可以改進(jìn)的. 經(jīng)過(guò)三次的算法改進(jìn), 基于trainlm(Levenberg-Marquardt)訓(xùn)練算法比單純梯度下降算法的訓(xùn)練速度大大提高了. (2) 不同的訓(xùn)練算法其收斂速度不同. trainlm算法收斂速度最大, 網(wǎng)絡(luò)性能也最好, 因此GA-BPNNM采用trainlm函數(shù)對(duì)選定的樣本進(jìn)一步開(kāi)展預(yù)警實(shí).

3.3 GA-BPNNM預(yù)警市場(chǎng)風(fēng)險(xiǎn)的性能分析

為了便于對(duì)比預(yù)警效果, GA-BPNNM進(jìn)行測(cè)試時(shí)采用與單純BP網(wǎng)絡(luò)模型測(cè)試相同的樣本數(shù)據(jù).

3.3.1 迭代次數(shù)的比較

分別選取迭代次數(shù)為30次和50次, 誤差函數(shù)值的情況如圖3與圖4所示.

圖3 迭代次數(shù)為30次的情況

圖4 迭代次數(shù)為50次的情況(最佳)

從圖3中可以看出, 當(dāng)?shù)螖?shù)為30次的時(shí)候, 函數(shù)值在0.025左右就沒(méi)有什么變化了, 但是實(shí)驗(yàn)要求的是誤差函數(shù)值接近0, 這樣進(jìn)行迭代之后數(shù)據(jù)才會(huì)更加準(zhǔn)確. 從圖4可以看到, 在迭代次數(shù)為50的時(shí)候, 誤差函數(shù)值接近0, 說(shuō)明迭代次數(shù)為50次時(shí)已經(jīng)達(dá)到了最佳.

3.3.2 GA-BPNNM隱含層不同節(jié)點(diǎn)數(shù)的測(cè)試

本文采用嘗試法確定GA-BPNNM隱含層神經(jīng)元數(shù)目, 即在改變神經(jīng)網(wǎng)絡(luò)模型隱含層節(jié)點(diǎn)數(shù)的情況下,反復(fù)運(yùn)行GA-BPNNM的最優(yōu)訓(xùn)練算法trailm, 對(duì)比預(yù)測(cè)結(jié)果(如表3所示). 表中“預(yù)測(cè)結(jié)果”表示大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)可能造成的損失金額(單位為千萬(wàn)元);“絕對(duì)誤差”和“相對(duì)誤差”分別反映預(yù)測(cè)結(jié)果的準(zhǔn)確性和穩(wěn)定性. 大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)預(yù)測(cè)誤差進(jìn)行比較時(shí)只能取正值, 為負(fù)值則說(shuō)明預(yù)測(cè)值小于真實(shí)值,達(dá)不到預(yù)測(cè)效果.

表3 GA-BPNNM隱含層不同節(jié)點(diǎn)數(shù)的測(cè)試結(jié)果

表3顯示GA-BPNNM預(yù)測(cè)的絕對(duì)誤差和相對(duì)誤差都比較小, 而且都比單純BP算法預(yù)測(cè)的誤差相應(yīng)有所減少, 說(shuō)明采用遺傳BP算法的預(yù)測(cè)模型精度更高、穩(wěn)定性更好; 特別是當(dāng)隱含層節(jié)點(diǎn)數(shù)為10的時(shí)候, 絕對(duì)誤差和相對(duì)誤差都最小, 預(yù)測(cè)結(jié)果0.3104也最接近期望值, 說(shuō)明隱含層節(jié)點(diǎn)數(shù)為10時(shí)預(yù)測(cè)結(jié)果最精確也最穩(wěn)定. 因此, GA-BPNNM隱含層節(jié)點(diǎn)數(shù)的最佳值宜確定為10.

3.3.3 用遺傳BP算法改進(jìn)trailnm的收斂速度比較

為了便于與標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)的預(yù)警結(jié)果進(jìn)行比較, 在這里還是采用訓(xùn)練次數(shù)為200、隱含層節(jié)點(diǎn)數(shù)都為10進(jìn)行測(cè)試, 并觀察結(jié)果. 遺傳BP神經(jīng)網(wǎng)絡(luò)算法下trailm訓(xùn)練曲線如圖5所示, 其中橫坐標(biāo)表示訓(xùn)練步長(zhǎng),縱坐標(biāo)表示工作性能.

圖5 遺傳BP算法下trailm訓(xùn)練曲線

預(yù)測(cè)結(jié)果為0.3104; 絕對(duì)誤差為0.01041; 相對(duì)誤差為0.0348.

標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)算法下, trainlm訓(xùn)練曲線要5次才能達(dá)到訓(xùn)練目的(參見(jiàn)圖2(b)); 改進(jìn)之后只需要3次就能達(dá)到訓(xùn)練目的, 而且在預(yù)測(cè)結(jié)果、絕對(duì)誤差、相對(duì)誤差上都有著明顯的進(jìn)步, 比標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)結(jié)果差值減少了0.0127.

以上實(shí)驗(yàn)測(cè)試數(shù)據(jù)顯示, 用遺傳BP神經(jīng)網(wǎng)絡(luò)算法大大改進(jìn)了神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練性能.

需要說(shuō)明的是, 上述預(yù)測(cè)結(jié)果用于大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)預(yù)警, 還需要經(jīng)過(guò)分析評(píng)價(jià)后才能予以采用; 若誤差較大, 就應(yīng)該進(jìn)行修正或重新預(yù)測(cè), 以確定最佳預(yù)警值.

5 結(jié)束語(yǔ)

本文創(chuàng)新性地將神經(jīng)網(wǎng)絡(luò)預(yù)警方法引入到大宗商品市場(chǎng)風(fēng)險(xiǎn)管理領(lǐng)域中, 運(yùn)用Matlab7.5的神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)建大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)的遺傳BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型, 并依據(jù)收集的相關(guān)風(fēng)險(xiǎn)數(shù)據(jù), 對(duì)一定時(shí)期內(nèi)大宗商品電子交易市場(chǎng)同類(lèi)風(fēng)險(xiǎn)發(fā)生時(shí)所造成的損失程度進(jìn)行預(yù)警. 仿真實(shí)驗(yàn)表明: 對(duì)于選定的大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)樣本數(shù)據(jù), 本文所構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型GA-BPNNM在選擇trailnm訓(xùn)練算法、隱含層節(jié)點(diǎn)數(shù)為10的情況下, 用于對(duì)大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)進(jìn)行預(yù)警是有效的. 也就是說(shuō), GA-BPNNM用于大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)預(yù)警時(shí), 宜選擇trailnm訓(xùn)練算法、隱含層節(jié)點(diǎn)數(shù)為10的情況, 此時(shí)效果最佳.

本文提出的大宗商品電子交易市場(chǎng)風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系, 定量評(píng)價(jià)指標(biāo)占86.67%, 率先改變了以往大宗商品市場(chǎng)風(fēng)險(xiǎn)評(píng)估模型大多為定性評(píng)價(jià)的狀況, 對(duì)于提高大宗商品市場(chǎng)風(fēng)險(xiǎn)的防控管理水平具有重要的參考價(jià)值.

1Kim MJ, Han I. The discovery of experts’ decision rules from qualitative bankruptcy data using genetic algorithms.Expert Systems with Applications, 2003, 25(4): 637–646.[doi: 10.1016/S0957-4174(03)00102-7]

2Kim SH, Noh HJ. Predictability of interest rates using data mining tools: A comparative analysis of Korea and the US.Expert Systems with Applications, 1997, 13(2): 85–95. [doi:10.1016/S0957-4174(97)00010-9]

3Baesens B, Mues C, de Backer M, et al. Building intelligent credit scoring systems using decision tables. Camp O, Filipe JBL, Hammoudi S, et al. Enterprise Information Systems V.Dordrecht, Netherlands. 2003. 131–137.

4Hsieh NC. Hybrid mining approach in the design of creditscoring models. Expert Systems with Applications, 2005,28(4): 655–665. [doi: 10.1016/j.eswa.2004.12.022]

5王川, 王克. 基于BP神經(jīng)網(wǎng)絡(luò)的我國(guó)農(nóng)產(chǎn)品市場(chǎng)風(fēng)險(xiǎn)預(yù)警研究——以大豆為例的實(shí)證分析. 農(nóng)業(yè)經(jīng)濟(jì)問(wèn)題, 2008,(增刊): 152–156.

6Chen QG, Wen YP. A BP-neural network predictor model for operational risk losses of commercial bank. 3rd International Symposium on Information Processing.Qingdao, China. 2010. 291–295.

7蔣天穎, 豐景春. 基于BP神經(jīng)網(wǎng)絡(luò)的工程項(xiàng)目知識(shí)管理風(fēng)險(xiǎn)預(yù)警研究. 情報(bào)雜志, 2009, 28(12): 48–51. [doi: 10.3969/j.issn.1002-1965.2009.12.011]

8李松, 羅勇, 張銘銳. 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的混沌時(shí)間序列預(yù)測(cè). 計(jì)算機(jī)工程與應(yīng)用, 2011, 47(29): 52–55. [doi:10.3778/j.issn.1002-8331.2011.29.015]

9王德明, 王莉, 張廣明. 基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)模型. 浙江大學(xué)學(xué)報(bào)(工學(xué)版), 2012, 46(5): 837–841,904.

10尹光志, 李銘輝, 李文璞, 等. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的煤體瓦斯?jié)B透率預(yù)測(cè)模型. 煤炭學(xué)報(bào), 2013, 38(7): 1179–1184.

11林琳, 張志華, 張睿欣. 基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的產(chǎn)品造型設(shè)計(jì)評(píng)價(jià). 計(jì)算機(jī)工程與設(shè)計(jì), 2015, 36(3): 789–792,813.

12馬馳, 楊軍, 梅雪松, 等. 基于遺傳算法及BP網(wǎng)絡(luò)的主軸熱誤差建模. 計(jì)算機(jī)集成制造系統(tǒng), 2015, 21(10): 2627–2636.

13劉錦偉, 謝雄剛, 方井. 基于遺傳算法-BP神經(jīng)網(wǎng)絡(luò)的煤層注水效果分析. 工礦自動(dòng)化, 2016, 42(1): 48–51.

14陳晴光. 電子商務(wù)數(shù)據(jù)挖掘可視化系統(tǒng)模型研究及應(yīng)用. 計(jì)算機(jī)工程與應(yīng)用, 2007, 43(5): 242–245, 248.

15陳晴光. 基于Web訪問(wèn)信息挖掘的商業(yè)智能發(fā)現(xiàn)研究. 計(jì)算機(jī)工程與設(shè)計(jì), 2008, 29(6): 1413–1416.

Application of GA-BP Neural Network in the Risk Early-Warning of Bulk Commodity Electronic Trading Marketplace

CHEN Qing-Guang1, CHEN Yu-Zhe2

1(School of Logistics and E-commerce, Zhejiang Wanli University, Ningbo 315100, China)
2(AMINTH Group Ltd., Ningbo 315800, China)

The application of genetic BP neural networks used in early warning of the risk of bulk commodity electronic trading marketplace is studied. According to the risk characteristics of bulk commodity electronic trading marketplace, an early warning model (GA-BPNNM) based on genetic algorithm and BP neural networks is being built by the Matlab toolbox functions. The risk assessment index system is established based on the marketing research and the optimal training functions and number of nodes of the hidden layers are determined by the experiment. With the combinatorial optimization of genetic algorithm and BP neural networks, the difficulty of traditional risk analysis because of the ambiguity of definition and variety of causes could be overcome and the problems of premature phenomenon of genetic algorithm falling into local minima and slow convergence speed of BP neural network could be solved. The results of simulation test show that the GA-BPNNM prediction is better than BP neural networks and is feasible and effective in the early risk warning of bulk commodity electronic trading marketplace.

bulk commodity; electronic trading marketplace; risk; GA-BP neural network; early warning model

陳晴光,陳宇哲.遺傳BP神經(jīng)網(wǎng)絡(luò)在大宗商品市場(chǎng)風(fēng)險(xiǎn)預(yù)警中的應(yīng)用.計(jì)算機(jī)系統(tǒng)應(yīng)用,2017,26(7):36–42. http://www.c-s-a.org.cn/1003-3254/5847.html

寧波市自然科學(xué)基金(2012A610069); 浙江省哲學(xué)社會(huì)科學(xué)重點(diǎn)研究基地臨港現(xiàn)代服務(wù)業(yè)與創(chuàng)意文化研究中心項(xiàng)目(12JDLG03YB)

2016-10-13; 收到修改稿時(shí)間: 2016-11-29