基于PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的金融風(fēng)險(xiǎn)防范預(yù)警模型研究

吳川惠 王昭

（西安歐亞學(xué)院，陜西 西安 710065）

傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型豐富了金融風(fēng)險(xiǎn)預(yù)警模型體系，能夠?qū)崿F(xiàn)從輸入到輸出過(guò)程復(fù)雜非線(xiàn)性的映射，具有很強(qiáng)的學(xué)習(xí)能力，但BP神經(jīng)網(wǎng)絡(luò)算法易陷入局部最優(yōu)解，而隨機(jī)的初始化權(quán)值和閾值使其出現(xiàn)每次訓(xùn)練的結(jié)果都不一致的情況。本文將利用種群中個(gè)體對(duì)信息共享的特征，可以自適應(yīng)地調(diào)整搜索方向，以便具備隱行性和全局尋優(yōu)能力的粒子群優(yōu)化算法（PSO）對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，以此解決BP神經(jīng)網(wǎng)絡(luò)存在的局部收斂性問(wèn)題，從而動(dòng)態(tài)地在海量數(shù)據(jù)中提取隱藏規(guī)律，提高對(duì)經(jīng)濟(jì)指標(biāo)的全局搜索和預(yù)測(cè)能力。

一、金融風(fēng)險(xiǎn)防范預(yù)警指標(biāo)體系

金融風(fēng)險(xiǎn)預(yù)警模型防范金融風(fēng)險(xiǎn)，需要通過(guò)實(shí)時(shí)地監(jiān)測(cè)金融指標(biāo)的動(dòng)態(tài)變化來(lái)實(shí)現(xiàn)，所以指標(biāo)體系的構(gòu)建需要具有時(shí)效性、靈敏性、可操作性以及系統(tǒng)性等特點(diǎn)。通過(guò)借鑒國(guó)內(nèi)外相關(guān)文獻(xiàn)和訪談相關(guān)專(zhuān)家，確定了三大類(lèi)風(fēng)險(xiǎn)為金融監(jiān)管風(fēng)險(xiǎn)、金融機(jī)構(gòu)風(fēng)險(xiǎn)以及證券保險(xiǎn)國(guó)際收支的交叉類(lèi)風(fēng)險(xiǎn)。本文以科學(xué)性和有效性原則，構(gòu)建了與金融風(fēng)險(xiǎn)預(yù)測(cè)相適應(yīng)的預(yù)警指標(biāo)體系，涉及9類(lèi)具體風(fēng)險(xiǎn)類(lèi)型和24個(gè)變量指標(biāo)。根據(jù)上述各大類(lèi)風(fēng)險(xiǎn)中具體風(fēng)險(xiǎn)的變量指標(biāo)，選取2010—2019年我國(guó)相關(guān)金融數(shù)據(jù)作為樣本（見(jiàn)表1），用以檢驗(yàn)預(yù)警模型的金融風(fēng)險(xiǎn)預(yù)測(cè)效果。

表1 金融風(fēng)險(xiǎn)防范預(yù)警指標(biāo)體系

二、金融風(fēng)險(xiǎn)防范預(yù)警模型構(gòu)建

針對(duì)BP神經(jīng)網(wǎng)絡(luò)具有收斂速度慢、易陷入局部極值點(diǎn)、學(xué)習(xí)過(guò)程易發(fā)生振蕩和訓(xùn)練時(shí)學(xué)習(xí)新樣本過(guò)程中有遺漏舊樣本等問(wèn)題。本文將PSO算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，以解決這些問(wèn)題?；赑SO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)主要流程如下：

Step1：設(shè)定神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)、隱層節(jié)點(diǎn)數(shù)和輸出層節(jié)點(diǎn)數(shù)以確定BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，確定神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值的函數(shù)分量，以方便后續(xù)調(diào)用優(yōu)化。

Step2：初始化粒子群的速度、最大迭代次數(shù)、學(xué)習(xí)因子、種群規(guī)模和粒子位置。

Step3：通過(guò)網(wǎng)絡(luò)訓(xùn)練，計(jì)算粒子的適應(yīng)度函數(shù)值，得到粒子個(gè)體最優(yōu)解和全局最優(yōu)解，通過(guò)比較，記錄粒子種群的最優(yōu)位置。

Step4：重新調(diào)整當(dāng)前粒子的速度和位置，將新個(gè)體插入到種群中，當(dāng)訓(xùn)練網(wǎng)絡(luò)的誤差滿(mǎn)足設(shè)定條件時(shí)，則終止迭代，計(jì)算并得到結(jié)果，否則轉(zhuǎn)步驟3，繼續(xù)迭代直至算法收斂。

Step5：將PSO優(yōu)化的權(quán)值和閾值賦予BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，獲取優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，從而反復(fù)迭代完成訓(xùn)練，輸出預(yù)測(cè)值。

三、金融風(fēng)險(xiǎn)防范預(yù)警模型實(shí)證檢驗(yàn)

為了驗(yàn)證構(gòu)建的金融風(fēng)險(xiǎn)防范預(yù)警模型可行性，本文采用Matlab2016a軟件對(duì)金融風(fēng)險(xiǎn)防范預(yù)警模型進(jìn)行訓(xùn)練和檢驗(yàn)。

（一）粒子群算法預(yù)置參數(shù)

根據(jù)經(jīng)驗(yàn)值進(jìn)行設(shè)置，種群大小個(gè)數(shù)為300，最大速率0.01，適應(yīng)度閾值0.000001，學(xué)習(xí)因子c1 = 2、c2 = 0.8，迭代次數(shù)n為500，粒子位置Xmax＝1，Xm i n＝－1，粒子的速度Vmax＝1，Vm i n＝－1，粒子的慣性權(quán)重w 采用線(xiàn)性遞減方式其中Wmax=0.9，Wmin=0.3。

（二）BP神經(jīng)網(wǎng)絡(luò)預(yù)置參數(shù)

整個(gè)網(wǎng)絡(luò)由3層構(gòu)成，輸入層節(jié)點(diǎn)數(shù)為9，主要輸入2010年至2018年的24個(gè)指標(biāo)的數(shù)據(jù)，輸出層值為2019年度的預(yù)警指標(biāo)數(shù)據(jù)，隱層節(jié)點(diǎn)數(shù)根據(jù)經(jīng)驗(yàn)不斷地進(jìn)行網(wǎng)絡(luò)訓(xùn)練，確定隱含層節(jié)點(diǎn)數(shù)為9時(shí)，誤差較小且效果最優(yōu)。傳遞函數(shù)Sigmoid，訓(xùn)練次數(shù)為1000次，訓(xùn)練目標(biāo)是0.000001。

（三）模型評(píng)價(jià)指標(biāo)

為了便于更加準(zhǔn)確地評(píng)估金融風(fēng)險(xiǎn)防范預(yù)測(cè)模型的準(zhǔn)確性，本文選用了2個(gè)評(píng)價(jià)指標(biāo)，分別為平均絕對(duì)誤差（MAE）和平均絕對(duì)百分誤差（MAPE）。

（四）適應(yīng)度曲線(xiàn)

在迭代進(jìn)化過(guò)程中，前期減幅較大，而后平均適應(yīng)度曲線(xiàn)總體下降趨勢(shì)減緩，當(dāng)?shù)螖?shù)達(dá)到500時(shí)，適應(yīng)度曲線(xiàn)逐漸趨于平緩（見(jiàn)圖1）。

圖1 適應(yīng)度曲線(xiàn)

（五）優(yōu)化的神經(jīng)網(wǎng)絡(luò)權(quán)值及閾值

迭代完成后，找到最優(yōu)粒子，得到PSO優(yōu)化的權(quán)值和閾值（見(jiàn)表2），將其最優(yōu)粒子的位置向量值賦給BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，使得BP神經(jīng)網(wǎng)絡(luò)性能達(dá)到最優(yōu)。

表2 PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值和閾值

?

（六）預(yù)測(cè)結(jié)果分析

由圖2預(yù)測(cè)真實(shí)值可以看出PSO－BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值與實(shí)測(cè)值非常接近，其中最大相對(duì)誤差為1.5%，最大絕對(duì)誤差為3.6，誤差在可接受范圍內(nèi)，表明此算法性能較好，因此可以將預(yù)測(cè)結(jié)果用于模擬計(jì)算。

圖2 預(yù)測(cè)真實(shí)值

四、結(jié)束語(yǔ)

運(yùn)用PSO算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行數(shù)據(jù)處理，在對(duì)我國(guó)金融風(fēng)險(xiǎn)動(dòng)態(tài)預(yù)測(cè)中，模型會(huì)自動(dòng)吸取歷年各個(gè)指標(biāo)的歷史變化趨勢(shì)，挖掘出潛在可能存在的風(fēng)險(xiǎn)信息，比較準(zhǔn)確的預(yù)測(cè)出期望年度各指標(biāo)的數(shù)據(jù)，然后再與國(guó)家監(jiān)管部門(mén)的風(fēng)險(xiǎn)閾值自動(dòng)對(duì)比，形成風(fēng)險(xiǎn)地圖，使得政府部門(mén)的干預(yù)措施具有戰(zhàn)略性。構(gòu)建金融風(fēng)險(xiǎn)防范預(yù)警模型，并以此為基礎(chǔ)構(gòu)建我國(guó)的金融風(fēng)險(xiǎn)監(jiān)管體系，通過(guò)以上實(shí)證數(shù)據(jù)的檢驗(yàn)具有可行性，推進(jìn)了我國(guó)實(shí)施整個(gè)金融風(fēng)險(xiǎn)防范預(yù)警體系的信心。