一种基于LASSO-PSO-ELM的财务困境预警方法

摘要

本发明公开了一种基于LASSO‑PSO‑ELM的财务困境预警方法，首先利用LASSO回归对于财务指标数据进行降维处理，得到低维度有效数据，然后利用十折交叉验证对ELM模型中的最优隐层节点数进行寻优，再选取十折交叉验证得到的最优隐层节点数代入ELM中进行建模预测。由于ELM本身随机赋予权值和偏差，实证发现输出结果存在不稳定的问题，接着利用PSO寻优算法，对ELM的随机权值和偏差进行优化，利用PSO的不断迭代寻优得到最终的权值和偏差，最后将寻优后的权值和偏差带入ELM中对降维后的数据进行训练和分类识别。本发明能避免传统方法中由于模型本身带来的低预测率和速度慢问题，并对不同行业的财务指标数据都能达到较好的结果。

说明书

技术领域

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

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：

(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。

(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。

(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”。

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。

发明内容

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。

为了实现上述目的，本发明提供了如下的技术方案：

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：

步骤一：财务指标体系降维

(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。

(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。

步骤二：十折交叉验证选取最优隐藏层节点数

(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。

(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。

步骤三：PSO-ELM财务困境预警模型构建

(3.1)将降维后的财务指标数据作为输入样本，设定

(3.2)将输入层的ω

(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ω

步骤四：实证预测

(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。

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x

y

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：

y

上式中ε

y＝βx+ε

其中ε∈N(0，σ

其中，

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。

所述的步骤三(3.1)中ELM模型可表示为：

其中G()是对应的激活函数，ω

Hβ＝T

β、T可以表示为：

其中

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。

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。

β＝H

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＝(x

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 P

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。

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：

w(t)＝w

其中w

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ω

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。

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ω

与现有技术相比，本发明的有益效果在于：

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。

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

图1为本发明的流程示意图；

图2为Lasso压缩后落在边界的特征；

图3为十折交叉验证实验图及输出获取的最优节点数；

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

下面结合实施例对本发明进行进一步说明。

一种基于LASSO-PSO-ELM的财务困境预警方法，包括如下步骤：

步骤一：财务指标体系降维

(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。

(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。

步骤二：十折交叉验证选取最优隐藏层节点数

(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。

(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。

步骤三：PSO-ELM财务困境预警模型构建

(3.1)将降维后的财务指标数据作为输入样本，设定

(3.2)将输入层的ω

(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ω

步骤四：实证预测

(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。